Ling Flash 2.0 es el modelo de lenguaje de inclusionAI de la familia de arquitectura Ling 2.0. Su fabricante describe el razonamiento complejo, la generación de código, el desarrollo frontend y la escritura creativa como tareas características. La ficha publicada indica 100 mil millones de parámetros totales y 6.1 mil millones de parámetros activos, incluidos los embeddings, para su modelo de mezcla de expertos.
Proporciona las condiciones, el material fuente y el entregable final. Una pregunta de razonamiento puede pedir una conclusión conectada con los hechos que la respaldan. Una tarea de código puede aportar el código fuente relevante, el comportamiento esperado y el caso que debe resolverse. Para trabajo frontend, indica los controles, los estados y las relaciones entre datos que la interfaz debe implementar.
Mantén el resultado propuesto separado de la evidencia de ejecución. El modelo devuelve texto o código; la aplicación guarda, ejecuta e inspecciona el entregable en su entorno previsto. Un seguimiento puede proporcionar un error observado o una discrepancia específica y solicitar una corrección puntual.
El fabricante muestra una instrucción del sistema y una pregunta del usuario mediante la plantilla de chat de esta versión. Mantén el material fuente claramente etiquetado y conserva las decisiones de la tarea necesarias para los turnos posteriores. Una solicitud más larga debe indicar qué pasajes o archivos son importantes para la respuesta final.
Para un resultado estructurado, define las secciones o los campos requeridos y el tratamiento de la información ausente. Contrasta los valores devueltos con la evidencia proporcionada antes de utilizarlos en la aplicación que integra el modelo.
La tabla de modelos del fabricante indica un contexto de 32K ampliado a 128K con YaRN. Su guía de despliegue describe una configuración de escalado y una longitud máxima explícita del modelo para esa ampliación. El perfil alojado exacto indica un contexto de trabajo de 128,000 tokens; usa los límites reales de la interfaz seleccionada en lugar de aplicar un cambio de despliegue local a una solicitud alojada.
El fabricante describe entrenamiento con más de 20 billones de tokens, con ajuste fino supervisado y aprendizaje por refuerzo de varias etapas. Mantén Ling Flash separado del modelo de lenguaje Mini con nombre independiente y de la familia de pensamiento Ring. La descripción de su arquitectura y entrenamiento no establece una velocidad universal de respuesta ni un transporte de herramientas disponible en todas las interfaces.
", "aboutText": "Ling Flash 2.0 es el modelo de lenguaje de inclusionAI de la familia de arquitectura Ling 2.0. Su fabricante describe el razonamiento complejo, la generación de código, el desarrollo frontend y la escritura creativa como tareas características. La ficha publicada indica 100 mil millones de parámetros totales y 6.1 mil millones de parámetros activos, incluidos los embeddings, para su modelo de mezcla de expertos.\n\n### Define el resultado de razonamiento o código\n\nProporciona las condiciones, el material fuente y el entregable final. Una pregunta de razonamiento puede pedir una conclusión conectada con los hechos que la respaldan. Una tarea de código puede aportar el código fuente relevante, el comportamiento esperado y el caso que debe resolverse. Para trabajo frontend, indica los controles, los estados y las relaciones entre datos que la interfaz debe implementar.\n\nMantén el resultado propuesto separado de la evidencia de ejecución. El modelo devuelve texto o código; la aplicación guarda, ejecuta e inspecciona el entregable en su entorno previsto. Un seguimiento puede proporcionar un error observado o una discrepancia específica y solicitar una corrección puntual.\n\n### Organiza el contexto de la conversación\n\nEl fabricante muestra una instrucción del sistema y una pregunta del usuario mediante la plantilla de chat de esta versión. Mantén el material fuente claramente etiquetado y conserva las decisiones de la tarea necesarias para los turnos posteriores. Una solicitud más larga debe indicar qué pasajes o archivos son importantes para la respuesta final.\n\nPara un resultado estructurado, define las secciones o los campos requeridos y el tratamiento de la información ausente. Contrasta los valores devueltos con la evidencia proporcionada antes de utilizarlos en la aplicación que integra el modelo.\n\n### Usa la configuración de contexto documentada\n\nLa tabla de modelos del fabricante indica un contexto de 32K ampliado a 128K con YaRN. Su guía de despliegue describe una configuración de escalado y una longitud máxima explícita del modelo para esa ampliación. El perfil alojado exacto indica un contexto de trabajo de 128,000 tokens; usa los límites reales de la interfaz seleccionada en lugar de aplicar un cambio de despliegue local a una solicitud alojada.\n\nEl fabricante describe entrenamiento con más de 20 billones de tokens, con ajuste fino supervisado y aprendizaje por refuerzo de varias etapas. Mantén Ling Flash separado del modelo de lenguaje Mini con nombre independiente y de la familia de pensamiento Ring. La descripción de su arquitectura y entrenamiento no establece una velocidad universal de respuesta ni un transporte de herramientas disponible en todas las interfaces.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.inclusionAI/Ling-flash-2.0Ling Flash 2.0 es el modelo de texto de inclusionAI para razonamiento complejo, generación de código y desarrollo frontend. Su fabricante publica 100B de parámetros totales y 6.1B de parámetros activos, con un contexto de 32K ampliable a 128K mediante YaRN.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ling Flash 2.0 es el modelo de lenguaje de inclusionAI de la familia de arquitectura Ling 2.0. Su fabricante describe el razonamiento complejo, la generación de código, el desarrollo frontend y la escritura creativa como tareas características. La ficha publicada indica 100 mil millones de parámetros totales y 6.1 mil millones de parámetros activos, incluidos los embeddings, para su modelo de mezcla de expertos.
