Solar Pro 4 ist Upstages agentenorientiertes Modell für dokumentenbasierte Arbeit, Programmierung und geschäftliche Aufgaben. Seine Modellkarte nennt einen 512K-Kontext und bis zu 128K Ausgabe-Token, mit englischen, koreanischen und japanischen Ein- und Ausgaben sowie einem Trainingsdatenstand bis Februar 2026. Der Hersteller veröffentlicht seine Parameterzahl nicht.
Die Veröffentlichung ist auf abgeschlossene Arbeit statt eine isolierte Antwort ausgerichtet. Sie beschreibt das Lesen von Dokumenten, den Abgleich von Daten über Dateien hinweg, die Tool-Nutzung und die Erstellung des Ergebnisses. Die OfficeVerse-Trainingspipeline des Herstellers erzeugt Büroaufgaben aus öffentlichen Daten aus elf Branchen und zwölf Aufgabentypen, wobei das Endartefakt anhand des Auftrags bewertet wird.
Ein Herstellerbeispiel kombiniert ein Richtliniendokument und sechs Datendateien, um zehn potenzielle Standorte zu prüfen. Der verbundene Workflow erzeugt nacheinander eine Arbeitsmappe mit fünf Tabellenblättern, einen Prüfbericht und eine Präsentation und übernimmt dieselben Zahlen von einem Artefakt ins nächste. Bereiten Sie eine ähnliche Aufgabe mit von Anfang an festgelegten Regeln, Datendefinitionen und Ergebnissen vor; die umgebende Anwendung stellt die Werkzeuge zur Dateierstellung bereit.
Beleggestützte Dokumentarbeit ist ein weiterer Schwerpunkt. Fordern Sie das Modell auf, die Klausel oder Textstelle zu benennen, die eine Erkenntnis stützt, fehlende Informationen zu unterscheiden und eine Abweichung zwischen Dokumenten zu markieren. Ein hilfreicher Bericht trennt den belegten Fakt, seine Interpretation und jede ungeklärte Bedingung. Eine flüssige Antwort schließt keine Lücke im Ausgangsmaterial.
Das Modell unterstützt Function Calling und strukturierte Ausgaben. Definieren Sie Werkzeuge mit ihren tatsächlichen Argumenten, führen Sie den angeforderten Aufruf in der Anwendung aus und geben Sie sein Ergebnis zurück. Verwenden Sie ein Schema, wenn die Ausgabe feste Felder und Typen benötigt, und halten Sie die extrahierten Werte mit den Belegen verknüpft. JSON-Modus und schemabeschränkte Ausgabe des Herstellers sind unterschiedliche Ausgabeoptionen.
Der aktuelle Reasoning-Leitfaden des Herstellers lässt Thinking ausgeschaltet, wenn der Aufwandswert ausgelassen wird. None und minimal lassen es ausgeschaltet; low, medium, high, xhigh und max aktivieren es. Ist Reasoning eingeschaltet, teilen seine Token das Ausgabebudget mit der Antwort. Lassen Sie genügend Platz für den Abschlussbericht oder vorgeschlagenen Code, statt die gesamte Generierung dem Thinking zuzuweisen.
Benennen Sie für ein endgültiges Ergebnis das fertige Artefakt, die wichtigen Zahlen oder Erkenntnisse und die zu ihrer Prüfung verwendeten Beobachtungen. Solar Pro 4 unterscheidet sich von Solar Pro 3 und den separat bereitstellbaren Solar-Open-Modellen. Seine Hersteller-Workflows zeigen, wie Textgenerierung und verbundene Werkzeuge zusammenwirken; sie lassen keine Datei oder externe Aktion entstehen, bevor die Anwendung sie tatsächlich erstellt oder ausführt.
