Amazon Nova Premier ist das leistungsfähigste Verständnis-Modell in Amazons Nova-Familie der ersten Generation. Es ist für komplexe Aufgaben entwickelt, die tiefes Verständnis, Kontext und Planung über mehrere Schritte benötigen. Es verarbeitet Text, Bilder und Video und erzeugt Text. Seine Rolle umfasst die Analyse langer Berichte, den Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogorientierte Sprache erzeugen.
Das genaue Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine maximale Ausgabe von 25K Tokens. Der dokumentierte Wissensstand endet im Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Ordnen Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein nützliches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Aktionsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es verspricht nicht, dass jedes Detail in der finalen Antwort erscheint.
Premiers dokumentierter multimodaler Workflow verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentworkflow umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext zusammen mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und lassen Sie das Modell die relevanten Beobachtungen beschreiben, bevor es sie interpretiert. Wenn nur die Prosa benötigt wird, vermeidet extrahierter Text, visuelle Extraktion zur Voraussetzung des Dokumentverständnisses zu machen. Eingebettete Medien teilen sich ein Nutzlastbudget von 25 MB, einschließlich Base64-Overhead. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB bei direktem Upload oder 2 GB über S3.
Das Videoverständnis basiert auf abgetasteten visuellen Einzelbildern. Der Leitfaden der ersten Generation nennt für Premier ausdrücklich eine Rate von einem Bild pro Sekunde bis zu 3.200 Bildern. Das ist ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Es eignet sich für Szenenzusammenfassungen und Fragen zu zeitlichen Abläufen, während kurze Aktionen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitbereich bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Folge kann abschnittsweise Analyse mit anschließender Textzusammenfassung den Fokus erhalten. Die Aufteilung kann allerdings Kontext über Abschnittsgrenzen hinweg verlieren. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe. Gesprochene Informationen sollten daher als Text bereitgestellt werden.
Premier unterstützt Antwortstreaming, werkzeugorientierte und retrievalgestützte Workflows sowie 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 einem Agenten die Aufgabe, erlaubte Werkzeuge und deren Argumentbeschreibungen. Lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen zurückgeben, bevor der nächste Modellschritt erfolgt. Seine Analyserolle bedeutet nicht, dass es ein externes System ohne diese Ausführungsschicht bedienen kann. Die Hinweise zur ersten Generation unterstützen die Erklärung einer Lösung in Schritten durch Promptvorgaben. Die separaten erweiterten Denksteuerungen low, medium und high von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an. Eine angeforderte JSON-Struktur unterscheidet sich von erzwungener strukturierter Ausgabe.
Eine charakteristische Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Destillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Workflow zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Geben Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten vor und verlangen Sie eine Trennung von Beobachtungen, Annahmen und fehlenden Belegen. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen, und generierter Code enthält keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genug Belege und Details tragen, um gegen seine Eingaben geprüft zu werden. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.