Proporciona las condiciones, el material fuente y el entregable final. Una pregunta de razonamiento puede pedir una conclusión conectada con los hechos que la respaldan. Una tarea de código puede aportar el código fuente relevante, el comportamiento esperado y el caso que debe resolverse. Para trabajo frontend, indica los controles, los estados y las relaciones entre datos que la interfaz debe implementar.
Mantén el resultado propuesto separado de la evidencia de ejecución. El modelo devuelve texto o código; la aplicación guarda, ejecuta e inspecciona el entregable en su entorno previsto. Un seguimiento puede proporcionar un error observado o una discrepancia específica y solicitar una corrección puntual.
El fabricante muestra una instrucción del sistema y una pregunta del usuario mediante la plantilla de chat de esta versión. Mantén el material fuente claramente etiquetado y conserva las decisiones de la tarea necesarias para los turnos posteriores. Una solicitud más larga debe indicar qué pasajes o archivos son importantes para la respuesta final.
Para un resultado estructurado, define las secciones o los campos requeridos y el tratamiento de la información ausente. Contrasta los valores devueltos con la evidencia proporcionada antes de utilizarlos en la aplicación que integra el modelo.
La tabla de modelos del fabricante indica un contexto de 32K ampliado a 128K con YaRN. Su guía de despliegue describe una configuración de escalado y una longitud máxima explícita del modelo para esa ampliación. El perfil alojado exacto indica un contexto de trabajo de 128,000 tokens; usa los límites reales de la interfaz seleccionada en lugar de aplicar un cambio de despliegue local a una solicitud alojada.
El fabricante describe entrenamiento con más de 20 billones de tokens, con ajuste fino supervisado y aprendizaje por refuerzo de varias etapas. Mantén Ling Flash separado del modelo de lenguaje Mini con nombre independiente y de la familia de pensamiento Ring. La descripción de su arquitectura y entrenamiento no establece una velocidad universal de respuesta ni un transporte de herramientas disponible en todas las interfaces.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inclusionAI/Ling-flash-2.0 | 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 $0.000286 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inclusionAI/Ling-flash-2.0", "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='inclusionAI/Ling-flash-2.0',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='inclusionAI/Ling-flash-2.0',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 inclusionAI/Ling-flash-2.0
Usa las rutas de método indicadas arriba.
inclusionAI/Ling-flash-2.0Ling Flash 2.0 es el modelo de texto de inclusionAI para razonamiento complejo, generación de código y desarrollo frontend. Su fabricante publica 100B de parámetros totales y 6.1B de parámetros activos, con un contexto de 32K ampliable a 128K mediante YaRN.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ling Flash 2.0 es el modelo de lenguaje de inclusionAI de la familia de arquitectura Ling 2.0. Su fabricante describe el razonamiento complejo, la generación de código, el desarrollo frontend y la escritura creativa como tareas características. La ficha publicada indica 100 mil millones de parámetros totales y 6.1 mil millones de parámetros activos, incluidos los embeddings, para su modelo de mezcla de expertos.
Proporciona las condiciones, el material fuente y el entregable final. Una pregunta de razonamiento puede pedir una conclusión conectada con los hechos que la respaldan. Una tarea de código puede aportar el código fuente relevante, el comportamiento esperado y el caso que debe resolverse. Para trabajo frontend, indica los controles, los estados y las relaciones entre datos que la interfaz debe implementar.
Mantén el resultado propuesto separado de la evidencia de ejecución. El modelo devuelve texto o código; la aplicación guarda, ejecuta e inspecciona el entregable en su entorno previsto. Un seguimiento puede proporcionar un error observado o una discrepancia específica y solicitar una corrección puntual.
El fabricante muestra una instrucción del sistema y una pregunta del usuario mediante la plantilla de chat de esta versión. Mantén el material fuente claramente etiquetado y conserva las decisiones de la tarea necesarias para los turnos posteriores. Una solicitud más larga debe indicar qué pasajes o archivos son importantes para la respuesta final.
Para un resultado estructurado, define las secciones o los campos requeridos y el tratamiento de la información ausente. Contrasta los valores devueltos con la evidencia proporcionada antes de utilizarlos en la aplicación que integra el modelo.
La tabla de modelos del fabricante indica un contexto de 32K ampliado a 128K con YaRN. Su guía de despliegue describe una configuración de escalado y una longitud máxima explícita del modelo para esa ampliación. El perfil alojado exacto indica un contexto de trabajo de 128,000 tokens; usa los límites reales de la interfaz seleccionada en lugar de aplicar un cambio de despliegue local a una solicitud alojada.
El fabricante describe entrenamiento con más de 20 billones de tokens, con ajuste fino supervisado y aprendizaje por refuerzo de varias etapas. Mantén Ling Flash separado del modelo de lenguaje Mini con nombre independiente y de la familia de pensamiento Ring. La descripción de su arquitectura y entrenamiento no establece una velocidad universal de respuesta ni un transporte de herramientas disponible en todas las interfaces.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inclusionAI/Ling-flash-2.0 | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "inclusionAI/Ling-flash-2.0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inclusionAI/Ling-flash-2.0', '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': 'inclusionAI/Ling-flash-2.0', '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 inclusionAI/Ling-flash-2.0
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.