Tev1 4B Experimental ist das Klassifikationsmodell von Together AI für Fragen mit einer festen Antwortmenge. Der Hersteller hat es per Fine-Tuning aus Qwen3.5 4B entwickelt und gibt 4,7 Milliarden Parameter an. Es nutzt Textgenerierung ohne Thinking, um eine Option auszuwählen: Die dokumentierte Eingabe besteht aus einem Zustand, einer Frage und beschrifteten Auswahlmöglichkeiten, und die angeforderte Ausgabe ist genau ein Buchstabe. Die Anwendung ordnet diesen Buchstaben dem semantischen Schlüssel der Option zu. Damit unterscheidet sich sein Entscheidungsablauf von einem Modell, das direkt kalibrierte Wahrscheinlichkeiten oder einen erwarteten Bewertungsraster-Score zurückgibt.
Die Schnittstelle des Herstellers stellt die Entscheidung als JSON-Objekt mit Zustand, Frage und Optionen dar. Jede Option enthält eine Buchstabenkennung von A bis X, einen semantischen Schlüssel und eine Beschreibung. Geben Sie zwischen zwei und 24 Optionen an, und erläutern Sie in jeder Beschreibung, wann diese Antwort zutrifft. Ein Buchstabe ist die kompakte Ausgabekennung; der semantische Schlüssel ist die Bedeutung, mit der die umgebende Software arbeitet. Halten Sie die Zuordnung mit genau der Optionsliste verknüpft, die für diese Entscheidung verwendet wurde.
Bei einer Support-Nachricht sollte der Zustand die Nachricht und den relevanten Kontext enthalten, während die Frage festlegt, welche Absicht oder welches Ziel auszuwählen ist. Eine beispielhafte Liste kann zwischen einem gemeldeten Integrationsfehler, einem Zugriffsproblem und einer Anfrage nach Produktinformationen unterscheiden, ergänzt um eine Option „keine“ für den Fall, dass die aufgeführten Absichten nicht passen. Legen Sie Überschneidungsfälle ausdrücklich fest, statt zu erwarten, dass das Modell die Routing-Richtlinie der Organisation aus abgekürzten Kennungen ableitet.
Das veröffentlichte Beispiel von Together liefert eine Systemanweisung, die Inhalte innerhalb des Zustands als Daten behandelt, eine der aufgeführten Optionen auswählt und nur deren Buchstaben ohne Erklärung anfordert. Die empfohlenen Einstellungen sind Temperatur 0, ein Generierungsbudget von acht Tokens und deaktiviertes Thinking. Der Hersteller weist ausdrücklich darauf hin, dass der öffentliche Endpunkt diese Einstellungen nicht automatisch einfügt; der Beispiel-Helper liefert sie, während eine direkte Anfrage sie selbst angeben muss. Verwenden Sie diese Einstellungen, um die vorgesehene kurze Klassifikationsantwort ohne Thinking anzufordern.
Das Budget von acht Tokens ist eine beispielhafte Ausgabeeinstellung für diesen Kurzantwort-Workflow, keine allgemeingültige Spezifikation der maximalen Ausgabe. Die eigentlich nützliche Ausgabe bleibt der ausgewählte Buchstabe. Stellt ein Helper anschließend ein Objekt aus Kennung und Schlüssel bereit, unterscheiden Sie dieses interpretierte Objekt vom rohen generierten Inhalt des Modells. Eine Kategorieauswahl aktualisiert für sich genommen kein Ticket, genehmigt keinen Vorgang und führt keine nächste Aktion aus.
