Ember-1 ist das spezialisierte Modell von Fireworks Research auf Basis von Kimi K3. Seine entscheidende Änderung ist ein Training, das unnötiges Schlussfolgern verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Anbieter positioniert es für wiederholte, werkzeuggestützte Aufgaben, bei denen sich lange Gedankengänge über einen Dialog hinweg ansammeln können. Sein dokumentiertes Profil unterstützt Texterzeugung, Bildeingaben und Funktionsaufrufe; die resultierende Antwort, der Code oder die vorgeschlagene Operation liegen als Text vor.
Der Hersteller entwickelte Ember-1 mit aufgabenbezogenem Training über ein breites Spektrum von Arbeitslasten. Dies ist ein durch Training entstandener Modellunterschied und nicht lediglich die Auswahl einer niedrigeren Reasoning-Aufwandsstufe beim Basismodell. Beim Ergebnisvergleich mit Kimi K3 sollte es seine eigene Identität behalten: Das Ziel ist ein sparsamerer Schlussfolgerungsweg, nicht die Annahme, dass jede ursprüngliche Einstellung, Fähigkeit oder künftige Aktualisierung identisch ist.
Stelle für eine Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die stabil zu haltenden Verträge bereit. Fordere eine gezielte Implementierung und eine Erklärung mit Bezug auf den tatsächlichen Quellcode an. Ein praktisches Briefing lautet: „Verfolge diese fehlerhafte Eingabe, identifiziere die erste falsche Bedingung und gib die korrigierte Funktion mit den Belegen zurück, die die Änderung rechtfertigen.“ Halte das endgültige Arbeitsergebnis ausdrücklich fest, auch wenn die Aufgabe mehrere Beobachtungen erfordert.
Zu den Anwendungsfällen des Anbieters gehören Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stelle zur Aufgabe passende Funktionsbeschreibungen und Argumentschemata bereit. Das Modell kann eine Dateiprüfung, eine Berechnung oder eine andere verfügbare Operation vorschlagen; die Anwendung führt sie aus und gibt die tatsächliche Beobachtung zurück. Verwende dieses Ergebnis in der nächsten Nachricht, statt eine vorgeschlagene Aktion als Ersatz für ihre Ausführung gelten zu lassen.
Bewahre bei einer längeren Aufgabe die relevanten Beobachtungen zu Fehler, Korrektur und Verifikation in einer knappen Aufzeichnung auf. Fordere den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzeres Schlussfolgern ist nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die zu ihrer Prüfung benötigten Belege enthält.
Der Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Implementierung verlangen, die auf dem Sichtbaren beruht. Kennzeichne jedes Bild und unterscheide den aktuellen Zustand vom beabsichtigten Ergebnis. Sorge für lesbaren wichtigen Text und bitte darum, in der Antwort das sichtbare Detail zu benennen, das einen Befund stützt.
Der Anbieter nennt einen Kontext in der Größenordnung von einer Million Tokens. Dies ist ein Profil der Quellenkapazität und kein eigenständiges Versprechen einer ebenso großen Anzahl von Antworttokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Gedankengänge teilen sich das geltende Anfragebudget. Ordne ein großes Repository oder eine Dokumentensammlung anhand der tatsächlichen Frage und reserviere Platz für das Ergebnis.
Ein nützliches Arbeitsergebnis ist ein gezielter Patch, eine beleggestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stelle für einen von aktuellen Informationen abhängigen Fakt eine maßgebliche Passage oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzeres Schlussfolgern macht fehlende Belege nicht verfügbar, führt keine Funktion aus und validiert Code nicht unabhängig. Prüfe das entstandene Arbeitsergebnis anhand der Anforderungen und der vom umgebenden Ablauf zurückgegebenen Beobachtungen.
