Amazon Nova Premier es el modelo de comprensión más capaz de la primera generación de la familia Nova de Amazon, diseñado para trabajos complejos que requieren comprensión profunda, contexto y planificación en varios pasos. Procesa texto, imágenes y vídeo y produce texto. Sus funciones incluyen razonar sobre informes largos, comparar pruebas entre documentos, comprender gráficos y material visual y coordinar tareas de agentes. Premier es independiente de los modelos más ligeros Micro, Lite y Pro y de los modelos Nova que generan imágenes, vídeo o voz conversacional.
El perfil exacto del modelo del proveedor indica una ventana de contexto de 1 millón de tokens y una salida máxima de 25K tokens. Su fecha límite de conocimiento documentada es octubre de 2024. Esto hace útil a Premier cuando una tarea necesita un gran conjunto de material de referencia junto con instrucciones y conversación. Organice ese material con nombres de documentos, marcadores de sección y una pregunta específica en lugar de pedir un análisis sin dirección de todo. Un resultado útil puede ser una matriz comparativa, un informe basado en pruebas o una secuencia propuesta de acciones. El presupuesto de contexto cubre el material con el que trabaja el modelo; no promete que todos los detalles aparezcan en la respuesta final.
El flujo multimodal documentado de Premier maneja imágenes PNG, JPG/JPEG, GIF y WebP y contenedores de vídeo comunes como MP4, MOV, MKV y WebM. El flujo documental incluye PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT y Markdown. Los archivos orientados al texto aportan texto; PDF y DOCX pueden aportar texto de páginas con información visual. Para un informe con gráficos, mantenga legibles las etiquetas y pida al modelo que describa las observaciones pertinentes antes de interpretarlas. Si solo necesita la prosa, proporcionar texto extraído evita que la extracción visual sea un requisito previo para comprender el documento. Los medios incorporados comparten un presupuesto de carga de 25 MB, incluida la sobrecarga de base64. Una solicitud contiene un vídeo, limitado a 1 GB mediante S3; los medios combinados en S3 pueden sumar 2 GB. Las entradas PDF y DOCX siguen limitadas a cinco documentos, con un presupuesto combinado de 25 MB para carga directa o de 2 GB mediante S3.
La comprensión de vídeo se basa en fotogramas visuales muestreados. La guía de primera generación asigna específicamente a Premier una frecuencia de muestreo de un fotograma por segundo hasta 3 200 fotogramas, un presupuesto distinto de la estrategia de 960 fotogramas de Nova Lite y Pro. Esto resulta útil para resúmenes de escenas y preguntas sobre acontecimientos a lo largo del tiempo, aunque las acciones breves entre fotogramas muestreados pueden pasar inadvertidas. Proporcione un clip o intervalo temporal pertinente e identifique los detalles que se deben seguir. Para una secuencia larga, un análisis por segmentos seguido de un resumen de texto puede conservar el enfoque, aunque la división puede perder contexto en los límites entre segmentos. Las modalidades documentadas del modelo no incluyen entrada de audio, por lo que la información hablada debe proporcionarse como texto.
Premier admite respuestas en streaming, flujos orientados a herramientas y aumentados con recuperación de información, y caché de prompts en el perfil de servicio documentado de Amazon. La caché explícita requiere al menos 1K tokens por punto de control y permite hasta cuatro puntos de control con una retención de cinco minutos. El proveedor limita la caché de prompts a 20K tokens, principalmente para prompts de texto; ese presupuesto de caché es distinto de la ventana de contexto completa. Proporcione al agente la tarea, las herramientas permitidas y las descripciones de sus argumentos, y después deje que la aplicación ejecute las acciones solicitadas y devuelva observaciones antes del siguiente paso del modelo. Su función de razonamiento no implica que pueda operar un sistema externo sin esa capa de ejecución. Las indicaciones de primera generación admiten explicar una solución por etapas mediante prompts; los controles independientes low, medium y high de pensamiento extendido de Nova 2 Lite no forman parte de la interfaz documentada de esta edición. Para un informe o resultado de herramienta, pida campos explícitos y ejemplos de la estructura deseada; solicitar una estructura JSON es distinto de una salida estructurada impuesta.
