Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Schlussfolgern, Programmierung, Gespräche und Anwendungen mit Tool-Nutzung. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Seine Mixture-of-Experts-Architektur hat insgesamt 276 Milliarden Parameter mit 12 Milliarden aktiven Parametern, verglichen mit Inklings insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern. Small ist ein separat veröffentlichtes Modell mit einer anderen Balance aus Effizienz und Fähigkeiten und kein Modus für kürzere Ausgaben von Inkling.
Bei einer Codeuntersuchung liefern Sie die betroffenen Dateien, beobachtetes Verhalten und die benötigte Änderung und verlangen dann den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endartefakt umfasst die vorgeschlagene Bearbeitung und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten stellen Sie relevante Richtlinien und Gesprächsfakten bereit und verlangen die nächste Antwort oder eine noch fehlende Frage. Zu den vorgesehenen Einsätzen gehören Programmierassistenten, Chatbots, retrievalgestützte Antworten und agentenbasierte Systeme mit Anwendungstools.
Das Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein langes Repository oder eine Dokumentsammlung mit Dateinamen, Abschnittsbezeichnungen und einer klaren Frage und bewahren Sie die Fakten, die ein späterer Schritt verwenden muss. Ein grosses Fenster hilft beim Vergleich weit auseinanderliegender Informationen, das gewünschte Ergebnis sollte aber konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufresultate und dürfen nicht als Teil des erlernten Wissens vorausgesetzt werden.
Der Denkaufwand ist steuerbar. Der Leitfaden der Herstellerfamilie verwendet stufenlose Werte von einschliesslich 0.0 bis unter 1.0, mit den Ausgangsvoreinstellungen none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Hersteller-Renderer verwendet standardmässig high. Höherer Aufwand kann mehr Schlussfolgern fördern und ein grösseres Generierungsbudget benötigen, garantiert aber keine längere oder genauere Antwort. Der Wert null lenkt das Modell zu einer Antwort ohne Reasoning hin, statt dessen vollständiges Ausbleiben hart durchzusetzen. Wählen Sie den Aufwand für die Aufgabe und halten Sie die Anforderung an die Endausgabe klar.
Bilder unterstützen visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematische Schlussfolgerungen aus sichtbaren Informationen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4’096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das relevante Detail. Mit einem konfigurierten Python-Tool kann das Modell visuelles Schlussfolgern mit Zuschnitt, Vergrösserung und programmgesteuerter Untersuchung eines Dokuments oder Diagramms verbinden. Diese Vorgänge müssen von der verbundenen Tool-Umgebung ausgeführt werden; die schriftliche Antwort sollte deren zurückgegebene Beobachtungen nutzen.
Audioeingaben sind WAV mit 16 kHz Abtastrate; für optimale Leistung sollten Aufnahmen idealerweise kürzer als zwei Minuten sein. Das ist eine Vorbereitungsempfehlung und keine Garantie einer harten Dauergrenze. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder deren Inhalt mit anderem bereitgestelltem Material verknüpfen soll. Die native Antwort ist Text und keine erzeugte Sprache. Inklings separate Empfehlung für längeres Audio darf nicht auf die Small-Ausgabe übertragen werden.
Arbeitsabläufe mit Tool-Nutzung benötigen aussagekräftige Tool-Beschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Vorgänge. Halten Sie Abfrageresultate, Berechnungen oder Dateibeobachtungen vom Aktionsvorschlag des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, untersuchen die bereitgestellten Werte über ein Berechnungstool und verlangen eine Erklärung, die diese Werte anführt. Das Modell wurde für unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und die Tools sollten deshalb beschrieben und nicht stillschweigend vorausgesetzt werden.
Die offenen Gewichte unterstützen Modellforschung, Fine-Tuning und Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt einem früheren Preview-Checkpoint und enthält weiteres Training für agentenbasierte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für spezialisierte Extraktion oder einen bestimmten Antwortstil verwendet eine Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt liefert dagegen Kontext für die aktuelle Anfrage; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.
Eine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei Prognosen oder faktischen Antworten mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mittels Reinforcement Learning anhand von Proper Scoring Rules für reale Fragen, mit dem Ziel, eine zu den verfügbaren Belegen passende Sicherheit auszudrücken. Bewahren Sie Material und Tool-Beobachtungen mit dem Artefakt, damit eine Folgefrage ein einzelnes Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Inkling-Smalls allgemeine mehrsprachige und multimodale Fähigkeiten bleiben von einem speziellen Sprachgenerator oder einem Dienst mit garantierter externer Aktionsausführung getrennt.