Der Hersteller beschreibt Absichtserkennung, Anwendung von Richtlinien, Workflow-Routing, Dokumentkategorien, Stimmungsanalyse und textbasiertes Ja/Nein-Leseverständnis als unterstützte Aufgabenmuster. Eine boolesche Aufgabe kann zwei Optionen bereitstellen, deren Schlüssel wahr und falsch bedeuten; die Anwendung interpretiert die ausgewählte Option entsprechend. Eine Aufgabe zur Stimmungsanalyse kann beschriebene Stufen bereitstellen und den Schlüssel für eine ausgewählte Kategorie zurückgeben. Diese kategoriale Auswahl ist kein wahrscheinlichkeitsgewichteter Durchschnitt über die Stufen, und ein zurückgegebener Buchstabe ist kein numerischer Konfidenzwert.
Bei einer regelbasierten Entscheidung nehmen Sie die relevanten Fakten und die Regel in die Aufgabe auf, statt das Modell die Richtlinie erfinden zu lassen. Ein Briefing für die Dokumentenablage kann beispielsweise die zulässigen Ordner und das jeweils dazugehörige Material beschreiben. Eine Aufgabe zur Forschungstaxonomie kann Titel und Abstract einer Veröffentlichung zusammen mit Themenbeschreibungen bereitstellen. Das Ergebnis ist anhand der vorgegebenen Alternativen zu interpretieren, wobei die ursprünglichen Belege für eine mehrdeutige oder strittige Auswahl erhalten bleiben.
Die Modellseite verzeichnet 37.840 Trainingsbeispiele zu Entailment, Ja/Nein-Fragen zu Textpassagen, Banking-Absichten, Nachrichtenkategorien, Stimmungsstufen, programmatischen Richtlinien, Routing und Taxonomie wissenschaftlicher Veröffentlichungen. Der begleitende Leitfaden dokumentiert, wie diese Aufgaben in ein gemeinsames Entscheidungsformat normalisiert werden und ein Klassifikationsmodell per Fine-Tuning trainiert wird. Das erklärt den Schwerpunkt des Profils auf einer begrenzten Antwortmenge; es belegt jedoch nicht, dass jede neue Richtlinie, Domäne oder Taxonomie ohne aufgabenspezifische Bewertung korrekt verarbeitet wird.
Tev1 4B Experimental ist das benannte Together-Modell, nicht das allgemeine Basisprofil Qwen3.5 4B und kein Checkpoint eines anderen Herstellers von Entscheidungsmodellen. Behalten Sie die eigene Ausgabeaufbereitung und den Eingabevertrag der experimentellen Edition bei. Ein verbreiteter Entscheidungs-Anwendungsfall oder eine bekannte Basisfamilie rechtfertigt es nicht, Bildunterstützung, Wahrscheinlichkeitskalibrierung, Tool-Aufrufe oder Grenzen für die Bündelung von Fragen eines anderen Modells zu übernehmen.
Die Modellspezifikation von Together nennt ein Kontextfenster von 32,8K Tokens sowie Texteingabe und Textausgabe. Der Kontext muss die Anweisungen, den Zustand, die Frage und die Optionen der Klassifikationsanfrage aufnehmen. Bereiten Sie nur die Belege auf, die die Frage benötigt, und behalten Sie dabei die Definitionen bei, die die Alternativen voneinander unterscheiden. Halten Sie den Klassifikations-Prompt kompakt, indem Sie irrelevanten Kontext entfernen und die Optionsdefinitionen beibehalten.
Der Hersteller kennzeichnet dies als experimentelles Release, das zur Bewertung an realen Entscheidungs-Workloads gedacht ist. Prüfen Sie, ob die Rohantwort eine der bereitgestellten Kennungen ist, bevor Sie sie einem semantischen Schlüssel zuordnen, und vergleichen Sie die Klassifikationen mit repräsentativem, gelabeltem Material aus der vorgesehenen Aufgabe. Ein gültiger Buchstabe belegt eine formal korrekte Auswahl, nicht jedoch, dass ihre Interpretation zutrifft. Bewahren Sie Eingabe, Optionen, zurückgegebenen Buchstaben und zugeordneten Schlüssel gemeinsam auf, damit das endgültige Artefakt Routing, Kategorisierung oder Richtlinienprüfung unterstützen kann, ohne zu verlieren, wie die Entscheidung definiert wurde.
