Amazon Nova 2 Lite ist Amazons multimodales Verständnis-Modell der zweiten Generation für alltägliche Unternehmensarbeit und anspruchsvollere Agentenaufgaben. Es akzeptiert Text, Bilder und Video, einschließlich Dokumentinhalten, und erzeugt Text. Praktische Arbeit umfasst auf bereitgestelltes Material gestützte Supportantworten, Informationsextraktion aus Berichten, die Analyse von Diagrammen oder Screenshots, Codeprüfungen und Zusammenfassungen visueller Ereignisse. Es ist ein Verständnis-Modell: Videoeingaben werden analysiert statt neu erzeugt. Seine dokumentierte Ausgabe ist Text statt nativer Bilder, Videos oder Sprache.
Das Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine standardmäßige maximale Ausgabe von 64K Tokens. Der dokumentierte Wissensstand endet im Oktober 2025. Dieser größere Arbeitskontext unterscheidet Nova 2 Lite vom 300K-Fenster von Nova Lite der ersten Generation. Nutzen Sie den Raum für die tatsächlichen Quelldokumente, relevantes Gespräch, Code und Anweisungen und fordern Sie anschließend ein gezieltes Artefakt wie eine Belegtabelle, einen Änderungsvorschlag oder eine nach Quellen geordnete Zusammenfassung an. Ein langer Kontext macht gelerntes Wissen nicht zu einer Live-Datenbank. Veränderliche Informationen sollten aus bereitgestellten Belegen, Abruf oder einem aktivierten Werkzeug zur Quellenanbindung stammen.
Erweitertes Denken ist optional und standardmäßig deaktiviert. Bei Aktivierung bietet der Hersteller den Aufwand low, medium und high an: low für mäßig komplexe Analyse, medium für umfangreiche mehrstufige Arbeit und high für die tiefste Analyse. Einfache Extraktion und kurze sachliche Antworten können ohne Denken auskommen. Schwieriges Debugging, mathematische Schlussfolgerungen und Synthese über Dokumente hinweg können von zusätzlichem Aufwand profitieren. Analyseinhalte werden als [REDACTED] zurückgegeben und sind daher kein lesbarer schrittweiser Verlauf. Die Vorgaben für high verlangen das Weglassen von temperature, topP, topK und maxTokens. Amazon dokumentiert, dass manche Ausgaben mit hohem Aufwand 65K Tokens überschreiten und 128K erreichen können. Das definiert 128K nicht als gewöhnliches Ausgabebudget.
Nova 2 Lite unterstützt Funktionsaufrufe, Antwortstreaming und Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Explizites Caching benötigt mindestens 1K Tokens pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Tokens, vorwiegend für Textprompts. Dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Geben Sie klare Werkzeugnamen, Beschreibungen und Argumentschemata vor. Das Modell wählt ein Werkzeug und fordert Argumente an, während die Anwendung benutzerdefinierte Werkzeuge ausführt und ihre Ergebnisse zurückgibt. Amazon dokumentiert außerdem optionales eingebautes Web Grounding für aktuelle Informationen mit Quellenangaben und einen Python Code Interpreter für Berechnungen. Dies sind konfigurierte Werkzeuge, keine durch jede Antwort implizierten Aktivitäten. Amazon dokumentiert auch überwachtes Fine-Tuning und Reinforcement-Fine-Tuning zur Anpassung von Nova 2 Lite an eine spezialisierte Aufgabe. Dies sind separate Workflows zur Modellanpassung. Ein nützliches Briefing für einen Zahlenbericht trennt Ausgangszahlen, auszuführende Berechnung und zurückzugebende Erklärung. Werkzeugfehler sollten im zurückgegebenen Ergebnis sichtbar bleiben, statt als erfolgreiche Beobachtungen behandelt zu werden.