", "aboutText": "Amazon Nova Premier ist das leistungsfähigste Verständnis-Modell in Amazons Nova-Familie der ersten Generation. Es ist für komplexe Aufgaben entwickelt, die tiefes Verständnis, Kontext und Planung über mehrere Schritte benötigen. Es verarbeitet Text, Bilder und Video und erzeugt Text. Seine Rolle umfasst die Analyse langer Berichte, den Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogorientierte Sprache erzeugen.\n\nDas genaue Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine maximale Ausgabe von 25K Tokens. Der dokumentierte Wissensstand endet im Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Ordnen Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein nützliches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Aktionsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es verspricht nicht, dass jedes Detail in der finalen Antwort erscheint.\n\nPremiers dokumentierter multimodaler Workflow verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentworkflow umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext zusammen mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und lassen Sie das Modell die relevanten Beobachtungen beschreiben, bevor es sie interpretiert. Wenn nur die Prosa benötigt wird, vermeidet extrahierter Text, visuelle Extraktion zur Voraussetzung des Dokumentverständnisses zu machen. Eingebettete Medien teilen sich ein Nutzlastbudget von 25 MB, einschließlich Base64-Overhead. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB bei direktem Upload oder 2 GB über S3.\n\nDas Videoverständnis basiert auf abgetasteten visuellen Einzelbildern. Der Leitfaden der ersten Generation nennt für Premier ausdrücklich eine Rate von einem Bild pro Sekunde bis zu 3.200 Bildern. Das ist ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Es eignet sich für Szenenzusammenfassungen und Fragen zu zeitlichen Abläufen, während kurze Aktionen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitbereich bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Folge kann abschnittsweise Analyse mit anschließender Textzusammenfassung den Fokus erhalten. Die Aufteilung kann allerdings Kontext über Abschnittsgrenzen hinweg verlieren. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe. Gesprochene Informationen sollten daher als Text bereitgestellt werden.\n\nPremier unterstützt Antwortstreaming, werkzeugorientierte und retrievalgestützte Workflows sowie 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 einem Agenten die Aufgabe, erlaubte Werkzeuge und deren Argumentbeschreibungen. Lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen zurückgeben, bevor der nächste Modellschritt erfolgt. Seine Analyserolle bedeutet nicht, dass es ein externes System ohne diese Ausführungsschicht bedienen kann. Die Hinweise zur ersten Generation unterstützen die Erklärung einer Lösung in Schritten durch Promptvorgaben. Die separaten erweiterten Denksteuerungen low, medium und high von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an. Eine angeforderte JSON-Struktur unterscheidet sich von erzwungener strukturierter Ausgabe.\n\nEine charakteristische Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Destillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Workflow zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Geben Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten vor und verlangen Sie eine Trennung von Beobachtungen, Annahmen und fehlenden Belegen. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen, und generierter Code enthält keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genug Belege und Details tragen, um gegen seine Eingaben geprüft zu werden. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier ist das Nova-Modell der ersten Generation für komplexe multimodale Schlussfolgerungen, die Analyse langer Dokumente und Agenten. Es akzeptiert Text, Bilder und Video, gibt Text zurück und dient außerdem als Lehrer zur Destillation spezialisierter Nova-Modelle.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova Premier ist das leistungsfähigste Verständnis-Modell in Amazons Nova-Familie der ersten Generation. Es ist für komplexe Aufgaben entwickelt, die tiefes Verständnis, Kontext und Planung über mehrere Schritte benötigen. Es verarbeitet Text, Bilder und Video und erzeugt Text. Seine Rolle umfasst die Analyse langer Berichte, den Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogorientierte Sprache erzeugen.
Das genaue Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine maximale Ausgabe von 25K Tokens. Der dokumentierte Wissensstand endet im Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Ordnen Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein nützliches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Aktionsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es verspricht nicht, dass jedes Detail in der finalen Antwort erscheint.
Premiers dokumentierter multimodaler Workflow verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentworkflow umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext zusammen mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und lassen Sie das Modell die relevanten Beobachtungen beschreiben, bevor es sie interpretiert. Wenn nur die Prosa benötigt wird, vermeidet extrahierter Text, visuelle Extraktion zur Voraussetzung des Dokumentverständnisses zu machen. Eingebettete Medien teilen sich ein Nutzlastbudget von 25 MB, einschließlich Base64-Overhead. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB bei direktem Upload oder 2 GB über S3.
Das Videoverständnis basiert auf abgetasteten visuellen Einzelbildern. Der Leitfaden der ersten Generation nennt für Premier ausdrücklich eine Rate von einem Bild pro Sekunde bis zu 3.200 Bildern. Das ist ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Es eignet sich für Szenenzusammenfassungen und Fragen zu zeitlichen Abläufen, während kurze Aktionen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitbereich bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Folge kann abschnittsweise Analyse mit anschließender Textzusammenfassung den Fokus erhalten. Die Aufteilung kann allerdings Kontext über Abschnittsgrenzen hinweg verlieren. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe. Gesprochene Informationen sollten daher als Text bereitgestellt werden.
