v0 1.0 Medium ist das frühere Medium-Profil in Vercels zusammengesetzter Modellfamilie v0. Der Hersteller beschreibt einen Arbeitsablauf, der ein Basissprachmodell mit spezialisiertem Kontextabruf, schnellen begrenzten Bearbeitungen und automatischer Korrektur erzeugten Codes verbindet. Das Profil dient der Erstellung und Überarbeitung von Webanwendungsartefakten.
Stellen Sie die zu bearbeitende Funktion oder Seite, das verwendete Framework und die relevante vorhandene Quelle bereit. Legen Sie fest, was die resultierenden Bedienelemente und der Datenfluss leisten sollen. Bei einer Überarbeitung benennen Sie das aktuelle Artefakt und erklären, welche Details sich ändern und welches Verhalten erhalten bleiben soll.
Ein hilfreiches Endergebnis kann eine Komponente, eine vollständige Seite oder ein Patch sein. Verlangen Sie die von Ihrer Entwicklungsumgebung benötigte Form und halten Sie das gewünschte Verhalten nahe beim betroffenen Code.
Der zusammengesetzte Herstellerablauf bereitet das Gespräch mit relevantem Kontext vor und ruft spezialisiertes Material ab, darunter Dokumentation und UI-Beispiele. Ein Basismodell übernimmt neue Generierungen oder grössere Änderungen, während Quick Edit begrenztere Anfragen wie Wortlautänderungen, Syntaxkorrekturen und das Neuordnen von Komponenten bearbeitet.
AutoFix prüft den Ausgabestream und führt nach der Generierung einen weiteren Durchlauf aus, mit Linting für einfache Fehler und Stilprobleme. Das sind Phasen der Artefaktvorbereitung. Führen Sie den zurückgegebenen Code in der tatsächlichen Anwendung aus und prüfen Sie ihn, um das sichtbare Verhalten für Nutzende festzustellen.
Das veröffentlichte Profil nennt einen Arbeitskontext von 128’000 Token. Stellen Sie die für die Aufgabe benötigten Quellen bereit und lassen Sie Platz für die Antwort. Eine Folgefrage kann einen beobachteten Fehler oder eine gezielte Änderung liefern und dabei die ursprünglichen Abschlussbedingungen bewahren.
Der Hersteller unterscheidet 1.0 Medium von den 1.5-Profilen und beschreibt eine Basiskomponente, die innerhalb der zusammengesetzten Architektur ersetzt werden kann. Bewahren Sie diese genaue frühere Identität mit dem Artefakt, wenn Sie Ergebnisse vergleichen; sie ist keine Anfrage nach einem späteren Profil und keine Garantie für einen festen Basismodell-Checkpoint.
", "aboutText": "v0 1.0 Medium ist das frühere Medium-Profil in Vercels zusammengesetzter Modellfamilie v0. Der Hersteller beschreibt einen Arbeitsablauf, der ein Basissprachmodell mit spezialisiertem Kontextabruf, schnellen begrenzten Bearbeitungen und automatischer Korrektur erzeugten Codes verbindet. Das Profil dient der Erstellung und Überarbeitung von Webanwendungsartefakten.\n\n### Der Codeaufgabe ihren Anwendungskontext geben\n\nStellen Sie die zu bearbeitende Funktion oder Seite, das verwendete Framework und die relevante vorhandene Quelle bereit. Legen Sie fest, was die resultierenden Bedienelemente und der Datenfluss leisten sollen. Bei einer Überarbeitung benennen Sie das aktuelle Artefakt und erklären, welche Details sich ändern und welches Verhalten erhalten bleiben soll.\n\nEin hilfreiches Endergebnis kann eine Komponente, eine vollständige Seite oder ein Patch sein. Verlangen Sie die von Ihrer Entwicklungsumgebung benötigte Form und halten Sie das gewünschte Verhalten nahe beim betroffenen Code.\n\n### Vorbereitung und Bearbeitung verstehen\n\nDer zusammengesetzte Herstellerablauf bereitet das Gespräch mit relevantem Kontext vor und ruft spezialisiertes Material ab, darunter Dokumentation und UI-Beispiele. Ein Basismodell übernimmt neue Generierungen oder grössere Änderungen, während Quick Edit begrenztere Anfragen wie Wortlautänderungen, Syntaxkorrekturen und das Neuordnen von Komponenten bearbeitet.