Der multimodale Leitfaden nennt PNG-, JPEG-, GIF- und WebP-Bilder. Bei animiertem GIF oder WebP wird nur das erste Bild verwendet. Videoformate umfassen MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV und 3GP. Zu den Dokumenten gehören PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML und Markdown. Textbasierte Formate werden vorwiegend als Text gelesen, während PDF und DOCX Text und Seitenbilder kombinieren können. Der Dokumentworkflow des Herstellers erlaubt bis zu fünf Dokumente und begrenzt jedes Textdokument auf 4,5 MB. Das Profil für eingebettete Bilder erlaubt fünf Bilder und eine Nutzlast von 25 MB. S3-Bildeingaben erlauben bis zu 1.000 Bilder und insgesamt 2 GB. Videoeingaben erlauben eine Datei: 25 MB eingebettet oder 1 GB über S3. PDF- und DOCX-Dateien teilen sich ein gemeinsames Budget von 25 MB bei direktem Upload oder 2 GB über S3. PDFs mit CMYK- oder SVG-Bildern werden nicht unterstützt. Diese Details der Dateiverarbeitung gehören zum dokumentierten Herstellerworkflow. Fügen Sie die tatsächlich relevanten Inhalte bei und bewahren Sie ihre Seiten- oder Abschnittskennzeichnungen für nützliche Referenzen.
Videoverständnis verwendet visuelle Einzelbilder statt der Audiospur. Für Videos von höchstens 16 Minuten beschreibt der Leitfaden ein abgetastetes Bild pro Sekunde. Sein Fließtext beschreibt die Verringerung der Abtastrate bei längeren Clips, um 960 Bilder beizubehalten. Schnelle Aktionen zwischen Bildern können daher übersehen werden. Bevorzugen Sie einen relevanten Clip und eine ausdrückliche Frage zu Szenen oder Ereignissen. Geben Sie ein separates Transkript an, wenn gesprochene Informationen wichtig sind. Kleine oder mehrsprachige Schrift und präzise räumliche Beziehungen können ebenfalls schwierig sein. Bewahren Sie deshalb lesbare Beschriftungen und genügend umgebenden visuellen Kontext. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.
Amazon dokumentiert Unterstützung für mehr als 200 Sprachen, mit Optimierung für Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Koreanisch, Arabisch, vereinfachtes Chinesisch, Russisch, Hindi, Portugiesisch, Niederländisch, Türkisch und Hebräisch. Geben Sie die erforderliche Ausgabesprache und Terminologie an, besonders wenn Quellen mehrere Sprachen verwenden. Legen Sie für einen Dokumentworkflow Fragen, Belegkennungen und finale Struktur fest und lassen Sie das Modell genannte Fakten von fehlenden Informationen unterscheiden. Sein nützliches Ergebnis ist eine quellengebundene Antwort oder ein werkzeuggestütztes Artefakt, keine Annahme, dass jedes Detail einer großen Eingabe erfasst wurde.
", "aboutText": "Amazon Nova 2 Lite ist Amazons multimodales Verständnis-Modell der zweiten Generation für alltägliche Unternehmensarbeit und anspruchsvollere Agentenaufgaben. Es akzeptiert Text, Bilder und Video, einschließlich Dokumentinhalten, und erzeugt Text. Praktische Arbeit umfasst auf bereitgestelltes Material gestützte Supportantworten, Informationsextraktion aus Berichten, die Analyse von Diagrammen oder Screenshots, Codeprüfungen und Zusammenfassungen visueller Ereignisse. Es ist ein Verständnis-Modell: Videoeingaben werden analysiert statt neu erzeugt. Seine dokumentierte Ausgabe ist Text statt nativer Bilder, Videos oder Sprache.\n\nDas Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine standardmäßige maximale Ausgabe von 64K Tokens. Der dokumentierte Wissensstand endet im Oktober 2025. Dieser größere Arbeitskontext unterscheidet Nova 2 Lite vom 300K-Fenster von Nova Lite der ersten Generation. Nutzen Sie den Raum für die tatsächlichen Quelldokumente, relevantes Gespräch, Code und Anweisungen und fordern Sie anschließend ein gezieltes Artefakt wie eine Belegtabelle, einen Änderungsvorschlag oder eine nach Quellen geordnete Zusammenfassung an. Ein langer Kontext macht gelerntes Wissen nicht zu einer Live-Datenbank. Veränderliche Informationen sollten aus bereitgestellten Belegen, Abruf oder einem aktivierten Werkzeug zur Quellenanbindung stammen.