Το Llama 3.3 70B Instruct είναι το γλωσσικό μοντέλο 70 δισεκατομμυρίων παραμέτρων της Meta που έχει προσαρμοστεί σε οδηγίες. Δέχεται κείμενο και επιστρέφει κείμενο ή κώδικα. Η Meta σχεδιάζει αυτή την έκδοση για πολυγλωσσικό διάλογο βοηθού, χρησιμοποιώντας εποπτευόμενη λεπτομερή προσαρμογή και ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση για να διαμορφώσει τον τρόπο με τον οποίο ανταποκρίνεται σε οδηγίες.
Ο κατασκευαστής απαριθμεί αγγλικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, χίντι, ισπανικά και ταϊλανδικά ως υποστηριζόμενες γλώσσες. Ονομάστε τη γλώσσα της τελικής απάντησης και δώστε οποιαδήποτε ορολογία πρέπει να παραμένει συνεπής. Ένας βοηθός προϊόντος μπορεί να λαμβάνει συνομιλία σε μία από αυτές τις γλώσσες, να προσδιορίζει το αίτημα του πελάτη και να συντάσσει απάντηση από το παρεχόμενο υλικό πολιτικών.
Για εργασία τοπικής προσαρμογής, δώστε το αρχικό απόσπασμα, το προβλεπόμενο κοινό και γλωσσάρι. Ζητήστε το αναδιατυπωμένο απόσπασμα ακολουθούμενο από σύντομο κατάλογο επιλογών που αλλάζουν νόημα ή τόνο. Διατηρήστε ρητά ονόματα προϊόντων, αναγνωριστικά και ποσότητες. Αυτό παράγει υλικό που ο ελεγκτής μπορεί να συγκρίνει με την πηγή χωρίς να χαθούν οι λεπτομέρειες που έχουν σημασία.
Η Meta αναφέρει παράθυρο συμφραζομένων 128 χιλ. tokens για το μοντέλο. Χρησιμοποιήστε αυτόν τον χώρο για σχετικά αποσπάσματα πηγών, προηγούμενες αποφάσεις και το τρέχον ερώτημα. Επισημάνετε κάθε έγγραφο ή απόσπασμα πριν ζητήσετε από το μοντέλο να τα συγκρίνει. Ένας διάλογος πάνω σε έγγραφα μπορεί να ζητά απάντηση υποστηριζόμενη από αναγνωριστικά αποσπασμάτων, με χωριστό κατάλογο σημείων που δεν επιλύει το παρεχόμενο υλικό.
Για μια μεγαλύτερη συνομιλία, διατηρήστε τις αποφάσεις που επηρεάζουν την επόμενη απάντηση και αφαιρέστε το επαναλαμβανόμενο υπόβαθρο. Ζητήστε συγκεκριμένο παραδοτέο: πίνακα σύγκρισης, αναθεωρημένο απόσπασμα, κατάλογο απαιτήσεων ή εξήγηση ονομασμένου τμήματος κώδικα. Μια συγκεκριμένη μορφή εξόδου δίνει στον έλεγχο συγκεκριμένο στόχο.
Οι τεκμηριωμένες έξοδοι του μοντέλου περιλαμβάνουν κώδικα. Μια προτροπή προγραμματισμού μπορεί να παρέχει διεπαφή, δείγματα εισόδων και αναμενόμενες εξόδους και κατόπιν να ζητά υλοποίηση μαζί με δοκιμές για τις οριακές περιπτώσεις που ονομάζετε. Εκτελέστε και εξετάστε αυτή την υλοποίηση στο έργο προορισμού πριν την ενσωματώσετε.
Η Meta παρουσιάζει επίσης μορφές κλήσεων εργαλείων για αυτή την έκδοση που έχει προσαρμοστεί σε οδηγίες. Σε μια τέτοια ροή, η περιβάλλουσα εφαρμογή εκθέτει συναρτήσεις, εκτελεί μια ζητούμενη κλήση και επιστρέφει το αποτέλεσμα στη συνομιλία. Κρατήστε αυτά τα αποτελέσματα συνδεδεμένα με το σχετικό αίτημα, ώστε η τελική απάντηση να μπορεί να χρησιμοποιεί τα πραγματικά τεκμήρια. Αυτές οι μορφές περιγράφουν τη συμπεριφορά ενσωμάτωσης του κατασκευαστή· οι ίδιες οι συναρτήσεις ανήκουν στην εφαρμογή.
