Summarize ist ScaleDowns Modell für abstraktive Zusammenfassungen. Es verdichtet bereitgestellten Text und Dokumente zu einer flüssigen Neufassung, statt einige ursprüngliche Sätze wortgetreu auszuwählen. Seine veröffentlichten Anwendungen umfassen Dokumentprüfung, Transkriptdigests und das Kürzen abgerufenen Materials, bevor ein anderes Modell es verarbeitet.
Geben Sie der Aufgabe einen Fokus und eine vorgesehene Leserschaft. Eine Besprechungszusammenfassung kann Entscheidungen, Verantwortlichkeiten und offene Fragen erhalten. Eine Dokumentprüfung kann die Hauptaussagen und stützenden Belege erhalten. Ein Quellenabrufablauf kann die Fakten erhalten, die für die vom nächsten Modell zu beantwortende Frage wichtig sind.
Legen Sie gewünschte Sprache, Länge und Gestaltung in den Inhaltsanweisungen fest. Das veröffentlichte Modell verwendet dafür Vorgaben im Systemprompt, während seine Sampling-Konfiguration für originalgetreue Ausgabe feststeht. Eine Zusammenfassung für eine Person und eine kompakte Passage für ein anderes Modell können daher unterschiedliche Gestaltungen verwenden, ohne Sampling-Variation als Hauptsteuerung zu behandeln.
Bewahren Sie Dokumentnamen und wichtige Abschnittsgrenzen mit der Quelle auf. Bitten Sie darum, dass die Zusammenfassung Namen, Zahlen, genannte Entscheidungen und auslegungsrelevante Meinungsverschiedenheiten erhält. Unterscheiden Sie bei einem Transkript einen Vorschlag von einer Entscheidung und eine offene Frage von einer zugewiesenen Aktion.
Vergleichen Sie nach der Generierung den verdichteten Text mit dem Originalmaterial. Prüfen Sie, ob ein Satz die Gewissheit einer Aussage verändert, eine Bedingung weglässt oder Aussagen verschiedener Sprecher oder Abschnitte verbindet. Der Zweck eines kürzeren Ergebnisses ist, die Belege leichter nutzbar zu machen und dabei ihre Bedeutung zu erhalten.
Die veröffentlichten Eingabetypen umfassen Text, Bilder und Dateien wie PDFs, und das Modell liefert Text zurück. Stellen Sie lesbares Material bereit und definieren Sie, ob die Aufgabe das ganze Dokument oder einen ausgewählten Abschnitt betrifft. Eine Sammlung profitiert von konsistenten Zusammenfassungsfragen und einer Dokumentkennung, die mit jedem Ergebnis erhalten bleibt.
Kürzen Sie bei der Vorverarbeitung abgerufener Quellen Inhalte rund um die konkrete Frage, die das nachgelagerte Reasoning behandeln muss. Erhalten Sie die Passagen oder Fakten, die eine Antwort stützen, statt einen allgemeinen Quellenüberblick zu erzeugen. Halten Sie das ursprünglich abgerufene Material verfügbar, damit das spätere Ergebnis weiterhin daran geprüft werden kann.
Das veröffentlichte Kontextfenster beträgt 1.000.000 Token und die Completion-Grenze 4.000 Token. Legen Sie eine Zusammenfassungslänge fest, die zum vorgesehenen Ergebnis passt. Benötigt eine große Sammlung wesentliche Details, organisieren Sie sie in gekennzeichnete Dokumente oder Abschnitte und bewahren Sie für jeden ein eigenes Ergebnis auf, bevor Sie eine Gesamtzusammenfassung erstellen.
Das Ergebnis ist eine Textzusammenfassung. Validieren Sie maschinell verarbeitete Strukturen in der Anwendung und halten Sie die schriftliche Zusammenfassung für ihre vorgesehene Leserschaft verständlich. Speichern Sie die Zusammenfassung mit Quellenidentität und den Anweisungen, die Fokus, Sprache und Länge festgelegt haben.
scaledown/summarizeSummarize verdichtet lange Texte und Dokumente zu einer flüssigen, originalgetreuen Neufassung. Bestimmen Sie Fokus, Sprache, Länge und Format per Anweisung für Dokumentprüfung, Transkriptdigests oder verkürzten Quellenkontext. Veröffentlicht sind 1.000.000 Token Kontext und eine Completion-Grenze von 4.000 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Summarize ist ScaleDowns Modell für abstraktive Zusammenfassungen. Es verdichtet bereitgestellten Text und Dokumente zu einer flüssigen Neufassung, statt einige ursprüngliche Sätze wortgetreu auszuwählen. Seine veröffentlichten Anwendungen umfassen Dokumentprüfung, Transkriptdigests und das Kürzen abgerufenen Materials, bevor ein anderes Modell es verarbeitet.
