{ "aboutHtml": "

Το Ling 3.1 Flash είναι το υβριδικό γλωσσικό μοντέλο συλλογιστικής της inclusionAI για εργασίες που περιλαμβάνουν πολλά στάδια και όχι μία σύντομη απάντηση. Ο κατασκευαστής το τοποθετεί για καθημερινές εργασίες γραφείου, εκτεταμένη μηχανική λογισμικού και σύνθετες ροές πρακτόρων. Χρησιμοποιεί αρχιτεκτονική μείγματος ειδικών με περίπου 560 δισ. συνολικές παραμέτρους και περίπου 25 δισ. ενεργές για κάθε token, εξισορροπώντας μεγάλη χωρητικότητα μοντέλου με μικρότερο όγκο ενεργών υπολογισμών.

Κεντρικός στόχος του σχεδιασμού του είναι η διατήρηση της κατάστασης της εργασίας και η διόρθωση της πορείας σε μεγαλύτερες εργασίες. Σε μια ροή συνδεδεμένη με εργαλεία, το μοντέλο μπορεί να σχεδιάζει πολλά βήματα, να ερμηνεύει ενδιάμεσα αποτελέσματα και να αναθεωρεί το επόμενο βήμα όταν αλλάζουν τα τεκμήρια. Δώστε του ακριβή στόχο, τα διαθέσιμα υλικά και έναν ορισμό ολοκλήρωσης. Για παράδειγμα: «Εξέτασε αυτές τις σημειώσεις συμβάντος, εντόπισε τις ανεπίλυτες αιτίες και δημιούργησε ένα ιεραρχημένο σχέδιο διερεύνησης. Για κάθε ενέργεια, ονόμασε τα τεκμήρια που χρειάζονται για να κριθεί αν λειτούργησε». Αυτό μετατρέπει ένα ασαφές αίτημα σε αποτέλεσμα που μπορεί να επιθεωρηθεί και να συνεχιστεί.

Για εργασίες γραφείου, χρήσιμες είσοδοι περιλαμβάνουν πρωτογενείς σημειώσεις, κείμενο που εξάγεται από έγγραφα, πίνακες με σαφείς ορισμούς στηλών και το προβλεπόμενο κοινό μιας έκθεσης. Δηλώστε την περίοδο, τις μονάδες και τη σύγκριση που θα χρησιμοποιηθούν. Ζητήστε γραπτό παραδοτέο, όπως ενημερωτικό σημείωμα διοίκησης, περίγραμμα έκθεσης ή εξήγηση των σημαντικών αλλαγών. Ένα παράδειγμα είναι: «Χρησιμοποιώντας μόνο αυτούς τους τριμηνιαίους πίνακες, εξήγησε τις μεγαλύτερες αλλαγές, διέκρινε τις παρατηρούμενες τιμές από τις παραδοχές και σύνταξε ενημερωτικό κείμενο με τα αναπάντητα ερωτήματα στο τέλος». Διατηρήστε τις ετικέτες πηγών μαζί με την είσοδο ώστε οι προκύπτοντες ισχυρισμοί να μπορούν να εντοπιστούν στο σωστό υλικό.

Για ανάπτυξη λογισμικού, ο κατασκευαστής αναδεικνύει την αναδιάρθρωση μεταξύ γλωσσών προγραμματισμού, τη βελτιστοποίηση επιδόσεων και την ανάλυση συχνά χρησιμοποιούμενων περιοχών μιας βάσης κώδικα. Παρέχετε τα σχετικά αρχεία ως κείμενο, τη συμπεριφορά που πρέπει να διατηρηθεί, τις εκδόσεις εξαρτήσεων και κάθε έξοδο αποτυχίας ή μέτρηση. Ένα χρήσιμο αίτημα ζητά προτεινόμενη αλλαγή και τους ελέγχους που απαιτούνται για την αξιολόγησή της: «Αναδιάρθρωσε αυτόν τον αναλυτή διατηρώντας την τεκμηριωμένη μορφή εξόδου. Εξήγησε τη συμπεριφορά που επηρεάζεται, παρουσίασε τον αναθεωρημένο κώδικα και εντόπισε περιπτώσεις που θα αποκάλυπταν παλινδρόμηση». Για εργασία επιδόσεων, παρέχετε πραγματικά προφίλ ή χρονισμούς και ζητήστε να συνδέσει κάθε σύσταση με ένα μετρημένο σημείο συμφόρησης.

Για επαγγελματική ανάλυση, συγκεντρώστε τους σχετικούς κανόνες, ορισμούς και τεκμήρια πριν ζητήσετε σύσταση. Το Ling 3.1 Flash προορίζεται να συνθέτει διάσπαρτες πληροφορίες, να ερμηνεύει δείκτες και να αναπτύσσει προτάσεις ενεργειών. Ζητήστε σύγκριση που κατονομάζει τις παραδοχές και τις υπόλοιπες πληροφορίες που απαιτούνται, αντί για ατεκμηρίωτη κρίση. Για παράδειγμα, παρέχετε πολλές προτάσεις έργων και ζητήστε σημείωμα απόφασης με τα ίδια κριτήρια για καθεμία, διαχωρίζοντας τις παρατηρήσεις που στηρίζονται σε πηγές από τις συναγόμενες συνέπειες. Όταν τα τεκμήρια συγκρούονται, ζητήστε τα αντικρουόμενα αποσπάσματα και το ερώτημα που θα έλυνε τη σύγκρουση.

Ο κατασκευαστής διακρίνει το ανώτατο όριο πλαισίου του μοντέλου, 1M token, από το πλαίσιο 256K που παρέχει επί του παρόντος η επίσημη υπηρεσία του. Αυτά τα μεγέθη περιγράφουν διαφορετικά όρια. Οργανώστε το υλικό εργασίας σύμφωνα με το ισχύον παράθυρο και κρατήστε χώρο για την απάντηση· ένα ανώτατο όριο σε επίπεδο μοντέλου δεν σημαίνει ότι κάθε διεπαφή δέχεται τόσο μεγάλη είσοδο. Για μεγάλη εργασία, κρατήστε μαζί τον στόχο, τις ολοκληρωμένες αποφάσεις, τα ανεπίλυτα ερωτήματα και τις παραπομπές πηγών. Χρησιμοποιήστε ρητά όρια γύρω από έγγραφα και κώδικα ώστε το υλικό προς ανάλυση να μη συγχέεται με οδηγίες προς εκτέλεση.

Προετοιμάστε τις εργασίες που συνδέονται με εργαλεία με σαφείς περιγραφές εργαλείων, αναμενόμενα ορίσματα και χρήσιμες εγγραφές αποτελεσμάτων. Επιστρέψτε τα πραγματικά αποτελέσματα στη συνομιλία ώστε η επόμενη πρόταση να βασίζεται σε παρατηρήσεις. Ζητήστε από το μοντέλο να εξηγήσει τι αλλάζει ένα επιστρεφόμενο αποτέλεσμα και ποια τεκμήρια εξακολουθούν να λείπουν. Ο σχεδιασμός του μοντέλου για πράκτορες υποστηρίζει αυτό το μοτίβο σχεδιασμού και ανατροφοδότησης· η περιβάλλουσα εφαρμογή εκτελεί τα βήματα εργαλείων και διατηρεί τα αποτελέσματά τους. Μια προτεινόμενη εντολή, αλλαγή κώδικα ή έκθεση είναι πιο χρήσιμη όταν η κατάστασή της είναι σαφής: προτεινόμενη, εκτελεσμένη με καταγεγραμμένο αποτέλεσμα ή ακόμη υπό επαλήθευση.

Το Ling 3.1 Flash ανήκει στη σειρά γλωσσικών μοντέλων· η ξεχωριστή έκδοση Ling 3.0 Flash VL είναι το οπτικό μοντέλο του κατασκευαστή. Για αυτή την εργασία κειμένου, προετοιμάστε το περιεχόμενο πηγών σε κείμενο και διατηρήστε τη δομή, τις ετικέτες και την προέλευσή του. Προσδιορίστε τη γλώσσα και τη μορφή εξόδου, όπως συνοπτικό σημείωμα, πίνακα ευρημάτων, εξήγηση ενημέρωσης κώδικα ή αριθμημένο σχέδιο. Ζητήστε από το μοντέλο να επισημάνει τις πληροφορίες που λείπουν και ελέγξτε το ζητούμενο παραδοτέο ως προς τους αρχικούς περιορισμούς. Οι μεγάλες ροές εργασίας εξακολουθούν να χρειάζονται επιθεώρηση των ενδιάμεσων αποτελεσμάτων: διαφορετικά, μια αρχική λανθασμένη παραδοχή μπορεί να μεταφερθεί στη μεταγενέστερη συλλογιστική και να γυαλιστεί σε μια πειστική τελική έκθεση.