\n\nAutoFix prüft den Ausgabestream und führt nach der Generierung einen weiteren Durchlauf aus, mit Linting für einfache Fehler und Stilprobleme. Das sind Phasen der Artefaktvorbereitung. Führen Sie den zurückgegebenen Code in der tatsächlichen Anwendung aus und prüfen Sie ihn, um das sichtbare Verhalten für Nutzende festzustellen.\n\n### Das frühere Profil bewahren\n\nDas veröffentlichte Profil nennt einen Arbeitskontext von 128’000 Token. Stellen Sie die für die Aufgabe benötigten Quellen bereit und lassen Sie Platz für die Antwort. Eine Folgefrage kann einen beobachteten Fehler oder eine gezielte Änderung liefern und dabei die ursprünglichen Abschlussbedingungen bewahren.\n\nDer Hersteller unterscheidet 1.0 Medium von den 1.5-Profilen und beschreibt eine Basiskomponente, die innerhalb der zusammengesetzten Architektur ersetzt werden kann. Bewahren Sie diese genaue frühere Identität mit dem Artefakt, wenn Sie Ergebnisse vergleichen; sie ist keine Anfrage nach einem späteren Profil und keine Garantie für einen festen Basismodell-Checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Build an accessible expandable FAQ\n\nCreate a self-contained HTML and CSS FAQ with three questions: opening hours, returns and delivery. Use native details and summary elements so each answer opens by keyboard or pointer. Include short placeholder answers clearly labelled as sample text. Return the complete page and a brief manual-check list; do not require JavaScript or an external framework.A complete editable HTML page with native expandable questions, accompanying CSS and a short interaction-check list.Tab and keyboard activation reach each summary, answers expand without JavaScript, and sample text is visibly identified.v0-1.0-mdv0 1.0 Medium ist das frühere benannte Medium-Profil in Vercels zusammengesetzter Modellfamilie für Webentwicklung. Es verbindet Codeerzeugung mit spezialisiertem Abruf, einem Quick-Edit-Pfad und AutoFix und bewahrt dabei seine eigene Profilidentität.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
v0 1.0 Medium ist das frühere Medium-Profil in Vercels zusammengesetzter Modellfamilie v0. Der Hersteller beschreibt einen Arbeitsablauf, der ein Basissprachmodell mit spezialisiertem Kontextabruf, schnellen begrenzten Bearbeitungen und automatischer Korrektur erzeugten Codes verbindet. Das Profil dient der Erstellung und Überarbeitung von Webanwendungsartefakten.
Stellen Sie die zu bearbeitende Funktion oder Seite, das verwendete Framework und die relevante vorhandene Quelle bereit. Legen Sie fest, was die resultierenden Bedienelemente und der Datenfluss leisten sollen. Bei einer Überarbeitung benennen Sie das aktuelle Artefakt und erklären, welche Details sich ändern und welches Verhalten erhalten bleiben soll.
Ein hilfreiches Endergebnis kann eine Komponente, eine vollständige Seite oder ein Patch sein. Verlangen Sie die von Ihrer Entwicklungsumgebung benötigte Form und halten Sie das gewünschte Verhalten nahe beim betroffenen Code.
Der zusammengesetzte Herstellerablauf bereitet das Gespräch mit relevantem Kontext vor und ruft spezialisiertes Material ab, darunter Dokumentation und UI-Beispiele. Ein Basismodell übernimmt neue Generierungen oder grössere Änderungen, während Quick Edit begrenztere Anfragen wie Wortlautänderungen, Syntaxkorrekturen und das Neuordnen von Komponenten bearbeitet.
AutoFix prüft den Ausgabestream und führt nach der Generierung einen weiteren Durchlauf aus, mit Linting für einfache Fehler und Stilprobleme. Das sind Phasen der Artefaktvorbereitung. Führen Sie den zurückgegebenen Code in der tatsächlichen Anwendung aus und prüfen Sie ihn, um das sichtbare Verhalten für Nutzende festzustellen.
Das veröffentlichte Profil nennt einen Arbeitskontext von 128’000 Token. Stellen Sie die für die Aufgabe benötigten Quellen bereit und lassen Sie Platz für die Antwort. Eine Folgefrage kann einen beobachteten Fehler oder eine gezielte Änderung liefern und dabei die ursprünglichen Abschlussbedingungen bewahren.
