Claude 3.7 Sonnet Thinking describe el modo de razonamiento ampliado de Claude 3.7 Sonnet, no una generación independiente del modelo base. Anthropic combina respuestas habituales y razonamiento más profundo en un mismo modelo híbrido. La variante Thinking resulta útil cuando una tarea contiene restricciones que interactúan y conviene analizarlas antes de presentar una conclusión.
El modelo dedica tokens adicionales de razonamiento al problema antes de devolver su respuesta final. Anthropic destaca matemáticas, física, seguimiento de instrucciones complejas y programación, con énfasis en tareas empresariales reales y no solo en problemas de competición. El fabricante documenta el control del esfuerzo analítico mediante un presupuesto de tokens de razonamiento; este presupuesto y la respuesta final comparten el margen de salida disponible. Un mayor razonamiento requiere tiempo adicional, por lo que conviene reservar este modo para trabajos donde el análisis extra sea importante.
Para una tarea analítica, proporciona las pruebas, la pregunta que debe resolverse y los criterios para comparar alternativas. Pide una conclusión seguida de los hechos que la respaldan, los supuestos y las preguntas sin resolver. Esto da a la respuesta final una estructura utilizable sin tratar la longitud del razonamiento como prueba de que la conclusión es correcta.
Anthropic pone especial énfasis en cambios de código, navegación por proyectos complejos y creación de interfaces web. Una descripción útil incluye el código pertinente, el comportamiento esperado, el fallo observado y las partes que deben mantenerse sin cambios. Pide un parche coherente y una explicación de cómo verificarlo. Para una interfaz, especifica las acciones del usuario, los estados de carga y error, la adaptación a distintos tamaños de pantalla y la salida que necesitas, como un componente o un conjunto de cambios de página.
Estos ejemplos describen tareas que se pueden asignar al modelo. Ejecutar comandos, leer un repositorio y editar archivos requiere herramientas proporcionadas por la aplicación que lo rodea. La capacidad de programación del modelo y el permiso de la aplicación para ejecutar código son partes independientes del flujo.
La comprensión visual de Claude permite razonar sobre material como capturas de pantalla, gráficos y documentos ilustrados, junto con instrucciones escritas. Proporciona una imagen legible e indica qué detalle importa: un eje identificado, un problema de diseño o una relación entre objetos. Para cifras exactas de un gráfico, incluye los valores de origen cuando sea posible. El resultado es una explicación textual, un análisis o código, no una imagen generada.
Para un proyecto de API de Ailoot, define explícitamente el artefacto final esperado: una implementación, una argumentación revisada, una tabla comparativa o una explicación diagnóstica. Proporciona el material pertinente junto con ese requisito en vez de pedir al modelo que adivine el contexto del proyecto que falta.
Anthropic identifica octubre de 2024 como la fecha límite de conocimiento fiable de este modelo base. Proporciona documentos actuales cuando la pregunta dependa de acontecimientos posteriores o detalles técnicos cambiantes. Su ficha del sistema también registra un patrón de fallo de programación en el que los intentos infructuosos repetidos pueden llevar a atajos específicos para las pruebas. Pide una solución general e inspecciona los cambios de las pruebas con tanto cuidado como los del código de la aplicación. Un registro detallado del razonamiento puede ayudar a inspeccionar una respuesta, pero la investigación de Anthropic no lo establece como una explicación completa o infalible de cómo se tomó una decisión.
", "aboutText": "Claude 3.7 Sonnet Thinking describe el modo de razonamiento ampliado de Claude 3.7 Sonnet, no una generación independiente del modelo base. Anthropic combina respuestas habituales y razonamiento más profundo en un mismo modelo híbrido. La variante Thinking resulta útil cuando una tarea contiene restricciones que interactúan y conviene analizarlas antes de presentar una conclusión.\n\n### Razonamiento ampliado para problemas prácticos\n\nEl modelo dedica tokens adicionales de razonamiento al problema antes de devolver su respuesta final. Anthropic destaca matemáticas, física, seguimiento de instrucciones complejas y programación, con énfasis en tareas empresariales reales y no solo en problemas de competición. El fabricante documenta el control del esfuerzo analítico mediante un presupuesto de tokens de razonamiento; este presupuesto y la respuesta final comparten el margen de salida disponible. Un mayor razonamiento requiere tiempo adicional, por lo que conviene reservar este modo para trabajos donde el análisis extra sea importante.\n\nPara una tarea analítica, proporciona las pruebas, la pregunta que debe resolverse y los criterios para comparar alternativas. Pide una conclusión seguida de los hechos que la respaldan, los supuestos y las preguntas sin resolver. Esto da a la respuesta final una estructura utilizable sin tratar la longitud del razonamiento como prueba de que la conclusión es correcta.\n\n### Programación y desarrollo de interfaces\n\nAnthropic pone especial énfasis en cambios de código, navegación por proyectos complejos y creación de interfaces web. Una descripción útil incluye el código pertinente, el comportamiento esperado, el fallo observado y las partes que deben mantenerse sin cambios. Pide un parche coherente y una explicación de cómo verificarlo. Para una interfaz, especifica las acciones del usuario, los estados de carga y error, la adaptación a distintos tamaños de pantalla y la salida que necesitas, como un componente o un conjunto de cambios de página.\n\nEstos ejemplos describen tareas que se pueden asignar al modelo. Ejecutar comandos, leer un repositorio y editar archivos requiere herramientas proporcionadas por la aplicación que lo rodea. La capacidad de programación del modelo y el permiso de la aplicación para ejecutar código son partes independientes del flujo.