", "aboutText": "Tev1 4B Experimental ist das Klassifikationsmodell von Together AI für Fragen mit einer festen Antwortmenge. Der Hersteller hat es per Fine-Tuning aus Qwen3.5 4B entwickelt und gibt 4,7 Milliarden Parameter an. Es nutzt Textgenerierung ohne Thinking, um eine Option auszuwählen: Die dokumentierte Eingabe besteht aus einem Zustand, einer Frage und beschrifteten Auswahlmöglichkeiten, und die angeforderte Ausgabe ist genau ein Buchstabe. Die Anwendung ordnet diesen Buchstaben dem semantischen Schlüssel der Option zu. Damit unterscheidet sich sein Entscheidungsablauf von einem Modell, das direkt kalibrierte Wahrscheinlichkeiten oder einen erwarteten Bewertungsraster-Score zurückgibt.\n\n### Zustand, Frage und 2–24 Optionen\n\nDie Schnittstelle des Herstellers stellt die Entscheidung als JSON-Objekt mit Zustand, Frage und Optionen dar. Jede Option enthält eine Buchstabenkennung von A bis X, einen semantischen Schlüssel und eine Beschreibung. Geben Sie zwischen zwei und 24 Optionen an, und erläutern Sie in jeder Beschreibung, wann diese Antwort zutrifft. Ein Buchstabe ist die kompakte Ausgabekennung; der semantische Schlüssel ist die Bedeutung, mit der die umgebende Software arbeitet. Halten Sie die Zuordnung mit genau der Optionsliste verknüpft, die für diese Entscheidung verwendet wurde.\n\nBei einer Support-Nachricht sollte der Zustand die Nachricht und den relevanten Kontext enthalten, während die Frage festlegt, welche Absicht oder welches Ziel auszuwählen ist. Eine beispielhafte Liste kann zwischen einem gemeldeten Integrationsfehler, einem Zugriffsproblem und einer Anfrage nach Produktinformationen unterscheiden, ergänzt um eine Option „keine“ für den Fall, dass die aufgeführten Absichten nicht passen. Legen Sie Überschneidungsfälle ausdrücklich fest, statt zu erwarten, dass das Modell die Routing-Richtlinie der Organisation aus abgekürzten Kennungen ableitet.\n\n### Generierung ohne Thinking und die angeforderte Antwortform\n\nDas veröffentlichte Beispiel von Together liefert eine Systemanweisung, die Inhalte innerhalb des Zustands als Daten behandelt, eine der aufgeführten Optionen auswählt und nur deren Buchstaben ohne Erklärung anfordert. Die empfohlenen Einstellungen sind Temperatur 0, ein Generierungsbudget von acht Tokens und deaktiviertes Thinking. Der Hersteller weist ausdrücklich darauf hin, dass der öffentliche Endpunkt diese Einstellungen nicht automatisch einfügt; der Beispiel-Helper liefert sie, während eine direkte Anfrage sie selbst angeben muss. Verwenden Sie diese Einstellungen, um die vorgesehene kurze Klassifikationsantwort ohne Thinking anzufordern.\n\nDas Budget von acht Tokens ist eine beispielhafte Ausgabeeinstellung für diesen Kurzantwort-Workflow, keine allgemeingültige Spezifikation der maximalen Ausgabe. Die eigentlich nützliche Ausgabe bleibt der ausgewählte Buchstabe. Stellt ein Helper anschließend ein Objekt aus Kennung und Schlüssel bereit, unterscheiden Sie dieses interpretierte Objekt vom rohen generierten Inhalt des Modells. Eine Kategorieauswahl aktualisiert für sich genommen kein Ticket, genehmigt keinen Vorgang und führt keine nächste Aktion aus.