Pareto ist Unbiaseds Auswahl eines kombinierten Sprachmodells für eine einzelne Gesprächsantwort. Der Hersteller setzt bei jeder Anfrage mehrere Modelle parallel ein und verbindet deren Ergebnisse aufgabenabhängig. Die Mischung enthält unterschiedliche Modelltypen, und ihre Zusammensetzung kann sich ändern. Der unversionierte Name Pareto beschreibt diese sich entwickelnde Auswahl, statt die Komponenten festzulegen oder sie an eine nummerierte Preview zu binden.
Der Hersteller dokumentiert Text- und Bildeingaben sowie eine Textantwort. Die veröffentlichten Arbeitsbereiche von Pareto umfassen Reasoning, Recherche und Programmierung mit einem Agenten. Seine aktuelle Modellkarte behandelt eine benannte Preview, während die allgemeine Integrationsdokumentation Pareto als Modellauswahl verwendet. Dies sind verwandte Produktbeschreibungen; der unversionierte Name bleibt jedoch von einer Anfrage getrennt, die ausdrücklich Pareto 26.10 Preview auswählt.
Stellen Sie für einen Dokumentvergleich die zu vergleichenden Textstellen und die wichtigen Kriterien bereit. Fordern Sie die Schlussfolgerung, ihre Belege und eine Liste entscheidungsrelevanter Unterschiede an. Enthält das Material eine Abbildung oder einen Screenshot, erklären Sie, welches Merkmal das Modell prüfen soll. Ein hilfreiches Ergebnis ist eine kurze Entscheidungsvorlage mit einer Belegtabelle, statt einer langen Antwort, die die relevanten Textstellen unbenannt lässt.
Geben Sie bei einer Programmieraufgabe das zu ändernde Verhalten vor und stellen Sie die relevante Implementierung, Fehlerinformationen und das erwartete Ergebnis bereit. Fordern Sie einen Patch-Vorschlag oder eine Schrittfolge mit Begründung für jeden Schritt an. Verbindet eine Anwendung das Gespräch mit Ausführungswerkzeugen, geben Sie das tatsächliche Befehls- oder Testergebnis als nächsten Beleg zurück. So kann der nächste Gesprächsschritt ein beobachtetes Ergebnis behandeln, statt den Erfolg der vorgeschlagenen Aktion vorauszusetzen.
Halten Sie bei einer ausgedehnten Untersuchung Ziel, bestätigte Erkenntnisse und ungelöste Frage kompakt fest. Legen Sie das Endartefakt zu Beginn fest: einen Vergleich, eine Fehlererklärung oder einen Änderungsvorschlag mit Prüfungen. Eine Person aus der Entwicklung, die eine Entwurfsentscheidung prüft, kann beispielsweise zwei Implementierungen bereitstellen und nach Verhaltensunterschieden, relevanten Codestellen und den Bedingungen fragen, unter denen jeder Ansatz nützlich ist.
