Granite 4.0 H Micro es el modelo de instrucciones de contexto largo de IBM de 3 mil millones de parámetros, ajustado a partir de Granite 4.0 H Micro Base. Es la edición Micro híbrida densa, que combina Mamba-2 y atención, a diferencia de Micro de transformer puro o de las variantes más grandes de mezcla de expertos. El modelo acepta una instrucción textual y contexto y devuelve texto, por lo que es un componente compacto para asistentes empresariales y pasos específicos dentro de una tarea de agente.
La tabla de arquitectura del productor indica cuatro capas de atención y treinta y seis capas Mamba-2, con una longitud de secuencia de 128K. El modelo de instrucciones utiliza ajuste fino supervisado, alineación mediante aprendizaje por refuerzo y fusión de modelos. Su material de entrenamiento incluye datos de instrucciones con licencias permisivas, datos sintéticos y ejemplos seleccionados por personas. La estructura híbrida es una propiedad de esta edición; no debe sustituirse por el perfil de parámetros o expertos activos de otro modelo Granite.
El fabricante enumera doce idiomas compatibles y tareas que incluyen resumen, clasificación, extracción, respuesta a preguntas, generación aumentada por recuperación, programación y llamadas a funciones. Proporciona el pasaje fuente real y describe la operación requerida. Para extracción, define los campos y cómo representar un valor faltante. Para clasificación, aporta los significados de las categorías y un caso que ilustre un límite importante.
Un encargo ilustrativo es: «Extrae cada requisito de este pasaje, conserva su identificador y cita la oración que lo establece». Para un resumen, indica la audiencia y los hechos que deben mantenerse. Para traducción, identifica los nombres y términos técnicos que deban conservar su escritura original. Un formato final claro ayuda a un modelo pequeño de instrucciones a producir el entregable que necesita la aplicación.
La ficha de Granite H Micro muestra definiciones de herramientas con nombres de funciones, descripciones y esquemas de parámetros. El modelo devuelve un nombre de función y argumentos JSON en su representación de llamada a herramienta. La aplicación que lo integra ejecuta la operación seleccionada, verifica los argumentos y devuelve el resultado. Una tarea de consulta debe conservar esa observación como la evidencia utilizada por la respuesta.
En un flujo de recuperación, proporciona el material documental relevante y solicita una respuesta fundamentada en él. El acceso a las fuentes corresponde a la aplicación; la respuesta del modelo de texto se genera a partir del contexto que recibe. Mantén visibles las etiquetas de documentos y las unidades para que un resultado pueda rastrearse hasta la entrada.
El modelo admite tareas relacionadas con código y completado en el medio. Un encargo de programación debe incluir la implementación relevante, el comportamiento observado y el que debe conservarse. Para una tarea de completado, identifica el código circundante y el espacio que debe llenarse. Solicita el entregable de código resultante y una explicación vinculada a las restricciones, y después inspecciona el resultado en el entorno real de desarrollo.
El contexto de 128K incluye conjuntamente el prompt, las fuentes, la conversación y la respuesta generada; la ficha no establece una longitud máxima universal independiente para las respuestas. La plantilla de chat de referencia incluye una instrucción predeterminada del sistema para respuestas profesionales, precisas y seguras. Una lista de campos solicitada o un entregable de código siguen necesitando sus propias instrucciones explícitas de tarea.
IBM señala que el rendimiento multilingüe puede diferir del inglés porque el entrenamiento de instrucciones es predominantemente en inglés; unos cuantos ejemplos relevantes para la tarea pueden ayudar. También reconoce la posibilidad de respuestas inexactas o sesgadas. Contrasta los valores derivados de fuentes y el código generado con la entrada, y devuelve observaciones reales cuando una tarea necesite corrección. La salida útil de H Micro es un resultado enfocado de texto o código que conserva su identidad exacta de Micro híbrido.