\n\n### Klassifikation, Regeln und kategoriale Bewertungen\n\nDer Hersteller beschreibt Absichtserkennung, Anwendung von Richtlinien, Workflow-Routing, Dokumentkategorien, Stimmungsanalyse und textbasiertes Ja/Nein-Leseverständnis als unterstützte Aufgabenmuster. Eine boolesche Aufgabe kann zwei Optionen bereitstellen, deren Schlüssel wahr und falsch bedeuten; die Anwendung interpretiert die ausgewählte Option entsprechend. Eine Aufgabe zur Stimmungsanalyse kann beschriebene Stufen bereitstellen und den Schlüssel für eine ausgewählte Kategorie zurückgeben. Diese kategoriale Auswahl ist kein wahrscheinlichkeitsgewichteter Durchschnitt über die Stufen, und ein zurückgegebener Buchstabe ist kein numerischer Konfidenzwert.\n\nBei einer regelbasierten Entscheidung nehmen Sie die relevanten Fakten und die Regel in die Aufgabe auf, statt das Modell die Richtlinie erfinden zu lassen. Ein Briefing für die Dokumentenablage kann beispielsweise die zulässigen Ordner und das jeweils dazugehörige Material beschreiben. Eine Aufgabe zur Forschungstaxonomie kann Titel und Abstract einer Veröffentlichung zusammen mit Themenbeschreibungen bereitstellen. Das Ergebnis ist anhand der vorgegebenen Alternativen zu interpretieren, wobei die ursprünglichen Belege für eine mehrdeutige oder strittige Auswahl erhalten bleiben.\n\n### Trainingsumfang und Identität der Edition\n\nDie Modellseite verzeichnet 37.840 Trainingsbeispiele zu Entailment, Ja/Nein-Fragen zu Textpassagen, Banking-Absichten, Nachrichtenkategorien, Stimmungsstufen, programmatischen Richtlinien, Routing und Taxonomie wissenschaftlicher Veröffentlichungen. Der begleitende Leitfaden dokumentiert, wie diese Aufgaben in ein gemeinsames Entscheidungsformat normalisiert werden und ein Klassifikationsmodell per Fine-Tuning trainiert wird. Das erklärt den Schwerpunkt des Profils auf einer begrenzten Antwortmenge; es belegt jedoch nicht, dass jede neue Richtlinie, Domäne oder Taxonomie ohne aufgabenspezifische Bewertung korrekt verarbeitet wird.\n\nTev1 4B Experimental ist das benannte Together-Modell, nicht das allgemeine Basisprofil Qwen3.5 4B und kein Checkpoint eines anderen Herstellers von Entscheidungsmodellen. Behalten Sie die eigene Ausgabeaufbereitung und den Eingabevertrag der experimentellen Edition bei. Ein verbreiteter Entscheidungs-Anwendungsfall oder eine bekannte Basisfamilie rechtfertigt es nicht, Bildunterstützung, Wahrscheinlichkeitskalibrierung, Tool-Aufrufe oder Grenzen für die Bündelung von Fragen eines anderen Modells zu übernehmen.\n\n### Kontext und Prüfung des Ergebnisses\n\nDie Modellspezifikation von Together nennt ein Kontextfenster von 32,8K Tokens sowie Texteingabe und Textausgabe. Der Kontext muss die Anweisungen, den Zustand, die Frage und die Optionen der Klassifikationsanfrage aufnehmen. Bereiten Sie nur die Belege auf, die die Frage benötigt, und behalten Sie dabei die Definitionen bei, die die Alternativen voneinander unterscheiden. Halten Sie den Klassifikations-Prompt kompakt, indem Sie irrelevanten Kontext entfernen und die Optionsdefinitionen beibehalten.\n\nDer Hersteller kennzeichnet dies als experimentelles Release, das zur Bewertung an realen Entscheidungs-Workloads gedacht ist. Prüfen Sie, ob die Rohantwort eine der bereitgestellten Kennungen ist, bevor Sie sie einem semantischen Schlüssel zuordnen, und vergleichen Sie die Klassifikationen mit repräsentativem, gelabeltem Material aus der vorgesehenen Aufgabe. Ein gültiger Buchstabe belegt eine formal korrekte Auswahl, nicht jedoch, dass ihre Interpretation zutrifft. Bewahren Sie Eingabe, Optionen, zurückgegebenen Buchstaben und zugeordneten Schlüssel gemeinsam auf, damit das endgültige Artefakt Routing, Kategorisierung oder Richtlinienprüfung unterstützen kann, ohne zu verlieren, wie die Entscheidung definiert wurde.