", "aboutText": "Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Schlussfolgern, Programmierung, Gespräche und Anwendungen mit Tool-Nutzung. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Seine Mixture-of-Experts-Architektur hat insgesamt 276 Milliarden Parameter mit 12 Milliarden aktiven Parametern, verglichen mit Inklings insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern. Small ist ein separat veröffentlichtes Modell mit einer anderen Balance aus Effizienz und Fähigkeiten und kein Modus für kürzere Ausgaben von Inkling.\n\nBei einer Codeuntersuchung liefern Sie die betroffenen Dateien, beobachtetes Verhalten und die benötigte Änderung und verlangen dann den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endartefakt umfasst die vorgeschlagene Bearbeitung und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten stellen Sie relevante Richtlinien und Gesprächsfakten bereit und verlangen die nächste Antwort oder eine noch fehlende Frage. Zu den vorgesehenen Einsätzen gehören Programmierassistenten, Chatbots, retrievalgestützte Antworten und agentenbasierte Systeme mit Anwendungstools.\n\nDas Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein langes Repository oder eine Dokumentsammlung mit Dateinamen, Abschnittsbezeichnungen und einer klaren Frage und bewahren Sie die Fakten, die ein späterer Schritt verwenden muss. Ein grosses Fenster hilft beim Vergleich weit auseinanderliegender Informationen, das gewünschte Ergebnis sollte aber konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufresultate und dürfen nicht als Teil des erlernten Wissens vorausgesetzt werden.\n\nDer Denkaufwand ist steuerbar. Der Leitfaden der Herstellerfamilie verwendet stufenlose Werte von einschliesslich 0.0 bis unter 1.0, mit den Ausgangsvoreinstellungen none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Hersteller-Renderer verwendet standardmässig high. Höherer Aufwand kann mehr Schlussfolgern fördern und ein grösseres Generierungsbudget benötigen, garantiert aber keine längere oder genauere Antwort. Der Wert null lenkt das Modell zu einer Antwort ohne Reasoning hin, statt dessen vollständiges Ausbleiben hart durchzusetzen. Wählen Sie den Aufwand für die Aufgabe und halten Sie die Anforderung an die Endausgabe klar.\n\nBilder unterstützen visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematische Schlussfolgerungen aus sichtbaren Informationen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4’096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das relevante Detail. Mit einem konfigurierten Python-Tool kann das Modell visuelles Schlussfolgern mit Zuschnitt, Vergrösserung und programmgesteuerter Untersuchung eines Dokuments oder Diagramms verbinden. Diese Vorgänge müssen von der verbundenen Tool-Umgebung ausgeführt werden; die schriftliche Antwort sollte deren zurückgegebene Beobachtungen nutzen.\n\nAudioeingaben sind WAV mit 16 kHz Abtastrate; für optimale Leistung sollten Aufnahmen idealerweise kürzer als zwei Minuten sein. Das ist eine Vorbereitungsempfehlung und keine Garantie einer harten Dauergrenze. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder deren Inhalt mit anderem bereitgestelltem Material verknüpfen soll. Die native Antwort ist Text und keine erzeugte Sprache. Inklings separate Empfehlung für längeres Audio darf nicht auf die Small-Ausgabe übertragen werden.\n\nArbeitsabläufe mit Tool-Nutzung benötigen aussagekräftige Tool-Beschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Vorgänge. Halten Sie Abfrageresultate, Berechnungen oder Dateibeobachtungen vom Aktionsvorschlag des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, untersuchen die bereitgestellten Werte über ein Berechnungstool und verlangen eine Erklärung, die diese Werte anführt. Das Modell wurde für unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und die Tools sollten deshalb beschrieben und nicht stillschweigend vorausgesetzt werden.\n\nDie offenen Gewichte unterstützen Modellforschung, Fine-Tuning und Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt einem früheren Preview-Checkpoint und enthält weiteres Training für agentenbasierte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für spezialisierte Extraktion oder einen bestimmten Antwortstil verwendet eine Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt liefert dagegen Kontext für die aktuelle Anfrage; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.\n\nEine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei Prognosen oder faktischen Antworten mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mittels Reinforcement Learning anhand von Proper Scoring Rules für reale Fragen, mit dem Ziel, eine zu den verfügbaren Belegen passende Sicherheit auszudrücken. Bewahren Sie Material und Tool-Beobachtungen mit dem Artefakt, damit eine Folgefrage ein einzelnes Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Inkling-Smalls allgemeine mehrsprachige und multimodale Fähigkeiten bleiben von einem speziellen Sprachgenerator oder einem Dienst mit garantierter externer Aktionsausführung getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5ea8d0346e5471b271da6e0ccae08a3ba1b1366c2b6ce309c64601208e5c8127", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "thinkingmachines/inkling-small:freeInkling-Small ist ein multimodales Modell mit offenen Gewichten für Programmierung, Werkzeugnutzung und Schlussfolgern anhand von Text, Bildern und Audio. Sein steuerbarer Thinking-Aufwand und grosser Kontext unterstützen gezielte Anwendungsaufgaben mit schriftlichen Ergebnissen; das aktive Modell ist kleiner als bei Inkling.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Schlussfolgern, Programmierung, Gespräche und Anwendungen mit Tool-Nutzung. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Seine Mixture-of-Experts-Architektur hat insgesamt 276 Milliarden Parameter mit 12 Milliarden aktiven Parametern, verglichen mit Inklings insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern. Small ist ein separat veröffentlichtes Modell mit einer anderen Balance aus Effizienz und Fähigkeiten und kein Modus für kürzere Ausgaben von Inkling.
