Reka Flash 3 ist Reka AIs allgemeines Reasoning-Modell mit 21 Milliarden Parametern. Die veröffentlichte Ausgabe arbeitet mit Text für Gespräche, Coding, das Befolgen von Anweisungen und funktionsorientierte Aufgaben. Der Anbieter beschreibt ein Kontextfenster von 32K. Sie bleibt eine eigenständige Veröffentlichung gegenüber Flash 3.1 und Rekas multimodalem Modell Edge.
Das Training beginnt mit einem Vortraining von Grund auf anhand öffentlicher und synthetischer Daten. Es folgen Instruction-Tuning und anschließend Reinforcement Learning mit modellbasierten und regelbasierten Belohnungen. Dieses Training zielt auf breite Verbesserungen beim Schlussfolgern, statt das Modell zu einem reinen Spezialisten für Mathematik oder Code zu machen. Das veröffentlichte Modell ist sowohl eine Grundlage für domänenspezifische Anpassungen als auch eine dialogorientierte Reasoning-Engine.
Flash 3 erzeugt vor seiner Antwort eine Denkphase. Rekas Format kennzeichnet diese Phase mit Reasoning-Tags, und der Anbieter beschreibt Budget Forcing: Wird die Denkphase nach einer gewählten Generierungsmenge geschlossen, setzt das Modell mit seiner Antwort fort. Dies ist eine Dekodierungstechnik für das veröffentlichte Modell und kein benannter Aufwandsmodus low, medium oder high. In Gesprächen mit mehreren Runden empfiehlt Reka, frühere Denkspuren zu entfernen, um mehr Raum für die nächste Aufgabe zu lassen.
Das Prompt-Format des Anbieters trennt menschliche und Assistentenbeiträge mit einem Trennmarker und verwendet ein ausdrückliches End-of-Text-Token als weitere Stoppbedingung. Im nativen Format wird eine Systemanweisung dem ersten Nutzerbeitrag vorangestellt, und die veröffentlichte Chatvorlage übernimmt diese Formatierung für unterstützte lokale Werkzeuge. Bereiten Sie das Gespräch mit klaren Beitragsgrenzen vor, damit die neueste Nutzeranfrage von früheren Modellausgaben getrennt bleibt.
Geben Sie für Codeprüfung die relevante Funktion, ihr beabsichtigtes Verhalten und einen beobachteten Fehler an und bitten Sie dann um einen Korrekturvorschlag und eine Prüfmöglichkeit. Stellen Sie für eine Reasoning-Aufgabe die Prämissen bereit und geben Sie an, ob das nützliche Ergebnis eine Herleitung, eine knappe Erklärung oder eine Entscheidung zwischen Alternativen ist. Eine Rückfrage kann einen fehlschlagenden Fall ergänzen und das Modell bitten, die Antwort anhand dieses Belegs zu überarbeiten. Halten Sie in einer funktionsbasierten Anwendung vorgeschlagene Argumente vom tatsächlichen Ergebnis getrennt, das das Werkzeug der Anwendung zurückgibt.
Englisch ist die wichtigste Zielsprache dieser Ausgabe. Reka merkt an, dass das Modell andere Sprachen bis zu einem gewissen Grad versteht, aber auf Englisch schlussfolgern und bei nicht englischer Ausgabe an Qualität verlieren kann. Für wissensintensive Aufgaben empfiehlt der Anbieter, das Modell durch Websuche zu ergänzen; stellen Sie das abgerufene Material als Belege für die gewünschte Antwort bereit. Die Modellkarte erklärt außerdem, dass das veröffentlichte Modell kein umfangreiches Persona- oder Alignment-Training erhalten hat. Diese Eigenschaften sind bei Sprachwahl, faktischem Kontext und Festlegung der Assistentenrolle wichtig.