", "aboutText": "Το Ling 3.1 Flash είναι το υβριδικό γλωσσικό μοντέλο συλλογιστικής της inclusionAI για εργασίες που περιλαμβάνουν πολλά στάδια και όχι μία σύντομη απάντηση. Ο κατασκευαστής το τοποθετεί για καθημερινές εργασίες γραφείου, εκτεταμένη μηχανική λογισμικού και σύνθετες ροές πρακτόρων. Χρησιμοποιεί αρχιτεκτονική μείγματος ειδικών με περίπου 560 δισ. συνολικές παραμέτρους και περίπου 25 δισ. ενεργές για κάθε token, εξισορροπώντας μεγάλη χωρητικότητα μοντέλου με μικρότερο όγκο ενεργών υπολογισμών.\n\nΚεντρικός στόχος του σχεδιασμού του είναι η διατήρηση της κατάστασης της εργασίας και η διόρθωση της πορείας σε μεγαλύτερες εργασίες. Σε μια ροή συνδεδεμένη με εργαλεία, το μοντέλο μπορεί να σχεδιάζει πολλά βήματα, να ερμηνεύει ενδιάμεσα αποτελέσματα και να αναθεωρεί το επόμενο βήμα όταν αλλάζουν τα τεκμήρια. Δώστε του ακριβή στόχο, τα διαθέσιμα υλικά και έναν ορισμό ολοκλήρωσης. Για παράδειγμα: «Εξέτασε αυτές τις σημειώσεις συμβάντος, εντόπισε τις ανεπίλυτες αιτίες και δημιούργησε ένα ιεραρχημένο σχέδιο διερεύνησης. Για κάθε ενέργεια, ονόμασε τα τεκμήρια που χρειάζονται για να κριθεί αν λειτούργησε». Αυτό μετατρέπει ένα ασαφές αίτημα σε αποτέλεσμα που μπορεί να επιθεωρηθεί και να συνεχιστεί.\n\nΓια εργασίες γραφείου, χρήσιμες είσοδοι περιλαμβάνουν πρωτογενείς σημειώσεις, κείμενο που εξάγεται από έγγραφα, πίνακες με σαφείς ορισμούς στηλών και το προβλεπόμενο κοινό μιας έκθεσης. Δηλώστε την περίοδο, τις μονάδες και τη σύγκριση που θα χρησιμοποιηθούν. Ζητήστε γραπτό παραδοτέο, όπως ενημερωτικό σημείωμα διοίκησης, περίγραμμα έκθεσης ή εξήγηση των σημαντικών αλλαγών. Ένα παράδειγμα είναι: «Χρησιμοποιώντας μόνο αυτούς τους τριμηνιαίους πίνακες, εξήγησε τις μεγαλύτερες αλλαγές, διέκρινε τις παρατηρούμενες τιμές από τις παραδοχές και σύνταξε ενημερωτικό κείμενο με τα αναπάντητα ερωτήματα στο τέλος». Διατηρήστε τις ετικέτες πηγών μαζί με την είσοδο ώστε οι προκύπτοντες ισχυρισμοί να μπορούν να εντοπιστούν στο σωστό υλικό.\n\nΓια ανάπτυξη λογισμικού, ο κατασκευαστής αναδεικνύει την αναδιάρθρωση μεταξύ γλωσσών προγραμματισμού, τη βελτιστοποίηση επιδόσεων και την ανάλυση συχνά χρησιμοποιούμενων περιοχών μιας βάσης κώδικα. Παρέχετε τα σχετικά αρχεία ως κείμενο, τη συμπεριφορά που πρέπει να διατηρηθεί, τις εκδόσεις εξαρτήσεων και κάθε έξοδο αποτυχίας ή μέτρηση. Ένα χρήσιμο αίτημα ζητά προτεινόμενη αλλαγή και τους ελέγχους που απαιτούνται για την αξιολόγησή της: «Αναδιάρθρωσε αυτόν τον αναλυτή διατηρώντας την τεκμηριωμένη μορφή εξόδου. Εξήγησε τη συμπεριφορά που επηρεάζεται, παρουσίασε τον αναθεωρημένο κώδικα και εντόπισε περιπτώσεις που θα αποκάλυπταν παλινδρόμηση». Για εργασία επιδόσεων, παρέχετε πραγματικά προφίλ ή χρονισμούς και ζητήστε να συνδέσει κάθε σύσταση με ένα μετρημένο σημείο συμφόρησης.\n\nΓια επαγγελματική ανάλυση, συγκεντρώστε τους σχετικούς κανόνες, ορισμούς και τεκμήρια πριν ζητήσετε σύσταση. Το Ling 3.1 Flash προορίζεται να συνθέτει διάσπαρτες πληροφορίες, να ερμηνεύει δείκτες και να αναπτύσσει προτάσεις ενεργειών. Ζητήστε σύγκριση που κατονομάζει τις παραδοχές και τις υπόλοιπες πληροφορίες που απαιτούνται, αντί για ατεκμηρίωτη κρίση. Για παράδειγμα, παρέχετε πολλές προτάσεις έργων και ζητήστε σημείωμα απόφασης με τα ίδια κριτήρια για καθεμία, διαχωρίζοντας τις παρατηρήσεις που στηρίζονται σε πηγές από τις συναγόμενες συνέπειες. Όταν τα τεκμήρια συγκρούονται, ζητήστε τα αντικρουόμενα αποσπάσματα και το ερώτημα που θα έλυνε τη σύγκρουση.\n\nΟ κατασκευαστής διακρίνει το ανώτατο όριο πλαισίου του μοντέλου, 1M token, από το πλαίσιο 256K που παρέχει επί του παρόντος η επίσημη υπηρεσία του. Αυτά τα μεγέθη περιγράφουν διαφορετικά όρια. Οργανώστε το υλικό εργασίας σύμφωνα με το ισχύον παράθυρο και κρατήστε χώρο για την απάντηση· ένα ανώτατο όριο σε επίπεδο μοντέλου δεν σημαίνει ότι κάθε διεπαφή δέχεται τόσο μεγάλη είσοδο. Για μεγάλη εργασία, κρατήστε μαζί τον στόχο, τις ολοκληρωμένες αποφάσεις, τα ανεπίλυτα ερωτήματα και τις παραπομπές πηγών. Χρησιμοποιήστε ρητά όρια γύρω από έγγραφα και κώδικα ώστε το υλικό προς ανάλυση να μη συγχέεται με οδηγίες προς εκτέλεση.\n\nΠροετοιμάστε τις εργασίες που συνδέονται με εργαλεία με σαφείς περιγραφές εργαλείων, αναμενόμενα ορίσματα και χρήσιμες εγγραφές αποτελεσμάτων. Επιστρέψτε τα πραγματικά αποτελέσματα στη συνομιλία ώστε η επόμενη πρόταση να βασίζεται σε παρατηρήσεις. Ζητήστε από το μοντέλο να εξηγήσει τι αλλάζει ένα επιστρεφόμενο αποτέλεσμα και ποια τεκμήρια εξακολουθούν να λείπουν. Ο σχεδιασμός του μοντέλου για πράκτορες υποστηρίζει αυτό το μοτίβο σχεδιασμού και ανατροφοδότησης· η περιβάλλουσα εφαρμογή εκτελεί τα βήματα εργαλείων και διατηρεί τα αποτελέσματά τους. Μια προτεινόμενη εντολή, αλλαγή κώδικα ή έκθεση είναι πιο χρήσιμη όταν η κατάστασή της είναι σαφής: προτεινόμενη, εκτελεσμένη με καταγεγραμμένο αποτέλεσμα ή ακόμη υπό επαλήθευση.\n\nΤο Ling 3.1 Flash ανήκει στη σειρά γλωσσικών μοντέλων· η ξεχωριστή έκδοση Ling 3.0 Flash VL είναι το οπτικό μοντέλο του κατασκευαστή. Για αυτή την εργασία κειμένου, προετοιμάστε το περιεχόμενο πηγών σε κείμενο και διατηρήστε τη δομή, τις ετικέτες και την προέλευσή του. Προσδιορίστε τη γλώσσα και τη μορφή εξόδου, όπως συνοπτικό σημείωμα, πίνακα ευρημάτων, εξήγηση ενημέρωσης κώδικα ή αριθμημένο σχέδιο. Ζητήστε από το μοντέλο να επισημάνει τις πληροφορίες που λείπουν και ελέγξτε το ζητούμενο παραδοτέο ως προς τους αρχικούς περιορισμούς. Οι μεγάλες ροές εργασίας εξακολουθούν να χρειάζονται επιθεώρηση των ενδιάμεσων αποτελεσμάτων: διαφορετικά, μια αρχική λανθασμένη παραδοχή μπορεί να μεταφερθεί στη μεταγενέστερη συλλογιστική και να γυαλιστεί σε μια πειστική τελική έκθεση.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f1339fa3e872ad8e9f42d120f9e7333d943f38487fb61eb7c4f792bfa1fa8eca", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "el", "methods": [ { "html": "

•

inclusionAI: Ling 3.1 Flash

inclusionAI /inclusionai/ling-3.1-flash

Εισαγωγή

Το Ling 3.1 Flash είναι το υβριδικό μοντέλο συλλογιστικής της inclusionAI για εργασίες γραφείου, εκτεταμένη ανάπτυξη λογισμικού και σύνθετους πράκτορες. Η αραιή αρχιτεκτονική του με 560 δισ. παραμέτρους ενεργοποιεί περίπου 25 δισ. παραμέτρους ανά token, υποστηρίζοντας σχεδιασμό πολλών βημάτων, αλληλεπίδραση με εργαλεία και αναθεωρήσεις βάσει ενδιάμεσων αποτελεσμάτων.

Αποδεκτές είσοδοι: Κείμενο
Αποτελέσματα: Κείμενο

Σχετικά με το μοντέλο

Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.