\n\nErweitertes Denken ist optional und standardmäßig deaktiviert. Bei Aktivierung bietet der Hersteller den Aufwand low, medium und high an: low für mäßig komplexe Analyse, medium für umfangreiche mehrstufige Arbeit und high für die tiefste Analyse. Einfache Extraktion und kurze sachliche Antworten können ohne Denken auskommen. Schwieriges Debugging, mathematische Schlussfolgerungen und Synthese über Dokumente hinweg können von zusätzlichem Aufwand profitieren. Analyseinhalte werden als [REDACTED] zurückgegeben und sind daher kein lesbarer schrittweiser Verlauf. Die Vorgaben für high verlangen das Weglassen von temperature, topP, topK und maxTokens. Amazon dokumentiert, dass manche Ausgaben mit hohem Aufwand 65K Tokens überschreiten und 128K erreichen können. Das definiert 128K nicht als gewöhnliches Ausgabebudget.\n\nNova 2 Lite unterstützt Funktionsaufrufe, Antwortstreaming und Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Explizites Caching benötigt mindestens 1K Tokens pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Tokens, vorwiegend für Textprompts. Dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Geben Sie klare Werkzeugnamen, Beschreibungen und Argumentschemata vor. Das Modell wählt ein Werkzeug und fordert Argumente an, während die Anwendung benutzerdefinierte Werkzeuge ausführt und ihre Ergebnisse zurückgibt. Amazon dokumentiert außerdem optionales eingebautes Web Grounding für aktuelle Informationen mit Quellenangaben und einen Python Code Interpreter für Berechnungen. Dies sind konfigurierte Werkzeuge, keine durch jede Antwort implizierten Aktivitäten. Amazon dokumentiert auch überwachtes Fine-Tuning und Reinforcement-Fine-Tuning zur Anpassung von Nova 2 Lite an eine spezialisierte Aufgabe. Dies sind separate Workflows zur Modellanpassung. Ein nützliches Briefing für einen Zahlenbericht trennt Ausgangszahlen, auszuführende Berechnung und zurückzugebende Erklärung. Werkzeugfehler sollten im zurückgegebenen Ergebnis sichtbar bleiben, statt als erfolgreiche Beobachtungen behandelt zu werden.\n\nDer multimodale Leitfaden nennt PNG-, JPEG-, GIF- und WebP-Bilder. Bei animiertem GIF oder WebP wird nur das erste Bild verwendet. Videoformate umfassen MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV und 3GP. Zu den Dokumenten gehören PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML und Markdown. Textbasierte Formate werden vorwiegend als Text gelesen, während PDF und DOCX Text und Seitenbilder kombinieren können. Der Dokumentworkflow des Herstellers erlaubt bis zu fünf Dokumente und begrenzt jedes Textdokument auf 4,5 MB. Das Profil für eingebettete Bilder erlaubt fünf Bilder und eine Nutzlast von 25 MB. S3-Bildeingaben erlauben bis zu 1.000 Bilder und insgesamt 2 GB. Videoeingaben erlauben eine Datei: 25 MB eingebettet oder 1 GB über S3. PDF- und DOCX-Dateien teilen sich ein gemeinsames Budget von 25 MB bei direktem Upload oder 2 GB über S3. PDFs mit CMYK- oder SVG-Bildern werden nicht unterstützt. Diese Details der Dateiverarbeitung gehören zum dokumentierten Herstellerworkflow. Fügen Sie die tatsächlich relevanten Inhalte bei und bewahren Sie ihre Seiten- oder Abschnittskennzeichnungen für nützliche Referenzen.\n\nVideoverständnis verwendet visuelle Einzelbilder statt der Audiospur. Für Videos von höchstens 16 Minuten beschreibt der Leitfaden ein abgetastetes Bild pro Sekunde. Sein Fließtext beschreibt die Verringerung der Abtastrate bei längeren Clips, um 960 Bilder beizubehalten. Schnelle Aktionen zwischen Bildern können daher übersehen werden. Bevorzugen Sie einen relevanten Clip und eine ausdrückliche Frage zu Szenen oder Ereignissen. Geben Sie ein separates Transkript an, wenn gesprochene Informationen wichtig sind. Kleine oder mehrsprachige Schrift und präzise räumliche Beziehungen können ebenfalls schwierig sein. Bewahren Sie deshalb lesbare Beschriftungen und genügend umgebenden visuellen Kontext. