Cloudflare Clef Flash ist das kleinere Entscheidungsmodell der Clef-Familie und entsteht durch Post-Training von Qwen3.5-9B mit dessen Vision-Encoder. Ein gemeinsamer Schema-Kopf liest Belege aus der Eingabe und bewertet die zulässigen Antworten für jede angefragte Frage in einem einzigen Vorwärtsdurchlauf. Seine Aufgabe ist es, eingegrenzte Klassifizierungen und Entscheidungen in einem Workflow zu liefern. Die Ausgabe ist ein typisiertes Ergebnis mit Wahrscheinlichkeiten statt einer Konversationsantwort, die eine Anwendung erst als Kategorie interpretieren muss.
Beschreiben Sie die Situation in einem Text- oder JSON-Zustand und definieren Sie die Fragen separat. Eine Frage braucht einen stabilen Namen, einen Typ und eine klare Anweisung; Kategorie- oder Score-Fragen definieren zusätzlich ihre zulässigen Kriterien. Bei einer Support-Nachricht kann eine Frage das Anliegen klassifizieren, eine weitere die Dringlichkeit bewerten und eine dritte feststellen, ob dem Datensatz Informationen fehlen, die für den nächsten Schritt nötig sind. Halten Sie den tatsächlichen Wortlaut des Kunden, den relevanten Verlauf und die Betriebsregeln im Zustand fest, damit die Entscheidung an Belege gebunden ist.
Die drei Fragetypen erfüllen unterschiedliche Anforderungen. Ein „noul“-Ergebnis ist die Wahrscheinlichkeit, dass eine Wahr/Falsch-Bedingung zutrifft. Ein „choice“-Ergebnis bestimmt eine benannte Option und enthält Wahrscheinlichkeiten über die Alternativen sowie einen Konfidenzwert. Ein „score“-Ergebnis bewertet geordnete Kriterien und liefert deren wahrscheinlichkeitsgewichteten Score, Legende und Verteilung. Legen Sie die Reihenfolge eines Scores bewusst fest: Der Weg von „Keine Maßnahme erforderlich“ bis „Sofortige Prüfung“ ist etwas anderes als eine ungeordnete Menge von Themenlabels.
Für schnelles Routing beschreiben Sie Kategorien anhand der Aktionen oder Zuständigkeitsgrenzen, die sie tatsächlich unterscheiden. Ein nützliches Beispiel ist eine Anfrage mit den Optionen Kontozugang, technischer Fehler, Dokumentationsfrage und Sonstiges, wobei jede Option erläutert wird. Das Ergebnis des Modells kann an eine Routing-Regel der Anwendung übergeben werden. Eine knappe Verteilung zwischen technischem Fehler und Kontozugang ist ein nützlicher Hinweis auf Mehrdeutigkeit; legen Sie ausdrücklich fest, wie der Workflow solche Fälle behandelt, statt anzunehmen, dass das ausgewählte Label eine bestätigte Diagnose ist.
Für die visuelle Klassifizierung liefern Sie ein lesbares Bild und eine Bedingung, die das Bild belegen kann. Bei der Prüfung einer Quittung kann gefragt werden, ob der Gesamtbetrag lesbar ist, und unter definierten Kategorien der Dokumentqualität gewählt werden. Dabei sollte kein beliebiger neuer Gesamtbetrag angefordert werden, als wäre das Modell ein uneingeschränkter Extraktions- oder Schreibdienst. Die Open-Weight-Schnittstelle des Herstellers akzeptiert außerdem Arrays von Videoeinzelbildern. Bewahren Sie die Verbindung zwischen den Einzelbildern und dem schriftlichen Zustand, und fragen Sie nach sichtbaren Ereignissen oder Zuständen innerhalb dieses Materials.