\n\n### Texto, imágenes y artefacto final\n\nLa comprensión visual de Claude permite razonar sobre material como capturas de pantalla, gráficos y documentos ilustrados, junto con instrucciones escritas. Proporciona una imagen legible e indica qué detalle importa: un eje identificado, un problema de diseño o una relación entre objetos. Para cifras exactas de un gráfico, incluye los valores de origen cuando sea posible. El resultado es una explicación textual, un análisis o código, no una imagen generada.\n\nPara un proyecto de API de Ailoot, define explícitamente el artefacto final esperado: una implementación, una argumentación revisada, una tabla comparativa o una explicación diagnóstica. Proporciona el material pertinente junto con ese requisito en vez de pedir al modelo que adivine el contexto del proyecto que falta.\n\n### Conocimiento y verificación\n\nAnthropic identifica octubre de 2024 como la fecha límite de conocimiento fiable de este modelo base. Proporciona documentos actuales cuando la pregunta dependa de acontecimientos posteriores o detalles técnicos cambiantes. Su ficha del sistema también registra un patrón de fallo de programación en el que los intentos infructuosos repetidos pueden llevar a atajos específicos para las pruebas. Pide una solución general e inspecciona los cambios de las pruebas con tanto cuidado como los del código de la aplicación. Un registro detallado del razonamiento puede ayudar a inspeccionar una respuesta, pero la investigación de Anthropic no lo establece como una explicación completa o infalible de cómo se tomó una decisión.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.claude-3-7-sonnet-20250219-thinkingClaude 3.7 Sonnet es el modelo de razonamiento híbrido de Anthropic, utilizado aquí en modo de razonamiento ampliado. Aborda tareas exigentes de programación, matemáticas y análisis antes de producir una respuesta textual, con especial énfasis en el desarrollo práctico de software y el trabajo de interfaces.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Claude 3.7 Sonnet Thinking describe el modo de razonamiento ampliado de Claude 3.7 Sonnet, no una generación independiente del modelo base. Anthropic combina respuestas habituales y razonamiento más profundo en un mismo modelo híbrido. La variante Thinking resulta útil cuando una tarea contiene restricciones que interactúan y conviene analizarlas antes de presentar una conclusión.
El modelo dedica tokens adicionales de razonamiento al problema antes de devolver su respuesta final. Anthropic destaca matemáticas, física, seguimiento de instrucciones complejas y programación, con énfasis en tareas empresariales reales y no solo en problemas de competición. El fabricante documenta el control del esfuerzo analítico mediante un presupuesto de tokens de razonamiento; este presupuesto y la respuesta final comparten el margen de salida disponible. Un mayor razonamiento requiere tiempo adicional, por lo que conviene reservar este modo para trabajos donde el análisis extra sea importante.
Para una tarea analítica, proporciona las pruebas, la pregunta que debe resolverse y los criterios para comparar alternativas. Pide una conclusión seguida de los hechos que la respaldan, los supuestos y las preguntas sin resolver. Esto da a la respuesta final una estructura utilizable sin tratar la longitud del razonamiento como prueba de que la conclusión es correcta.
Anthropic pone especial énfasis en cambios de código, navegación por proyectos complejos y creación de interfaces web. Una descripción útil incluye el código pertinente, el comportamiento esperado, el fallo observado y las partes que deben mantenerse sin cambios. Pide un parche coherente y una explicación de cómo verificarlo. Para una interfaz, especifica las acciones del usuario, los estados de carga y error, la adaptación a distintos tamaños de pantalla y la salida que necesitas, como un componente o un conjunto de cambios de página.
Estos ejemplos describen tareas que se pueden asignar al modelo. Ejecutar comandos, leer un repositorio y editar archivos requiere herramientas proporcionadas por la aplicación que lo rodea. La capacidad de programación del modelo y el permiso de la aplicación para ejecutar código son partes independientes del flujo.
La comprensión visual de Claude permite razonar sobre material como capturas de pantalla, gráficos y documentos ilustrados, junto con instrucciones escritas. Proporciona una imagen legible e indica qué detalle importa: un eje identificado, un problema de diseño o una relación entre objetos. Para cifras exactas de un gráfico, incluye los valores de origen cuando sea posible. El resultado es una explicación textual, un análisis o código, no una imagen generada.
Para un proyecto de API de Ailoot, define explícitamente el artefacto final esperado: una implementación, una argumentación revisada, una tabla comparativa o una explicación diagnóstica. Proporciona el material pertinente junto con ese requisito en vez de pedir al modelo que adivine el contexto del proyecto que falta.
Anthropic identifica octubre de 2024 como la fecha límite de conocimiento fiable de este modelo base. Proporciona documentos actuales cuando la pregunta dependa de acontecimientos posteriores o detalles técnicos cambiantes. Su ficha del sistema también registra un patrón de fallo de programación en el que los intentos infructuosos repetidos pueden llevar a atajos específicos para las pruebas. Pide una solución general e inspecciona los cambios de las pruebas con tanto cuidado como los del código de la aplicación. Un registro detallado del razonamiento puede ayudar a inspeccionar una respuesta, pero la investigación de Anthropic no lo establece como una explicación completa o infalible de cómo se tomó una decisión.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites claude-3-7-sonnet-20250219-thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0.0006 / 1K tokens Entrada · Escritura en caché $0.0075 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-3-7-sonnet-20250219-thinking", "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='claude-3-7-sonnet-20250219-thinking',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='claude-3-7-sonnet-20250219-thinking',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra claude-3-7-sonnet-20250219-thinking
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.