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.\n\nAmazon dokumentiert Unterstützung für mehr als 200 Sprachen, mit Optimierung für Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Koreanisch, Arabisch, vereinfachtes Chinesisch, Russisch, Hindi, Portugiesisch, Niederländisch, Türkisch und Hebräisch. Geben Sie die erforderliche Ausgabesprache und Terminologie an, besonders wenn Quellen mehrere Sprachen verwenden. Legen Sie für einen Dokumentworkflow Fragen, Belegkennungen und finale Struktur fest und lassen Sie das Modell genannte Fakten von fehlenden Informationen unterscheiden. Sein nützliches Ergebnis ist eine quellengebundene Antwort oder ein werkzeuggestütztes Artefakt, keine Annahme, dass jedes Detail einer großen Eingabe erfasst wurde.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft a grounded support reply\n\nWrite a customer reply using only this help article: A replacement may be requested within 14 days of delivery for a damaged item; include the order number and a photo in the support ticket. Customer: My parcel arrived broken yesterday. Can you send another? Explain the next step without claiming a replacement has already been approved.A customer-ready reply of 60–90 words covering eligibility, required ticket information and the next action.Check that the reply requests the order number and photo without asserting that a ticket or replacement was created.amazon/nova-2-lite-v1Amazon Nova 2 Lite verbindet Text-, Bild-, Dokument- und Videoverständnis mit optionalem erweitertem Denken und Werkzeugnutzung. Sein Kontext von einer Million Tokens unterstützt Dokumentworkflows, Programmierung und Agenten, die in mehreren Schritten Schlussfolgerungen ziehen müssen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova 2 Lite ist Amazons multimodales Verständnis-Modell der zweiten Generation für alltägliche Unternehmensarbeit und anspruchsvollere Agentenaufgaben. Es akzeptiert Text, Bilder und Video, einschließlich Dokumentinhalten, und erzeugt Text. Praktische Arbeit umfasst auf bereitgestelltes Material gestützte Supportantworten, Informationsextraktion aus Berichten, die Analyse von Diagrammen oder Screenshots, Codeprüfungen und Zusammenfassungen visueller Ereignisse. Es ist ein Verständnis-Modell: Videoeingaben werden analysiert statt neu erzeugt. Seine dokumentierte Ausgabe ist Text statt nativer Bilder, Videos oder Sprache.
Das Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine standardmäßige maximale Ausgabe von 64K Tokens. Der dokumentierte Wissensstand endet im Oktober 2025. Dieser größere Arbeitskontext unterscheidet Nova 2 Lite vom 300K-Fenster von Nova Lite der ersten Generation. Nutzen Sie den Raum für die tatsächlichen Quelldokumente, relevantes Gespräch, Code und Anweisungen und fordern Sie anschließend ein gezieltes Artefakt wie eine Belegtabelle, einen Änderungsvorschlag oder eine nach Quellen geordnete Zusammenfassung an. Ein langer Kontext macht gelerntes Wissen nicht zu einer Live-Datenbank. Veränderliche Informationen sollten aus bereitgestellten Belegen, Abruf oder einem aktivierten Werkzeug zur Quellenanbindung stammen.
Erweitertes Denken ist optional und standardmäßig deaktiviert. Bei Aktivierung bietet der Hersteller den Aufwand low, medium und high an: low für mäßig komplexe Analyse, medium für umfangreiche mehrstufige Arbeit und high für die tiefste Analyse. Einfache Extraktion und kurze sachliche Antworten können ohne Denken auskommen. Schwieriges Debugging, mathematische Schlussfolgerungen und Synthese über Dokumente hinweg können von zusätzlichem Aufwand profitieren. Analyseinhalte werden als [REDACTED] zurückgegeben und sind daher kein lesbarer schrittweiser Verlauf. Die Vorgaben für high verlangen das Weglassen von temperature, topP, topK und maxTokens. Amazon dokumentiert, dass manche Ausgaben mit hohem Aufwand 65K Tokens überschreiten und 128K erreichen können. Das definiert 128K nicht als gewöhnliches Ausgabebudget.