Die aktuelle gehostete Referenz des Herstellers nennt einen Kontext von 24.576 Token, bis zu 64 Fragen und bis zu vier eingebettete Bilder. PNG-, JPEG- oder WebP-Bilder sind auf jeweils 4 MiB und 16 Megapixel begrenzt, bei insgesamt 8 MiB dekodiert; der gesamte Request-Body ist auf 13 MiB begrenzt, und Remote-Bildlinks werden nicht akzeptiert. Fragedefinitionen und Medien verbrauchen Eingaberaum, und langer Text kann gekürzt werden, damit er passt. Legen Sie entscheidende Belege in einen kompakten Zustand. Cloudflare dokumentiert, dass die Verkleinerung des gehosteten Kontexts die veröffentlichten Gewichte nicht verändert hat; das gehostete Kontextfenster und die Open-Weight-Konfiguration bleiben also voneinander getrennt.
Die eingeschränkte Ausgabe des Modells macht es nützlich für wiederholte Richtlinien- oder Workflow-Prüfungen. Definieren Sie zum Beispiel getrennte Fragen danach, ob ein Datensatz die festgelegten Vollständigkeitsregeln erfüllt und welche Folgekategorie zutrifft. Halten Sie die Kriterien explizit und nehmen Sie eine Option für Fälle auf, die die Kategorien nicht abdecken, wenn das Teil des Workflow-Designs ist. Die Wahrscheinlichkeiten bewerten die bereitgestellten Optionen; sie belegen nicht, dass die Optionen eine vollständige Beschreibung jeder realen Situation bilden.
Bewahren Sie Zustand, Schema und zurückgegebene Antwort zusammen auf. Wenn ein Ergebnis überrascht, prüfen Sie, ob ein Kriterium mehrdeutig ist, ob entscheidende Eingaben fehlten oder ob relevanter Text abgeschnitten wurde. Vergleichen Sie die Modelleinschätzungen mit geprüften Fällen aus der tatsächlichen Aufgabe, bevor Sie Schwellenwerte für automatisierte Aktionen festlegen. Die Positionierung von Clef Flash als kleineres Modell für schnelle Entscheidungen ersetzt nicht die Prüfung, was eine falsche Routing-Entscheidung den Workflow kostet.
Verwenden Sie das typisierte Ergebnis als Eingabe für den nächsten Anwendungsschritt. Das Modell führt diesen Schritt nicht aus und verfasst auch nicht dessen spätere Erklärung. Wenn der Nutzer einen Bericht benötigt, halten Sie die Entscheidung und die Quellbelege für einen separaten Schreibprozess bereit. Das nützliche Artefakt von Clef Flash ist eine nachvollziehbare Antwort auf jede benannte Frage, zusammen mit den Wahrscheinlichkeitsinformationen, die zur Anwendung der Workflow-Regeln nötig sind.
", "aboutText": "Cloudflare Clef Flash ist das kleinere Entscheidungsmodell der Clef-Familie und entsteht durch Post-Training von Qwen3.5-9B mit dessen Vision-Encoder. Ein gemeinsamer Schema-Kopf liest Belege aus der Eingabe und bewertet die zulässigen Antworten für jede angefragte Frage in einem einzigen Vorwärtsdurchlauf. Seine Aufgabe ist es, eingegrenzte Klassifizierungen und Entscheidungen in einem Workflow zu liefern. Die Ausgabe ist ein typisiertes Ergebnis mit Wahrscheinlichkeiten statt einer Konversationsantwort, die eine Anwendung erst als Kategorie interpretieren muss.