", "aboutText": "Reka Flash 3 ist Reka AIs allgemeines Reasoning-Modell mit 21 Milliarden Parametern. Die veröffentlichte Ausgabe arbeitet mit Text für Gespräche, Coding, das Befolgen von Anweisungen und funktionsorientierte Aufgaben. Der Anbieter beschreibt ein Kontextfenster von 32K. Sie bleibt eine eigenständige Veröffentlichung gegenüber Flash 3.1 und Rekas multimodalem Modell Edge.\n\nDas Training beginnt mit einem Vortraining von Grund auf anhand öffentlicher und synthetischer Daten. Es folgen Instruction-Tuning und anschließend Reinforcement Learning mit modellbasierten und regelbasierten Belohnungen. Dieses Training zielt auf breite Verbesserungen beim Schlussfolgern, statt das Modell zu einem reinen Spezialisten für Mathematik oder Code zu machen. Das veröffentlichte Modell ist sowohl eine Grundlage für domänenspezifische Anpassungen als auch eine dialogorientierte Reasoning-Engine.\n\nFlash 3 erzeugt vor seiner Antwort eine Denkphase. Rekas Format kennzeichnet diese Phase mit Reasoning-Tags, und der Anbieter beschreibt Budget Forcing: Wird die Denkphase nach einer gewählten Generierungsmenge geschlossen, setzt das Modell mit seiner Antwort fort. Dies ist eine Dekodierungstechnik für das veröffentlichte Modell und kein benannter Aufwandsmodus low, medium oder high. In Gesprächen mit mehreren Runden empfiehlt Reka, frühere Denkspuren zu entfernen, um mehr Raum für die nächste Aufgabe zu lassen.\n\nDas Prompt-Format des Anbieters trennt menschliche und Assistentenbeiträge mit einem Trennmarker und verwendet ein ausdrückliches End-of-Text-Token als weitere Stoppbedingung. Im nativen Format wird eine Systemanweisung dem ersten Nutzerbeitrag vorangestellt, und die veröffentlichte Chatvorlage übernimmt diese Formatierung für unterstützte lokale Werkzeuge. Bereiten Sie das Gespräch mit klaren Beitragsgrenzen vor, damit die neueste Nutzeranfrage von früheren Modellausgaben getrennt bleibt.\n\nGeben Sie für Codeprüfung die relevante Funktion, ihr beabsichtigtes Verhalten und einen beobachteten Fehler an und bitten Sie dann um einen Korrekturvorschlag und eine Prüfmöglichkeit. Stellen Sie für eine Reasoning-Aufgabe die Prämissen bereit und geben Sie an, ob das nützliche Ergebnis eine Herleitung, eine knappe Erklärung oder eine Entscheidung zwischen Alternativen ist. Eine Rückfrage kann einen fehlschlagenden Fall ergänzen und das Modell bitten, die Antwort anhand dieses Belegs zu überarbeiten. Halten Sie in einer funktionsbasierten Anwendung vorgeschlagene Argumente vom tatsächlichen Ergebnis getrennt, das das Werkzeug der Anwendung zurückgibt.\n\nEnglisch ist die wichtigste Zielsprache dieser Ausgabe. Reka merkt an, dass das Modell andere Sprachen bis zu einem gewissen Grad versteht, aber auf Englisch schlussfolgern und bei nicht englischer Ausgabe an Qualität verlieren kann. Für wissensintensive Aufgaben empfiehlt der Anbieter, das Modell durch Websuche zu ergänzen; stellen Sie das abgerufene Material als Belege für die gewünschte Antwort bereit. Die Modellkarte erklärt außerdem, dass das veröffentlichte Modell kein umfangreiches Persona- oder Alignment-Training erhalten hat. Diese Eigenschaften sind bei Sprachwahl, faktischem Kontext und Festlegung der Assistentenrolle wichtig.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Fix an incorrect empty-string check\n\nReview this JavaScript function: function fallback(value) { return value || 'untitled'; }. Required behaviour: use 'untitled' only for null or undefined; preserve 0, false and the empty string. Propose the smallest correction and give one test for each of those five input cases. Explain the distinction briefly without adding a library.A corrected fallback expression and five tests covering null, undefined, zero, false and empty string.Valid falsy values survive while only the two absent-value cases receive the fallback.rekaai/reka-flash-3Reka Flash 3 ist ein Text-Reasoning-Modell mit 21 Milliarden Parametern für Gespräche, Code und anweisungsgeleitete Aufgaben bei einem Kontext von 32K. Es ist vorrangig ein englischsprachiges Modell und trennt seine Denkphase von der Antwort, mit vom Anbieter dokumentiertem Budget Forcing.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Reka Flash 3 ist Reka AIs allgemeines Reasoning-Modell mit 21 Milliarden Parametern. Die veröffentlichte Ausgabe arbeitet mit Text für Gespräche, Coding, das Befolgen von Anweisungen und funktionsorientierte Aufgaben. Der Anbieter beschreibt ein Kontextfenster von 32K. Sie bleibt eine eigenständige Veröffentlichung gegenüber Flash 3.1 und Rekas multimodalem Modell Edge.