", "aboutText": "Granite 4.0 H Micro es el modelo de instrucciones de contexto largo de IBM de 3 mil millones de parámetros, ajustado a partir de Granite 4.0 H Micro Base. Es la edición Micro híbrida densa, que combina Mamba-2 y atención, a diferencia de Micro de transformer puro o de las variantes más grandes de mezcla de expertos. El modelo acepta una instrucción textual y contexto y devuelve texto, por lo que es un componente compacto para asistentes empresariales y pasos específicos dentro de una tarea de agente.\n\n### Estructura del modelo y entrenamiento\n\nLa tabla de arquitectura del productor indica cuatro capas de atención y treinta y seis capas Mamba-2, con una longitud de secuencia de 128K. El modelo de instrucciones utiliza ajuste fino supervisado, alineación mediante aprendizaje por refuerzo y fusión de modelos. Su material de entrenamiento incluye datos de instrucciones con licencias permisivas, datos sintéticos y ejemplos seleccionados por personas. La estructura híbrida es una propiedad de esta edición; no debe sustituirse por el perfil de parámetros o expertos activos de otro modelo Granite.\n\n### Lenguaje y tareas enfocadas\n\nEl fabricante enumera doce idiomas compatibles y tareas que incluyen resumen, clasificación, extracción, respuesta a preguntas, generación aumentada por recuperación, programación y llamadas a funciones. Proporciona el pasaje fuente real y describe la operación requerida. Para extracción, define los campos y cómo representar un valor faltante. Para clasificación, aporta los significados de las categorías y un caso que ilustre un límite importante.\n\nUn encargo ilustrativo es: «Extrae cada requisito de este pasaje, conserva su identificador y cita la oración que lo establece». Para un resumen, indica la audiencia y los hechos que deben mantenerse. Para traducción, identifica los nombres y términos técnicos que deban conservar su escritura original. Un formato final claro ayuda a un modelo pequeño de instrucciones a producir el entregable que necesita la aplicación.\n\n### Herramientas y respuestas fundamentadas en fuentes\n\nLa ficha de Granite H Micro muestra definiciones de herramientas con nombres de funciones, descripciones y esquemas de parámetros. El modelo devuelve un nombre de función y argumentos JSON en su representación de llamada a herramienta. La aplicación que lo integra ejecuta la operación seleccionada, verifica los argumentos y devuelve el resultado. Una tarea de consulta debe conservar esa observación como la evidencia utilizada por la respuesta.\n\nEn un flujo de recuperación, proporciona el material documental relevante y solicita una respuesta fundamentada en él. El acceso a las fuentes corresponde a la aplicación; la respuesta del modelo de texto se genera a partir del contexto que recibe. Mantén visibles las etiquetas de documentos y las unidades para que un resultado pueda rastrearse hasta la entrada.\n\n### Programación y completado\n\nEl modelo admite tareas relacionadas con código y completado en el medio. Un encargo de programación debe incluir la implementación relevante, el comportamiento observado y el que debe conservarse. Para una tarea de completado, identifica el código circundante y el espacio que debe llenarse. Solicita el entregable de código resultante y una explicación vinculada a las restricciones, y después inspecciona el resultado en el entorno real de desarrollo.\n\n### Contexto y limitaciones\n\nEl contexto de 128K incluye conjuntamente el prompt, las fuentes, la conversación y la respuesta generada; la ficha no establece una longitud máxima universal independiente para las respuestas. La plantilla de chat de referencia incluye una instrucción predeterminada del sistema para respuestas profesionales, precisas y seguras. Una lista de campos solicitada o un entregable de código siguen necesitando sus propias instrucciones explícitas de tarea.\n\nIBM señala que el rendimiento multilingüe puede diferir del inglés porque el entrenamiento de instrucciones es predominantemente en inglés; unos cuantos ejemplos relevantes para la tarea pueden ayudar. También reconoce la posibilidad de respuestas inexactas o sesgadas. Contrasta los valores derivados de fuentes y el código generado con la entrada, y devuelve observaciones reales cuando una tarea necesite corrección. La salida útil de H Micro es un resultado enfocado de texto o código que conserva su identidad exacta de Micro híbrido.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract traceable requirements\n\nExtract requirements from this passage: '[R1] Export filenames must include the report ID. [R2] Reports with no rows must still include column headings. [R3] Files are encoded as UTF-8.' Return a table with requirement ID, implementation requirement and the exact supporting sentence. Keep each requirement separate and add no implementation details absent from the source.A three-row table retaining each ID, requirement and exact source sentence.Check every extracted requirement maps one-to-one to R1, R2 or R3 without added conditions.ibm-granite/granite-4.0-h-microGranite 4.0 H Micro es el modelo de texto híbrido Mamba-2/transformer de 3B de IBM para tareas empresariales enfocadas. Su contexto de 128K admite resumen, extracción, preguntas, programación y llamadas a funciones, con diálogo multilingüe y completado de código en el medio.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Granite 4.0 H Micro es el modelo de instrucciones de contexto largo de IBM de 3 mil millones de parámetros, ajustado a partir de Granite 4.0 H Micro Base. Es la edición Micro híbrida densa, que combina Mamba-2 y atención, a diferencia de Micro de transformer puro o de las variantes más grandes de mezcla de expertos. El modelo acepta una instrucción textual y contexto y devuelve texto, por lo que es un componente compacto para asistentes empresariales y pasos específicos dentro de una tarea de agente.