Nova 2 Lite unterstützt Funktionsaufrufe, Antwortstreaming und Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Explizites Caching benötigt mindestens 1K Tokens pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Tokens, vorwiegend für Textprompts. Dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Geben Sie klare Werkzeugnamen, Beschreibungen und Argumentschemata vor. Das Modell wählt ein Werkzeug und fordert Argumente an, während die Anwendung benutzerdefinierte Werkzeuge ausführt und ihre Ergebnisse zurückgibt. Amazon dokumentiert außerdem optionales eingebautes Web Grounding für aktuelle Informationen mit Quellenangaben und einen Python Code Interpreter für Berechnungen. Dies sind konfigurierte Werkzeuge, keine durch jede Antwort implizierten Aktivitäten. Amazon dokumentiert auch überwachtes Fine-Tuning und Reinforcement-Fine-Tuning zur Anpassung von Nova 2 Lite an eine spezialisierte Aufgabe. Dies sind separate Workflows zur Modellanpassung. Ein nützliches Briefing für einen Zahlenbericht trennt Ausgangszahlen, auszuführende Berechnung und zurückzugebende Erklärung. Werkzeugfehler sollten im zurückgegebenen Ergebnis sichtbar bleiben, statt als erfolgreiche Beobachtungen behandelt zu werden.
Der multimodale Leitfaden nennt PNG-, JPEG-, GIF- und WebP-Bilder. Bei animiertem GIF oder WebP wird nur das erste Bild verwendet. Videoformate umfassen MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV und 3GP. Zu den Dokumenten gehören PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML und Markdown. Textbasierte Formate werden vorwiegend als Text gelesen, während PDF und DOCX Text und Seitenbilder kombinieren können. Der Dokumentworkflow des Herstellers erlaubt bis zu fünf Dokumente und begrenzt jedes Textdokument auf 4,5 MB. Das Profil für eingebettete Bilder erlaubt fünf Bilder und eine Nutzlast von 25 MB. S3-Bildeingaben erlauben bis zu 1.000 Bilder und insgesamt 2 GB. Videoeingaben erlauben eine Datei: 25 MB eingebettet oder 1 GB über S3. PDF- und DOCX-Dateien teilen sich ein gemeinsames Budget von 25 MB bei direktem Upload oder 2 GB über S3. PDFs mit CMYK- oder SVG-Bildern werden nicht unterstützt. Diese Details der Dateiverarbeitung gehören zum dokumentierten Herstellerworkflow. Fügen Sie die tatsächlich relevanten Inhalte bei und bewahren Sie ihre Seiten- oder Abschnittskennzeichnungen für nützliche Referenzen.
Videoverständnis verwendet visuelle Einzelbilder statt der Audiospur. Für Videos von höchstens 16 Minuten beschreibt der Leitfaden ein abgetastetes Bild pro Sekunde. Sein Fließtext beschreibt die Verringerung der Abtastrate bei längeren Clips, um 960 Bilder beizubehalten. Schnelle Aktionen zwischen Bildern können daher übersehen werden. Bevorzugen Sie einen relevanten Clip und eine ausdrückliche Frage zu Szenen oder Ereignissen. Geben Sie ein separates Transkript an, wenn gesprochene Informationen wichtig sind. Kleine oder mehrsprachige Schrift und präzise räumliche Beziehungen können ebenfalls schwierig sein. Bewahren Sie deshalb lesbare Beschriftungen und genügend umgebenden visuellen Kontext. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.
Amazon dokumentiert Unterstützung für mehr als 200 Sprachen, mit Optimierung für Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Koreanisch, Arabisch, vereinfachtes Chinesisch, Russisch, Hindi, Portugiesisch, Niederländisch, Türkisch und Hebräisch. Geben Sie die erforderliche Ausgabesprache und Terminologie an, besonders wenn Quellen mehrere Sprachen verwenden. Legen Sie für einen Dokumentworkflow Fragen, Belegkennungen und finale Struktur fest und lassen Sie das Modell genannte Fakten von fehlenden Informationen unterscheiden. Sein nützliches Ergebnis ist eine quellengebundene Antwort oder ein werkzeuggestütztes Artefakt, keine Annahme, dass jedes Detail einer großen Eingabe erfasst wurde.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-2-lite-v1 | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-2-lite-v1", "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='amazon/nova-2-lite-v1',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='amazon/nova-2-lite-v1',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 amazon/nova-2-lite-v1
Verwenden Sie die oben angezeigten Methodenpfade.
