Tev1 4B Experimental es el modelo de clasificación de Together AI para preguntas con un conjunto fijo de respuestas. El fabricante lo ajustó a partir de Qwen3.5 4B e indica que tiene 4,700 millones de parámetros. Utiliza generación de texto sin razonamiento para seleccionar una opción: la entrada documentada es un estado, una pregunta y opciones etiquetadas, y la salida solicitada es exactamente una letra. La aplicación asigna esa letra a la clave semántica de la opción. Esto distingue su flujo de decisión del de un modelo que devuelve directamente probabilidades calibradas o una puntuación esperada según una rúbrica.
La interfaz del productor representa la decisión como un objeto JSON con state, question y options. Cada opción contiene una etiqueta de letra de la A a la X, una clave semántica y una descripción. Proporciona entre dos y 24 opciones y haz que cada descripción explique cuándo se aplica esa respuesta. La letra es la etiqueta compacta de salida; la clave semántica es el significado que utiliza el software que integra el modelo. Mantén la correspondencia asociada a la lista exacta de opciones empleada en esa decisión.
Para un mensaje de soporte, el estado debe contener el mensaje y el contexto pertinente, mientras que la pregunta define qué intención o destino se debe elegir. Una lista ilustrativa puede distinguir entre una falla de integración comunicada, un problema de acceso y una solicitud de información del producto, con una opción none cuando las intenciones enumeradas no encajen. Define los casos que se solapen, en lugar de esperar que el modelo deduzca la política de asignación de la organización a partir de etiquetas abreviadas.
El ejemplo publicado por Together proporciona una instrucción de sistema que trata el contenido de state como datos, selecciona una de las opciones enumeradas y solicita únicamente su letra, sin explicación. Sus ajustes recomendados son temperature 0, un margen de generación de ocho tokens y thinking desactivado. El fabricante indica expresamente que el endpoint público no incorpora estos ajustes automáticamente; los proporciona la función auxiliar del ejemplo, mientras que una solicitud directa debe especificarlos. Utiliza estos ajustes para solicitar la respuesta de clasificación breve y sin razonamiento prevista.
El margen de ocho tokens es un ajuste de salida del ejemplo para este flujo de respuestas cortas, no una especificación universal de salida máxima. La salida útil prevista sigue siendo la letra seleccionada. Si una función auxiliar muestra después un objeto con etiqueta y clave, distingue ese objeto interpretado del contenido generado en bruto por el modelo. Seleccionar una categoría no actualiza por sí mismo un ticket, no aprueba una operación ni ejecuta la siguiente acción.
El fabricante describe la detección de intenciones, la aplicación de políticas, la asignación en flujos de trabajo, las categorías documentales, el sentimiento y la comprensión de preguntas de sí/no basadas en pasajes como patrones de tareas compatibles. Una tarea booleana puede proporcionar dos opciones cuyas claves signifiquen verdadero y falso; la aplicación interpreta la opción seleccionada en consecuencia. Una tarea de sentimiento puede proporcionar niveles descritos y devolver la clave de una categoría seleccionada. Esa elección categórica no es una media ponderada por probabilidad entre niveles, y una letra devuelta no es un valor numérico de confianza.
Para una decisión basada en reglas, incluye en la tarea los hechos pertinentes y la regla, en lugar de pedir al modelo que invente la política. Por ejemplo, unas instrucciones de asignación documental pueden describir las carpetas permitidas y el material que corresponde a cada una. Una tarea de taxonomía de investigación puede proporcionar el título y el resumen de un artículo junto con descripciones de temas. El resultado debe interpretarse respecto a las alternativas proporcionadas, conservando la evidencia original para una elección ambigua o discutida.
La página del modelo registra 37,840 ejemplos de entrenamiento que cubren implicación textual, preguntas de sí/no sobre pasajes, intenciones bancarias, categorías de noticias, niveles de sentimiento, políticas programáticas, asignación y taxonomía de artículos de investigación. La guía complementaria documenta la normalización de estas tareas en un formato de decisión común y el ajuste de un modelo de clasificación. Esto explica que el perfil se centre en un conjunto acotado de respuestas; no establece que vaya a gestionar correctamente cualquier política, dominio o taxonomía nuevos sin una evaluación específica de la tarea.