Το Llama 3.3 είναι στατικό μοντέλο εκπαιδευμένο σε σύνολο δεδομένων εκτός σύνδεσης. Παρέχετε τρέχοντα στοιχεία, πολιτικές ή εγγραφές όταν η απάντηση εξαρτάται από αυτά. Η αποκλειστικά κειμενική είσοδός του καθιστά τα ευανάγνωστα αποσπάσματα κατάλληλα τεκμήρια για αυτή την έκδοση.
", "aboutText": "Το Llama 3.3 70B Instruct είναι το γλωσσικό μοντέλο 70 δισεκατομμυρίων παραμέτρων της Meta που έχει προσαρμοστεί σε οδηγίες. Δέχεται κείμενο και επιστρέφει κείμενο ή κώδικα. Η Meta σχεδιάζει αυτή την έκδοση για πολυγλωσσικό διάλογο βοηθού, χρησιμοποιώντας εποπτευόμενη λεπτομερή προσαρμογή και ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση για να διαμορφώσει τον τρόπο με τον οποίο ανταποκρίνεται σε οδηγίες.\n\n### Δημιουργήστε μια πολυγλωσσική συνομιλία\n\nΟ κατασκευαστής απαριθμεί αγγλικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, χίντι, ισπανικά και ταϊλανδικά ως υποστηριζόμενες γλώσσες. Ονομάστε τη γλώσσα της τελικής απάντησης και δώστε οποιαδήποτε ορολογία πρέπει να παραμένει συνεπής. Ένας βοηθός προϊόντος μπορεί να λαμβάνει συνομιλία σε μία από αυτές τις γλώσσες, να προσδιορίζει το αίτημα του πελάτη και να συντάσσει απάντηση από το παρεχόμενο υλικό πολιτικών.\n\nΓια εργασία τοπικής προσαρμογής, δώστε το αρχικό απόσπασμα, το προβλεπόμενο κοινό και γλωσσάρι. Ζητήστε το αναδιατυπωμένο απόσπασμα ακολουθούμενο από σύντομο κατάλογο επιλογών που αλλάζουν νόημα ή τόνο. Διατηρήστε ρητά ονόματα προϊόντων, αναγνωριστικά και ποσότητες. Αυτό παράγει υλικό που ο ελεγκτής μπορεί να συγκρίνει με την πηγή χωρίς να χαθούν οι λεπτομέρειες που έχουν σημασία.\n\n### Εργαστείτε με μια συλλογή κειμένων\n\nΗ Meta αναφέρει παράθυρο συμφραζομένων 128 χιλ. tokens για το μοντέλο. Χρησιμοποιήστε αυτόν τον χώρο για σχετικά αποσπάσματα πηγών, προηγούμενες αποφάσεις και το τρέχον ερώτημα. Επισημάνετε κάθε έγγραφο ή απόσπασμα πριν ζητήσετε από το μοντέλο να τα συγκρίνει. Ένας διάλογος πάνω σε έγγραφα μπορεί να ζητά απάντηση υποστηριζόμενη από αναγνωριστικά αποσπασμάτων, με χωριστό κατάλογο σημείων που δεν επιλύει το παρεχόμενο υλικό.\n\nΓια μια μεγαλύτερη συνομιλία, διατηρήστε τις αποφάσεις που επηρεάζουν την επόμενη απάντηση και αφαιρέστε το επαναλαμβανόμενο υπόβαθρο. Ζητήστε συγκεκριμένο παραδοτέο: πίνακα σύγκρισης, αναθεωρημένο απόσπασμα, κατάλογο απαιτήσεων ή εξήγηση ονομασμένου τμήματος κώδικα. Μια συγκεκριμένη μορφή εξόδου δίνει στον έλεγχο συγκεκριμένο στόχο.\n\n### Κώδικας και εργαλεία εφαρμογής\n\nΟι τεκμηριωμένες έξοδοι του μοντέλου περιλαμβάνουν κώδικα. Μια προτροπή προγραμματισμού μπορεί να παρέχει διεπαφή, δείγματα εισόδων και αναμενόμενες εξόδους και κατόπιν να ζητά υλοποίηση μαζί με δοκιμές για τις οριακές περιπτώσεις που ονομάζετε. Εκτελέστε και εξετάστε αυτή την υλοποίηση στο έργο προορισμού πριν την ενσωματώσετε.