Premier unterstützt Antwortstreaming, werkzeugorientierte und retrievalgestützte Workflows sowie 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 einem Agenten die Aufgabe, erlaubte Werkzeuge und deren Argumentbeschreibungen. Lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen zurückgeben, bevor der nächste Modellschritt erfolgt. Seine Analyserolle bedeutet nicht, dass es ein externes System ohne diese Ausführungsschicht bedienen kann. Die Hinweise zur ersten Generation unterstützen die Erklärung einer Lösung in Schritten durch Promptvorgaben. Die separaten erweiterten Denksteuerungen low, medium und high von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an. Eine angeforderte JSON-Struktur unterscheidet sich von erzwungener strukturierter Ausgabe.
Eine charakteristische Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Destillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Workflow zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Geben Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten vor und verlangen Sie eine Trennung von Beobachtungen, Annahmen und fehlenden Belegen. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen, und generierter Code enthält keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genug Belege und Details tragen, um gegen seine Eingaben geprüft zu werden. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-premier-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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.025 / 1K Token Eingabe · Cache-Lesen $0.00125 / 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.025 / 1K Token Eingabe · Cache-Lesen $0.00125 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-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-premier-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-premier-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-premier-v1
Verwenden Sie die oben angezeigten Methodenpfade.
amazon/nova-premier-v1Amazon Nova Premier ist das Nova-Modell der ersten Generation für komplexe multimodale Schlussfolgerungen, die Analyse langer Dokumente und Agenten. Es akzeptiert Text, Bilder und Video, gibt Text zurück und dient außerdem als Lehrer zur Destillation spezialisierter Nova-Modelle.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Amazon Nova Premier ist das leistungsfähigste Verständnis-Modell in Amazons Nova-Familie der ersten Generation. Es ist für komplexe Aufgaben entwickelt, die tiefes Verständnis, Kontext und Planung über mehrere Schritte benötigen. Es verarbeitet Text, Bilder und Video und erzeugt Text. Seine Rolle umfasst die Analyse langer Berichte, den Vergleich von Belegen über Dokumente hinweg, das Verstehen von Diagrammen und visuellem Material sowie die Koordination von Agentenaufgaben. Premier ist von den leichteren Modellen Micro, Lite und Pro sowie von Nova-Modellen getrennt, die Bilder, Video oder dialogorientierte Sprache erzeugen.
Das genaue Modellprofil des Herstellers nennt ein Kontextfenster von 1 Million Tokens und eine maximale Ausgabe von 25K Tokens. Der dokumentierte Wissensstand endet im Oktober 2024. Das macht Premier nützlich, wenn eine Aufgabe umfangreiches Referenzmaterial neben Anweisungen und Gespräch benötigt. Ordnen Sie dieses Material mit Dokumentnamen, Abschnittsmarkierungen und einer konkreten Frage, statt eine ungerichtete Analyse von allem anzufordern. Ein nützliches Ergebnis kann eine Vergleichsmatrix, ein beleggestützter Bericht oder eine vorgeschlagene Aktionsfolge sein. Das Kontextbudget umfasst das Material, mit dem das Modell arbeitet; es verspricht nicht, dass jedes Detail in der finalen Antwort erscheint.
Premiers dokumentierter multimodaler Workflow verarbeitet PNG-, JPG/JPEG-, GIF- und WebP-Bilder sowie gängige Videocontainer wie MP4, MOV, MKV und WebM. Der Dokumentworkflow umfasst PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT und Markdown. Textorientierte Dateien liefern Text; PDF und DOCX können Seitentext zusammen mit visuellen Informationen liefern. Halten Sie bei einem Bericht mit Diagrammen Beschriftungen lesbar und lassen Sie das Modell die relevanten Beobachtungen beschreiben, bevor es sie interpretiert. Wenn nur die Prosa benötigt wird, vermeidet extrahierter Text, visuelle Extraktion zur Voraussetzung des Dokumentverständnisses zu machen. Eingebettete Medien teilen sich ein Nutzlastbudget von 25 MB, einschließlich Base64-Overhead. Eine Anfrage enthält ein Video, über S3 auf 1 GB begrenzt; kombinierte S3-Medien dürfen insgesamt 2 GB umfassen. PDF- und DOCX-Eingaben bleiben auf fünf Dokumente begrenzt, mit einem gemeinsamen Budget von 25 MB bei direktem Upload oder 2 GB über S3.