Unbiaseds eigene Integrationsdokumentation beschreibt Gesprächsanfragen in zwei Kompatibilitätsformaten und unterstützt gestreamte Übertragung. Diese Herstellerintegration stellt die Modellantwort bereit. Suchen, Befehlsausführung und Bearbeitungen am Projektmaterial gehören zur Anwendung rund um das Gespräch, die Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
", "aboutText": "Pareto ist Unbiaseds Auswahl eines kombinierten Sprachmodells für eine einzelne Gesprächsantwort. Der Hersteller setzt bei jeder Anfrage mehrere Modelle parallel ein und verbindet deren Ergebnisse aufgabenabhängig. Die Mischung enthält unterschiedliche Modelltypen, und ihre Zusammensetzung kann sich ändern. Der unversionierte Name Pareto beschreibt diese sich entwickelnde Auswahl, statt die Komponenten festzulegen oder sie an eine nummerierte Preview zu binden.\n\nDer Hersteller dokumentiert Text- und Bildeingaben sowie eine Textantwort. Die veröffentlichten Arbeitsbereiche von Pareto umfassen Reasoning, Recherche und Programmierung mit einem Agenten. Seine aktuelle Modellkarte behandelt eine benannte Preview, während die allgemeine Integrationsdokumentation Pareto als Modellauswahl verwendet. Dies sind verwandte Produktbeschreibungen; der unversionierte Name bleibt jedoch von einer Anfrage getrennt, die ausdrücklich Pareto 26.10 Preview auswählt.\n\nStellen Sie für einen Dokumentvergleich die zu vergleichenden Textstellen und die wichtigen Kriterien bereit. Fordern Sie die Schlussfolgerung, ihre Belege und eine Liste entscheidungsrelevanter Unterschiede an. Enthält das Material eine Abbildung oder einen Screenshot, erklären Sie, welches Merkmal das Modell prüfen soll. Ein hilfreiches Ergebnis ist eine kurze Entscheidungsvorlage mit einer Belegtabelle, statt einer langen Antwort, die die relevanten Textstellen unbenannt lässt.\n\nGeben Sie bei einer Programmieraufgabe das zu ändernde Verhalten vor und stellen Sie die relevante Implementierung, Fehlerinformationen und das erwartete Ergebnis bereit. Fordern Sie einen Patch-Vorschlag oder eine Schrittfolge mit Begründung für jeden Schritt an. Verbindet eine Anwendung das Gespräch mit Ausführungswerkzeugen, geben Sie das tatsächliche Befehls- oder Testergebnis als nächsten Beleg zurück. So kann der nächste Gesprächsschritt ein beobachtetes Ergebnis behandeln, statt den Erfolg der vorgeschlagenen Aktion vorauszusetzen.\n\nHalten Sie bei einer ausgedehnten Untersuchung Ziel, bestätigte Erkenntnisse und ungelöste Frage kompakt fest. Legen Sie das Endartefakt zu Beginn fest: einen Vergleich, eine Fehlererklärung oder einen Änderungsvorschlag mit Prüfungen. Eine Person aus der Entwicklung, die eine Entwurfsentscheidung prüft, kann beispielsweise zwei Implementierungen bereitstellen und nach Verhaltensunterschieden, relevanten Codestellen und den Bedingungen fragen, unter denen jeder Ansatz nützlich ist.\n\nUnbiaseds eigene Integrationsdokumentation beschreibt Gesprächsanfragen in zwei Kompatibilitätsformaten und unterstützt gestreamte Übertragung. Diese Herstellerintegration stellt die Modellantwort bereit. Suchen, Befehlsausführung und Bearbeitungen am Projektmaterial gehören zur Anwendung rund um das Gespräch, die Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare lookup implementations\n\nCompare these implementations for repeated customer-ID lookup. [A] find(id): scan the original records and return the first match. [B] build a map by assigning map[row.id]=row for each record; find(id): map[id]. Records may contain duplicate IDs; the required result is the earliest record. Explain behavioral differences, preprocessing trade-offs and a correction for B, with one duplicate example.A decision memo with an implementation comparison, a proposed correction and a duplicate-ID test case.Check the result identifies first-match versus last-assignment behavior rather than comparing speed alone.unbiased/paretoPareto von Unbiased ist ein kombiniertes Modell, das mehrere Sprachmodellantworten zu einer einzelnen Antwort zusammenführt. Text- und Bildeingaben unterstützen Recherche-, Reasoning- und Programmierabläufe; die Modellzusammensetzung kann sich weiterentwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Pareto ist Unbiaseds Auswahl eines kombinierten Sprachmodells für eine einzelne Gesprächsantwort. Der Hersteller setzt bei jeder Anfrage mehrere Modelle parallel ein und verbindet deren Ergebnisse aufgabenabhängig. Die Mischung enthält unterschiedliche Modelltypen, und ihre Zusammensetzung kann sich ändern. Der unversionierte Name Pareto beschreibt diese sich entwickelnde Auswahl, statt die Komponenten festzulegen oder sie an eine nummerierte Preview zu binden.