Το Ling 3.1 Flash είναι το υβριδικό γλωσσικό μοντέλο συλλογιστικής της inclusionAI για εργασίες που περιλαμβάνουν πολλά στάδια και όχι μία σύντομη απάντηση. Ο κατασκευαστής το τοποθετεί για καθημερινές εργασίες γραφείου, εκτεταμένη μηχανική λογισμικού και σύνθετες ροές πρακτόρων. Χρησιμοποιεί αρχιτεκτονική μείγματος ειδικών με περίπου 560 δισ. συνολικές παραμέτρους και περίπου 25 δισ. ενεργές για κάθε token, εξισορροπώντας μεγάλη χωρητικότητα μοντέλου με μικρότερο όγκο ενεργών υπολογισμών.

Κεντρικός στόχος του σχεδιασμού του είναι η διατήρηση της κατάστασης της εργασίας και η διόρθωση της πορείας σε μεγαλύτερες εργασίες. Σε μια ροή συνδεδεμένη με εργαλεία, το μοντέλο μπορεί να σχεδιάζει πολλά βήματα, να ερμηνεύει ενδιάμεσα αποτελέσματα και να αναθεωρεί το επόμενο βήμα όταν αλλάζουν τα τεκμήρια. Δώστε του ακριβή στόχο, τα διαθέσιμα υλικά και έναν ορισμό ολοκλήρωσης. Για παράδειγμα: «Εξέτασε αυτές τις σημειώσεις συμβάντος, εντόπισε τις ανεπίλυτες αιτίες και δημιούργησε ένα ιεραρχημένο σχέδιο διερεύνησης. Για κάθε ενέργεια, ονόμασε τα τεκμήρια που χρειάζονται για να κριθεί αν λειτούργησε». Αυτό μετατρέπει ένα ασαφές αίτημα σε αποτέλεσμα που μπορεί να επιθεωρηθεί και να συνεχιστεί.

Για εργασίες γραφείου, χρήσιμες είσοδοι περιλαμβάνουν πρωτογενείς σημειώσεις, κείμενο που εξάγεται από έγγραφα, πίνακες με σαφείς ορισμούς στηλών και το προβλεπόμενο κοινό μιας έκθεσης. Δηλώστε την περίοδο, τις μονάδες και τη σύγκριση που θα χρησιμοποιηθούν. Ζητήστε γραπτό παραδοτέο, όπως ενημερωτικό σημείωμα διοίκησης, περίγραμμα έκθεσης ή εξήγηση των σημαντικών αλλαγών. Ένα παράδειγμα είναι: «Χρησιμοποιώντας μόνο αυτούς τους τριμηνιαίους πίνακες, εξήγησε τις μεγαλύτερες αλλαγές, διέκρινε τις παρατηρούμενες τιμές από τις παραδοχές και σύνταξε ενημερωτικό κείμενο με τα αναπάντητα ερωτήματα στο τέλος». Διατηρήστε τις ετικέτες πηγών μαζί με την είσοδο ώστε οι προκύπτοντες ισχυρισμοί να μπορούν να εντοπιστούν στο σωστό υλικό.

Για ανάπτυξη λογισμικού, ο κατασκευαστής αναδεικνύει την αναδιάρθρωση μεταξύ γλωσσών προγραμματισμού, τη βελτιστοποίηση επιδόσεων και την ανάλυση συχνά χρησιμοποιούμενων περιοχών μιας βάσης κώδικα. Παρέχετε τα σχετικά αρχεία ως κείμενο, τη συμπεριφορά που πρέπει να διατηρηθεί, τις εκδόσεις εξαρτήσεων και κάθε έξοδο αποτυχίας ή μέτρηση. Ένα χρήσιμο αίτημα ζητά προτεινόμενη αλλαγή και τους ελέγχους που απαιτούνται για την αξιολόγησή της: «Αναδιάρθρωσε αυτόν τον αναλυτή διατηρώντας την τεκμηριωμένη μορφή εξόδου. Εξήγησε τη συμπεριφορά που επηρεάζεται, παρουσίασε τον αναθεωρημένο κώδικα και εντόπισε περιπτώσεις που θα αποκάλυπταν παλινδρόμηση». Για εργασία επιδόσεων, παρέχετε πραγματικά προφίλ ή χρονισμούς και ζητήστε να συνδέσει κάθε σύσταση με ένα μετρημένο σημείο συμφόρησης.

Για επαγγελματική ανάλυση, συγκεντρώστε τους σχετικούς κανόνες, ορισμούς και τεκμήρια πριν ζητήσετε σύσταση. Το Ling 3.1 Flash προορίζεται να συνθέτει διάσπαρτες πληροφορίες, να ερμηνεύει δείκτες και να αναπτύσσει προτάσεις ενεργειών. Ζητήστε σύγκριση που κατονομάζει τις παραδοχές και τις υπόλοιπες πληροφορίες που απαιτούνται, αντί για ατεκμηρίωτη κρίση. Για παράδειγμα, παρέχετε πολλές προτάσεις έργων και ζητήστε σημείωμα απόφασης με τα ίδια κριτήρια για καθεμία, διαχωρίζοντας τις παρατηρήσεις που στηρίζονται σε πηγές από τις συναγόμενες συνέπειες. Όταν τα τεκμήρια συγκρούονται, ζητήστε τα αντικρουόμενα αποσπάσματα και το ερώτημα που θα έλυνε τη σύγκρουση.

Ο κατασκευαστής διακρίνει το ανώτατο όριο πλαισίου του μοντέλου, 1M token, από το πλαίσιο 256K που παρέχει επί του παρόντος η επίσημη υπηρεσία του. Αυτά τα μεγέθη περιγράφουν διαφορετικά όρια. Οργανώστε το υλικό εργασίας σύμφωνα με το ισχύον παράθυρο και κρατήστε χώρο για την απάντηση· ένα ανώτατο όριο σε επίπεδο μοντέλου δεν σημαίνει ότι κάθε διεπαφή δέχεται τόσο μεγάλη είσοδο. Για μεγάλη εργασία, κρατήστε μαζί τον στόχο, τις ολοκληρωμένες αποφάσεις, τα ανεπίλυτα ερωτήματα και τις παραπομπές πηγών. Χρησιμοποιήστε ρητά όρια γύρω από έγγραφα και κώδικα ώστε το υλικό προς ανάλυση να μη συγχέεται με οδηγίες προς εκτέλεση.

Προετοιμάστε τις εργασίες που συνδέονται με εργαλεία με σαφείς περιγραφές εργαλείων, αναμενόμενα ορίσματα και χρήσιμες εγγραφές αποτελεσμάτων. Επιστρέψτε τα πραγματικά αποτελέσματα στη συνομιλία ώστε η επόμενη πρόταση να βασίζεται σε παρατηρήσεις. Ζητήστε από το μοντέλο να εξηγήσει τι αλλάζει ένα επιστρεφόμενο αποτέλεσμα και ποια τεκμήρια εξακολουθούν να λείπουν. Ο σχεδιασμός του μοντέλου για πράκτορες υποστηρίζει αυτό το μοτίβο σχεδιασμού και ανατροφοδότησης· η περιβάλλουσα εφαρμογή εκτελεί τα βήματα εργαλείων και διατηρεί τα αποτελέσματά τους. Μια προτεινόμενη εντολή, αλλαγή κώδικα ή έκθεση είναι πιο χρήσιμη όταν η κατάστασή της είναι σαφής: προτεινόμενη, εκτελεσμένη με καταγεγραμμένο αποτέλεσμα ή ακόμη υπό επαλήθευση.

Το Ling 3.1 Flash ανήκει στη σειρά γλωσσικών μοντέλων· η ξεχωριστή έκδοση Ling 3.0 Flash VL είναι το οπτικό μοντέλο του κατασκευαστή. Για αυτή την εργασία κειμένου, προετοιμάστε το περιεχόμενο πηγών σε κείμενο και διατηρήστε τη δομή, τις ετικέτες και την προέλευσή του. Προσδιορίστε τη γλώσσα και τη μορφή εξόδου, όπως συνοπτικό σημείωμα, πίνακα ευρημάτων, εξήγηση ενημέρωσης κώδικα ή αριθμημένο σχέδιο. Ζητήστε από το μοντέλο να επισημάνει τις πληροφορίες που λείπουν και ελέγξτε το ζητούμενο παραδοτέο ως προς τους αρχικούς περιορισμούς. Οι μεγάλες ροές εργασίας εξακολουθούν να χρειάζονται επιθεώρηση των ενδιάμεσων αποτελεσμάτων: διαφορετικά, μια αρχική λανθασμένη παραδοχή μπορεί να μεταφερθεί στη μεταγενέστερη συλλογιστική και να γυαλιστεί σε μια πειστική τελική έκθεση.