amazon/nova-2-lite-v1Amazon Nova 2 Lite verbindet Text-, Bild-, Dokument- und Videoverständnis mit optionalem erweitertem Denken und Werkzeugnutzung. Sein Kontext von einer Million Tokens unterstützt Dokumentworkflows, Programmierung und Agenten, die in mehreren Schritten Schlussfolgerungen ziehen müssen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova 2 Lite ist Amazons multimodales Verständnis-Modell der zweiten Generation für alltägliche Unternehmensarbeit und anspruchsvollere Agentenaufgaben. Es akzeptiert Text, Bilder und Video, einschließlich Dokumentinhalten, und erzeugt Text. Praktische Arbeit umfasst auf bereitgestelltes Material gestützte Supportantworten, Informationsextraktion aus Berichten, die Analyse von Diagrammen oder Screenshots, Codeprüfungen und Zusammenfassungen visueller Ereignisse. Es ist ein Verständnis-Modell: Videoeingaben werden analysiert statt neu erzeugt. Seine dokumentierte Ausgabe ist Text statt nativer Bilder, Videos oder Sprache.
Das Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine standardmäßige maximale Ausgabe von 64K Tokens. Der dokumentierte Wissensstand endet im Oktober 2025. Dieser größere Arbeitskontext unterscheidet Nova 2 Lite vom 300K-Fenster von Nova Lite der ersten Generation. Nutzen Sie den Raum für die tatsächlichen Quelldokumente, relevantes Gespräch, Code und Anweisungen und fordern Sie anschließend ein gezieltes Artefakt wie eine Belegtabelle, einen Änderungsvorschlag oder eine nach Quellen geordnete Zusammenfassung an. Ein langer Kontext macht gelerntes Wissen nicht zu einer Live-Datenbank. Veränderliche Informationen sollten aus bereitgestellten Belegen, Abruf oder einem aktivierten Werkzeug zur Quellenanbindung stammen.
Erweitertes Denken ist optional und standardmäßig deaktiviert. Bei Aktivierung bietet der Hersteller den Aufwand low, medium und high an: low für mäßig komplexe Analyse, medium für umfangreiche mehrstufige Arbeit und high für die tiefste Analyse. Einfache Extraktion und kurze sachliche Antworten können ohne Denken auskommen. Schwieriges Debugging, mathematische Schlussfolgerungen und Synthese über Dokumente hinweg können von zusätzlichem Aufwand profitieren. Analyseinhalte werden als [REDACTED] zurückgegeben und sind daher kein lesbarer schrittweiser Verlauf. Die Vorgaben für high verlangen das Weglassen von temperature, topP, topK und maxTokens. Amazon dokumentiert, dass manche Ausgaben mit hohem Aufwand 65K Tokens überschreiten und 128K erreichen können. Das definiert 128K nicht als gewöhnliches Ausgabebudget.
Nova 2 Lite unterstützt Funktionsaufrufe, Antwortstreaming und Prompt-Caching im dokumentierten Bereitstellungsprofil von Amazon. Explizites Caching benötigt mindestens 1K Tokens pro Checkpoint und erlaubt bis zu vier Checkpoints mit fünf Minuten Aufbewahrungsdauer. Der Hersteller begrenzt Prompt-Caching auf 20K Tokens, vorwiegend für Textprompts. Dieses Cachebudget ist vom vollständigen Kontextfenster getrennt. Geben Sie klare Werkzeugnamen, Beschreibungen und Argumentschemata vor. Das Modell wählt ein Werkzeug und fordert Argumente an, während die Anwendung benutzerdefinierte Werkzeuge ausführt und ihre Ergebnisse zurückgibt. Amazon dokumentiert außerdem optionales eingebautes Web Grounding für aktuelle Informationen mit Quellenangaben und einen Python Code Interpreter für Berechnungen. Dies sind konfigurierte Werkzeuge, keine durch jede Antwort implizierten Aktivitäten. Amazon dokumentiert auch überwachtes Fine-Tuning und Reinforcement-Fine-Tuning zur Anpassung von Nova 2 Lite an eine spezialisierte Aufgabe. Dies sind separate Workflows zur Modellanpassung. Ein nützliches Briefing für einen Zahlenbericht trennt Ausgangszahlen, auszuführende Berechnung und zurückzugebende Erklärung. Werkzeugfehler sollten im zurückgegebenen Ergebnis sichtbar bleiben, statt als erfolgreiche Beobachtungen behandelt zu werden.