\n\nΗ Meta παρουσιάζει επίσης μορφές κλήσεων εργαλείων για αυτή την έκδοση που έχει προσαρμοστεί σε οδηγίες. Σε μια τέτοια ροή, η περιβάλλουσα εφαρμογή εκθέτει συναρτήσεις, εκτελεί μια ζητούμενη κλήση και επιστρέφει το αποτέλεσμα στη συνομιλία. Κρατήστε αυτά τα αποτελέσματα συνδεδεμένα με το σχετικό αίτημα, ώστε η τελική απάντηση να μπορεί να χρησιμοποιεί τα πραγματικά τεκμήρια. Αυτές οι μορφές περιγράφουν τη συμπεριφορά ενσωμάτωσης του κατασκευαστή· οι ίδιες οι συναρτήσεις ανήκουν στην εφαρμογή.\n\nΤο Llama 3.3 είναι στατικό μοντέλο εκπαιδευμένο σε σύνολο δεδομένων εκτός σύνδεσης. Παρέχετε τρέχοντα στοιχεία, πολιτικές ή εγγραφές όταν η απάντηση εξαρτάται από αυτά. Η αποκλειστικά κειμενική είσοδός του καθιστά τα ευανάγνωστα αποσπάσματα κατάλληλα τεκμήρια για αυτή την έκδοση.", "editorialOverlay": { "copy_fields": { "practical_html": "Τεχνικό παράδειγμα στα αγγλικά
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.meta-llama/llama-3.3-70b-instructΤο Llama 3.3 70B Instruct είναι το πολυγλωσσικό μοντέλο κειμένου της Meta για συνομιλίες βοηθού. Παράγει κείμενο και κώδικα, με παράθυρο συμφραζομένων 128 χιλ. tokens κατά τον κατασκευαστή και οκτώ υποστηριζόμενες γλώσσες, κατάλληλο για διάλογο πάνω σε έγγραφα, αναδιατύπωση και εξηγήσεις βασισμένες σε πηγές.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Llama 3.3 70B Instruct είναι το γλωσσικό μοντέλο 70 δισεκατομμυρίων παραμέτρων της Meta που έχει προσαρμοστεί σε οδηγίες. Δέχεται κείμενο και επιστρέφει κείμενο ή κώδικα. Η Meta σχεδιάζει αυτή την έκδοση για πολυγλωσσικό διάλογο βοηθού, χρησιμοποιώντας εποπτευόμενη λεπτομερή προσαρμογή και ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση για να διαμορφώσει τον τρόπο με τον οποίο ανταποκρίνεται σε οδηγίες.
Ο κατασκευαστής απαριθμεί αγγλικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, χίντι, ισπανικά και ταϊλανδικά ως υποστηριζόμενες γλώσσες. Ονομάστε τη γλώσσα της τελικής απάντησης και δώστε οποιαδήποτε ορολογία πρέπει να παραμένει συνεπής. Ένας βοηθός προϊόντος μπορεί να λαμβάνει συνομιλία σε μία από αυτές τις γλώσσες, να προσδιορίζει το αίτημα του πελάτη και να συντάσσει απάντηση από το παρεχόμενο υλικό πολιτικών.
Για εργασία τοπικής προσαρμογής, δώστε το αρχικό απόσπασμα, το προβλεπόμενο κοινό και γλωσσάρι. Ζητήστε το αναδιατυπωμένο απόσπασμα ακολουθούμενο από σύντομο κατάλογο επιλογών που αλλάζουν νόημα ή τόνο. Διατηρήστε ρητά ονόματα προϊόντων, αναγνωριστικά και ποσότητες. Αυτό παράγει υλικό που ο ελεγκτής μπορεί να συγκρίνει με την πηγή χωρίς να χαθούν οι λεπτομέρειες που έχουν σημασία.