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions

Είσοδος: text
Έξοδος: text
Μορφή εξόδου: json ή SSE

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια inclusionai/ling-3.1-flash	Προεπιλογή—
Πεδίο`messages`	Τύπος`message[]`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1	Προεπιλογή—
Πεδίο`messages[].role`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια Εξαρτάται από το μοντέλο	Προεπιλογή—
Πεδίο`messages[].content`	Τύπος`string`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια Εφαρμόζεται όταν: Συνομιλία κειμένου	Προεπιλογή—
Πεδίο`stream`	Τύπος`boolean`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια	Προεπιλογήfalse

Συνδυασμοί υλικών εισόδου

Κείμενο · Κείμενο UTF8

messages[].content

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`content_type`	Σύμβασηapplication/json
Παράμετρος`required`	Σύμβασηmodel, messages
Παράμετρος`material_types`	Σύμβασηtext
Παράμετρος`messages`	ΣύμβασηΠίνακας μηνυμάτων με δομή role/content
Παράμετρος`file_material`	Σύμβασηπραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου
Παράμετρος`optional_controls`	Σύμβασηstream
Παράμετρος`control_scope`	ΣύμβασηΣυνομιλία κειμένου· το stream είναι λογική τιμή και έχει προεπιλογή false.
Παράμετρος`output_modalities`	Σύμβασηtext
Παράμετρος`hosted_operations`	Σύμβασηfalse
Παράμετρος`multimodal_input_binding`	Σύμβασηnull

Εναλλακτικά ονόματα μεθόδου: /chat/completions

Κύκλος ζωής: synchronous_or_streamed

Στείλτε το ακριβές ID μοντέλου μαζί με το messages.

Το μήκος συμφραζομένων δεν είναι ανώτατο όριο εξόδου.

Ένα αρχείο κειμένου μπορεί να παρέχει αυτούσιο κείμενο· οι είσοδοι εικόνας/ήχου/αντικειμένων αρχείων χρειάζονται ακριβή αντιστοίχιση.

Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία: Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία
Λειτουργία flex: Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex
Μέγιστη προσπάθεια συλλογισμού: Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

Χρεώσεις Ailoot

Τιμές ανά διαμόρφωση

Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.

Διαμόρφωση	Πίνακας χρεώσεων	Token συμφραζομένων, πάνω από	Token συμφραζομένων, έως και	Χρέωση
ΔιαμόρφωσηΒασικές χρεώσεις ανά token	Πίνακας χρεώσεωνΒασική χρέωση	Token συμφραζομένων, πάνω από—	Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο	Χρέωση Είσοδος · Token εισόδου $0.0006 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00012 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token
ΔιαμόρφωσηΕπίπεδο 1 βάσει μήκους αιτήματος	Πίνακας χρεώσεων—	Token συμφραζομένων, πάνω από0	Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο	Χρέωση Είσοδος · Token εισόδου $0.0006 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00012 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token

Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →

Παραδείγματα αιτημάτων

Ailoot Ultra · OpenAI Chat

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":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n    if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\n

from 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="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n    # Keep every field, including usage, IDs, reasoning and tool requests.\n    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n    print(json.dumps(data, ensure_ascii=False, indent=2))\n    def save_blob(encoded, suffix, label):\n        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n        ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n        file = Path(stem + "-" + label + "." + ext)\n        file.write_bytes(raw)\n        print("Saved", file)\n    for index, block in enumerate(data.get("content") or []):\n        print("Content", index, json.dumps(block, ensure_ascii=False))\n    for choice in data.get("choices") or []:\n        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n    for index, item in enumerate(data.get("output") or []):\n        print("Output", index, json.dumps(item, ensure_ascii=False))\n        if item.get("type") == "image_generation_call" and item.get("result"):\n            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n    for ci, candidate in enumerate(data.get("candidates") or []):\n        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n            blob = part.get("inlineData") or part.get("inline_data")\n            if blob and blob.get("data"):\n                mime = blob.get("mimeType") or blob.get("mime_type")\n                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\n

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot Ultra · OpenAI Chat

json ή SSE

Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Διατηρήστε κάθε επιλογή και το περιεχόμενο/τις κλήσεις εργαλείων/το περιεχόμενο συλλογιστικής της. Στο SSE συνθέστε τις διαφορικές ενημερώσεις ανά δείκτη επιλογής/εργαλείου και κρατήστε την τελική αιτία τερματισμού και τα στοιχεία χρήσης.

Αν χρειάζεται έλεγχος της αρχικής απάντησης

Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.

Πεδία απάντησης

Πεδίο	Τύπος
Πεδίο`choices[].index`	Τύποςinteger
Πεδίο`choices[].message.content`	Τύποςstring\|null
Πεδίο`choices[].message.tool_calls`	Τύποςtool_call[]
Πεδίο`choices[].message.reasoning_content`	Τύποςstring
Πεδίο`choices[].message.reasoning_details`	Τύποςobject\|array
Πεδίο`choices[].finish_reason`	Τύποςstring\|null
Πεδίο`usage`	Τύποςobject

Σφάλματα και επόμενα βήματα

Απάντηση	Συνθήκη	Επόμενο βήμα
Απάντηση400 · `invalid_request_error`	ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου	Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.

Εναλλακτικά ονόματα

Εναλλακτικά ονόματα μοντέλου

Ailoot Ultra inclusionai/ling-3.1-flash

Εναλλακτικές διαδρομές μεθόδων

/chat/completions

Σχετικά ID μοντέλων

inclusionai/ling-3.1-flash

", "method_identity": { "effective_request_model_id": "inclusionai/ling-3.1-flash", "fmt": "chat", "http": "POST", "path": "/v1/chat/completions", "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra" }, "method_key": "Ultra|chat|/v1/chat/completions|inclusionai%2Fling-3.1-flash", "ordinal": 0, "rawMethod": { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Μη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου", "http_status": 400, "recovery": "Διορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Κείμενο UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "Διατηρήστε κάθε επιλογή και το περιεχόμενο/τις κλήσεις εργαλείων/το περιεχόμενο συλλογιστικής της. Στο SSE συνθέστε τις διαφορικές ενημερώσεις ανά δείκτη επιλογής/εργαλείου και κρατήστε την τελική αιτία τερματισμού και τα στοιχεία χρήσης.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json ή SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Συνομιλία κειμένου" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "Στείλτε το ακριβές ID μοντέλου μαζί με το messages.", "Το μήκος συμφραζομένων δεν είναι ανώτατο όριο εξόδου.", "Ένα αρχείο κειμένου μπορεί να παρέχει αυτούσιο κείμενο· οι είσοδοι εικόνας/ήχου/αντικειμένων αρχείων χρειάζονται ακριβή αντιστοίχιση." ], "input": { "content_type": "application/json", "control_scope": "Συνομιλία κειμένου· το stream είναι λογική τιμή και έχει προεπιλογή false.", "file_material": "πραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου", "hosted_operations": false, "material_types": [ "text" ], "messages": "Πίνακας μηνυμάτων με δομή role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Βασικές χρεώσεις ανά token", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Επίπεδο 1 βάσει μήκους αιτήματος", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\":\"inclusionai/ling-3.1-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"hello\"}],\"stream\":false}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"choices\",[]):\n if x.get(\"message\",{}).get(\"content\"): print(x[\"message\"][\"content\"])\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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=\"inclusionai/ling-3.1-flash\", messages=[{\"role\":\"user\",\"content\":\"hello\"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem=\"result\"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + \".json\").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding=\"utf-8\")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b\"-_\", validate=True)\n ext = \"png\" if raw.startswith(b\"\\x89PNG\\r\\n\\x1a\\n\") else \"jpg\" if raw.startswith(b\"\\xff\\xd8\") else \"webp\" if raw[:4] == b\"RIFF\" and raw[8:12] == b\"WEBP\" else suffix\n file = Path(stem + \"-\" + label + \".\" + ext)\n file.write_bytes(raw)\n print(\"Saved\", file)\n for index, block in enumerate(data.get(\"content\") or []):\n print(\"Content\", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get(\"choices\") or []:\n print(\"Choice\", choice.get(\"index\"), json.dumps(choice.get(\"message\", choice.get(\"delta\", {})), ensure_ascii=False))\n for index, item in enumerate(data.get(\"output\") or []):\n print(\"Output\", index, json.dumps(item, ensure_ascii=False))\n if item.get(\"type\") == \"image_generation_call\" and item.get(\"result\"):\n save_blob(item[\"result\"], item.get(\"output_format\") or \"bin\", \"output-\" + str(index))\n for ci, candidate in enumerate(data.get(\"candidates\") or []):\n for pi, part in enumerate((candidate.get(\"content\") or {}).get(\"parts\") or []):\n print(\"Candidate/part\", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get(\"inlineData\") or part.get(\"inline_data\")\n if blob and blob.get(\"data\"):\n mime = blob.get(\"mimeType\") or blob.get(\"mime_type\")\n suffix = {\"image/png\":\"png\", \"image/jpeg\":\"jpg\", \"image/webp\":\"webp\", \"audio/wav\":\"wav\", \"audio/mpeg\":\"mp3\", \"video/mp4\":\"mp4\"}.get(mime, \"bin\")\n save_blob(blob[\"data\"], suffix, \"candidate-\" + str(ci) + \"-part-\" + str(pi))\n\nsave_result(result.to_dict(mode=\"json\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.6, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 1.8, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "interval_boundary": "min_exclusive_max_inclusive", "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "null_rate_policy": "unknown or inherited; never zero", "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } }, { "html": "

•

inclusionAI: Ling 3.1 Flash

inclusionAI /inclusionai/ling-3.1-flash

Εισαγωγή

Το Ling 3.1 Flash είναι το υβριδικό μοντέλο συλλογιστικής της inclusionAI για εργασίες γραφείου, εκτεταμένη ανάπτυξη λογισμικού και σύνθετους πράκτορες. Η αραιή αρχιτεκτονική του με 560 δισ. παραμέτρους ενεργοποιεί περίπου 25 δισ. παραμέτρους ανά token, υποστηρίζοντας σχεδιασμό πολλών βημάτων, αλληλεπίδραση με εργαλεία και αναθεωρήσεις βάσει ενδιάμεσων αποτελεσμάτων.