", "aboutText": "Ember-1 ist das spezialisierte Modell von Fireworks Research auf Basis von Kimi K3. Seine entscheidende Änderung ist ein Training, das unnötiges Schlussfolgern verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Anbieter positioniert es für wiederholte, werkzeuggestützte Aufgaben, bei denen sich lange Gedankengänge über einen Dialog hinweg ansammeln können. Sein dokumentiertes Profil unterstützt Texterzeugung, Bildeingaben und Funktionsaufrufe; die resultierende Antwort, der Code oder die vorgeschlagene Operation liegen als Text vor.\n\n### Was das Training verändert\n\nDer Hersteller entwickelte Ember-1 mit aufgabenbezogenem Training über ein breites Spektrum von Arbeitslasten. Dies ist ein durch Training entstandener Modellunterschied und nicht lediglich die Auswahl einer niedrigeren Reasoning-Aufwandsstufe beim Basismodell. Beim Ergebnisvergleich mit Kimi K3 sollte es seine eigene Identität behalten: Das Ziel ist ein sparsamerer Schlussfolgerungsweg, nicht die Annahme, dass jede ursprüngliche Einstellung, Fähigkeit oder künftige Aktualisierung identisch ist.\n\nStelle für eine Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die stabil zu haltenden Verträge bereit. Fordere eine gezielte Implementierung und eine Erklärung mit Bezug auf den tatsächlichen Quellcode an. Ein praktisches Briefing lautet: „Verfolge diese fehlerhafte Eingabe, identifiziere die erste falsche Bedingung und gib die korrigierte Funktion mit den Belegen zurück, die die Änderung rechtfertigen.“ Halte das endgültige Arbeitsergebnis ausdrücklich fest, auch wenn die Aufgabe mehrere Beobachtungen erfordert.\n\n### Programmier- und Agentenaufgaben\n\nZu den Anwendungsfällen des Anbieters gehören Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stelle zur Aufgabe passende Funktionsbeschreibungen und Argumentschemata bereit. Das Modell kann eine Dateiprüfung, eine Berechnung oder eine andere verfügbare Operation vorschlagen; die Anwendung führt sie aus und gibt die tatsächliche Beobachtung zurück. Verwende dieses Ergebnis in der nächsten Nachricht, statt eine vorgeschlagene Aktion als Ersatz für ihre Ausführung gelten zu lassen.\n\nBewahre bei einer längeren Aufgabe die relevanten Beobachtungen zu Fehler, Korrektur und Verifikation in einer knappen Aufzeichnung auf. Fordere den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzeres Schlussfolgern ist nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die zu ihrer Prüfung benötigten Belege enthält.\n\n### Bilder und umfangreiches Quellenmaterial\n\nDer Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Implementierung verlangen, die auf dem Sichtbaren beruht. Kennzeichne jedes Bild und unterscheide den aktuellen Zustand vom beabsichtigten Ergebnis. Sorge für lesbaren wichtigen Text und bitte darum, in der Antwort das sichtbare Detail zu benennen, das einen Befund stützt.\n\nDer Anbieter nennt einen Kontext in der Größenordnung von einer Million Tokens. Dies ist ein Profil der Quellenkapazität und kein eigenständiges Versprechen einer ebenso großen Anzahl von Antworttokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Gedankengänge teilen sich das geltende Anfragebudget. Ordne ein großes Repository oder eine Dokumentensammlung anhand der tatsächlichen Frage und reserviere Platz für das Ergebnis.\n\n### Prüfbare Ausgaben\n\nEin nützliches Arbeitsergebnis ist ein gezielter Patch, eine beleggestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stelle für einen von aktuellen Informationen abhängigen Fakt eine maßgebliche Passage oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzeres Schlussfolgern macht fehlende Belege nicht verfügbar, führt keine Funktion aus und validiert Code nicht unabhängig. Prüfe das entstandene Arbeitsergebnis anhand der Anforderungen und der vom umgebenden Ablauf zurückgegebenen Beobachtungen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 ist das auf Kimi K3 basierende Modell von Fireworks Research, das darauf trainiert wurde, unnötiges Schlussfolgern bei Programmier- und Agentenaufgaben zu verkürzen. Laut Herstellerprofil unterstützt das Modell Text- und Bildeingaben, Texterzeugung und Funktionsaufrufe und eignet sich damit für gezielte Entwicklungsarbeit und quellengestützte Analysen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ember-1 ist das spezialisierte Modell von Fireworks Research auf Basis von Kimi K3. Seine entscheidende Änderung ist ein Training, das unnötiges Schlussfolgern verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Anbieter positioniert es für wiederholte, werkzeuggestützte Aufgaben, bei denen sich lange Gedankengänge über einen Dialog hinweg ansammeln können. Sein dokumentiertes Profil unterstützt Texterzeugung, Bildeingaben und Funktionsaufrufe; die resultierende Antwort, der Code oder die vorgeschlagene Operation liegen als Text vor.