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f153b6891e7ea6774d414acc49186e6169d223623dd9365ec95b3a5e3384a20d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "togethercomputer/tev1-4b-experimentalTev1 4B Experimental ist der Textklassifikator von Together AI für begrenzte Entscheidungen: Sie übergeben einen Zustand, eine Frage und 2–24 beschriftete Optionen, und die dokumentierte Ausgabe ist ein einzelner Buchstabe. Die Anwendung ordnet diesen Buchstaben einem Kategorieschlüssel zu; es handelt sich nicht um eine native Wahrscheinlichkeitsverteilung oder eine Antwort mit erwartetem Score.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Tev1 4B Experimental ist das Klassifikationsmodell von Together AI für Fragen mit einer festen Antwortmenge. Der Hersteller hat es per Fine-Tuning aus Qwen3.5 4B entwickelt und gibt 4,7 Milliarden Parameter an. Es nutzt Textgenerierung ohne Thinking, um eine Option auszuwählen: Die dokumentierte Eingabe besteht aus einem Zustand, einer Frage und beschrifteten Auswahlmöglichkeiten, und die angeforderte Ausgabe ist genau ein Buchstabe. Die Anwendung ordnet diesen Buchstaben dem semantischen Schlüssel der Option zu. Damit unterscheidet sich sein Entscheidungsablauf von einem Modell, das direkt kalibrierte Wahrscheinlichkeiten oder einen erwarteten Bewertungsraster-Score zurückgibt.
Die Schnittstelle des Herstellers stellt die Entscheidung als JSON-Objekt mit Zustand, Frage und Optionen dar. Jede Option enthält eine Buchstabenkennung von A bis X, einen semantischen Schlüssel und eine Beschreibung. Geben Sie zwischen zwei und 24 Optionen an, und erläutern Sie in jeder Beschreibung, wann diese Antwort zutrifft. Ein Buchstabe ist die kompakte Ausgabekennung; der semantische Schlüssel ist die Bedeutung, mit der die umgebende Software arbeitet. Halten Sie die Zuordnung mit genau der Optionsliste verknüpft, die für diese Entscheidung verwendet wurde.
Bei einer Support-Nachricht sollte der Zustand die Nachricht und den relevanten Kontext enthalten, während die Frage festlegt, welche Absicht oder welches Ziel auszuwählen ist. Eine beispielhafte Liste kann zwischen einem gemeldeten Integrationsfehler, einem Zugriffsproblem und einer Anfrage nach Produktinformationen unterscheiden, ergänzt um eine Option „keine“ für den Fall, dass die aufgeführten Absichten nicht passen. Legen Sie Überschneidungsfälle ausdrücklich fest, statt zu erwarten, dass das Modell die Routing-Richtlinie der Organisation aus abgekürzten Kennungen ableitet.
Das veröffentlichte Beispiel von Together liefert eine Systemanweisung, die Inhalte innerhalb des Zustands als Daten behandelt, eine der aufgeführten Optionen auswählt und nur deren Buchstaben ohne Erklärung anfordert. Die empfohlenen Einstellungen sind Temperatur 0, ein Generierungsbudget von acht Tokens und deaktiviertes Thinking. Der Hersteller weist ausdrücklich darauf hin, dass der öffentliche Endpunkt diese Einstellungen nicht automatisch einfügt; der Beispiel-Helper liefert sie, während eine direkte Anfrage sie selbst angeben muss. Verwenden Sie diese Einstellungen, um die vorgesehene kurze Klassifikationsantwort ohne Thinking anzufordern.