Bei einer Codeuntersuchung liefern Sie die betroffenen Dateien, beobachtetes Verhalten und die benötigte Änderung und verlangen dann den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endartefakt umfasst die vorgeschlagene Bearbeitung und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten stellen Sie relevante Richtlinien und Gesprächsfakten bereit und verlangen die nächste Antwort oder eine noch fehlende Frage. Zu den vorgesehenen Einsätzen gehören Programmierassistenten, Chatbots, retrievalgestützte Antworten und agentenbasierte Systeme mit Anwendungstools.
Das Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein langes Repository oder eine Dokumentsammlung mit Dateinamen, Abschnittsbezeichnungen und einer klaren Frage und bewahren Sie die Fakten, die ein späterer Schritt verwenden muss. Ein grosses Fenster hilft beim Vergleich weit auseinanderliegender Informationen, das gewünschte Ergebnis sollte aber konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufresultate und dürfen nicht als Teil des erlernten Wissens vorausgesetzt werden.
Der Denkaufwand ist steuerbar. Der Leitfaden der Herstellerfamilie verwendet stufenlose Werte von einschliesslich 0.0 bis unter 1.0, mit den Ausgangsvoreinstellungen none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Hersteller-Renderer verwendet standardmässig high. Höherer Aufwand kann mehr Schlussfolgern fördern und ein grösseres Generierungsbudget benötigen, garantiert aber keine längere oder genauere Antwort. Der Wert null lenkt das Modell zu einer Antwort ohne Reasoning hin, statt dessen vollständiges Ausbleiben hart durchzusetzen. Wählen Sie den Aufwand für die Aufgabe und halten Sie die Anforderung an die Endausgabe klar.
Bilder unterstützen visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematische Schlussfolgerungen aus sichtbaren Informationen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4’096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das relevante Detail. Mit einem konfigurierten Python-Tool kann das Modell visuelles Schlussfolgern mit Zuschnitt, Vergrösserung und programmgesteuerter Untersuchung eines Dokuments oder Diagramms verbinden. Diese Vorgänge müssen von der verbundenen Tool-Umgebung ausgeführt werden; die schriftliche Antwort sollte deren zurückgegebene Beobachtungen nutzen.
Audioeingaben sind WAV mit 16 kHz Abtastrate; für optimale Leistung sollten Aufnahmen idealerweise kürzer als zwei Minuten sein. Das ist eine Vorbereitungsempfehlung und keine Garantie einer harten Dauergrenze. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder deren Inhalt mit anderem bereitgestelltem Material verknüpfen soll. Die native Antwort ist Text und keine erzeugte Sprache. Inklings separate Empfehlung für längeres Audio darf nicht auf die Small-Ausgabe übertragen werden.
Arbeitsabläufe mit Tool-Nutzung benötigen aussagekräftige Tool-Beschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Vorgänge. Halten Sie Abfrageresultate, Berechnungen oder Dateibeobachtungen vom Aktionsvorschlag des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, untersuchen die bereitgestellten Werte über ein Berechnungstool und verlangen eine Erklärung, die diese Werte anführt. Das Modell wurde für unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und die Tools sollten deshalb beschrieben und nicht stillschweigend vorausgesetzt werden.