Das Training beginnt mit einem Vortraining von Grund auf anhand öffentlicher und synthetischer Daten. Es folgen Instruction-Tuning und anschließend Reinforcement Learning mit modellbasierten und regelbasierten Belohnungen. Dieses Training zielt auf breite Verbesserungen beim Schlussfolgern, statt das Modell zu einem reinen Spezialisten für Mathematik oder Code zu machen. Das veröffentlichte Modell ist sowohl eine Grundlage für domänenspezifische Anpassungen als auch eine dialogorientierte Reasoning-Engine.
Flash 3 erzeugt vor seiner Antwort eine Denkphase. Rekas Format kennzeichnet diese Phase mit Reasoning-Tags, und der Anbieter beschreibt Budget Forcing: Wird die Denkphase nach einer gewählten Generierungsmenge geschlossen, setzt das Modell mit seiner Antwort fort. Dies ist eine Dekodierungstechnik für das veröffentlichte Modell und kein benannter Aufwandsmodus low, medium oder high. In Gesprächen mit mehreren Runden empfiehlt Reka, frühere Denkspuren zu entfernen, um mehr Raum für die nächste Aufgabe zu lassen.
Das Prompt-Format des Anbieters trennt menschliche und Assistentenbeiträge mit einem Trennmarker und verwendet ein ausdrückliches End-of-Text-Token als weitere Stoppbedingung. Im nativen Format wird eine Systemanweisung dem ersten Nutzerbeitrag vorangestellt, und die veröffentlichte Chatvorlage übernimmt diese Formatierung für unterstützte lokale Werkzeuge. Bereiten Sie das Gespräch mit klaren Beitragsgrenzen vor, damit die neueste Nutzeranfrage von früheren Modellausgaben getrennt bleibt.
Geben Sie für Codeprüfung die relevante Funktion, ihr beabsichtigtes Verhalten und einen beobachteten Fehler an und bitten Sie dann um einen Korrekturvorschlag und eine Prüfmöglichkeit. Stellen Sie für eine Reasoning-Aufgabe die Prämissen bereit und geben Sie an, ob das nützliche Ergebnis eine Herleitung, eine knappe Erklärung oder eine Entscheidung zwischen Alternativen ist. Eine Rückfrage kann einen fehlschlagenden Fall ergänzen und das Modell bitten, die Antwort anhand dieses Belegs zu überarbeiten. Halten Sie in einer funktionsbasierten Anwendung vorgeschlagene Argumente vom tatsächlichen Ergebnis getrennt, das das Werkzeug der Anwendung zurückgibt.
Englisch ist die wichtigste Zielsprache dieser Ausgabe. Reka merkt an, dass das Modell andere Sprachen bis zu einem gewissen Grad versteht, aber auf Englisch schlussfolgern und bei nicht englischer Ausgabe an Qualität verlieren kann. Für wissensintensive Aufgaben empfiehlt der Anbieter, das Modell durch Websuche zu ergänzen; stellen Sie das abgerufene Material als Belege für die gewünschte Antwort bereit. Die Modellkarte erklärt außerdem, dass das veröffentlichte Modell kein umfangreiches Persona- oder Alignment-Training erhalten hat. Diese Eigenschaften sind bei Sprachwahl, faktischem Kontext und Festlegung der Assistentenrolle wichtig.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits rekaai/reka-flash-3 | 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "rekaai/reka-flash-3", "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='rekaai/reka-flash-3',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='rekaai/reka-flash-3',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 rekaai/reka-flash-3
Verwenden Sie die oben angezeigten Methodenpfade.
rekaai/reka-flash-3Reka Flash 3 ist ein Text-Reasoning-Modell mit 21 Milliarden Parametern für Gespräche, Code und anweisungsgeleitete Aufgaben bei einem Kontext von 32K. Es ist vorrangig ein englischsprachiges Modell und trennt seine Denkphase von der Antwort, mit vom Anbieter dokumentiertem Budget Forcing.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Reka Flash 3 ist Reka AIs allgemeines Reasoning-Modell mit 21 Milliarden Parametern. Die veröffentlichte Ausgabe arbeitet mit Text für Gespräche, Coding, das Befolgen von Anweisungen und funktionsorientierte Aufgaben. Der Anbieter beschreibt ein Kontextfenster von 32K. Sie bleibt eine eigenständige Veröffentlichung gegenüber Flash 3.1 und Rekas multimodalem Modell Edge.