Der Hersteller dokumentiert Text- und Bildeingaben sowie eine Textantwort. Die veröffentlichten Arbeitsbereiche von Pareto umfassen Reasoning, Recherche und Programmierung mit einem Agenten. Seine aktuelle Modellkarte behandelt eine benannte Preview, während die allgemeine Integrationsdokumentation Pareto als Modellauswahl verwendet. Dies sind verwandte Produktbeschreibungen; der unversionierte Name bleibt jedoch von einer Anfrage getrennt, die ausdrücklich Pareto 26.10 Preview auswählt.
Stellen Sie für einen Dokumentvergleich die zu vergleichenden Textstellen und die wichtigen Kriterien bereit. Fordern Sie die Schlussfolgerung, ihre Belege und eine Liste entscheidungsrelevanter Unterschiede an. Enthält das Material eine Abbildung oder einen Screenshot, erklären Sie, welches Merkmal das Modell prüfen soll. Ein hilfreiches Ergebnis ist eine kurze Entscheidungsvorlage mit einer Belegtabelle, statt einer langen Antwort, die die relevanten Textstellen unbenannt lässt.
Geben Sie bei einer Programmieraufgabe das zu ändernde Verhalten vor und stellen Sie die relevante Implementierung, Fehlerinformationen und das erwartete Ergebnis bereit. Fordern Sie einen Patch-Vorschlag oder eine Schrittfolge mit Begründung für jeden Schritt an. Verbindet eine Anwendung das Gespräch mit Ausführungswerkzeugen, geben Sie das tatsächliche Befehls- oder Testergebnis als nächsten Beleg zurück. So kann der nächste Gesprächsschritt ein beobachtetes Ergebnis behandeln, statt den Erfolg der vorgeschlagenen Aktion vorauszusetzen.
Halten Sie bei einer ausgedehnten Untersuchung Ziel, bestätigte Erkenntnisse und ungelöste Frage kompakt fest. Legen Sie das Endartefakt zu Beginn fest: einen Vergleich, eine Fehlererklärung oder einen Änderungsvorschlag mit Prüfungen. Eine Person aus der Entwicklung, die eine Entwurfsentscheidung prüft, kann beispielsweise zwei Implementierungen bereitstellen und nach Verhaltensunterschieden, relevanten Codestellen und den Bedingungen fragen, unter denen jeder Ansatz nützlich ist.
Unbiaseds eigene Integrationsdokumentation beschreibt Gesprächsanfragen in zwei Kompatibilitätsformaten und unterstützt gestreamte Übertragung. Diese Herstellerintegration stellt die Modellantwort bereit. Suchen, Befehlsausführung und Bearbeitungen am Projektmaterial gehören zur Anwendung rund um das Gespräch, die Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits unbiased/pareto | 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.015 / 1K Token Eingabe · Cache-Lesen $0.0005 / 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.015 / 1K Token Eingabe · Cache-Lesen $0.0005 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "unbiased/pareto", "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='unbiased/pareto',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='unbiased/pareto',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 unbiased/pareto
Verwenden Sie die oben angezeigten Methodenpfade.
unbiased/paretoPareto von Unbiased ist ein kombiniertes Modell, das mehrere Sprachmodellantworten zu einer einzelnen Antwort zusammenführt. Text- und Bildeingaben unterstützen Recherche-, Reasoning- und Programmierabläufe; die Modellzusammensetzung kann sich weiterentwickeln.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Pareto ist Unbiaseds Auswahl eines kombinierten Sprachmodells für eine einzelne Gesprächsantwort. Der Hersteller setzt bei jeder Anfrage mehrere Modelle parallel ein und verbindet deren Ergebnisse aufgabenabhängig. Die Mischung enthält unterschiedliche Modelltypen, und ihre Zusammensetzung kann sich ändern. Der unversionierte Name Pareto beschreibt diese sich entwickelnde Auswahl, statt die Komponenten festzulegen oder sie an eine nummerierte Preview zu binden.