Geben Sie der Aufgabe einen Fokus und eine vorgesehene Leserschaft. Eine Besprechungszusammenfassung kann Entscheidungen, Verantwortlichkeiten und offene Fragen erhalten. Eine Dokumentprüfung kann die Hauptaussagen und stützenden Belege erhalten. Ein Quellenabrufablauf kann die Fakten erhalten, die für die vom nächsten Modell zu beantwortende Frage wichtig sind.
Legen Sie gewünschte Sprache, Länge und Gestaltung in den Inhaltsanweisungen fest. Das veröffentlichte Modell verwendet dafür Vorgaben im Systemprompt, während seine Sampling-Konfiguration für originalgetreue Ausgabe feststeht. Eine Zusammenfassung für eine Person und eine kompakte Passage für ein anderes Modell können daher unterschiedliche Gestaltungen verwenden, ohne Sampling-Variation als Hauptsteuerung zu behandeln.
Bewahren Sie Dokumentnamen und wichtige Abschnittsgrenzen mit der Quelle auf. Bitten Sie darum, dass die Zusammenfassung Namen, Zahlen, genannte Entscheidungen und auslegungsrelevante Meinungsverschiedenheiten erhält. Unterscheiden Sie bei einem Transkript einen Vorschlag von einer Entscheidung und eine offene Frage von einer zugewiesenen Aktion.
Vergleichen Sie nach der Generierung den verdichteten Text mit dem Originalmaterial. Prüfen Sie, ob ein Satz die Gewissheit einer Aussage verändert, eine Bedingung weglässt oder Aussagen verschiedener Sprecher oder Abschnitte verbindet. Der Zweck eines kürzeren Ergebnisses ist, die Belege leichter nutzbar zu machen und dabei ihre Bedeutung zu erhalten.
Die veröffentlichten Eingabetypen umfassen Text, Bilder und Dateien wie PDFs, und das Modell liefert Text zurück. Stellen Sie lesbares Material bereit und definieren Sie, ob die Aufgabe das ganze Dokument oder einen ausgewählten Abschnitt betrifft. Eine Sammlung profitiert von konsistenten Zusammenfassungsfragen und einer Dokumentkennung, die mit jedem Ergebnis erhalten bleibt.
Kürzen Sie bei der Vorverarbeitung abgerufener Quellen Inhalte rund um die konkrete Frage, die das nachgelagerte Reasoning behandeln muss. Erhalten Sie die Passagen oder Fakten, die eine Antwort stützen, statt einen allgemeinen Quellenüberblick zu erzeugen. Halten Sie das ursprünglich abgerufene Material verfügbar, damit das spätere Ergebnis weiterhin daran geprüft werden kann.
Das veröffentlichte Kontextfenster beträgt 1.000.000 Token und die Completion-Grenze 4.000 Token. Legen Sie eine Zusammenfassungslänge fest, die zum vorgesehenen Ergebnis passt. Benötigt eine große Sammlung wesentliche Details, organisieren Sie sie in gekennzeichnete Dokumente oder Abschnitte und bewahren Sie für jeden ein eigenes Ergebnis auf, bevor Sie eine Gesamtzusammenfassung erstellen.
Das Ergebnis ist eine Textzusammenfassung. Validieren Sie maschinell verarbeitete Strukturen in der Anwendung und halten Sie die schriftliche Zusammenfassung für ihre vorgesehene Leserschaft verständlich. Speichern Sie die Zusammenfassung mit Quellenidentität und den Anweisungen, die Fokus, Sprache und Länge festgelegt haben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits scaledown/summarize | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.0001 / 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 $0.0001 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"scaledown/summarize","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="scaledown/summarize", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 scaledown/summarize
/chat/completions
scaledown/summarizeSummarize verdichtet lange Texte und Dokumente zu einer flüssigen, originalgetreuen Neufassung. Bestimmen Sie Fokus, Sprache, Länge und Format per Anweisung für Dokumentprüfung, Transkriptdigests oder verkürzten Quellenkontext. Veröffentlicht sind 1.000.000 Token Kontext und eine Completion-Grenze von 4.000 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Summarize ist ScaleDowns Modell für abstraktive Zusammenfassungen. Es verdichtet bereitgestellten Text und Dokumente zu einer flüssigen Neufassung, statt einige ursprüngliche Sätze wortgetreu auszuwählen. Seine veröffentlichten Anwendungen umfassen Dokumentprüfung, Transkriptdigests und das Kürzen abgerufenen Materials, bevor ein anderes Modell es verarbeitet.