Αποδεκτές είσοδοι: Κείμενο
Αποτελέσματα: json · sse

Σχετικά με το μοντέλο

Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.

Το Ling 3.1 Flash είναι το υβριδικό γλωσσικό μοντέλο συλλογιστικής της inclusionAI για εργασίες που περιλαμβάνουν πολλά στάδια και όχι μία σύντομη απάντηση. Ο κατασκευαστής το τοποθετεί για καθημερινές εργασίες γραφείου, εκτεταμένη μηχανική λογισμικού και σύνθετες ροές πρακτόρων. Χρησιμοποιεί αρχιτεκτονική μείγματος ειδικών με περίπου 560 δισ. συνολικές παραμέτρους και περίπου 25 δισ. ενεργές για κάθε token, εξισορροπώντας μεγάλη χωρητικότητα μοντέλου με μικρότερο όγκο ενεργών υπολογισμών.

Κεντρικός στόχος του σχεδιασμού του είναι η διατήρηση της κατάστασης της εργασίας και η διόρθωση της πορείας σε μεγαλύτερες εργασίες. Σε μια ροή συνδεδεμένη με εργαλεία, το μοντέλο μπορεί να σχεδιάζει πολλά βήματα, να ερμηνεύει ενδιάμεσα αποτελέσματα και να αναθεωρεί το επόμενο βήμα όταν αλλάζουν τα τεκμήρια. Δώστε του ακριβή στόχο, τα διαθέσιμα υλικά και έναν ορισμό ολοκλήρωσης. Για παράδειγμα: «Εξέτασε αυτές τις σημειώσεις συμβάντος, εντόπισε τις ανεπίλυτες αιτίες και δημιούργησε ένα ιεραρχημένο σχέδιο διερεύνησης. Για κάθε ενέργεια, ονόμασε τα τεκμήρια που χρειάζονται για να κριθεί αν λειτούργησε». Αυτό μετατρέπει ένα ασαφές αίτημα σε αποτέλεσμα που μπορεί να επιθεωρηθεί και να συνεχιστεί.

Για εργασίες γραφείου, χρήσιμες είσοδοι περιλαμβάνουν πρωτογενείς σημειώσεις, κείμενο που εξάγεται από έγγραφα, πίνακες με σαφείς ορισμούς στηλών και το προβλεπόμενο κοινό μιας έκθεσης. Δηλώστε την περίοδο, τις μονάδες και τη σύγκριση που θα χρησιμοποιηθούν. Ζητήστε γραπτό παραδοτέο, όπως ενημερωτικό σημείωμα διοίκησης, περίγραμμα έκθεσης ή εξήγηση των σημαντικών αλλαγών. Ένα παράδειγμα είναι: «Χρησιμοποιώντας μόνο αυτούς τους τριμηνιαίους πίνακες, εξήγησε τις μεγαλύτερες αλλαγές, διέκρινε τις παρατηρούμενες τιμές από τις παραδοχές και σύνταξε ενημερωτικό κείμενο με τα αναπάντητα ερωτήματα στο τέλος». Διατηρήστε τις ετικέτες πηγών μαζί με την είσοδο ώστε οι προκύπτοντες ισχυρισμοί να μπορούν να εντοπιστούν στο σωστό υλικό.

Για ανάπτυξη λογισμικού, ο κατασκευαστής αναδεικνύει την αναδιάρθρωση μεταξύ γλωσσών προγραμματισμού, τη βελτιστοποίηση επιδόσεων και την ανάλυση συχνά χρησιμοποιούμενων περιοχών μιας βάσης κώδικα. Παρέχετε τα σχετικά αρχεία ως κείμενο, τη συμπεριφορά που πρέπει να διατηρηθεί, τις εκδόσεις εξαρτήσεων και κάθε έξοδο αποτυχίας ή μέτρηση. Ένα χρήσιμο αίτημα ζητά προτεινόμενη αλλαγή και τους ελέγχους που απαιτούνται για την αξιολόγησή της: «Αναδιάρθρωσε αυτόν τον αναλυτή διατηρώντας την τεκμηριωμένη μορφή εξόδου. Εξήγησε τη συμπεριφορά που επηρεάζεται, παρουσίασε τον αναθεωρημένο κώδικα και εντόπισε περιπτώσεις που θα αποκάλυπταν παλινδρόμηση». Για εργασία επιδόσεων, παρέχετε πραγματικά προφίλ ή χρονισμούς και ζητήστε να συνδέσει κάθε σύσταση με ένα μετρημένο σημείο συμφόρησης.

Για επαγγελματική ανάλυση, συγκεντρώστε τους σχετικούς κανόνες, ορισμούς και τεκμήρια πριν ζητήσετε σύσταση. Το Ling 3.1 Flash προορίζεται να συνθέτει διάσπαρτες πληροφορίες, να ερμηνεύει δείκτες και να αναπτύσσει προτάσεις ενεργειών. Ζητήστε σύγκριση που κατονομάζει τις παραδοχές και τις υπόλοιπες πληροφορίες που απαιτούνται, αντί για ατεκμηρίωτη κρίση. Για παράδειγμα, παρέχετε πολλές προτάσεις έργων και ζητήστε σημείωμα απόφασης με τα ίδια κριτήρια για καθεμία, διαχωρίζοντας τις παρατηρήσεις που στηρίζονται σε πηγές από τις συναγόμενες συνέπειες. Όταν τα τεκμήρια συγκρούονται, ζητήστε τα αντικρουόμενα αποσπάσματα και το ερώτημα που θα έλυνε τη σύγκρουση.

Ο κατασκευαστής διακρίνει το ανώτατο όριο πλαισίου του μοντέλου, 1M token, από το πλαίσιο 256K που παρέχει επί του παρόντος η επίσημη υπηρεσία του. Αυτά τα μεγέθη περιγράφουν διαφορετικά όρια. Οργανώστε το υλικό εργασίας σύμφωνα με το ισχύον παράθυρο και κρατήστε χώρο για την απάντηση· ένα ανώτατο όριο σε επίπεδο μοντέλου δεν σημαίνει ότι κάθε διεπαφή δέχεται τόσο μεγάλη είσοδο. Για μεγάλη εργασία, κρατήστε μαζί τον στόχο, τις ολοκληρωμένες αποφάσεις, τα ανεπίλυτα ερωτήματα και τις παραπομπές πηγών. Χρησιμοποιήστε ρητά όρια γύρω από έγγραφα και κώδικα ώστε το υλικό προς ανάλυση να μη συγχέεται με οδηγίες προς εκτέλεση.

Προετοιμάστε τις εργασίες που συνδέονται με εργαλεία με σαφείς περιγραφές εργαλείων, αναμενόμενα ορίσματα και χρήσιμες εγγραφές αποτελεσμάτων. Επιστρέψτε τα πραγματικά αποτελέσματα στη συνομιλία ώστε η επόμενη πρόταση να βασίζεται σε παρατηρήσεις. Ζητήστε από το μοντέλο να εξηγήσει τι αλλάζει ένα επιστρεφόμενο αποτέλεσμα και ποια τεκμήρια εξακολουθούν να λείπουν. Ο σχεδιασμός του μοντέλου για πράκτορες υποστηρίζει αυτό το μοτίβο σχεδιασμού και ανατροφοδότησης· η περιβάλλουσα εφαρμογή εκτελεί τα βήματα εργαλείων και διατηρεί τα αποτελέσματά τους. Μια προτεινόμενη εντολή, αλλαγή κώδικα ή έκθεση είναι πιο χρήσιμη όταν η κατάστασή της είναι σαφής: προτεινόμενη, εκτελεσμένη με καταγεγραμμένο αποτέλεσμα ή ακόμη υπό επαλήθευση.

Το Ling 3.1 Flash ανήκει στη σειρά γλωσσικών μοντέλων· η ξεχωριστή έκδοση Ling 3.0 Flash VL είναι το οπτικό μοντέλο του κατασκευαστή. Για αυτή την εργασία κειμένου, προετοιμάστε το περιεχόμενο πηγών σε κείμενο και διατηρήστε τη δομή, τις ετικέτες και την προέλευσή του. Προσδιορίστε τη γλώσσα και τη μορφή εξόδου, όπως συνοπτικό σημείωμα, πίνακα ευρημάτων, εξήγηση ενημέρωσης κώδικα ή αριθμημένο σχέδιο. Ζητήστε από το μοντέλο να επισημάνει τις πληροφορίες που λείπουν και ελέγξτε το ζητούμενο παραδοτέο ως προς τους αρχικούς περιορισμούς. Οι μεγάλες ροές εργασίας εξακολουθούν να χρειάζονται επιθεώρηση των ενδιάμεσων αποτελεσμάτων: διαφορετικά, μια αρχική λανθασμένη παραδοχή μπορεί να μεταφερθεί στη μεταγενέστερη συλλογιστική και να γυαλιστεί σε μια πειστική τελική έκθεση.