La tabla de arquitectura del productor indica cuatro capas de atención y treinta y seis capas Mamba-2, con una longitud de secuencia de 128K. El modelo de instrucciones utiliza ajuste fino supervisado, alineación mediante aprendizaje por refuerzo y fusión de modelos. Su material de entrenamiento incluye datos de instrucciones con licencias permisivas, datos sintéticos y ejemplos seleccionados por personas. La estructura híbrida es una propiedad de esta edición; no debe sustituirse por el perfil de parámetros o expertos activos de otro modelo Granite.
El fabricante enumera doce idiomas compatibles y tareas que incluyen resumen, clasificación, extracción, respuesta a preguntas, generación aumentada por recuperación, programación y llamadas a funciones. Proporciona el pasaje fuente real y describe la operación requerida. Para extracción, define los campos y cómo representar un valor faltante. Para clasificación, aporta los significados de las categorías y un caso que ilustre un límite importante.
Un encargo ilustrativo es: «Extrae cada requisito de este pasaje, conserva su identificador y cita la oración que lo establece». Para un resumen, indica la audiencia y los hechos que deben mantenerse. Para traducción, identifica los nombres y términos técnicos que deban conservar su escritura original. Un formato final claro ayuda a un modelo pequeño de instrucciones a producir el entregable que necesita la aplicación.
La ficha de Granite H Micro muestra definiciones de herramientas con nombres de funciones, descripciones y esquemas de parámetros. El modelo devuelve un nombre de función y argumentos JSON en su representación de llamada a herramienta. La aplicación que lo integra ejecuta la operación seleccionada, verifica los argumentos y devuelve el resultado. Una tarea de consulta debe conservar esa observación como la evidencia utilizada por la respuesta.
En un flujo de recuperación, proporciona el material documental relevante y solicita una respuesta fundamentada en él. El acceso a las fuentes corresponde a la aplicación; la respuesta del modelo de texto se genera a partir del contexto que recibe. Mantén visibles las etiquetas de documentos y las unidades para que un resultado pueda rastrearse hasta la entrada.
El modelo admite tareas relacionadas con código y completado en el medio. Un encargo de programación debe incluir la implementación relevante, el comportamiento observado y el que debe conservarse. Para una tarea de completado, identifica el código circundante y el espacio que debe llenarse. Solicita el entregable de código resultante y una explicación vinculada a las restricciones, y después inspecciona el resultado en el entorno real de desarrollo.
El contexto de 128K incluye conjuntamente el prompt, las fuentes, la conversación y la respuesta generada; la ficha no establece una longitud máxima universal independiente para las respuestas. La plantilla de chat de referencia incluye una instrucción predeterminada del sistema para respuestas profesionales, precisas y seguras. Una lista de campos solicitada o un entregable de código siguen necesitando sus propias instrucciones explícitas de tarea.
IBM señala que el rendimiento multilingüe puede diferir del inglés porque el entrenamiento de instrucciones es predominantemente en inglés; unos cuantos ejemplos relevantes para la tarea pueden ayudar. También reconoce la posibilidad de respuestas inexactas o sesgadas. Contrasta los valores derivados de fuentes y el código generado con la entrada, y devuelve observaciones reales cuando una tarea necesite corrección. La salida útil de H Micro es un resultado enfocado de texto o código que conserva su identidad exacta de Micro híbrido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites ibm-granite/granite-4.0-h-micro | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000034 / 1K tokens Salida · Tokens de salida $0.000224 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000034 / 1K tokens Salida · Tokens de salida $0.000224 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "ibm-granite/granite-4.0-h-micro", "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='ibm-granite/granite-4.0-h-micro',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='ibm-granite/granite-4.0-h-micro',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 ibm-granite/granite-4.0-h-micro
Usa las rutas de método indicadas arriba.
ibm-granite/granite-4.0-h-microGranite 4.0 H Micro es el modelo de texto híbrido Mamba-2/transformer de 3B de IBM para tareas empresariales enfocadas. Su contexto de 128K admite resumen, extracción, preguntas, programación y llamadas a funciones, con diálogo multilingüe y completado de código en el medio.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Granite 4.0 H Micro es el modelo de instrucciones de contexto largo de IBM de 3 mil millones de parámetros, ajustado a partir de Granite 4.0 H Micro Base. Es la edición Micro híbrida densa, que combina Mamba-2 y atención, a diferencia de Micro de transformer puro o de las variantes más grandes de mezcla de expertos. El modelo acepta una instrucción textual y contexto y devuelve texto, por lo que es un componente compacto para asistentes empresariales y pasos específicos dentro de una tarea de agente.