\n\nBeschreiben Sie die Situation in einem Text- oder JSON-Zustand und definieren Sie die Fragen separat. Eine Frage braucht einen stabilen Namen, einen Typ und eine klare Anweisung; Kategorie- oder Score-Fragen definieren zusätzlich ihre zulässigen Kriterien. Bei einer Support-Nachricht kann eine Frage das Anliegen klassifizieren, eine weitere die Dringlichkeit bewerten und eine dritte feststellen, ob dem Datensatz Informationen fehlen, die für den nächsten Schritt nötig sind. Halten Sie den tatsächlichen Wortlaut des Kunden, den relevanten Verlauf und die Betriebsregeln im Zustand fest, damit die Entscheidung an Belege gebunden ist.\n\nDie drei Fragetypen erfüllen unterschiedliche Anforderungen. Ein „noul“-Ergebnis ist die Wahrscheinlichkeit, dass eine Wahr/Falsch-Bedingung zutrifft. Ein „choice“-Ergebnis bestimmt eine benannte Option und enthält Wahrscheinlichkeiten über die Alternativen sowie einen Konfidenzwert. Ein „score“-Ergebnis bewertet geordnete Kriterien und liefert deren wahrscheinlichkeitsgewichteten Score, Legende und Verteilung. Legen Sie die Reihenfolge eines Scores bewusst fest: Der Weg von „Keine Maßnahme erforderlich“ bis „Sofortige Prüfung“ ist etwas anderes als eine ungeordnete Menge von Themenlabels.\n\nFür schnelles Routing beschreiben Sie Kategorien anhand der Aktionen oder Zuständigkeitsgrenzen, die sie tatsächlich unterscheiden. Ein nützliches Beispiel ist eine Anfrage mit den Optionen Kontozugang, technischer Fehler, Dokumentationsfrage und Sonstiges, wobei jede Option erläutert wird. Das Ergebnis des Modells kann an eine Routing-Regel der Anwendung übergeben werden. Eine knappe Verteilung zwischen technischem Fehler und Kontozugang ist ein nützlicher Hinweis auf Mehrdeutigkeit; legen Sie ausdrücklich fest, wie der Workflow solche Fälle behandelt, statt anzunehmen, dass das ausgewählte Label eine bestätigte Diagnose ist.\n\nFür die visuelle Klassifizierung liefern Sie ein lesbares Bild und eine Bedingung, die das Bild belegen kann. Bei der Prüfung einer Quittung kann gefragt werden, ob der Gesamtbetrag lesbar ist, und unter definierten Kategorien der Dokumentqualität gewählt werden. Dabei sollte kein beliebiger neuer Gesamtbetrag angefordert werden, als wäre das Modell ein uneingeschränkter Extraktions- oder Schreibdienst. Die Open-Weight-Schnittstelle des Herstellers akzeptiert außerdem Arrays von Videoeinzelbildern. Bewahren Sie die Verbindung zwischen den Einzelbildern und dem schriftlichen Zustand, und fragen Sie nach sichtbaren Ereignissen oder Zuständen innerhalb dieses Materials.\n\nDie aktuelle gehostete Referenz des Herstellers nennt einen Kontext von 24.576 Token, bis zu 64 Fragen und bis zu vier eingebettete Bilder. PNG-, JPEG- oder WebP-Bilder sind auf jeweils 4 MiB und 16 Megapixel begrenzt, bei insgesamt 8 MiB dekodiert; der gesamte Request-Body ist auf 13 MiB begrenzt, und Remote-Bildlinks werden nicht akzeptiert. Fragedefinitionen und Medien verbrauchen Eingaberaum, und langer Text kann gekürzt werden, damit er passt. Legen Sie entscheidende Belege in einen kompakten Zustand. Cloudflare dokumentiert, dass die Verkleinerung des gehosteten Kontexts die veröffentlichten Gewichte nicht verändert hat; das gehostete Kontextfenster und die Open-Weight-Konfiguration bleiben also voneinander getrennt.