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot Ultra · Anthropic Messages POST /v1/messages

Είσοδος: text
Έξοδος: json, sse
Μορφή εξόδου: JSON ή SSE

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια inclusionai/ling-3.1-flash	Προεπιλογή—
Πεδίο`messages`	Τύπος`message[]`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια	Προεπιλογή—
Πεδίο`messages[].role`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια user, assistant	Προεπιλογή—
Πεδίο`messages[].content`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια	Προεπιλογή—
Πεδίο`max_tokens`	Τύπος`integer`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια	Προεπιλογή—
Πεδίο`stream`	Τύπος`boolean`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια	Προεπιλογήfalse

Συνδυασμοί υλικών εισόδου

Κείμενο · Κείμενο UTF-8

Συμβολοσειρά messages[].content

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`content_type`	Σύμβασηapplication/json
Παράμετρος`required`	Σύμβασηmodel, messages, max_tokens
Παράμετρος`optional_controls`	Σύμβασηstream
Παράμετρος`material_types`	Σύμβασηtext
Παράμετρος`text_file_material`	ΣύμβασηΔιαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος.

Κύκλος ζωής: synchronous_or_streamed

Τιμολόγηση

Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.

Γρήγορη λειτουργία: Δεν έχει οριστεί Όταν επιλέγεται η γρήγορη λειτουργία
Λειτουργία flex: Δεν έχει οριστεί Όταν επιλέγεται η λειτουργία flex
Μέγιστη προσπάθεια συλλογισμού: Δεν έχει οριστεί Όταν η μέγιστη προσπάθεια συλλογισμού χρησιμοποιεί την προσαρμογή default

Χρεώσεις Ailoot

Τιμές ανά διαμόρφωση

Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.

Διαμόρφωση	Πίνακας χρεώσεων	Token συμφραζομένων, πάνω από	Token συμφραζομένων, έως και	Χρέωση
ΔιαμόρφωσηΒασικές χρεώσεις ανά token	Πίνακας χρεώσεωνΒασική χρέωση	Token συμφραζομένων, πάνω από—	Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο	Χρέωση Είσοδος · Token εισόδου $0.0006 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00012 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token
ΔιαμόρφωσηΕπίπεδο 1 βάσει μήκους αιτήματος	Πίνακας χρεώσεων—	Token συμφραζομένων, πάνω από0	Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο	Χρέωση Είσοδος · Token εισόδου $0.0006 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00012 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token

Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →

Παραδείγματα αιτημάτων

Ailoot Ultra · Anthropic Messages

{\n  "model": "inclusionai/ling-3.1-flash",\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': 'inclusionai/ling-3.1-flash', '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\n

import 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': 'inclusionai/ling-3.1-flash', '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))\n

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot Ultra · Anthropic Messages

JSON ή SSE

Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Διατηρήστε όλα τα μπλοκ περιεχομένου, τις υπογραφές συλλογιστικής και τα πραγματικά ID χρήσης εργαλείων. Συνθέστε όλες τις διαφορικές ενημερώσεις μπλοκ SSE· το πρώτο μπλοκ κειμένου δεν είναι η πλήρης έξοδος.

Αν χρειάζεται έλεγχος της αρχικής απάντησης

Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.

Πεδία απάντησης

Πεδίο	Τύπος
Πεδίο`id`	Τύποςstring
Πεδίο`model`	Τύποςstring
Πεδίο`content[]`	Τύποςtext\|thinking\|tool_use\|other content block
Πεδίο`stop_reason`	Τύποςstring\|null
Πεδίο`usage`	Τύποςobject

Σφάλματα και επόμενα βήματα

Απάντηση	Συνθήκη	Επόμενο βήμα
Απάντηση400 · `invalid_request_error`	ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου	Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.