Η Meta αναφέρει παράθυρο συμφραζομένων 128 χιλ. tokens για το μοντέλο. Χρησιμοποιήστε αυτόν τον χώρο για σχετικά αποσπάσματα πηγών, προηγούμενες αποφάσεις και το τρέχον ερώτημα. Επισημάνετε κάθε έγγραφο ή απόσπασμα πριν ζητήσετε από το μοντέλο να τα συγκρίνει. Ένας διάλογος πάνω σε έγγραφα μπορεί να ζητά απάντηση υποστηριζόμενη από αναγνωριστικά αποσπασμάτων, με χωριστό κατάλογο σημείων που δεν επιλύει το παρεχόμενο υλικό.
Για μια μεγαλύτερη συνομιλία, διατηρήστε τις αποφάσεις που επηρεάζουν την επόμενη απάντηση και αφαιρέστε το επαναλαμβανόμενο υπόβαθρο. Ζητήστε συγκεκριμένο παραδοτέο: πίνακα σύγκρισης, αναθεωρημένο απόσπασμα, κατάλογο απαιτήσεων ή εξήγηση ονομασμένου τμήματος κώδικα. Μια συγκεκριμένη μορφή εξόδου δίνει στον έλεγχο συγκεκριμένο στόχο.
Οι τεκμηριωμένες έξοδοι του μοντέλου περιλαμβάνουν κώδικα. Μια προτροπή προγραμματισμού μπορεί να παρέχει διεπαφή, δείγματα εισόδων και αναμενόμενες εξόδους και κατόπιν να ζητά υλοποίηση μαζί με δοκιμές για τις οριακές περιπτώσεις που ονομάζετε. Εκτελέστε και εξετάστε αυτή την υλοποίηση στο έργο προορισμού πριν την ενσωματώσετε.
Η Meta παρουσιάζει επίσης μορφές κλήσεων εργαλείων για αυτή την έκδοση που έχει προσαρμοστεί σε οδηγίες. Σε μια τέτοια ροή, η περιβάλλουσα εφαρμογή εκθέτει συναρτήσεις, εκτελεί μια ζητούμενη κλήση και επιστρέφει το αποτέλεσμα στη συνομιλία. Κρατήστε αυτά τα αποτελέσματα συνδεδεμένα με το σχετικό αίτημα, ώστε η τελική απάντηση να μπορεί να χρησιμοποιεί τα πραγματικά τεκμήρια. Αυτές οι μορφές περιγράφουν τη συμπεριφορά ενσωμάτωσης του κατασκευαστή· οι ίδιες οι συναρτήσεις ανήκουν στην εφαρμογή.
Το Llama 3.3 είναι στατικό μοντέλο εκπαιδευμένο σε σύνολο δεδομένων εκτός σύνδεσης. Παρέχετε τρέχοντα στοιχεία, πολιτικές ή εγγραφές όταν η απάντηση εξαρτάται από αυτά. Η αποκλειστικά κειμενική είσοδός του καθιστά τα ευανάγνωστα αποσπάσματα κατάλληλα τεκμήρια για αυτή την έκδοση.