Die offenen Gewichte unterstützen Modellforschung, Fine-Tuning und Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt einem früheren Preview-Checkpoint und enthält weiteres Training für agentenbasierte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für spezialisierte Extraktion oder einen bestimmten Antwortstil verwendet eine Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt liefert dagegen Kontext für die aktuelle Anfrage; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.
Eine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei Prognosen oder faktischen Antworten mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mittels Reinforcement Learning anhand von Proper Scoring Rules für reale Fragen, mit dem Ziel, eine zu den verfügbaren Belegen passende Sicherheit auszudrücken. Bewahren Sie Material und Tool-Beobachtungen mit dem Artefakt, damit eine Folgefrage ein einzelnes Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Inkling-Smalls allgemeine mehrsprachige und multimodale Fähigkeiten bleiben von einem speziellen Sprachgenerator oder einem Dienst mit garantierter externer Aktionsausführung getrennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits thinkingmachines/inkling-small:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 262'144 | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 262'144 | Standard— |
Feldn | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 128 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldseed | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop | Typ | AnforderungOptional | Werte und Limits | Standard— |
Feldfrequency_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldpresence_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parameteroptional | Vertragstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationToken-Basistarife | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Verwenden Sie die oben angezeigten Methodenpfade.
thinkingmachines/inkling-small:freeInkling-Small ist ein multimodales Modell mit offenen Gewichten für Programmierung, Werkzeugnutzung und Schlussfolgern anhand von Text, Bildern und Audio. Sein steuerbarer Thinking-Aufwand und grosser Kontext unterstützen gezielte Anwendungsaufgaben mit schriftlichen Ergebnissen; das aktive Modell ist kleiner als bei Inkling.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Inkling-Small ist das kleinere multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Schlussfolgern, Programmierung, Gespräche und Anwendungen mit Tool-Nutzung. Es akzeptiert Text, Bilder und Audio und erzeugt Text. Seine Mixture-of-Experts-Architektur hat insgesamt 276 Milliarden Parameter mit 12 Milliarden aktiven Parametern, verglichen mit Inklings insgesamt 975 Milliarden und 41 Milliarden aktiven Parametern. Small ist ein separat veröffentlichtes Modell mit einer anderen Balance aus Effizienz und Fähigkeiten und kein Modus für kürzere Ausgaben von Inkling.
Bei einer Codeuntersuchung liefern Sie die betroffenen Dateien, beobachtetes Verhalten und die benötigte Änderung und verlangen dann den verantwortlichen Pfad und eine gezielte Korrektur. Ein hilfreiches Endartefakt umfasst die vorgeschlagene Bearbeitung und die Belege aus allen Prüfungen, die die verbundene Anwendung tatsächlich ausgeführt hat. Für einen Supportassistenten stellen Sie relevante Richtlinien und Gesprächsfakten bereit und verlangen die nächste Antwort oder eine noch fehlende Frage. Zu den vorgesehenen Einsätzen gehören Programmierassistenten, Chatbots, retrievalgestützte Antworten und agentenbasierte Systeme mit Anwendungstools.
Das Kontextfenster umfasst bis zu eine Million Token. Ordnen Sie ein langes Repository oder eine Dokumentsammlung mit Dateinamen, Abschnittsbezeichnungen und einer klaren Frage und bewahren Sie die Fakten, die ein späterer Schritt verwenden muss. Ein grosses Fenster hilft beim Vergleich weit auseinanderliegender Informationen, das gewünschte Ergebnis sollte aber konkret bleiben: eine Codeänderung, eine quellenbasierte Erklärung oder extrahierte Felder. Neue oder private Informationen gehören in die bereitgestellten Belege oder zurückgegebenen Abrufresultate und dürfen nicht als Teil des erlernten Wissens vorausgesetzt werden.
Der Denkaufwand ist steuerbar. Der Leitfaden der Herstellerfamilie verwendet stufenlose Werte von einschliesslich 0.0 bis unter 1.0, mit den Ausgangsvoreinstellungen none, minimal, low, medium, high und xhigh entsprechend 0.0, 0.1, 0.2, 0.7, 0.9 und 0.99. Der Hersteller-Renderer verwendet standardmässig high. Höherer Aufwand kann mehr Schlussfolgern fördern und ein grösseres Generierungsbudget benötigen, garantiert aber keine längere oder genauere Antwort. Der Wert null lenkt das Modell zu einer Antwort ohne Reasoning hin, statt dessen vollständiges Ausbleiben hart durchzusetzen. Wählen Sie den Aufwand für die Aufgabe und halten Sie die Anforderung an die Endausgabe klar.