Εναλλακτικά ονόματα

Εναλλακτικά ονόματα μοντέλου

Ailoot Ultra inclusionai/ling-3.1-flash

Εναλλακτικές διαδρομές μεθόδων

/chat/completions

Σχετικά ID μοντέλων

inclusionai/ling-3.1-flash

", "method_identity": { "effective_request_model_id": "inclusionai/ling-3.1-flash", "fmt": "messages", "http": "POST", "path": "/v1/messages", "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra" }, "method_key": "Ultra|messages|/v1/messages|inclusionai%2Fling-3.1-flash", "ordinal": 1, "rawMethod": { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "authentication": { "api_key_source": "AILOOT_API_KEY", "headers": [ "Authorization: Bearer", "x-api-key", "anthropic-version" ], "version_example": "2023-06-01" }, "errors": [ { "code": null, "condition": "Μη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου", "http_status": 400, "recovery": "Διορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.", "type": "invalid_request_error" } ], "example_body": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου." }, "material_combinations": [ { "mode": "text", "representation": "Συμβολοσειρά messages[].content", "required_material": "Κείμενο UTF-8" } ], "operation_modes": [ "synchronous_json", "streamed_SSE" ], "outputs": { "all_results": "Διατηρήστε όλα τα μπλοκ περιεχομένου, τις υπογραφές συλλογιστικής και τα πραγματικά ID χρήσης εργαλείων. Συνθέστε όλες τις διαφορικές ενημερώσεις μπλοκ SSE· το πρώτο μπλοκ κειμένου δεν είναι η πλήρης έξοδος.", "family": "protocol", "fields": [ { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "content[]", "type": "text|thinking|tool_use|other content block" }, { "description": null, "name": "stop_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "JSON ή SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages", "required": true, "type": "message[]" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "user", "assistant" ], "enum_known": true, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "max_tokens", "required": true, "type": "integer" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Documented current stock Messages bridge; optional model capabilities are separate from this minimal text request.", "request_schema": { "additionalProperties": false, "properties": { "max_tokens": { "minimum": 1, "type": "integer" }, "messages": { "items": { "additionalProperties": false, "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "source": { "oneOf": [ { "properties": { "type": { "const": "url" }, "url": { "type": "string" } }, "required": [ "type", "url" ], "type": "object" }, { "properties": { "data": { "type": "string" }, "media_type": { "type": "string" }, "type": { "const": "base64" } }, "required": [ "type", "media_type", "data" ], "type": "object" } ] }, "type": { "const": "image" } }, "required": [ "type", "source" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "enum": [ "user", "assistant" ], "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "type": "array" }, "model": { "enum": [ "inclusionai/ling-3.1-flash" ], "type": "string" }, "stream": { "default": false, "type": "boolean" } }, "required": [ "model", "messages", "max_tokens" ], "type": "object" }, "schema_template": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "unsupported": [ "No query API key.", "Hosted/server-side tools and model-specific optional controls are not part of this minimal family example." ] }, "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": [ "stream" ], "required": [ "model", "messages", "max_tokens" ], "text_file_material": "Διαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος." }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Keep request/response IDs and headers. No generic text job retrieval URL is supplied." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/messages" }, "output": { "all_results": "Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.", "family": "protocol", "format": "JSON or SSE" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Βασικές χρεώσεις ανά token", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Επίπεδο 1 βάσει μήκους αιτήματος", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "{\n \"model\": \"inclusionai/ling-3.1-flash\",\n \"max_tokens\": 128,\n \"messages\": [\n {\n \"role\": \"user\",\n \"content\": \"Summarize the incident report.\"\n }\n ],\n \"stream\": false\n}", "label": "Complete minimal JSON body", "language": "json" }, { "code": "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': 'inclusionai/ling-3.1-flash', '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\n", "label": "curl · use your UTF-8 document", "language": "bash" }, { "code": "import 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': 'inclusionai/ling-3.1-flash', '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))\n", "label": "Python · save the complete result", "language": "python" } ], "family": "anthropic", "fast_multiplier": null, "flex_multiplier": null, "fmt": "messages", "http": "POST", "in": 0.6, "input": [ "text" ], "label": "Anthropic Messages", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 1.8, "output": [ "json", "sse" ], "path": "/v1/messages", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "inclusionai/ling-3.1-flash", "nativeProvenance": { "input_facts_canonical_sha256": "68527cfa0c9afb37c95c79a3aade2a3cd345b465a51eb196cbe56b4241fefa28", "input_html_sha256": "9de350d4cabf9434cfc77f6d51a434741a86ac35a9f3ad2ab5f999a073a9fbde", "private_audit_sha256": "5eea142cc4758825950f144548e4229f632b416ea89264b4b70b72fc417c1df0", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/el/inclusionai-ling-3-1-flash/", "description": "Το Ling 3.1 Flash είναι το υβριδικό μοντέλο συλλογιστικής της inclusionAI για εργασίες γραφείου, εκτεταμένη ανάπτυξη λογισμικού και σύνθετους πράκτορες. Η αραιή αρχιτεκτονική του με 560 δισ. παραμέτρους ενεργοποιεί περίπου 25 δισ. παραμέτρους ανά token, υποστηρίζοντας σχεδιασμό πολλών βημάτων, αλληλεπίδραση με εργαλεία και αναθεωρήσεις βάσει ενδιάμεσων αποτελεσμάτων.", "locale": "el", "md_url": "https://ailoot.ai/models/el/inclusionai-ling-3-1-flash/index.md", "title": "inclusionAI: Ling 3.1 Flash — Ailoot", "url": "https://ailoot.ai/models/el/inclusionai-ling-3-1-flash/" }, "rawModel": { "about": "Το Ling 3.1 Flash είναι το υβριδικό γλωσσικό μοντέλο συλλογιστικής της inclusionAI για εργασίες που περιλαμβάνουν πολλά στάδια και όχι μία σύντομη απάντηση. Ο κατασκευαστής το τοποθετεί για καθημερινές εργασίες γραφείου, εκτεταμένη μηχανική λογισμικού και σύνθετες ροές πρακτόρων. Χρησιμοποιεί αρχιτεκτονική μείγματος ειδικών με περίπου 560 δισ. συνολικές παραμέτρους και περίπου 25 δισ. ενεργές για κάθε token, εξισορροπώντας μεγάλη χωρητικότητα μοντέλου με μικρότερο όγκο ενεργών υπολογισμών.\n\nΚεντρικός στόχος του σχεδιασμού του είναι η διατήρηση της κατάστασης της εργασίας και η διόρθωση της πορείας σε μεγαλύτερες εργασίες. Σε μια ροή συνδεδεμένη με εργαλεία, το μοντέλο μπορεί να σχεδιάζει πολλά βήματα, να ερμηνεύει ενδιάμεσα αποτελέσματα και να αναθεωρεί το επόμενο βήμα όταν αλλάζουν τα τεκμήρια. Δώστε του ακριβή στόχο, τα διαθέσιμα υλικά και έναν ορισμό ολοκλήρωσης. Για παράδειγμα: «Εξέτασε αυτές τις σημειώσεις συμβάντος, εντόπισε τις ανεπίλυτες αιτίες και δημιούργησε ένα ιεραρχημένο σχέδιο διερεύνησης. Για κάθε ενέργεια, ονόμασε τα τεκμήρια που χρειάζονται για να κριθεί αν λειτούργησε». Αυτό μετατρέπει ένα ασαφές αίτημα σε αποτέλεσμα που μπορεί να επιθεωρηθεί και να συνεχιστεί.\n\nΓια εργασίες γραφείου, χρήσιμες είσοδοι περιλαμβάνουν πρωτογενείς σημειώσεις, κείμενο που εξάγεται από έγγραφα, πίνακες με σαφείς ορισμούς στηλών και το προβλεπόμενο κοινό μιας έκθεσης. Δηλώστε την περίοδο, τις μονάδες και τη σύγκριση που θα χρησιμοποιηθούν. Ζητήστε γραπτό παραδοτέο, όπως ενημερωτικό σημείωμα διοίκησης, περίγραμμα έκθεσης ή εξήγηση των σημαντικών αλλαγών. Ένα παράδειγμα είναι: «Χρησιμοποιώντας μόνο αυτούς τους τριμηνιαίους πίνακες, εξήγησε τις μεγαλύτερες αλλαγές, διέκρινε τις παρατηρούμενες τιμές από τις παραδοχές και σύνταξε ενημερωτικό κείμενο με τα αναπάντητα ερωτήματα στο τέλος». Διατηρήστε τις ετικέτες πηγών μαζί με την είσοδο ώστε οι προκύπτοντες ισχυρισμοί να μπορούν να εντοπιστούν στο σωστό υλικό.\n\nΓια ανάπτυξη λογισμικού, ο κατασκευαστής αναδεικνύει την αναδιάρθρωση μεταξύ γλωσσών προγραμματισμού, τη βελτιστοποίηση επιδόσεων και την ανάλυση συχνά χρησιμοποιούμενων περιοχών μιας βάσης κώδικα. Παρέχετε τα σχετικά αρχεία ως κείμενο, τη συμπεριφορά που πρέπει να διατηρηθεί, τις εκδόσεις εξαρτήσεων και κάθε έξοδο αποτυχίας ή μέτρηση. Ένα χρήσιμο αίτημα ζητά προτεινόμενη αλλαγή και τους ελέγχους που απαιτούνται για την αξιολόγησή της: «Αναδιάρθρωσε αυτόν τον αναλυτή διατηρώντας την τεκμηριωμένη μορφή εξόδου. Εξήγησε τη συμπεριφορά που επηρεάζεται, παρουσίασε τον αναθεωρημένο κώδικα και εντόπισε περιπτώσεις που θα αποκάλυπταν παλινδρόμηση». Για εργασία επιδόσεων, παρέχετε πραγματικά προφίλ ή χρονισμούς και ζητήστε να συνδέσει κάθε σύσταση με ένα μετρημένο σημείο συμφόρησης.\n\nΓια επαγγελματική ανάλυση, συγκεντρώστε τους σχετικούς κανόνες, ορισμούς και τεκμήρια πριν ζητήσετε σύσταση. Το Ling 3.1 Flash προορίζεται να συνθέτει διάσπαρτες πληροφορίες, να ερμηνεύει δείκτες και να αναπτύσσει προτάσεις ενεργειών. Ζητήστε σύγκριση που κατονομάζει τις παραδοχές και τις υπόλοιπες πληροφορίες που απαιτούνται, αντί για ατεκμηρίωτη κρίση. Για παράδειγμα, παρέχετε πολλές προτάσεις έργων και ζητήστε σημείωμα απόφασης με τα ίδια κριτήρια για καθεμία, διαχωρίζοντας τις παρατηρήσεις που στηρίζονται σε πηγές από τις συναγόμενες συνέπειες. Όταν τα τεκμήρια συγκρούονται, ζητήστε τα αντικρουόμενα αποσπάσματα και το ερώτημα που θα έλυνε τη σύγκρουση.\n\nΟ κατασκευαστής διακρίνει το ανώτατο όριο πλαισίου του μοντέλου, 1M token, από το πλαίσιο 256K που παρέχει επί του παρόντος η επίσημη υπηρεσία του. Αυτά τα μεγέθη περιγράφουν διαφορετικά όρια. Οργανώστε το υλικό εργασίας σύμφωνα με το ισχύον παράθυρο και κρατήστε χώρο για την απάντηση· ένα ανώτατο όριο σε επίπεδο μοντέλου δεν σημαίνει ότι κάθε διεπαφή δέχεται τόσο μεγάλη είσοδο. Για μεγάλη εργασία, κρατήστε μαζί τον στόχο, τις ολοκληρωμένες αποφάσεις, τα ανεπίλυτα ερωτήματα και τις παραπομπές πηγών. Χρησιμοποιήστε ρητά όρια γύρω από έγγραφα και κώδικα ώστε το υλικό προς ανάλυση να μη συγχέεται με οδηγίες προς εκτέλεση.\n\nΠροετοιμάστε τις εργασίες που συνδέονται με εργαλεία με σαφείς περιγραφές εργαλείων, αναμενόμενα ορίσματα και χρήσιμες εγγραφές αποτελεσμάτων. Επιστρέψτε τα πραγματικά αποτελέσματα στη συνομιλία ώστε η επόμενη πρόταση να βασίζεται σε παρατηρήσεις. Ζητήστε από το μοντέλο να εξηγήσει τι αλλάζει ένα επιστρεφόμενο αποτέλεσμα και ποια τεκμήρια εξακολουθούν να λείπουν. Ο σχεδιασμός του μοντέλου για πράκτορες υποστηρίζει αυτό το μοτίβο σχεδιασμού και ανατροφοδότησης· η περιβάλλουσα εφαρμογή εκτελεί τα βήματα εργαλείων και διατηρεί τα αποτελέσματά τους. Μια προτεινόμενη εντολή, αλλαγή κώδικα ή έκθεση είναι πιο χρήσιμη όταν η κατάστασή της είναι σαφής: προτεινόμενη, εκτελεσμένη με καταγεγραμμένο αποτέλεσμα ή ακόμη υπό επαλήθευση.