POST /v1/chat/completionstexttext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια meta-llama/llama-3.3-70b-instruct | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Παραδείγματα: system, user, assistant, tool, function Συνθήκες: Αυτοί οι ρόλοι αναπαρίστανται ρητά από τους τύπους συμβατότητας του πηγαίου κώδικα· το ακριβές σύνολο ρόλων παραμένει ειδικό για κάθε μοντέλο. Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring|content_part[]|null | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_calls | Τύποςtool_call[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_call_id | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: role=tool· χρησιμοποιήστε το πραγματικό ID που επιστράφηκε | Προεπιλογή— |
Πεδίοmessages[].name | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].reasoning_content | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: Επαναποστείλετε το πραγματικό περιεχόμενο συλλογιστικής που επιστράφηκε, όταν το μοντέλο το χρησιμοποιεί | Προεπιλογή— |
Πεδίοmessages[].reasoning_details | Τύποςobject|array | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_completion_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Πεδίοstream_options.include_usage | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtemperature | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtop_p | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstop | Τύποςstring|string[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools | Τύποςfunction_tool[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια function Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].function.name | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Εφαρμόζεται όταν: Παρεχόμενο εργαλείο τύπου συνάρτησης | Προεπιλογή— |
Πεδίοtools[].function.description | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtools[].function.parameters | ΤύποςJSON_schema | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtool_choice | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοparallel_tool_calls | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοresponse_format | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning_effort | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοservice_tier | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοinstructions | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Πεδίο συμβατότητας | Προεπιλογή— |
Πεδίοfunctions | Τύποςfunction[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοfunction_call | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοprompt_cache_options | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmodalities | Τύποςstring[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια text | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίπτεται σε αυτή τη διαδρομή κειμένου Ultra | Προεπιλογή— |
Πεδίοcache_control.ttl | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το 1h απορρίπτεται στα πραγματικά πεδία κρυφής μνήμης προτροπών | Προεπιλογή— |
Κείμενο · Κείμενο UTF8
messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςmessages | ΣύμβασηΠίνακας μηνυμάτων με δομή role/content |
Παράμετροςfile_material | Σύμβασηπραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου |
Παράμετροςoptional_controls | Σύμβασηstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Παράμετροςcontrol_scope | Σύμβασηεξαρτάται από το μοντέλο· τα εργαλεία συναρτήσεων του χρήστη διαφέρουν από τα φιλοξενούμενα εργαλεία |
Παράμετροςoutput_modalities | Σύμβασηtext |
Παράμετροςhosted_operations | Σύμβασηfalse |
Παράμετροςmultimodal_input_binding | Σύμβασηnull |
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.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
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 $0.0018 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00059 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 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 $0.0018 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00059 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.3-70b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-3.3-70b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-3.3-70b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ή SSE
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.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοchoices[].index | Τύποςinteger |
Πεδίοchoices[].message.content | Τύποςstring|null |
Πεδίοchoices[].message.tool_calls | Τύποςtool_call[] |
Πεδίοchoices[].message.reasoning_content | Τύποςstring |
Πεδίοchoices[].message.reasoning_details | Τύποςobject|array |
Πεδίοchoices[].finish_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| 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. |
Ailoot Ultra meta-llama/llama-3.3-70b-instruct
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
meta-llama/llama-3.3-70b-instructΤο Llama 3.3 70B Instruct είναι το πολυγλωσσικό μοντέλο κειμένου της Meta για συνομιλίες βοηθού. Παράγει κείμενο και κώδικα, με παράθυρο συμφραζομένων 128 χιλ. tokens κατά τον κατασκευαστή και οκτώ υποστηριζόμενες γλώσσες, κατάλληλο για διάλογο πάνω σε έγγραφα, αναδιατύπωση και εξηγήσεις βασισμένες σε πηγές.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Llama 3.3 70B Instruct είναι το γλωσσικό μοντέλο 70 δισεκατομμυρίων παραμέτρων της Meta που έχει προσαρμοστεί σε οδηγίες. Δέχεται κείμενο και επιστρέφει κείμενο ή κώδικα. Η Meta σχεδιάζει αυτή την έκδοση για πολυγλωσσικό διάλογο βοηθού, χρησιμοποιώντας εποπτευόμενη λεπτομερή προσαρμογή και ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση για να διαμορφώσει τον τρόπο με τον οποίο ανταποκρίνεται σε οδηγίες.
Ο κατασκευαστής απαριθμεί αγγλικά, γερμανικά, γαλλικά, ιταλικά, πορτογαλικά, χίντι, ισπανικά και ταϊλανδικά ως υποστηριζόμενες γλώσσες. Ονομάστε τη γλώσσα της τελικής απάντησης και δώστε οποιαδήποτε ορολογία πρέπει να παραμένει συνεπής. Ένας βοηθός προϊόντος μπορεί να λαμβάνει συνομιλία σε μία από αυτές τις γλώσσες, να προσδιορίζει το αίτημα του πελάτη και να συντάσσει απάντηση από το παρεχόμενο υλικό πολιτικών.
Για εργασία τοπικής προσαρμογής, δώστε το αρχικό απόσπασμα, το προβλεπόμενο κοινό και γλωσσάρι. Ζητήστε το αναδιατυπωμένο απόσπασμα ακολουθούμενο από σύντομο κατάλογο επιλογών που αλλάζουν νόημα ή τόνο. Διατηρήστε ρητά ονόματα προϊόντων, αναγνωριστικά και ποσότητες. Αυτό παράγει υλικό που ο ελεγκτής μπορεί να συγκρίνει με την πηγή χωρίς να χαθούν οι λεπτομέρειες που έχουν σημασία.