La tabla de arquitectura del productor indica cuatro capas de atención y treinta y seis capas Mamba-2, con una longitud de secuencia de 128K. El modelo de instrucciones utiliza ajuste fino supervisado, alineación mediante aprendizaje por refuerzo y fusión de modelos. Su material de entrenamiento incluye datos de instrucciones con licencias permisivas, datos sintéticos y ejemplos seleccionados por personas. La estructura híbrida es una propiedad de esta edición; no debe sustituirse por el perfil de parámetros o expertos activos de otro modelo Granite.
El fabricante enumera doce idiomas compatibles y tareas que incluyen resumen, clasificación, extracción, respuesta a preguntas, generación aumentada por recuperación, programación y llamadas a funciones. Proporciona el pasaje fuente real y describe la operación requerida. Para extracción, define los campos y cómo representar un valor faltante. Para clasificación, aporta los significados de las categorías y un caso que ilustre un límite importante.
Un encargo ilustrativo es: «Extrae cada requisito de este pasaje, conserva su identificador y cita la oración que lo establece». Para un resumen, indica la audiencia y los hechos que deben mantenerse. Para traducción, identifica los nombres y términos técnicos que deban conservar su escritura original. Un formato final claro ayuda a un modelo pequeño de instrucciones a producir el entregable que necesita la aplicación.
La ficha de Granite H Micro muestra definiciones de herramientas con nombres de funciones, descripciones y esquemas de parámetros. El modelo devuelve un nombre de función y argumentos JSON en su representación de llamada a herramienta. La aplicación que lo integra ejecuta la operación seleccionada, verifica los argumentos y devuelve el resultado. Una tarea de consulta debe conservar esa observación como la evidencia utilizada por la respuesta.
En un flujo de recuperación, proporciona el material documental relevante y solicita una respuesta fundamentada en él. El acceso a las fuentes corresponde a la aplicación; la respuesta del modelo de texto se genera a partir del contexto que recibe. Mantén visibles las etiquetas de documentos y las unidades para que un resultado pueda rastrearse hasta la entrada.
El modelo admite tareas relacionadas con código y completado en el medio. Un encargo de programación debe incluir la implementación relevante, el comportamiento observado y el que debe conservarse. Para una tarea de completado, identifica el código circundante y el espacio que debe llenarse. Solicita el entregable de código resultante y una explicación vinculada a las restricciones, y después inspecciona el resultado en el entorno real de desarrollo.
El contexto de 128K incluye conjuntamente el prompt, las fuentes, la conversación y la respuesta generada; la ficha no establece una longitud máxima universal independiente para las respuestas. La plantilla de chat de referencia incluye una instrucción predeterminada del sistema para respuestas profesionales, precisas y seguras. Una lista de campos solicitada o un entregable de código siguen necesitando sus propias instrucciones explícitas de tarea.
IBM señala que el rendimiento multilingüe puede diferir del inglés porque el entrenamiento de instrucciones es predominantemente en inglés; unos cuantos ejemplos relevantes para la tarea pueden ayudar. También reconoce la posibilidad de respuestas inexactas o sesgadas. Contrasta los valores derivados de fuentes y el código generado con la entrada, y devuelve observaciones reales cuando una tarea necesite corrección. La salida útil de H Micro es un resultado enfocado de texto o código que conserva su identidad exacta de Micro híbrido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites ibm-granite/granite-4.0-h-micro | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000034 / 1K tokens Salida · Tokens de salida $0.000224 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000034 / 1K tokens Salida · Tokens de salida $0.000224 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "ibm-granite/granite-4.0-h-micro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ibm-granite/granite-4.0-h-micro', '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': 'ibm-granite/granite-4.0-h-micro', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_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 ibm-granite/granite-4.0-h-micro
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract traceable requirements\n\nExtract requirements from this passage: '[R1] Export filenames must include the report ID. [R2] Reports with no rows must still include column headings. [R3] Files are encoded as UTF-8.' Return a table with requirement ID, implementation requirement and the exact supporting sentence. Keep each requirement separate and add no implementation details absent from the source.A three-row table retaining each ID, requirement and exact source sentence.Check every extracted requirement maps one-to-one to R1, R2 or R3 without added conditions.