", "aboutText": "Solar Pro 4 ist Upstages agentenorientiertes Modell für dokumentenbasierte Arbeit, Programmierung und geschäftliche Aufgaben. Seine Modellkarte nennt einen 512K-Kontext und bis zu 128K Ausgabe-Token, mit englischen, koreanischen und japanischen Ein- und Ausgaben sowie einem Trainingsdatenstand bis Februar 2026. Der Hersteller veröffentlicht seine Parameterzahl nicht.\n\nDie Veröffentlichung ist auf abgeschlossene Arbeit statt eine isolierte Antwort ausgerichtet. Sie beschreibt das Lesen von Dokumenten, den Abgleich von Daten über Dateien hinweg, die Tool-Nutzung und die Erstellung des Ergebnisses. Die OfficeVerse-Trainingspipeline des Herstellers erzeugt Büroaufgaben aus öffentlichen Daten aus elf Branchen und zwölf Aufgabentypen, wobei das Endartefakt anhand des Auftrags bewertet wird.\n\nEin Herstellerbeispiel kombiniert ein Richtliniendokument und sechs Datendateien, um zehn potenzielle Standorte zu prüfen. Der verbundene Workflow erzeugt nacheinander eine Arbeitsmappe mit fünf Tabellenblättern, einen Prüfbericht und eine Präsentation und übernimmt dieselben Zahlen von einem Artefakt ins nächste. Bereiten Sie eine ähnliche Aufgabe mit von Anfang an festgelegten Regeln, Datendefinitionen und Ergebnissen vor; die umgebende Anwendung stellt die Werkzeuge zur Dateierstellung bereit.\n\nBeleggestützte Dokumentarbeit ist ein weiterer Schwerpunkt. Fordern Sie das Modell auf, die Klausel oder Textstelle zu benennen, die eine Erkenntnis stützt, fehlende Informationen zu unterscheiden und eine Abweichung zwischen Dokumenten zu markieren. Ein hilfreicher Bericht trennt den belegten Fakt, seine Interpretation und jede ungeklärte Bedingung. Eine flüssige Antwort schließt keine Lücke im Ausgangsmaterial.\n\nDas Modell unterstützt Function Calling und strukturierte Ausgaben. Definieren Sie Werkzeuge mit ihren tatsächlichen Argumenten, führen Sie den angeforderten Aufruf in der Anwendung aus und geben Sie sein Ergebnis zurück. Verwenden Sie ein Schema, wenn die Ausgabe feste Felder und Typen benötigt, und halten Sie die extrahierten Werte mit den Belegen verknüpft. JSON-Modus und schemabeschränkte Ausgabe des Herstellers sind unterschiedliche Ausgabeoptionen.\n\nDer aktuelle Reasoning-Leitfaden des Herstellers lässt Thinking ausgeschaltet, wenn der Aufwandswert ausgelassen wird. None und minimal lassen es ausgeschaltet; low, medium, high, xhigh und max aktivieren es. Ist Reasoning eingeschaltet, teilen seine Token das Ausgabebudget mit der Antwort. Lassen Sie genügend Platz für den Abschlussbericht oder vorgeschlagenen Code, statt die gesamte Generierung dem Thinking zuzuweisen.\n\nBenennen Sie für ein endgültiges Ergebnis das fertige Artefakt, die wichtigen Zahlen oder Erkenntnisse und die zu ihrer Prüfung verwendeten Beobachtungen. Solar Pro 4 unterscheidet sich von Solar Pro 3 und den separat bereitstellbaren Solar-Open-Modellen. Seine Hersteller-Workflows zeigen, wie Textgenerierung und verbundene Werkzeuge zusammenwirken; sie lassen keine Datei oder externe Aktion entstehen, bevor die Anwendung sie tatsächlich erstellt oder ausführt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile a document-based office report\n\nPrepare report content from two text records. Policy P: every workshop needs a named facilitator and at least 12 seats. Schedule S: Room A, 16 seats, facilitator Kim; Room B, 10 seats, facilitator Lee; Room C, 20 seats, facilitator blank. Return a source-linked review table and a three-sentence management summary using the same findings. Do not claim to create files.A three-room requirements table and a consistent management summary identifying capacity and missing-facilitator gaps.The table and summary agree, and a blank facilitator is treated as missing rather than invented.upstage/solar-pro4Solar Pro 4 von Upstage ist ein Textmodell für dokumentenintensive Arbeit, Programmierung und mehrstufige Agentenaufgaben. Es unterstützt Englisch, Koreanisch und Japanisch, einen 512K-Kontext, bis zu 128K Ausgabe-Token, strukturierte Antworten und Tool Calling.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Solar Pro 4 ist Upstages agentenorientiertes Modell für dokumentenbasierte Arbeit, Programmierung und geschäftliche Aufgaben. Seine Modellkarte nennt einen 512K-Kontext und bis zu 128K Ausgabe-Token, mit englischen, koreanischen und japanischen Ein- und Ausgaben sowie einem Trainingsdatenstand bis Februar 2026. Der Hersteller veröffentlicht seine Parameterzahl nicht.