\n\nDie eingeschränkte Ausgabe des Modells macht es nützlich für wiederholte Richtlinien- oder Workflow-Prüfungen. Definieren Sie zum Beispiel getrennte Fragen danach, ob ein Datensatz die festgelegten Vollständigkeitsregeln erfüllt und welche Folgekategorie zutrifft. Halten Sie die Kriterien explizit und nehmen Sie eine Option für Fälle auf, die die Kategorien nicht abdecken, wenn das Teil des Workflow-Designs ist. Die Wahrscheinlichkeiten bewerten die bereitgestellten Optionen; sie belegen nicht, dass die Optionen eine vollständige Beschreibung jeder realen Situation bilden.\n\nBewahren Sie Zustand, Schema und zurückgegebene Antwort zusammen auf. Wenn ein Ergebnis überrascht, prüfen Sie, ob ein Kriterium mehrdeutig ist, ob entscheidende Eingaben fehlten oder ob relevanter Text abgeschnitten wurde. Vergleichen Sie die Modelleinschätzungen mit geprüften Fällen aus der tatsächlichen Aufgabe, bevor Sie Schwellenwerte für automatisierte Aktionen festlegen. Die Positionierung von Clef Flash als kleineres Modell für schnelle Entscheidungen ersetzt nicht die Prüfung, was eine falsche Routing-Entscheidung den Workflow kostet.\n\nVerwenden Sie das typisierte Ergebnis als Eingabe für den nächsten Anwendungsschritt. Das Modell führt diesen Schritt nicht aus und verfasst auch nicht dessen spätere Erklärung. Wenn der Nutzer einen Bericht benötigt, halten Sie die Entscheidung und die Quellbelege für einen separaten Schreibprozess bereit. Das nützliche Artefakt von Clef Flash ist eine nachvollziehbare Antwort auf jede benannte Frage, zusammen mit den Wahrscheinlichkeitsinformationen, die zur Anwendung der Workflow-Regeln nötig sind.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c520fdc0d4ffd51b6c83540e808f2b69bd36fae980295bc777af96026ab2bddd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "cloudflare/clef-flashCloudflare Clef Flash ist das kleinere Clef-Entscheidungsmodell mit 9B Parametern, ausgelegt für schnelle Klassifizierung und Workflow-Entscheidungen. Es bewertet Text, strukturierten Zustand und visuelle Eingaben anhand benannter Fragen und liefert Wahrscheinlichkeiten pro Option, eine ausgewählte Kategorie oder einen geordneten Score, ohne Prosa zu generieren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Cloudflare Clef Flash ist das kleinere Entscheidungsmodell der Clef-Familie und entsteht durch Post-Training von Qwen3.5-9B mit dessen Vision-Encoder. Ein gemeinsamer Schema-Kopf liest Belege aus der Eingabe und bewertet die zulässigen Antworten für jede angefragte Frage in einem einzigen Vorwärtsdurchlauf. Seine Aufgabe ist es, eingegrenzte Klassifizierungen und Entscheidungen in einem Workflow zu liefern. Die Ausgabe ist ein typisiertes Ergebnis mit Wahrscheinlichkeiten statt einer Konversationsantwort, die eine Anwendung erst als Kategorie interpretieren muss.
Beschreiben Sie die Situation in einem Text- oder JSON-Zustand und definieren Sie die Fragen separat. Eine Frage braucht einen stabilen Namen, einen Typ und eine klare Anweisung; Kategorie- oder Score-Fragen definieren zusätzlich ihre zulässigen Kriterien. Bei einer Support-Nachricht kann eine Frage das Anliegen klassifizieren, eine weitere die Dringlichkeit bewerten und eine dritte feststellen, ob dem Datensatz Informationen fehlen, die für den nächsten Schritt nötig sind. Halten Sie den tatsächlichen Wortlaut des Kunden, den relevanten Verlauf und die Betriebsregeln im Zustand fest, damit die Entscheidung an Belege gebunden ist.