Geben Sie der Aufgabe einen Fokus und eine vorgesehene Leserschaft. Eine Besprechungszusammenfassung kann Entscheidungen, Verantwortlichkeiten und offene Fragen erhalten. Eine Dokumentprüfung kann die Hauptaussagen und stützenden Belege erhalten. Ein Quellenabrufablauf kann die Fakten erhalten, die für die vom nächsten Modell zu beantwortende Frage wichtig sind.
Legen Sie gewünschte Sprache, Länge und Gestaltung in den Inhaltsanweisungen fest. Das veröffentlichte Modell verwendet dafür Vorgaben im Systemprompt, während seine Sampling-Konfiguration für originalgetreue Ausgabe feststeht. Eine Zusammenfassung für eine Person und eine kompakte Passage für ein anderes Modell können daher unterschiedliche Gestaltungen verwenden, ohne Sampling-Variation als Hauptsteuerung zu behandeln.
Bewahren Sie Dokumentnamen und wichtige Abschnittsgrenzen mit der Quelle auf. Bitten Sie darum, dass die Zusammenfassung Namen, Zahlen, genannte Entscheidungen und auslegungsrelevante Meinungsverschiedenheiten erhält. Unterscheiden Sie bei einem Transkript einen Vorschlag von einer Entscheidung und eine offene Frage von einer zugewiesenen Aktion.
Vergleichen Sie nach der Generierung den verdichteten Text mit dem Originalmaterial. Prüfen Sie, ob ein Satz die Gewissheit einer Aussage verändert, eine Bedingung weglässt oder Aussagen verschiedener Sprecher oder Abschnitte verbindet. Der Zweck eines kürzeren Ergebnisses ist, die Belege leichter nutzbar zu machen und dabei ihre Bedeutung zu erhalten.
Die veröffentlichten Eingabetypen umfassen Text, Bilder und Dateien wie PDFs, und das Modell liefert Text zurück. Stellen Sie lesbares Material bereit und definieren Sie, ob die Aufgabe das ganze Dokument oder einen ausgewählten Abschnitt betrifft. Eine Sammlung profitiert von konsistenten Zusammenfassungsfragen und einer Dokumentkennung, die mit jedem Ergebnis erhalten bleibt.
Kürzen Sie bei der Vorverarbeitung abgerufener Quellen Inhalte rund um die konkrete Frage, die das nachgelagerte Reasoning behandeln muss. Erhalten Sie die Passagen oder Fakten, die eine Antwort stützen, statt einen allgemeinen Quellenüberblick zu erzeugen. Halten Sie das ursprünglich abgerufene Material verfügbar, damit das spätere Ergebnis weiterhin daran geprüft werden kann.
Das veröffentlichte Kontextfenster beträgt 1.000.000 Token und die Completion-Grenze 4.000 Token. Legen Sie eine Zusammenfassungslänge fest, die zum vorgesehenen Ergebnis passt. Benötigt eine große Sammlung wesentliche Details, organisieren Sie sie in gekennzeichnete Dokumente oder Abschnitte und bewahren Sie für jeden ein eigenes Ergebnis auf, bevor Sie eine Gesamtzusammenfassung erstellen.
Das Ergebnis ist eine Textzusammenfassung. Validieren Sie maschinell verarbeitete Strukturen in der Anwendung und halten Sie die schriftliche Zusammenfassung für ihre vorgesehene Leserschaft verständlich. Speichern Sie die Zusammenfassung mit Quellenidentität und den Anweisungen, die Fokus, Sprache und Länge festgelegt haben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits scaledown/summarize | 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 $0.0001 / 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 $0.0001 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "scaledown/summarize",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'scaledown/summarize', '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': 'scaledown/summarize', '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 scaledown/summarize
/chat/completions