Tev1 4B Experimental es el modelo denominado así por Together, no el perfil base general de Qwen3.5 4B ni un checkpoint de otro fabricante de modelos de decisión. Conserva la preparación de salida y el contrato de entrada propios de la edición experimental. Compartir un caso de uso de decisión o una familia base conocida no justifica tomar de otro modelo la compatibilidad con imágenes, la calibración de probabilidades, las llamadas a herramientas o los límites de agrupación de preguntas.
La especificación del modelo de Together indica una ventana de contexto de 32.8K tokens y entrada de texto con salida de texto. El contexto debe alojar las instrucciones, el estado, la pregunta y las opciones utilizados en la solicitud de clasificación. Prepara solo la evidencia que necesite la pregunta, conservando las definiciones que distinguen las alternativas. Mantén compacto el prompt de clasificación eliminando el contexto irrelevante sin perder las definiciones de las opciones.
El productor identifica esta edición como experimental, destinada a la evaluación con cargas reales de decisión. Comprueba que la respuesta en bruto sea una de las etiquetas proporcionadas antes de asignarla a una clave semántica y compara las clasificaciones con material representativo etiquetado de la tarea prevista. Una letra válida demuestra que la selección tiene un formato correcto, no que su interpretación sea correcta. Conserva juntos la entrada, las opciones, la letra devuelta y la clave asignada, para que el artefacto final pueda apoyar la asignación, la categorización o la revisión de políticas sin perder cómo se definió la decisión.
", "aboutText": "Tev1 4B Experimental es el modelo de clasificación de Together AI para preguntas con un conjunto fijo de respuestas. El fabricante lo ajustó a partir de Qwen3.5 4B e indica que tiene 4,700 millones de parámetros. Utiliza generación de texto sin razonamiento para seleccionar una opción: la entrada documentada es un estado, una pregunta y opciones etiquetadas, y la salida solicitada es exactamente una letra. La aplicación asigna esa letra a la clave semántica de la opción. Esto distingue su flujo de decisión del de un modelo que devuelve directamente probabilidades calibradas o una puntuación esperada según una rúbrica.\n\n### Estado, pregunta y entre 2 y 24 opciones\n\nLa interfaz del productor representa la decisión como un objeto JSON con state, question y options. Cada opción contiene una etiqueta de letra de la A a la X, una clave semántica y una descripción. Proporciona entre dos y 24 opciones y haz que cada descripción explique cuándo se aplica esa respuesta. La letra es la etiqueta compacta de salida; la clave semántica es el significado que utiliza el software que integra el modelo. Mantén la correspondencia asociada a la lista exacta de opciones empleada en esa decisión.\n\nPara un mensaje de soporte, el estado debe contener el mensaje y el contexto pertinente, mientras que la pregunta define qué intención o destino se debe elegir. Una lista ilustrativa puede distinguir entre una falla de integración comunicada, un problema de acceso y una solicitud de información del producto, con una opción none cuando las intenciones enumeradas no encajen. Define los casos que se solapen, en lugar de esperar que el modelo deduzca la política de asignación de la organización a partir de etiquetas abreviadas.\n\n### Generación sin razonamiento y formato de respuesta solicitado\n\nEl ejemplo publicado por Together proporciona una instrucción de sistema que trata el contenido de state como datos, selecciona una de las opciones enumeradas y solicita únicamente su letra, sin explicación. Sus ajustes recomendados son temperature 0, un margen de generación de ocho tokens y thinking desactivado. El fabricante indica expresamente que el endpoint público no incorpora estos ajustes automáticamente; los proporciona la función auxiliar del ejemplo, mientras que una solicitud directa debe especificarlos. Utiliza estos ajustes para solicitar la respuesta de clasificación breve y sin razonamiento prevista.\n\nEl margen de ocho tokens es un ajuste de salida del ejemplo para este flujo de respuestas cortas, no una especificación universal de salida máxima. La salida útil prevista sigue siendo la letra seleccionada. Si una función auxiliar muestra después un objeto con etiqueta y clave, distingue ese objeto interpretado del contenido generado en bruto por el modelo. Seleccionar una categoría no actualiza por sí mismo un ticket, no aprueba una operación ni ejecuta la siguiente acción.