Das Budget von acht Tokens ist eine beispielhafte Ausgabeeinstellung für diesen Kurzantwort-Workflow, keine allgemeingültige Spezifikation der maximalen Ausgabe. Die eigentlich nützliche Ausgabe bleibt der ausgewählte Buchstabe. Stellt ein Helper anschließend ein Objekt aus Kennung und Schlüssel bereit, unterscheiden Sie dieses interpretierte Objekt vom rohen generierten Inhalt des Modells. Eine Kategorieauswahl aktualisiert für sich genommen kein Ticket, genehmigt keinen Vorgang und führt keine nächste Aktion aus.
Der Hersteller beschreibt Absichtserkennung, Anwendung von Richtlinien, Workflow-Routing, Dokumentkategorien, Stimmungsanalyse und textbasiertes Ja/Nein-Leseverständnis als unterstützte Aufgabenmuster. Eine boolesche Aufgabe kann zwei Optionen bereitstellen, deren Schlüssel wahr und falsch bedeuten; die Anwendung interpretiert die ausgewählte Option entsprechend. Eine Aufgabe zur Stimmungsanalyse kann beschriebene Stufen bereitstellen und den Schlüssel für eine ausgewählte Kategorie zurückgeben. Diese kategoriale Auswahl ist kein wahrscheinlichkeitsgewichteter Durchschnitt über die Stufen, und ein zurückgegebener Buchstabe ist kein numerischer Konfidenzwert.
Bei einer regelbasierten Entscheidung nehmen Sie die relevanten Fakten und die Regel in die Aufgabe auf, statt das Modell die Richtlinie erfinden zu lassen. Ein Briefing für die Dokumentenablage kann beispielsweise die zulässigen Ordner und das jeweils dazugehörige Material beschreiben. Eine Aufgabe zur Forschungstaxonomie kann Titel und Abstract einer Veröffentlichung zusammen mit Themenbeschreibungen bereitstellen. Das Ergebnis ist anhand der vorgegebenen Alternativen zu interpretieren, wobei die ursprünglichen Belege für eine mehrdeutige oder strittige Auswahl erhalten bleiben.
Die Modellseite verzeichnet 37.840 Trainingsbeispiele zu Entailment, Ja/Nein-Fragen zu Textpassagen, Banking-Absichten, Nachrichtenkategorien, Stimmungsstufen, programmatischen Richtlinien, Routing und Taxonomie wissenschaftlicher Veröffentlichungen. Der begleitende Leitfaden dokumentiert, wie diese Aufgaben in ein gemeinsames Entscheidungsformat normalisiert werden und ein Klassifikationsmodell per Fine-Tuning trainiert wird. Das erklärt den Schwerpunkt des Profils auf einer begrenzten Antwortmenge; es belegt jedoch nicht, dass jede neue Richtlinie, Domäne oder Taxonomie ohne aufgabenspezifische Bewertung korrekt verarbeitet wird.
Tev1 4B Experimental ist das benannte Together-Modell, nicht das allgemeine Basisprofil Qwen3.5 4B und kein Checkpoint eines anderen Herstellers von Entscheidungsmodellen. Behalten Sie die eigene Ausgabeaufbereitung und den Eingabevertrag der experimentellen Edition bei. Ein verbreiteter Entscheidungs-Anwendungsfall oder eine bekannte Basisfamilie rechtfertigt es nicht, Bildunterstützung, Wahrscheinlichkeitskalibrierung, Tool-Aufrufe oder Grenzen für die Bündelung von Fragen eines anderen Modells zu übernehmen.