Die Veröffentlichung ist auf abgeschlossene Arbeit statt eine isolierte Antwort ausgerichtet. Sie beschreibt das Lesen von Dokumenten, den Abgleich von Daten über Dateien hinweg, die Tool-Nutzung und die Erstellung des Ergebnisses. Die OfficeVerse-Trainingspipeline des Herstellers erzeugt Büroaufgaben aus öffentlichen Daten aus elf Branchen und zwölf Aufgabentypen, wobei das Endartefakt anhand des Auftrags bewertet wird.
Ein Herstellerbeispiel kombiniert ein Richtliniendokument und sechs Datendateien, um zehn potenzielle Standorte zu prüfen. Der verbundene Workflow erzeugt nacheinander eine Arbeitsmappe mit fünf Tabellenblättern, einen Prüfbericht und eine Präsentation und übernimmt dieselben Zahlen von einem Artefakt ins nächste. Bereiten Sie eine ähnliche Aufgabe mit von Anfang an festgelegten Regeln, Datendefinitionen und Ergebnissen vor; die umgebende Anwendung stellt die Werkzeuge zur Dateierstellung bereit.
Beleggestützte Dokumentarbeit ist ein weiterer Schwerpunkt. Fordern Sie das Modell auf, die Klausel oder Textstelle zu benennen, die eine Erkenntnis stützt, fehlende Informationen zu unterscheiden und eine Abweichung zwischen Dokumenten zu markieren. Ein hilfreicher Bericht trennt den belegten Fakt, seine Interpretation und jede ungeklärte Bedingung. Eine flüssige Antwort schließt keine Lücke im Ausgangsmaterial.
Das Modell unterstützt Function Calling und strukturierte Ausgaben. Definieren Sie Werkzeuge mit ihren tatsächlichen Argumenten, führen Sie den angeforderten Aufruf in der Anwendung aus und geben Sie sein Ergebnis zurück. Verwenden Sie ein Schema, wenn die Ausgabe feste Felder und Typen benötigt, und halten Sie die extrahierten Werte mit den Belegen verknüpft. JSON-Modus und schemabeschränkte Ausgabe des Herstellers sind unterschiedliche Ausgabeoptionen.
Der aktuelle Reasoning-Leitfaden des Herstellers lässt Thinking ausgeschaltet, wenn der Aufwandswert ausgelassen wird. None und minimal lassen es ausgeschaltet; low, medium, high, xhigh und max aktivieren es. Ist Reasoning eingeschaltet, teilen seine Token das Ausgabebudget mit der Antwort. Lassen Sie genügend Platz für den Abschlussbericht oder vorgeschlagenen Code, statt die gesamte Generierung dem Thinking zuzuweisen.
Benennen Sie für ein endgültiges Ergebnis das fertige Artefakt, die wichtigen Zahlen oder Erkenntnisse und die zu ihrer Prüfung verwendeten Beobachtungen. Solar Pro 4 unterscheidet sich von Solar Pro 3 und den separat bereitstellbaren Solar-Open-Modellen. Seine Hersteller-Workflows zeigen, wie Textgenerierung und verbundene Werkzeuge zusammenwirken; sie lassen keine Datei oder externe Aktion entstehen, bevor die Anwendung sie tatsächlich erstellt oder ausführt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits upstage/solar-pro4 | 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen $0.00012 / 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen $0.00012 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "upstage/solar-pro4", "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='upstage/solar-pro4',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='upstage/solar-pro4',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 upstage/solar-pro4
Verwenden Sie die oben angezeigten Methodenpfade.
upstage/solar-pro4Solar Pro 4 von Upstage ist ein Textmodell für dokumentenintensive Arbeit, Programmierung und mehrstufige Agentenaufgaben. Es unterstützt Englisch, Koreanisch und Japanisch, einen 512K-Kontext, bis zu 128K Ausgabe-Token, strukturierte Antworten und Tool Calling.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Solar Pro 4 ist Upstages agentenorientiertes Modell für dokumentenbasierte Arbeit, Programmierung und geschäftliche Aufgaben. Seine Modellkarte nennt einen 512K-Kontext und bis zu 128K Ausgabe-Token, mit englischen, koreanischen und japanischen Ein- und Ausgaben sowie einem Trainingsdatenstand bis Februar 2026. Der Hersteller veröffentlicht seine Parameterzahl nicht.