\n\n### Clasificación, reglas y valoraciones por categorías\n\nEl fabricante describe la detección de intenciones, la aplicación de políticas, la asignación en flujos de trabajo, las categorías documentales, el sentimiento y la comprensión de preguntas de sí/no basadas en pasajes como patrones de tareas compatibles. Una tarea booleana puede proporcionar dos opciones cuyas claves signifiquen verdadero y falso; la aplicación interpreta la opción seleccionada en consecuencia. Una tarea de sentimiento puede proporcionar niveles descritos y devolver la clave de una categoría seleccionada. Esa elección categórica no es una media ponderada por probabilidad entre niveles, y una letra devuelta no es un valor numérico de confianza.\n\nPara una decisión basada en reglas, incluye en la tarea los hechos pertinentes y la regla, en lugar de pedir al modelo que invente la política. Por ejemplo, unas instrucciones de asignación documental pueden describir las carpetas permitidas y el material que corresponde a cada una. Una tarea de taxonomía de investigación puede proporcionar el título y el resumen de un artículo junto con descripciones de temas. El resultado debe interpretarse respecto a las alternativas proporcionadas, conservando la evidencia original para una elección ambigua o discutida.\n\n### Alcance del entrenamiento e identidad de la edición\n\nLa página del modelo registra 37,840 ejemplos de entrenamiento que cubren implicación textual, preguntas de sí/no sobre pasajes, intenciones bancarias, categorías de noticias, niveles de sentimiento, políticas programáticas, asignación y taxonomía de artículos de investigación. La guía complementaria documenta la normalización de estas tareas en un formato de decisión común y el ajuste de un modelo de clasificación. Esto explica que el perfil se centre en un conjunto acotado de respuestas; no establece que vaya a gestionar correctamente cualquier política, dominio o taxonomía nuevos sin una evaluación específica de la tarea.\n\nTev1 4B Experimental es el modelo denominado así por Together, no el perfil base general de Qwen3.5 4B ni un checkpoint de otro fabricante de modelos de decisión. Conserva la preparación de salida y el contrato de entrada propios de la edición experimental. Compartir un caso de uso de decisión o una familia base conocida no justifica tomar de otro modelo la compatibilidad con imágenes, la calibración de probabilidades, las llamadas a herramientas o los límites de agrupación de preguntas.\n\n### Contexto y revisión del resultado\n\nLa especificación del modelo de Together indica una ventana de contexto de 32.8K tokens y entrada de texto con salida de texto. El contexto debe alojar las instrucciones, el estado, la pregunta y las opciones utilizados en la solicitud de clasificación. Prepara solo la evidencia que necesite la pregunta, conservando las definiciones que distinguen las alternativas. Mantén compacto el prompt de clasificación eliminando el contexto irrelevante sin perder las definiciones de las opciones.\n\nEl productor identifica esta edición como experimental, destinada a la evaluación con cargas reales de decisión. Comprueba que la respuesta en bruto sea una de las etiquetas proporcionadas antes de asignarla a una clave semántica y compara las clasificaciones con material representativo etiquetado de la tarea prevista. Una letra válida demuestra que la selección tiene un formato correcto, no que su interpretación sea correcta. Conserva juntos la entrada, las opciones, la letra devuelta y la clave asignada, para que el artefacto final pueda apoyar la asignación, la categorización o la revisión de políticas sin perder cómo se definió la decisión.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bc21fb71cee938ffcc1d57ddad550dbe934f91836f02029a3c00ad25767aec39", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "togethercomputer/tev1-4b-experimentalTev1 4B Experimental es el clasificador de texto de Together AI para decisiones acotadas: recibe un estado, una pregunta y entre 2 y 24 opciones etiquetadas, y su salida documentada es una letra. La aplicación asigna esa letra a una clave de categoría; no es una respuesta nativa de distribución de probabilidades ni de puntuación esperada.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Tev1 4B Experimental es el modelo de clasificación de Together AI para preguntas con un conjunto fijo de respuestas. El fabricante lo ajustó a partir de Qwen3.5 4B e indica que tiene 4,700 millones de parámetros. Utiliza generación de texto sin razonamiento para seleccionar una opción: la entrada documentada es un estado, una pregunta y opciones etiquetadas, y la salida solicitada es exactamente una letra. La aplicación asigna esa letra a la clave semántica de la opción. Esto distingue su flujo de decisión del de un modelo que devuelve directamente probabilidades calibradas o una puntuación esperada según una rúbrica.