Der Hersteller dokumentiert Text- und Bildeingaben sowie eine Textantwort. Die veröffentlichten Arbeitsbereiche von Pareto umfassen Reasoning, Recherche und Programmierung mit einem Agenten. Seine aktuelle Modellkarte behandelt eine benannte Preview, während die allgemeine Integrationsdokumentation Pareto als Modellauswahl verwendet. Dies sind verwandte Produktbeschreibungen; der unversionierte Name bleibt jedoch von einer Anfrage getrennt, die ausdrücklich Pareto 26.10 Preview auswählt.
Stellen Sie für einen Dokumentvergleich die zu vergleichenden Textstellen und die wichtigen Kriterien bereit. Fordern Sie die Schlussfolgerung, ihre Belege und eine Liste entscheidungsrelevanter Unterschiede an. Enthält das Material eine Abbildung oder einen Screenshot, erklären Sie, welches Merkmal das Modell prüfen soll. Ein hilfreiches Ergebnis ist eine kurze Entscheidungsvorlage mit einer Belegtabelle, statt einer langen Antwort, die die relevanten Textstellen unbenannt lässt.
Geben Sie bei einer Programmieraufgabe das zu ändernde Verhalten vor und stellen Sie die relevante Implementierung, Fehlerinformationen und das erwartete Ergebnis bereit. Fordern Sie einen Patch-Vorschlag oder eine Schrittfolge mit Begründung für jeden Schritt an. Verbindet eine Anwendung das Gespräch mit Ausführungswerkzeugen, geben Sie das tatsächliche Befehls- oder Testergebnis als nächsten Beleg zurück. So kann der nächste Gesprächsschritt ein beobachtetes Ergebnis behandeln, statt den Erfolg der vorgeschlagenen Aktion vorauszusetzen.
Halten Sie bei einer ausgedehnten Untersuchung Ziel, bestätigte Erkenntnisse und ungelöste Frage kompakt fest. Legen Sie das Endartefakt zu Beginn fest: einen Vergleich, eine Fehlererklärung oder einen Änderungsvorschlag mit Prüfungen. Eine Person aus der Entwicklung, die eine Entwurfsentscheidung prüft, kann beispielsweise zwei Implementierungen bereitstellen und nach Verhaltensunterschieden, relevanten Codestellen und den Bedingungen fragen, unter denen jeder Ansatz nützlich ist.
Unbiaseds eigene Integrationsdokumentation beschreibt Gesprächsanfragen in zwei Kompatibilitätsformaten und unterstützt gestreamte Übertragung. Diese Herstellerintegration stellt die Modellantwort bereit. Suchen, Befehlsausführung und Bearbeitungen am Projektmaterial gehören zur Anwendung rund um das Gespräch, die Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits unbiased/pareto | 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.015 / 1K Token Eingabe · Cache-Lesen $0.0005 / 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 $0.005 / 1K Token Ausgabe · Ausgabetoken $0.015 / 1K Token Eingabe · Cache-Lesen $0.0005 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "unbiased/pareto",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'unbiased/pareto', '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': 'unbiased/pareto', '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 unbiased/pareto
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare lookup implementations\n\nCompare these implementations for repeated customer-ID lookup. [A] find(id): scan the original records and return the first match. [B] build a map by assigning map[row.id]=row for each record; find(id): map[id]. Records may contain duplicate IDs; the required result is the earliest record. Explain behavioral differences, preprocessing trade-offs and a correction for B, with one duplicate example.A decision memo with an implementation comparison, a proposed correction and a duplicate-ID test case.Check the result identifies first-match versus last-assignment behavior rather than comparing speed alone.