Die drei Fragetypen erfüllen unterschiedliche Anforderungen. Ein „noul“-Ergebnis ist die Wahrscheinlichkeit, dass eine Wahr/Falsch-Bedingung zutrifft. Ein „choice“-Ergebnis bestimmt eine benannte Option und enthält Wahrscheinlichkeiten über die Alternativen sowie einen Konfidenzwert. Ein „score“-Ergebnis bewertet geordnete Kriterien und liefert deren wahrscheinlichkeitsgewichteten Score, Legende und Verteilung. Legen Sie die Reihenfolge eines Scores bewusst fest: Der Weg von „Keine Maßnahme erforderlich“ bis „Sofortige Prüfung“ ist etwas anderes als eine ungeordnete Menge von Themenlabels.
Für schnelles Routing beschreiben Sie Kategorien anhand der Aktionen oder Zuständigkeitsgrenzen, die sie tatsächlich unterscheiden. Ein nützliches Beispiel ist eine Anfrage mit den Optionen Kontozugang, technischer Fehler, Dokumentationsfrage und Sonstiges, wobei jede Option erläutert wird. Das Ergebnis des Modells kann an eine Routing-Regel der Anwendung übergeben werden. Eine knappe Verteilung zwischen technischem Fehler und Kontozugang ist ein nützlicher Hinweis auf Mehrdeutigkeit; legen Sie ausdrücklich fest, wie der Workflow solche Fälle behandelt, statt anzunehmen, dass das ausgewählte Label eine bestätigte Diagnose ist.
Für die visuelle Klassifizierung liefern Sie ein lesbares Bild und eine Bedingung, die das Bild belegen kann. Bei der Prüfung einer Quittung kann gefragt werden, ob der Gesamtbetrag lesbar ist, und unter definierten Kategorien der Dokumentqualität gewählt werden. Dabei sollte kein beliebiger neuer Gesamtbetrag angefordert werden, als wäre das Modell ein uneingeschränkter Extraktions- oder Schreibdienst. Die Open-Weight-Schnittstelle des Herstellers akzeptiert außerdem Arrays von Videoeinzelbildern. Bewahren Sie die Verbindung zwischen den Einzelbildern und dem schriftlichen Zustand, und fragen Sie nach sichtbaren Ereignissen oder Zuständen innerhalb dieses Materials.
Die aktuelle gehostete Referenz des Herstellers nennt einen Kontext von 24.576 Token, bis zu 64 Fragen und bis zu vier eingebettete Bilder. PNG-, JPEG- oder WebP-Bilder sind auf jeweils 4 MiB und 16 Megapixel begrenzt, bei insgesamt 8 MiB dekodiert; der gesamte Request-Body ist auf 13 MiB begrenzt, und Remote-Bildlinks werden nicht akzeptiert. Fragedefinitionen und Medien verbrauchen Eingaberaum, und langer Text kann gekürzt werden, damit er passt. Legen Sie entscheidende Belege in einen kompakten Zustand. Cloudflare dokumentiert, dass die Verkleinerung des gehosteten Kontexts die veröffentlichten Gewichte nicht verändert hat; das gehostete Kontextfenster und die Open-Weight-Konfiguration bleiben also voneinander getrennt.
Die eingeschränkte Ausgabe des Modells macht es nützlich für wiederholte Richtlinien- oder Workflow-Prüfungen. Definieren Sie zum Beispiel getrennte Fragen danach, ob ein Datensatz die festgelegten Vollständigkeitsregeln erfüllt und welche Folgekategorie zutrifft. Halten Sie die Kriterien explizit und nehmen Sie eine Option für Fälle auf, die die Kategorien nicht abdecken, wenn das Teil des Workflow-Designs ist. Die Wahrscheinlichkeiten bewerten die bereitgestellten Optionen; sie belegen nicht, dass die Optionen eine vollständige Beschreibung jeder realen Situation bilden.
Bewahren Sie Zustand, Schema und zurückgegebene Antwort zusammen auf. Wenn ein Ergebnis überrascht, prüfen Sie, ob ein Kriterium mehrdeutig ist, ob entscheidende Eingaben fehlten oder ob relevanter Text abgeschnitten wurde. Vergleichen Sie die Modelleinschätzungen mit geprüften Fällen aus der tatsächlichen Aufgabe, bevor Sie Schwellenwerte für automatisierte Aktionen festlegen. Die Positionierung von Clef Flash als kleineres Modell für schnelle Entscheidungen ersetzt nicht die Prüfung, was eine falsche Routing-Entscheidung den Workflow kostet.