La interfaz del productor representa la decisión como un objeto JSON con state, question y options. Cada opción contiene una etiqueta de letra de la A a la X, una clave semántica y una descripción. Proporciona entre dos y 24 opciones y haz que cada descripción explique cuándo se aplica esa respuesta. La letra es la etiqueta compacta de salida; la clave semántica es el significado que utiliza el software que integra el modelo. Mantén la correspondencia asociada a la lista exacta de opciones empleada en esa decisión.
Para un mensaje de soporte, el estado debe contener el mensaje y el contexto pertinente, mientras que la pregunta define qué intención o destino se debe elegir. Una lista ilustrativa puede distinguir entre una falla de integración comunicada, un problema de acceso y una solicitud de información del producto, con una opción none cuando las intenciones enumeradas no encajen. Define los casos que se solapen, en lugar de esperar que el modelo deduzca la política de asignación de la organización a partir de etiquetas abreviadas.
El ejemplo publicado por Together proporciona una instrucción de sistema que trata el contenido de state como datos, selecciona una de las opciones enumeradas y solicita únicamente su letra, sin explicación. Sus ajustes recomendados son temperature 0, un margen de generación de ocho tokens y thinking desactivado. El fabricante indica expresamente que el endpoint público no incorpora estos ajustes automáticamente; los proporciona la función auxiliar del ejemplo, mientras que una solicitud directa debe especificarlos. Utiliza estos ajustes para solicitar la respuesta de clasificación breve y sin razonamiento prevista.
El margen de ocho tokens es un ajuste de salida del ejemplo para este flujo de respuestas cortas, no una especificación universal de salida máxima. La salida útil prevista sigue siendo la letra seleccionada. Si una función auxiliar muestra después un objeto con etiqueta y clave, distingue ese objeto interpretado del contenido generado en bruto por el modelo. Seleccionar una categoría no actualiza por sí mismo un ticket, no aprueba una operación ni ejecuta la siguiente acción.
El fabricante describe la detección de intenciones, la aplicación de políticas, la asignación en flujos de trabajo, las categorías documentales, el sentimiento y la comprensión de preguntas de sí/no basadas en pasajes como patrones de tareas compatibles. Una tarea booleana puede proporcionar dos opciones cuyas claves signifiquen verdadero y falso; la aplicación interpreta la opción seleccionada en consecuencia. Una tarea de sentimiento puede proporcionar niveles descritos y devolver la clave de una categoría seleccionada. Esa elección categórica no es una media ponderada por probabilidad entre niveles, y una letra devuelta no es un valor numérico de confianza.
Para una decisión basada en reglas, incluye en la tarea los hechos pertinentes y la regla, en lugar de pedir al modelo que invente la política. Por ejemplo, unas instrucciones de asignación documental pueden describir las carpetas permitidas y el material que corresponde a cada una. Una tarea de taxonomía de investigación puede proporcionar el título y el resumen de un artículo junto con descripciones de temas. El resultado debe interpretarse respecto a las alternativas proporcionadas, conservando la evidencia original para una elección ambigua o discutida.
La página del modelo registra 37,840 ejemplos de entrenamiento que cubren implicación textual, preguntas de sí/no sobre pasajes, intenciones bancarias, categorías de noticias, niveles de sentimiento, políticas programáticas, asignación y taxonomía de artículos de investigación. La guía complementaria documenta la normalización de estas tareas en un formato de decisión común y el ajuste de un modelo de clasificación. Esto explica que el perfil se centre en un conjunto acotado de respuestas; no establece que vaya a gestionar correctamente cualquier política, dominio o taxonomía nuevos sin una evaluación específica de la tarea.