Die Veröffentlichung ist auf abgeschlossene Arbeit statt eine isolierte Antwort ausgerichtet. Sie beschreibt das Lesen von Dokumenten, den Abgleich von Daten über Dateien hinweg, die Tool-Nutzung und die Erstellung des Ergebnisses. Die OfficeVerse-Trainingspipeline des Herstellers erzeugt Büroaufgaben aus öffentlichen Daten aus elf Branchen und zwölf Aufgabentypen, wobei das Endartefakt anhand des Auftrags bewertet wird.
Ein Herstellerbeispiel kombiniert ein Richtliniendokument und sechs Datendateien, um zehn potenzielle Standorte zu prüfen. Der verbundene Workflow erzeugt nacheinander eine Arbeitsmappe mit fünf Tabellenblättern, einen Prüfbericht und eine Präsentation und übernimmt dieselben Zahlen von einem Artefakt ins nächste. Bereiten Sie eine ähnliche Aufgabe mit von Anfang an festgelegten Regeln, Datendefinitionen und Ergebnissen vor; die umgebende Anwendung stellt die Werkzeuge zur Dateierstellung bereit.
Beleggestützte Dokumentarbeit ist ein weiterer Schwerpunkt. Fordern Sie das Modell auf, die Klausel oder Textstelle zu benennen, die eine Erkenntnis stützt, fehlende Informationen zu unterscheiden und eine Abweichung zwischen Dokumenten zu markieren. Ein hilfreicher Bericht trennt den belegten Fakt, seine Interpretation und jede ungeklärte Bedingung. Eine flüssige Antwort schließt keine Lücke im Ausgangsmaterial.
Das Modell unterstützt Function Calling und strukturierte Ausgaben. Definieren Sie Werkzeuge mit ihren tatsächlichen Argumenten, führen Sie den angeforderten Aufruf in der Anwendung aus und geben Sie sein Ergebnis zurück. Verwenden Sie ein Schema, wenn die Ausgabe feste Felder und Typen benötigt, und halten Sie die extrahierten Werte mit den Belegen verknüpft. JSON-Modus und schemabeschränkte Ausgabe des Herstellers sind unterschiedliche Ausgabeoptionen.
Der aktuelle Reasoning-Leitfaden des Herstellers lässt Thinking ausgeschaltet, wenn der Aufwandswert ausgelassen wird. None und minimal lassen es ausgeschaltet; low, medium, high, xhigh und max aktivieren es. Ist Reasoning eingeschaltet, teilen seine Token das Ausgabebudget mit der Antwort. Lassen Sie genügend Platz für den Abschlussbericht oder vorgeschlagenen Code, statt die gesamte Generierung dem Thinking zuzuweisen.
Benennen Sie für ein endgültiges Ergebnis das fertige Artefakt, die wichtigen Zahlen oder Erkenntnisse und die zu ihrer Prüfung verwendeten Beobachtungen. Solar Pro 4 unterscheidet sich von Solar Pro 3 und den separat bereitstellbaren Solar-Open-Modellen. Seine Hersteller-Workflows zeigen, wie Textgenerierung und verbundene Werkzeuge zusammenwirken; sie lassen keine Datei oder externe Aktion entstehen, bevor die Anwendung sie tatsächlich erstellt oder ausführt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits upstage/solar-pro4 | 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen $0.00012 / 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 $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen $0.00012 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "upstage/solar-pro4",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'upstage/solar-pro4', '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': 'upstage/solar-pro4', '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 upstage/solar-pro4
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile a document-based office report\n\nPrepare report content from two text records. Policy P: every workshop needs a named facilitator and at least 12 seats. Schedule S: Room A, 16 seats, facilitator Kim; Room B, 10 seats, facilitator Lee; Room C, 20 seats, facilitator blank. Return a source-linked review table and a three-sentence management summary using the same findings. Do not claim to create files.A three-room requirements table and a consistent management summary identifying capacity and missing-facilitator gaps.The table and summary agree, and a blank facilitator is treated as missing rather than invented.