Das Training beginnt mit einem Vortraining von Grund auf anhand öffentlicher und synthetischer Daten. Es folgen Instruction-Tuning und anschließend Reinforcement Learning mit modellbasierten und regelbasierten Belohnungen. Dieses Training zielt auf breite Verbesserungen beim Schlussfolgern, statt das Modell zu einem reinen Spezialisten für Mathematik oder Code zu machen. Das veröffentlichte Modell ist sowohl eine Grundlage für domänenspezifische Anpassungen als auch eine dialogorientierte Reasoning-Engine.
Flash 3 erzeugt vor seiner Antwort eine Denkphase. Rekas Format kennzeichnet diese Phase mit Reasoning-Tags, und der Anbieter beschreibt Budget Forcing: Wird die Denkphase nach einer gewählten Generierungsmenge geschlossen, setzt das Modell mit seiner Antwort fort. Dies ist eine Dekodierungstechnik für das veröffentlichte Modell und kein benannter Aufwandsmodus low, medium oder high. In Gesprächen mit mehreren Runden empfiehlt Reka, frühere Denkspuren zu entfernen, um mehr Raum für die nächste Aufgabe zu lassen.
Das Prompt-Format des Anbieters trennt menschliche und Assistentenbeiträge mit einem Trennmarker und verwendet ein ausdrückliches End-of-Text-Token als weitere Stoppbedingung. Im nativen Format wird eine Systemanweisung dem ersten Nutzerbeitrag vorangestellt, und die veröffentlichte Chatvorlage übernimmt diese Formatierung für unterstützte lokale Werkzeuge. Bereiten Sie das Gespräch mit klaren Beitragsgrenzen vor, damit die neueste Nutzeranfrage von früheren Modellausgaben getrennt bleibt.
Geben Sie für Codeprüfung die relevante Funktion, ihr beabsichtigtes Verhalten und einen beobachteten Fehler an und bitten Sie dann um einen Korrekturvorschlag und eine Prüfmöglichkeit. Stellen Sie für eine Reasoning-Aufgabe die Prämissen bereit und geben Sie an, ob das nützliche Ergebnis eine Herleitung, eine knappe Erklärung oder eine Entscheidung zwischen Alternativen ist. Eine Rückfrage kann einen fehlschlagenden Fall ergänzen und das Modell bitten, die Antwort anhand dieses Belegs zu überarbeiten. Halten Sie in einer funktionsbasierten Anwendung vorgeschlagene Argumente vom tatsächlichen Ergebnis getrennt, das das Werkzeug der Anwendung zurückgibt.
Englisch ist die wichtigste Zielsprache dieser Ausgabe. Reka merkt an, dass das Modell andere Sprachen bis zu einem gewissen Grad versteht, aber auf Englisch schlussfolgern und bei nicht englischer Ausgabe an Qualität verlieren kann. Für wissensintensive Aufgaben empfiehlt der Anbieter, das Modell durch Websuche zu ergänzen; stellen Sie das abgerufene Material als Belege für die gewünschte Antwort bereit. Die Modellkarte erklärt außerdem, dass das veröffentlichte Modell kein umfangreiches Persona- oder Alignment-Training erhalten hat. Diese Eigenschaften sind bei Sprachwahl, faktischem Kontext und Festlegung der Assistentenrolle wichtig.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits rekaai/reka-flash-3 | 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "rekaai/reka-flash-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'rekaai/reka-flash-3', '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': 'rekaai/reka-flash-3', '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 rekaai/reka-flash-3
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Fix an incorrect empty-string check\n\nReview this JavaScript function: function fallback(value) { return value || 'untitled'; }. Required behaviour: use 'untitled' only for null or undefined; preserve 0, false and the empty string. Propose the smallest correction and give one test for each of those five input cases. Explain the distinction briefly without adding a library.A corrected fallback expression and five tests covering null, undefined, zero, false and empty string.Valid falsy values survive while only the two absent-value cases receive the fallback.