Tev1 4B Experimental es el modelo denominado así por Together, no el perfil base general de Qwen3.5 4B ni un checkpoint de otro fabricante de modelos de decisión. Conserva la preparación de salida y el contrato de entrada propios de la edición experimental. Compartir un caso de uso de decisión o una familia base conocida no justifica tomar de otro modelo la compatibilidad con imágenes, la calibración de probabilidades, las llamadas a herramientas o los límites de agrupación de preguntas.
La especificación del modelo de Together indica una ventana de contexto de 32.8K tokens y entrada de texto con salida de texto. El contexto debe alojar las instrucciones, el estado, la pregunta y las opciones utilizados en la solicitud de clasificación. Prepara solo la evidencia que necesite la pregunta, conservando las definiciones que distinguen las alternativas. Mantén compacto el prompt de clasificación eliminando el contexto irrelevante sin perder las definiciones de las opciones.
El productor identifica esta edición como experimental, destinada a la evaluación con cargas reales de decisión. Comprueba que la respuesta en bruto sea una de las etiquetas proporcionadas antes de asignarla a una clave semántica y compara las clasificaciones con material representativo etiquetado de la tarea prevista. Una letra válida demuestra que la selección tiene un formato correcto, no que su interpretación sea correcta. Conserva juntos la entrada, las opciones, la letra devuelta y la clave asignada, para que el artefacto final pueda apoyar la asignación, la categorización o la revisión de políticas sin perder cómo se definió la decisión.
POST /v1/systemonetextdecisions| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites togethercomputer/tev1-4b-experimental | Predeterminado— |
Campoprovider | Tiposchema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoquestions | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camposession_id | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campostate | Tiposchema | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campotrace | Tiposchema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoquestions.<id>.type | Tipostring | RequisitoObligatorio | Valores y límites noul, choice, score | Predeterminado— |
Campoquestions.<id>.instructions | Tipostring|object|array | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campoquestions.<id>.criteria | Tipoobject|array | RequisitoOpcional | Valores y límites Condiciones: choice/score: obligatorios; noul: opcional. Los criterios de choice son un objeto; score es un arreglo con minItems1. | Predeterminado— |
Campoquestions.<id>.criteria.true | Tipostring|object|array | RequisitoObligatorio | Valores y límites Se aplica cuando: Se proporcionó el objeto de criterios noul | Predeterminado— |
Campoquestions.<id>.criteria.false | Tipostring|object|array | RequisitoObligatorio | Valores y límites Se aplica cuando: Se proporcionó el objeto de criterios noul | Predeterminado— |
noul · Obligatorio: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obligatorio: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obligatorio: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, state, questions |
Parámetromaterial_types | Contratotext |
Parámetrooptional_controls | Contratoprovider, session_id, trace, user |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous
Envía el ID exacto del modelo y conserva la respuesta nativa completa.
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 $0.000084 / 1K tokens Salida · Tokens de salida $0 / 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 $0.000084 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "togethercomputer/tev1-4b-experimental",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='togethercomputer/tev1-4b-experimental'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Se conserva cada respuesta al ID de pregunta proporcionado con su tipo exacto, valor noul/choice/score, confianza, probabilidades y leyenda. El JSON original completo se almacena y devuelve únicamente después de liquidar el cargo.
Conserva la operación original y la respuesta completa o parcial; no repitas el POST.
| Campo | Tipo |
|---|---|
Campomodel | Tipostring |
Campoid | Tipostring |
Campoprovider | Tipostring |
Campoanswers.<id>.type | Tipostring |
Campoanswers.<id>.noul | Tiponumber |
Campoanswers.<id>.choice | Tipostring |
Campoanswers.<id>.score | Tiponumber |
Campoanswers.<id>.confidence | Tiponumber |
Campoanswers.<id>.probabilities | Tipoobject |
Campoanswers.<id>.legend | Tipoobject |
Campousage.input_tokens | Tipointeger |
Campousage.output_tokens | Tipointeger |
Campousage.cost | Tiponumber |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampo obligatorio, representación o valor no válido | Siguiente pasoCorrige el campo indicado de la solicitud. |
Ailoot Ultra togethercomputer/tev1-4b-experimental
Usa las rutas de método indicadas arriba.