Verwenden Sie das typisierte Ergebnis als Eingabe für den nächsten Anwendungsschritt. Das Modell führt diesen Schritt nicht aus und verfasst auch nicht dessen spätere Erklärung. Wenn der Nutzer einen Bericht benötigt, halten Sie die Entscheidung und die Quellbelege für einen separaten Schreibprozess bereit. Das nützliche Artefakt von Clef Flash ist eine nachvollziehbare Antwort auf jede benannte Frage, zusammen mit den Wahrscheinlichkeitsinformationen, die zur Anwendung der Workflow-Regeln nötig sind.
POST /v1/systemonetext, imagedecisions| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits cloudflare/clef-flash | Standard— |
Feldprovider | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsession_id | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldstate | Typschema | AnforderungErforderlich | Werte und Limits | Standard— |
Feldtrace | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions.<id>.type | Typstring | AnforderungErforderlich | Werte und Limits noul, choice, score | Standard— |
Feldquestions.<id>.instructions | Typstring|object|array | AnforderungErforderlich | Werte und Limits | Standard— |
Feldquestions.<id>.criteria | Typobject|array | AnforderungOptional | Werte und Limits Bedingungen: choice/score: erforderlich; noul: optional. Bei choice ist criteria ein Objekt; bei score ist es ein Array mit minItems=1. | Standard— |
Feldquestions.<id>.criteria.true | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
Feldquestions.<id>.criteria.false | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
noul · Erforderlich: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Erforderlich: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Erforderlich: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, state, questions |
Parametermaterial_types | Vertragtext, image |
Parameteroptional_controls | Vertragprovider, session_id, trace, user |
Parametermultimodal_input_binding | VertragVerwenden Sie ausschließlich die exakt deklarierte Zustands-/Dokumentdarstellung. Die Bildfähigkeit des Herstellers allein belegt kein modellspezifisch akzeptiertes Bildtransportformat. |
Lebenszyklus: synchronous
Senden Sie die genaue Modell-ID und bewahren Sie die vollständige native Antwort auf.
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 $0.000076 / 1K Token Ausgabe · Ausgabetoken $0 / 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 $0.000076 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "cloudflare/clef-flash",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='cloudflare/clef-flash'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jede bereitgestellte Antwort mit Fragen-ID bleibt mit ihrem genauen Typ, ihrem noul/choice/score-Wert, ihrer Konfidenz, ihren Wahrscheinlichkeiten und ihrer Legende erhalten. Das gesamte ursprüngliche JSON wird gespeichert und erst nach der Abrechnung zurückgegeben.
Bewahren Sie den ursprünglichen Vorgang sowie die vollständige oder teilweise Antwort auf; wiederholen Sie POST nicht.
| Feld | Typ |
|---|---|
Feldmodel | Typstring |
Feldid | Typstring |
Feldprovider | Typstring |
Feldanswers.<id>.type | Typstring |
Feldanswers.<id>.noul | Typnumber |
Feldanswers.<id>.choice | Typstring |
Feldanswers.<id>.score | Typnumber |
Feldanswers.<id>.confidence | Typnumber |
Feldanswers.<id>.probabilities | Typobject |
Feldanswers.<id>.legend | Typobject |
Feldusage.input_tokens | Typinteger |
Feldusage.output_tokens | Typinteger |
Feldusage.cost | Typnumber |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültiges Pflichtfeld, ungültige Darstellung oder ungültiger Wert | Nächster SchrittKorrigieren Sie das angegebene Anfragefeld. |
Ailoot Ultra cloudflare/clef-flash
Verwenden Sie die oben angezeigten Methodenpfade.