Der Hersteller entwickelte Ember-1 mit aufgabenbezogenem Training über ein breites Spektrum von Arbeitslasten. Dies ist ein durch Training entstandener Modellunterschied und nicht lediglich die Auswahl einer niedrigeren Reasoning-Aufwandsstufe beim Basismodell. Beim Ergebnisvergleich mit Kimi K3 sollte es seine eigene Identität behalten: Das Ziel ist ein sparsamerer Schlussfolgerungsweg, nicht die Annahme, dass jede ursprüngliche Einstellung, Fähigkeit oder künftige Aktualisierung identisch ist.
Stelle für eine Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die stabil zu haltenden Verträge bereit. Fordere eine gezielte Implementierung und eine Erklärung mit Bezug auf den tatsächlichen Quellcode an. Ein praktisches Briefing lautet: „Verfolge diese fehlerhafte Eingabe, identifiziere die erste falsche Bedingung und gib die korrigierte Funktion mit den Belegen zurück, die die Änderung rechtfertigen.“ Halte das endgültige Arbeitsergebnis ausdrücklich fest, auch wenn die Aufgabe mehrere Beobachtungen erfordert.
Zu den Anwendungsfällen des Anbieters gehören Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stelle zur Aufgabe passende Funktionsbeschreibungen und Argumentschemata bereit. Das Modell kann eine Dateiprüfung, eine Berechnung oder eine andere verfügbare Operation vorschlagen; die Anwendung führt sie aus und gibt die tatsächliche Beobachtung zurück. Verwende dieses Ergebnis in der nächsten Nachricht, statt eine vorgeschlagene Aktion als Ersatz für ihre Ausführung gelten zu lassen.
Bewahre bei einer längeren Aufgabe die relevanten Beobachtungen zu Fehler, Korrektur und Verifikation in einer knappen Aufzeichnung auf. Fordere den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzeres Schlussfolgern ist nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die zu ihrer Prüfung benötigten Belege enthält.
Der Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Implementierung verlangen, die auf dem Sichtbaren beruht. Kennzeichne jedes Bild und unterscheide den aktuellen Zustand vom beabsichtigten Ergebnis. Sorge für lesbaren wichtigen Text und bitte darum, in der Antwort das sichtbare Detail zu benennen, das einen Befund stützt.
Der Anbieter nennt einen Kontext in der Größenordnung von einer Million Tokens. Dies ist ein Profil der Quellenkapazität und kein eigenständiges Versprechen einer ebenso großen Anzahl von Antworttokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Gedankengänge teilen sich das geltende Anfragebudget. Ordne ein großes Repository oder eine Dokumentensammlung anhand der tatsächlichen Frage und reserviere Platz für das Ergebnis.
Ein nützliches Arbeitsergebnis ist ein gezielter Patch, eine beleggestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stelle für einen von aktuellen Informationen abhängigen Fakt eine maßgebliche Passage oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzeres Schlussfolgern macht fehlende Belege nicht verfügbar, führt keine Funktion aus und validiert Code nicht unabhängig. Prüfe das entstandene Arbeitsergebnis anhand der Anforderungen und der vom umgebenden Ablauf zurückgegebenen Beobachtungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits fireworks/ember-1 | 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 $0.006 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0.0006 / 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 $0.006 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0.0006 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Verwenden Sie die oben angezeigten Methodenpfade.
fireworks/ember-1Ember-1 ist das auf Kimi K3 basierende Modell von Fireworks Research, das darauf trainiert wurde, unnötiges Schlussfolgern bei Programmier- und Agentenaufgaben zu verkürzen. Laut Herstellerprofil unterstützt das Modell Text- und Bildeingaben, Texterzeugung und Funktionsaufrufe und eignet sich damit für gezielte Entwicklungsarbeit und quellengestützte Analysen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ember-1 ist das spezialisierte Modell von Fireworks Research auf Basis von Kimi K3. Seine entscheidende Änderung ist ein Training, das unnötiges Schlussfolgern verkürzt und zugleich nützliche Analysen für Programmier- und Agentenaufgaben bewahrt. Der Anbieter positioniert es für wiederholte, werkzeuggestützte Aufgaben, bei denen sich lange Gedankengänge über einen Dialog hinweg ansammeln können. Sein dokumentiertes Profil unterstützt Texterzeugung, Bildeingaben und Funktionsaufrufe; die resultierende Antwort, der Code oder die vorgeschlagene Operation liegen als Text vor.