Das Videoverständnis basiert auf abgetasteten visuellen Einzelbildern. Der Leitfaden der ersten Generation nennt für Premier ausdrücklich eine Rate von einem Bild pro Sekunde bis zu 3.200 Bildern. Das ist ein anderes Budget als die 960-Bilder-Strategie von Nova Lite und Pro. Es eignet sich für Szenenzusammenfassungen und Fragen zu zeitlichen Abläufen, während kurze Aktionen zwischen abgetasteten Bildern unbeobachtet bleiben können. Stellen Sie einen relevanten Clip oder Zeitbereich bereit und benennen Sie die zu verfolgenden Details. Bei einer langen Folge kann abschnittsweise Analyse mit anschließender Textzusammenfassung den Fokus erhalten. Die Aufteilung kann allerdings Kontext über Abschnittsgrenzen hinweg verlieren. Die dokumentierten Modellmodalitäten umfassen keine Audioeingabe. Gesprochene Informationen sollten daher als Text bereitgestellt werden.
Premier unterstützt Antwortstreaming, werkzeugorientierte und retrievalgestützte Workflows sowie 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 einem Agenten die Aufgabe, erlaubte Werkzeuge und deren Argumentbeschreibungen. Lassen Sie anschließend die Anwendung angeforderte Aktionen ausführen und Beobachtungen zurückgeben, bevor der nächste Modellschritt erfolgt. Seine Analyserolle bedeutet nicht, dass es ein externes System ohne diese Ausführungsschicht bedienen kann. Die Hinweise zur ersten Generation unterstützen die Erklärung einer Lösung in Schritten durch Promptvorgaben. Die separaten erweiterten Denksteuerungen low, medium und high von Nova 2 Lite gehören nicht zur dokumentierten Schnittstelle dieser Ausgabe. Fordern Sie für einen Bericht oder ein Werkzeugergebnis ausdrückliche Felder und Beispiele der gewünschten Struktur an. Eine angeforderte JSON-Struktur unterscheidet sich von erzwungener strukturierter Ausgabe.
Eine charakteristische Rolle von Premier ist das Lehren kleinerer Nova-Modelle durch Destillation. Amazon beschreibt die Verwendung von Premier-Antworten als Trainingsbeispiele für spezialisierte Varianten von Nova Micro, Lite und Pro und den anschließenden Vergleich des Verhaltens des kleineren Modells bei der Zielaufgabe. Das ist ein Workflow zur Modellanpassung und keine Änderung der Identität einer normalen Premier-Antwort. Geben Sie bei gewöhnlicher Nutzung die maßgeblichen Fakten vor und verlangen Sie eine Trennung von Beobachtungen, Annahmen und fehlenden Belegen. Nova kann plausible Behauptungen erzeugen, die einer Quelle widersprechen, und generierter Code enthält keine automatische Sicherheitsprüfung. Das nützliche Artefakt sollte daher genug Belege und Details tragen, um gegen seine Eingaben geprüft zu werden. Der Hersteller gibt außerdem an, dass dieses Modell Personen in Bildern, Dokumenten oder Videos nicht identifiziert oder namentlich benennt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits amazon/nova-premier-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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.025 / 1K Token Eingabe · Cache-Lesen $0.00125 / 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.025 / 1K Token Eingabe · Cache-Lesen $0.00125 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-premier-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-premier-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-premier-v1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.