Der multimodale Leitfaden nennt PNG-, JPEG-, GIF- und WebP-Bilder. Bei animiertem GIF oder WebP wird nur das erste Bild verwendet. Videoformate umfassen MP4, MOV, MKV, WebM, FLV, MPEG, MPG, WMV und 3GP. Zu den Dokumenten gehören PDF, DOC/DOCX, TXT, CSV, XLS/XLSX, HTML und Markdown. Textbasierte Formate werden vorwiegend als Text gelesen, während PDF und DOCX Text und Seitenbilder kombinieren können. Der Dokumentworkflow des Herstellers erlaubt bis zu fünf Dokumente und begrenzt jedes Textdokument auf 4,5 MB. Das Profil für eingebettete Bilder erlaubt fünf Bilder und eine Nutzlast von 25 MB. S3-Bildeingaben erlauben bis zu 1.000 Bilder und insgesamt 2 GB. Videoeingaben erlauben eine Datei: 25 MB eingebettet oder 1 GB über S3. PDF- und DOCX-Dateien teilen sich ein gemeinsames Budget von 25 MB bei direktem Upload oder 2 GB über S3. PDFs mit CMYK- oder SVG-Bildern werden nicht unterstützt. Diese Details der Dateiverarbeitung gehören zum dokumentierten Herstellerworkflow. Fügen Sie die tatsächlich relevanten Inhalte bei und bewahren Sie ihre Seiten- oder Abschnittskennzeichnungen für nützliche Referenzen.
Videoverständnis verwendet visuelle Einzelbilder statt der Audiospur. Für Videos von höchstens 16 Minuten beschreibt der Leitfaden ein abgetastetes Bild pro Sekunde. Sein Fließtext beschreibt die Verringerung der Abtastrate bei längeren Clips, um 960 Bilder beizubehalten. Schnelle Aktionen zwischen Bildern können daher übersehen werden. Bevorzugen Sie einen relevanten Clip und eine ausdrückliche Frage zu Szenen oder Ereignissen. Geben Sie ein separates Transkript an, wenn gesprochene Informationen wichtig sind. Kleine oder mehrsprachige Schrift und präzise räumliche Beziehungen können ebenfalls schwierig sein. Bewahren Sie deshalb lesbare Beschriftungen und genügend umgebenden visuellen Kontext. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.
Amazon dokumentiert Unterstützung für mehr als 200 Sprachen, mit Optimierung für Englisch, Deutsch, Spanisch, Französisch, Italienisch, Japanisch, Koreanisch, Arabisch, vereinfachtes Chinesisch, Russisch, Hindi, Portugiesisch, Niederländisch, Türkisch und Hebräisch. Geben Sie die erforderliche Ausgabesprache und Terminologie an, besonders wenn Quellen mehrere Sprachen verwenden. Legen Sie für einen Dokumentworkflow Fragen, Belegkennungen und finale Struktur fest und lassen Sie das Modell genannte Fakten von fehlenden Informationen unterscheiden. Sein nützliches Ergebnis ist eine quellengebundene Antwort oder ein werkzeuggestütztes Artefakt, keine Annahme, dass jedes Detail einer großen Eingabe erfasst wurde.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-2-lite-v1 | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.005 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "amazon/nova-2-lite-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-2-lite-v1', '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': 'amazon/nova-2-lite-v1', '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 amazon/nova-2-lite-v1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft a grounded support reply\n\nWrite a customer reply using only this help article: A replacement may be requested within 14 days of delivery for a damaged item; include the order number and a photo in the support ticket. Customer: My parcel arrived broken yesterday. Can you send another? Explain the next step without claiming a replacement has already been approved.A customer-ready reply of 60–90 words covering eligibility, required ticket information and the next action.Check that the reply requests the order number and photo without asserting that a ticket or replacement was created.