Bilder unterstützen visuelle Fragen, Diagramm- oder Schaubildinterpretation und mathematische Schlussfolgerungen aus sichtbaren Informationen. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4’096 Pixeln. Bewahren Sie lesbare Beschriftungen und erklären Sie das relevante Detail. Mit einem konfigurierten Python-Tool kann das Modell visuelles Schlussfolgern mit Zuschnitt, Vergrösserung und programmgesteuerter Untersuchung eines Dokuments oder Diagramms verbinden. Diese Vorgänge müssen von der verbundenen Tool-Umgebung ausgeführt werden; die schriftliche Antwort sollte deren zurückgegebene Beobachtungen nutzen.
Audioeingaben sind WAV mit 16 kHz Abtastrate; für optimale Leistung sollten Aufnahmen idealerweise kürzer als zwei Minuten sein. Das ist eine Vorbereitungsempfehlung und keine Garantie einer harten Dauergrenze. Verwenden Sie eine relevante gesprochene Frage oder einen kurzen Clip und legen Sie fest, ob das schriftliche Ergebnis Sprache transkribieren, eine Frage zur Aufnahme beantworten oder deren Inhalt mit anderem bereitgestelltem Material verknüpfen soll. Die native Antwort ist Text und keine erzeugte Sprache. Inklings separate Empfehlung für längeres Audio darf nicht auf die Small-Ausgabe übertragen werden.
Arbeitsabläufe mit Tool-Nutzung benötigen aussagekräftige Tool-Beschreibungen, Argumentdefinitionen und Ergebnisse der von der Anwendung ausgeführten Vorgänge. Halten Sie Abfrageresultate, Berechnungen oder Dateibeobachtungen vom Aktionsvorschlag des Modells getrennt. Bei einer Diagrammabweichung benennen Sie die relevanten Beschriftungen, untersuchen die bereitgestellten Werte über ein Berechnungstool und verlangen eine Erklärung, die diese Werte anführt. Das Modell wurde für unterschiedliche Programmier- und Agentenumgebungen trainiert; die umgebende Aufgabe und die Tools sollten deshalb beschrieben und nicht stillschweigend vorausgesetzt werden.
Die offenen Gewichte unterstützen Modellforschung, Fine-Tuning und Integration in nachgelagerte Produkte. Die Veröffentlichung von Inkling-Small folgt einem früheren Preview-Checkpoint und enthält weiteres Training für agentenbasierte Programmierung; das endgültige Modell und diese Preview sollten getrennte Identitäten behalten. Für spezialisierte Extraktion oder einen bestimmten Antwortstil verwendet eine Anpassung repräsentative Beispiele und ein ausdrückliches Zielverhalten. Ein gewöhnlicher Prompt liefert dagegen Kontext für die aktuelle Anfrage; er erstellt kein neu trainiertes Modell und wechselt nicht zu einem solchen.
Eine hilfreiche Ergebnisprüfung kontrolliert, ob die vorgeschlagene Codeänderung, Transkription, extrahierten Fakten oder schriftliche Antwort zu den bereitgestellten Belegen passen. Legen Sie fest, wie Unsicherheit und fehlende Informationen erscheinen sollen, besonders bei Prognosen oder faktischen Antworten mit unvollständiger Quelle. Der Hersteller trainierte Inkling-Small zur Prognosekalibrierung mittels Reinforcement Learning anhand von Proper Scoring Rules für reale Fragen, mit dem Ziel, eine zu den verfügbaren Belegen passende Sicherheit auszudrücken. Bewahren Sie Material und Tool-Beobachtungen mit dem Artefakt, damit eine Folgefrage ein einzelnes Problem überarbeiten kann, ohne die ursprüngliche Aufgabe zu verlieren. Inkling-Smalls allgemeine mehrsprachige und multimodale Fähigkeiten bleiben von einem speziellen Sprachgenerator oder einem Dienst mit garantierter externer Aktionsausführung getrennt.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits thinkingmachines/inkling-small:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldsystem | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Maximum: 262'144 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_k | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop_sequences | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional | Vertragstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationToken-Basistarife | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Verwenden Sie die oben angezeigten Methodenpfade.