Der Hersteller entwickelte Ember-1 mit aufgabenbezogenem Training über ein breites Spektrum von Arbeitslasten. Dies ist ein durch Training entstandener Modellunterschied und nicht lediglich die Auswahl einer niedrigeren Reasoning-Aufwandsstufe beim Basismodell. Beim Ergebnisvergleich mit Kimi K3 sollte es seine eigene Identität behalten: Das Ziel ist ein sparsamerer Schlussfolgerungsweg, nicht die Annahme, dass jede ursprüngliche Einstellung, Fähigkeit oder künftige Aktualisierung identisch ist.
Stelle für eine Softwareaufgabe den relevanten Code, den beobachteten Fehler, das gewünschte Verhalten und die stabil zu haltenden Verträge bereit. Fordere eine gezielte Implementierung und eine Erklärung mit Bezug auf den tatsächlichen Quellcode an. Ein praktisches Briefing lautet: „Verfolge diese fehlerhafte Eingabe, identifiziere die erste falsche Bedingung und gib die korrigierte Funktion mit den Belegen zurück, die die Änderung rechtfertigen.“ Halte das endgültige Arbeitsergebnis ausdrücklich fest, auch wenn die Aufgabe mehrere Beobachtungen erfordert.
Zu den Anwendungsfällen des Anbieters gehören Programmierassistenten und Agenten, die zwischen Modellentscheidungen und Werkzeugergebnissen wechseln. Stelle zur Aufgabe passende Funktionsbeschreibungen und Argumentschemata bereit. Das Modell kann eine Dateiprüfung, eine Berechnung oder eine andere verfügbare Operation vorschlagen; die Anwendung führt sie aus und gibt die tatsächliche Beobachtung zurück. Verwende dieses Ergebnis in der nächsten Nachricht, statt eine vorgeschlagene Aktion als Ersatz für ihre Ausführung gelten zu lassen.
Bewahre bei einer längeren Aufgabe die relevanten Beobachtungen zu Fehler, Korrektur und Verifikation in einer knappen Aufzeichnung auf. Fordere den fertigen Code oder das Analyseergebnis getrennt von der Zwischendiskussion an. Kürzeres Schlussfolgern ist nur dann nützlich, wenn die Ausgabe weiterhin das geforderte Verhalten erfüllt und die zu ihrer Prüfung benötigten Belege enthält.
Der Herstellerkatalog von Ember-1 unterstützt Bildeingaben. Eine visuelle Programmieraufgabe kann einen Screenshot mit Anforderungen und Quellcode verbinden und eine Erklärung oder Implementierung verlangen, die auf dem Sichtbaren beruht. Kennzeichne jedes Bild und unterscheide den aktuellen Zustand vom beabsichtigten Ergebnis. Sorge für lesbaren wichtigen Text und bitte darum, in der Antwort das sichtbare Detail zu benennen, das einen Befund stützt.
Der Anbieter nennt einen Kontext in der Größenordnung von einer Million Tokens. Dies ist ein Profil der Quellenkapazität und kein eigenständiges Versprechen einer ebenso großen Anzahl von Antworttokens. Prompt, Quellenmaterial, Werkzeugverlauf und erzeugte Gedankengänge teilen sich das geltende Anfragebudget. Ordne ein großes Repository oder eine Dokumentensammlung anhand der tatsächlichen Frage und reserviere Platz für das Ergebnis.
Ein nützliches Arbeitsergebnis ist ein gezielter Patch, eine beleggestützte Erklärung oder ein abgeschlossener Vergleich anhand festgelegter Kriterien. Stelle für einen von aktuellen Informationen abhängigen Fakt eine maßgebliche Passage oder ein geeignetes Recherchewerkzeug bereit. Die Ausrichtung des Modells auf kürzeres Schlussfolgern macht fehlende Belege nicht verfügbar, führt keine Funktion aus und validiert Code nicht unabhängig. Prüfe das entstandene Arbeitsergebnis anhand der Anforderungen und der vom umgebenden Ablauf zurückgegebenen Beobachtungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits fireworks/ember-1 | 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 $0.006 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0.0006 / 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 $0.006 / 1K Token Ausgabe · Ausgabetoken $0.03 / 1K Token Eingabe · Cache-Lesen $0.0006 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.