Η Meta αναφέρει παράθυρο συμφραζομένων 128 χιλ. tokens για το μοντέλο. Χρησιμοποιήστε αυτόν τον χώρο για σχετικά αποσπάσματα πηγών, προηγούμενες αποφάσεις και το τρέχον ερώτημα. Επισημάνετε κάθε έγγραφο ή απόσπασμα πριν ζητήσετε από το μοντέλο να τα συγκρίνει. Ένας διάλογος πάνω σε έγγραφα μπορεί να ζητά απάντηση υποστηριζόμενη από αναγνωριστικά αποσπασμάτων, με χωριστό κατάλογο σημείων που δεν επιλύει το παρεχόμενο υλικό.
Για μια μεγαλύτερη συνομιλία, διατηρήστε τις αποφάσεις που επηρεάζουν την επόμενη απάντηση και αφαιρέστε το επαναλαμβανόμενο υπόβαθρο. Ζητήστε συγκεκριμένο παραδοτέο: πίνακα σύγκρισης, αναθεωρημένο απόσπασμα, κατάλογο απαιτήσεων ή εξήγηση ονομασμένου τμήματος κώδικα. Μια συγκεκριμένη μορφή εξόδου δίνει στον έλεγχο συγκεκριμένο στόχο.
Οι τεκμηριωμένες έξοδοι του μοντέλου περιλαμβάνουν κώδικα. Μια προτροπή προγραμματισμού μπορεί να παρέχει διεπαφή, δείγματα εισόδων και αναμενόμενες εξόδους και κατόπιν να ζητά υλοποίηση μαζί με δοκιμές για τις οριακές περιπτώσεις που ονομάζετε. Εκτελέστε και εξετάστε αυτή την υλοποίηση στο έργο προορισμού πριν την ενσωματώσετε.
Η Meta παρουσιάζει επίσης μορφές κλήσεων εργαλείων για αυτή την έκδοση που έχει προσαρμοστεί σε οδηγίες. Σε μια τέτοια ροή, η περιβάλλουσα εφαρμογή εκθέτει συναρτήσεις, εκτελεί μια ζητούμενη κλήση και επιστρέφει το αποτέλεσμα στη συνομιλία. Κρατήστε αυτά τα αποτελέσματα συνδεδεμένα με το σχετικό αίτημα, ώστε η τελική απάντηση να μπορεί να χρησιμοποιεί τα πραγματικά τεκμήρια. Αυτές οι μορφές περιγράφουν τη συμπεριφορά ενσωμάτωσης του κατασκευαστή· οι ίδιες οι συναρτήσεις ανήκουν στην εφαρμογή.
Το Llama 3.3 είναι στατικό μοντέλο εκπαιδευμένο σε σύνολο δεδομένων εκτός σύνδεσης. Παρέχετε τρέχοντα στοιχεία, πολιτικές ή εγγραφές όταν η απάντηση εξαρτάται από αυτά. Η αποκλειστικά κειμενική είσοδός του καθιστά τα ευανάγνωστα αποσπάσματα κατάλληλα τεκμήρια για αυτή την έκδοση.
POST /v1/messagestextjson, sse| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια meta-llama/llama-3.3-70b-instruct | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια user, assistant | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Κείμενο · Κείμενο UTF-8
Συμβολοσειρά messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages, max_tokens |
Παράμετροςoptional_controls | Σύμβασηstream |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςtext_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
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
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 $0.0018 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00059 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 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 $0.0018 / 1K token Έξοδος · Token εξόδου $0.0018 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.00059 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
{\n "model": "meta-llama/llama-3.3-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.3-70b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-3.3-70b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ή SSE
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.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοid | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοcontent[] | Τύποςtext|thinking|tool_use|other content block |
Πεδίοstop_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| 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. |
Ailoot Ultra meta-llama/llama-3.3-70b-instruct
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Τεχνικό παράδειγμα στα αγγλικά
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.