\n\nΤο Ling 3.1 Flash ανήκει στη σειρά γλωσσικών μοντέλων· η ξεχωριστή έκδοση Ling 3.0 Flash VL είναι το οπτικό μοντέλο του κατασκευαστή. Για αυτή την εργασία κειμένου, προετοιμάστε το περιεχόμενο πηγών σε κείμενο και διατηρήστε τη δομή, τις ετικέτες και την προέλευσή του. Προσδιορίστε τη γλώσσα και τη μορφή εξόδου, όπως συνοπτικό σημείωμα, πίνακα ευρημάτων, εξήγηση ενημέρωσης κώδικα ή αριθμημένο σχέδιο. Ζητήστε από το μοντέλο να επισημάνει τις πληροφορίες που λείπουν και ελέγξτε το ζητούμενο παραδοτέο ως προς τους αρχικούς περιορισμούς. Οι μεγάλες ροές εργασίας εξακολουθούν να χρειάζονται επιθεώρηση των ενδιάμεσων αποτελεσμάτων: διαφορετικά, μια αρχική λανθασμένη παραδοχή μπορεί να μεταφερθεί στη μεταγενέστερη συλλογιστική και να γυαλιστεί σε μια πειστική τελική έκθεση.", "alias_of": null, "aliases": [], "author": "inclusionAI", "capabilities": { "context_length": 262144, "manufacturer_input": [ "text" ], "manufacturer_output": [ "text" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Πλήρης τιμολόγηση της διαμόρφωσης στις λεπτομέρειες." } ], "ctx": null, "formats": [ "chat", "messages" ], "id": "inclusionai/ling-3.1-flash", "input": [ "text" ], "kind": "text", "max_out": null, "methods": [ { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Μη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου", "http_status": 400, "recovery": "Διορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Κείμενο UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "Διατηρήστε κάθε επιλογή και το περιεχόμενο/τις κλήσεις εργαλείων/το περιεχόμενο συλλογιστικής της. Στο SSE συνθέστε τις διαφορικές ενημερώσεις ανά δείκτη επιλογής/εργαλείου και κρατήστε την τελική αιτία τερματισμού και τα στοιχεία χρήσης.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json ή SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Συνομιλία κειμένου" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "Στείλτε το ακριβές ID μοντέλου μαζί με το messages.", "Το μήκος συμφραζομένων δεν είναι ανώτατο όριο εξόδου.", "Ένα αρχείο κειμένου μπορεί να παρέχει αυτούσιο κείμενο· οι είσοδοι εικόνας/ήχου/αντικειμένων αρχείων χρειάζονται ακριβή αντιστοίχιση." ], "input": { "content_type": "application/json", "control_scope": "Συνομιλία κειμένου· το stream είναι λογική τιμή και έχει προεπιλογή false.", "file_material": "πραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου", "hosted_operations": false, "material_types": [ "text" ], "messages": "Πίνακας μηνυμάτων με δομή role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Βασικές χρεώσεις ανά token", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Επίπεδο 1 βάσει μήκους αιτήματος", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\":\"inclusionai/ling-3.1-flash\",\"messages\":[{\"role\":\"user\",\"content\":\"hello\"}],\"stream\":false}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"choices\",[]):\n if x.get(\"message\",{}).get(\"content\"): print(x[\"message\"][\"content\"])\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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=\"inclusionai/ling-3.1-flash\", messages=[{\"role\":\"user\",\"content\":\"hello\"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem=\"result\"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + \".json\").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding=\"utf-8\")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b\"-_\", validate=True)\n ext = \"png\" if raw.startswith(b\"\\x89PNG\\r\\n\\x1a\\n\") else \"jpg\" if raw.startswith(b\"\\xff\\xd8\") else \"webp\" if raw[:4] == b\"RIFF\" and raw[8:12] == b\"WEBP\" else suffix\n file = Path(stem + \"-\" + label + \".\" + ext)\n file.write_bytes(raw)\n print(\"Saved\", file)\n for index, block in enumerate(data.get(\"content\") or []):\n print(\"Content\", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get(\"choices\") or []:\n print(\"Choice\", choice.get(\"index\"), json.dumps(choice.get(\"message\", choice.get(\"delta\", {})), ensure_ascii=False))\n for index, item in enumerate(data.get(\"output\") or []):\n print(\"Output\", index, json.dumps(item, ensure_ascii=False))\n if item.get(\"type\") == \"image_generation_call\" and item.get(\"result\"):\n save_blob(item[\"result\"], item.get(\"output_format\") or \"bin\", \"output-\" + str(index))\n for ci, candidate in enumerate(data.get(\"candidates\") or []):\n for pi, part in enumerate((candidate.get(\"content\") or {}).get(\"parts\") or []):\n print(\"Candidate/part\", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get(\"inlineData\") or part.get(\"inline_data\")\n if blob and blob.get(\"data\"):\n mime = blob.get(\"mimeType\") or blob.get(\"mime_type\")\n suffix = {\"image/png\":\"png\", \"image/jpeg\":\"jpg\", \"image/webp\":\"webp\", \"audio/wav\":\"wav\", \"audio/mpeg\":\"mp3\", \"video/mp4\":\"mp4\"}.get(mime, \"bin\")\n save_blob(blob[\"data\"], suffix, \"candidate-\" + str(ci) + \"-part-\" + str(pi))\n\nsave_result(result.to_dict(mode=\"json\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.6, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 1.8, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "interval_boundary": "min_exclusive_max_inclusive", "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "null_rate_policy": "unknown or inherited; never zero", "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "authentication": { "api_key_source": "AILOOT_API_KEY", "headers": [ "Authorization: Bearer", "x-api-key", "anthropic-version" ], "version_example": "2023-06-01" }, "errors": [ { "code": null, "condition": "Μη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου", "http_status": 400, "recovery": "Διορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.", "type": "invalid_request_error" } ], "example_body": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου." }, "material_combinations": [ { "mode": "text", "representation": "Συμβολοσειρά messages[].content", "required_material": "Κείμενο UTF-8" } ], "operation_modes": [ "synchronous_json", "streamed_SSE" ], "outputs": { "all_results": "Διατηρήστε όλα τα μπλοκ περιεχομένου, τις υπογραφές συλλογιστικής και τα πραγματικά ID χρήσης εργαλείων. Συνθέστε όλες τις διαφορικές ενημερώσεις μπλοκ SSE· το πρώτο μπλοκ κειμένου δεν είναι η πλήρης έξοδος.", "family": "protocol", "fields": [ { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "content[]", "type": "text|thinking|tool_use|other content block" }, { "description": null, "name": "stop_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "JSON ή SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages", "required": true, "type": "message[]" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "user", "assistant" ], "enum_known": true, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "max_tokens", "required": true, "type": "integer" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Documented current stock Messages bridge; optional model capabilities are separate from this minimal text request.", "request_schema": { "additionalProperties": false, "properties": { "max_tokens": { "minimum": 1, "type": "integer" }, "messages": { "items": { "additionalProperties": false, "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "source": { "oneOf": [ { "properties": { "type": { "const": "url" }, "url": { "type": "string" } }, "required": [ "type", "url" ], "type": "object" }, { "properties": { "data": { "type": "string" }, "media_type": { "type": "string" }, "type": { "const": "base64" } }, "required": [ "type", "media_type", "data" ], "type": "object" } ] }, "type": { "const": "image" } }, "required": [ "type", "source" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "enum": [ "user", "assistant" ], "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "type": "array" }, "model": { "enum": [ "inclusionai/ling-3.1-flash" ], "type": "string" }, "stream": { "default": false, "type": "boolean" } }, "required": [ "model", "messages", "max_tokens" ], "type": "object" }, "schema_template": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "unsupported": [ "No query API key.", "Hosted/server-side tools and model-specific optional controls are not part of this minimal family example." ] }, "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": [ "stream" ], "required": [ "model", "messages", "max_tokens" ], "text_file_material": "Διαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος." }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Keep request/response IDs and headers. No generic text job retrieval URL is supplied." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/messages" }, "output": { "all_results": "Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.", "family": "protocol", "format": "JSON or SSE" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Βασικές χρεώσεις ανά token", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Επίπεδο 1 βάσει μήκους αιτήματος", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "{\n \"model\": \"inclusionai/ling-3.1-flash\",\n \"max_tokens\": 128,\n \"messages\": [\n {\n \"role\": \"user\",\n \"content\": \"Summarize the incident report.\"\n }\n ],\n \"stream\": false\n}", "label": "Complete minimal JSON body", "language": "json" }, { "code": "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': 'inclusionai/ling-3.1-flash', '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\n", "label": "curl · use your UTF-8 document", "language": "bash" }, { "code": "import 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': 'inclusionai/ling-3.1-flash', '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))\n", "label": "Python · save the complete result", "language": "python" } ], "family": "anthropic", "fast_multiplier": null, "flex_multiplier": null, "fmt": "messages", "http": "POST", "in": 0.6, "input": [ "text" ], "label": "Anthropic Messages", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 1.8, "output": [ "json", "sse" ], "path": "/v1/messages", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "inclusionai/ling-3.1-flash", "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra" } ], "name": "inclusionAI: Ling 3.1 Flash", "price": { "in": 0.6, "in_label": null, "out": 1.8, "out_label": null, "scope_label": "Token rates", "sort_in": 0.6, "sort_out": 1.8, "varies": true }, "short": "Το Ling 3.1 Flash είναι το υβριδικό μοντέλο συλλογιστικής της inclusionAI για εργασίες γραφείου, εκτεταμένη ανάπτυξη λογισμικού και σύνθετους πράκτορες. Η αραιή αρχιτεκτονική του με 560 δισ. παραμέτρους ενεργοποιεί περίπου 25 δισ. παραμέτρους ανά token, υποστηρίζοντας σχεδιασμό πολλών βημάτων, αλληλεπίδραση με εργαλεία και αναθεωρήσεις βάσει ενδιάμεσων αποτελεσμάτων." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Το Ling 3.1 Flash είναι το υβριδικό μοντέλο συλλογιστικής της inclusionAI για εργασίες γραφείου, εκτεταμένη ανάπτυξη λογισμικού και σύνθετους πράκτορες. Η αραιή αρχιτεκτονική του με 560 δισ. παραμέτρους ενεργοποιεί περίπου 25 δισ. παραμέτρους ανά token, υποστηρίζοντας σχεδιασμό πολλών βημάτων, αλληλεπίδραση με εργαλεία και αναθεωρήσεις βάσει ενδιάμεσων αποτελεσμάτων.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "527c570d04f743b076174170a5bce5eb676369a7dd7ccdf62a8c94af91c0058f", "renderer_sha256": "3ed36f7af4f78822bafbd174fdcaed7b698a18a86efe254253d37f1b098a7566" }, "sourceRevision": "95feb536572136a62a8a10d6398f05890960c576dfccb78d2cdeb432f412d5f2" }