Der Hersteller unterscheidet 1.0 Medium von den 1.5-Profilen und beschreibt eine Basiskomponente, die innerhalb der zusammengesetzten Architektur ersetzt werden kann. Bewahren Sie diese genaue frühere Identität mit dem Artefakt, wenn Sie Ergebnisse vergleichen; sie ist keine Anfrage nach einem späteren Profil und keine Garantie für einen festen Basismodell-Checkpoint.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits v0-1.0-md | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0066 / 1K Tokens Ausgabe · Ausgabetoken $0.033 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "v0-1.0-md", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\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\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='v0-1.0-md',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='v0-1.0-md',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra v0-1.0-md
Verwenden Sie die oben angezeigten Methodenpfade.
v0-1.0-mdv0 1.0 Medium ist das frühere benannte Medium-Profil in Vercels zusammengesetzter Modellfamilie für Webentwicklung. Es verbindet Codeerzeugung mit spezialisiertem Abruf, einem Quick-Edit-Pfad und AutoFix und bewahrt dabei seine eigene Profilidentität.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
v0 1.0 Medium ist das frühere Medium-Profil in Vercels zusammengesetzter Modellfamilie v0. Der Hersteller beschreibt einen Arbeitsablauf, der ein Basissprachmodell mit spezialisiertem Kontextabruf, schnellen begrenzten Bearbeitungen und automatischer Korrektur erzeugten Codes verbindet. Das Profil dient der Erstellung und Überarbeitung von Webanwendungsartefakten.
Stellen Sie die zu bearbeitende Funktion oder Seite, das verwendete Framework und die relevante vorhandene Quelle bereit. Legen Sie fest, was die resultierenden Bedienelemente und der Datenfluss leisten sollen. Bei einer Überarbeitung benennen Sie das aktuelle Artefakt und erklären, welche Details sich ändern und welches Verhalten erhalten bleiben soll.
Ein hilfreiches Endergebnis kann eine Komponente, eine vollständige Seite oder ein Patch sein. Verlangen Sie die von Ihrer Entwicklungsumgebung benötigte Form und halten Sie das gewünschte Verhalten nahe beim betroffenen Code.
Der zusammengesetzte Herstellerablauf bereitet das Gespräch mit relevantem Kontext vor und ruft spezialisiertes Material ab, darunter Dokumentation und UI-Beispiele. Ein Basismodell übernimmt neue Generierungen oder grössere Änderungen, während Quick Edit begrenztere Anfragen wie Wortlautänderungen, Syntaxkorrekturen und das Neuordnen von Komponenten bearbeitet.
AutoFix prüft den Ausgabestream und führt nach der Generierung einen weiteren Durchlauf aus, mit Linting für einfache Fehler und Stilprobleme. Das sind Phasen der Artefaktvorbereitung. Führen Sie den zurückgegebenen Code in der tatsächlichen Anwendung aus und prüfen Sie ihn, um das sichtbare Verhalten für Nutzende festzustellen.
Das veröffentlichte Profil nennt einen Arbeitskontext von 128’000 Token. Stellen Sie die für die Aufgabe benötigten Quellen bereit und lassen Sie Platz für die Antwort. Eine Folgefrage kann einen beobachteten Fehler oder eine gezielte Änderung liefern und dabei die ursprünglichen Abschlussbedingungen bewahren.
Der Hersteller unterscheidet 1.0 Medium von den 1.5-Profilen und beschreibt eine Basiskomponente, die innerhalb der zusammengesetzten Architektur ersetzt werden kann. Bewahren Sie diese genaue frühere Identität mit dem Artefakt, wenn Sie Ergebnisse vergleichen; sie ist keine Anfrage nach einem späteren Profil und keine Garantie für einen festen Basismodell-Checkpoint.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits v0-1.0-md | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0066 / 1K Tokens Ausgabe · Ausgabetoken $0.033 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "v0-1.0-md",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'v0-1.0-md', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'v0-1.0-md', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra v0-1.0-md
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Build an accessible expandable FAQ\n\nCreate a self-contained HTML and CSS FAQ with three questions: opening hours, returns and delivery. Use native details and summary elements so each answer opens by keyboard or pointer. Include short placeholder answers clearly labelled as sample text. Return the complete page and a brief manual-check list; do not require JavaScript or an external framework.A complete editable HTML page with native expandable questions, accompanying CSS and a short interaction-check list.Tab and keyboard activation reach each summary, answers expand without JavaScript, and sample text is visibly identified.