Die Modellspezifikation von Together nennt ein Kontextfenster von 32,8K Tokens sowie Texteingabe und Textausgabe. Der Kontext muss die Anweisungen, den Zustand, die Frage und die Optionen der Klassifikationsanfrage aufnehmen. Bereiten Sie nur die Belege auf, die die Frage benötigt, und behalten Sie dabei die Definitionen bei, die die Alternativen voneinander unterscheiden. Halten Sie den Klassifikations-Prompt kompakt, indem Sie irrelevanten Kontext entfernen und die Optionsdefinitionen beibehalten.
Der Hersteller kennzeichnet dies als experimentelles Release, das zur Bewertung an realen Entscheidungs-Workloads gedacht ist. Prüfen Sie, ob die Rohantwort eine der bereitgestellten Kennungen ist, bevor Sie sie einem semantischen Schlüssel zuordnen, und vergleichen Sie die Klassifikationen mit repräsentativem, gelabeltem Material aus der vorgesehenen Aufgabe. Ein gültiger Buchstabe belegt eine formal korrekte Auswahl, nicht jedoch, dass ihre Interpretation zutrifft. Bewahren Sie Eingabe, Optionen, zurückgegebenen Buchstaben und zugeordneten Schlüssel gemeinsam auf, damit das endgültige Artefakt Routing, Kategorisierung oder Richtlinienprüfung unterstützen kann, ohne zu verlieren, wie die Entscheidung definiert wurde.
POST /v1/systemonetextdecisions| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits togethercomputer/tev1-4b-experimental | Standard— |
Feldprovider | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsession_id | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldstate | Typschema | AnforderungErforderlich | Werte und Limits | Standard— |
Feldtrace | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions.<id>.type | Typstring | AnforderungErforderlich | Werte und Limits noul, choice, score | Standard— |
Feldquestions.<id>.instructions | Typstring|object|array | AnforderungErforderlich | Werte und Limits | Standard— |
Feldquestions.<id>.criteria | Typobject|array | AnforderungOptional | Werte und Limits Bedingungen: choice/score: erforderlich; noul: optional. Bei choice ist criteria ein Objekt; bei score ist es ein Array mit minItems=1. | Standard— |
Feldquestions.<id>.criteria.true | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
Feldquestions.<id>.criteria.false | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
noul · Erforderlich: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Erforderlich: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Erforderlich: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, state, questions |
Parametermaterial_types | Vertragtext |
Parameteroptional_controls | Vertragprovider, session_id, trace, user |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous
Senden Sie die genaue Modell-ID und bewahren Sie die vollständige native Antwort auf.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000084 / 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 $0.000084 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "togethercomputer/tev1-4b-experimental",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='togethercomputer/tev1-4b-experimental'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jede bereitgestellte Antwort mit Fragen-ID bleibt mit ihrem genauen Typ, ihrem noul/choice/score-Wert, ihrer Konfidenz, ihren Wahrscheinlichkeiten und ihrer Legende erhalten. Das gesamte ursprüngliche JSON wird gespeichert und erst nach der Abrechnung zurückgegeben.
Bewahren Sie den ursprünglichen Vorgang sowie die vollständige oder teilweise Antwort auf; wiederholen Sie POST nicht.
| Feld | Typ |
|---|---|
Feldmodel | Typstring |
Feldid | Typstring |
Feldprovider | Typstring |
Feldanswers.<id>.type | Typstring |
Feldanswers.<id>.noul | Typnumber |
Feldanswers.<id>.choice | Typstring |
Feldanswers.<id>.score | Typnumber |
Feldanswers.<id>.confidence | Typnumber |
Feldanswers.<id>.probabilities | Typobject |
Feldanswers.<id>.legend | Typobject |
Feldusage.input_tokens | Typinteger |
Feldusage.output_tokens | Typinteger |
Feldusage.cost | Typnumber |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültiges Pflichtfeld, ungültige Darstellung oder ungültiger Wert | Nächster SchrittKorrigieren Sie das angegebene Anfragefeld. |
Ailoot Ultra togethercomputer/tev1-4b-experimental
Verwenden Sie die oben angezeigten Methodenpfade.