Una función distintiva de Premier es enseñar a modelos Nova más pequeños mediante destilación. Amazon describe el uso de las respuestas de Premier como ejemplos de entrenamiento para variantes especializadas de Nova Micro, Lite y Pro, seguido de la comparación del comportamiento del modelo pequeño en la tarea objetivo. Es un flujo de personalización de modelos y no un cambio en la identidad de una respuesta normal de Premier. En el uso habitual, proporcione los hechos respaldados por fuentes de autoridad y exija que la respuesta separe las observaciones, las suposiciones y las pruebas ausentes. Nova puede generar afirmaciones plausibles que contradigan una fuente, y el código generado no incluye análisis de seguridad automático, por lo que el artefacto útil debe contener suficientes pruebas y detalles para contrastarlo con sus entradas. El proveedor también indica que este modelo no identifica ni nombra a las personas de imágenes, documentos o vídeos.
", "aboutText": "Amazon Nova Premier es el modelo de comprensión más capaz de la primera generación de la familia Nova de Amazon, diseñado para trabajos complejos que requieren comprensión profunda, contexto y planificación en varios pasos. Procesa texto, imágenes y vídeo y produce texto. Sus funciones incluyen razonar sobre informes largos, comparar pruebas entre documentos, comprender gráficos y material visual y coordinar tareas de agentes. Premier es independiente de los modelos más ligeros Micro, Lite y Pro y de los modelos Nova que generan imágenes, vídeo o voz conversacional.\n\nEl perfil exacto del modelo del proveedor indica una ventana de contexto de 1 millón de tokens y una salida máxima de 25K tokens. Su fecha límite de conocimiento documentada es octubre de 2024. Esto hace útil a Premier cuando una tarea necesita un gran conjunto de material de referencia junto con instrucciones y conversación. Organice ese material con nombres de documentos, marcadores de sección y una pregunta específica en lugar de pedir un análisis sin dirección de todo. Un resultado útil puede ser una matriz comparativa, un informe basado en pruebas o una secuencia propuesta de acciones. El presupuesto de contexto cubre el material con el que trabaja el modelo; no promete que todos los detalles aparezcan en la respuesta final.\n\nEl flujo multimodal documentado de Premier maneja imágenes PNG, JPG/JPEG, GIF y WebP y contenedores de vídeo comunes como MP4, MOV, MKV y WebM. El flujo documental incluye PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT y Markdown. Los archivos orientados al texto aportan texto; PDF y DOCX pueden aportar texto de páginas con información visual. Para un informe con gráficos, mantenga legibles las etiquetas y pida al modelo que describa las observaciones pertinentes antes de interpretarlas. Si solo necesita la prosa, proporcionar texto extraído evita que la extracción visual sea un requisito previo para comprender el documento. Los medios incorporados comparten un presupuesto de carga de 25 MB, incluida la sobrecarga de base64. Una solicitud contiene un vídeo, limitado a 1 GB mediante S3; los medios combinados en S3 pueden sumar 2 GB. Las entradas PDF y DOCX siguen limitadas a cinco documentos, con un presupuesto combinado de 25 MB para carga directa o de 2 GB mediante S3.\n\nLa comprensión de vídeo se basa en fotogramas visuales muestreados. La guía de primera generación asigna específicamente a Premier una frecuencia de muestreo de un fotograma por segundo hasta 3 200 fotogramas, un presupuesto distinto de la estrategia de 960 fotogramas de Nova Lite y Pro. Esto resulta útil para resúmenes de escenas y preguntas sobre acontecimientos a lo largo del tiempo, aunque las acciones breves entre fotogramas muestreados pueden pasar inadvertidas. Proporcione un clip o intervalo temporal pertinente e identifique los detalles que se deben seguir. Para una secuencia larga, un análisis por segmentos seguido de un resumen de texto puede conservar el enfoque, aunque la división puede perder contexto en los límites entre segmentos. Las modalidades documentadas del modelo no incluyen entrada de audio, por lo que la información hablada debe proporcionarse como texto.\n\nPremier admite respuestas en streaming, flujos orientados a herramientas y aumentados con recuperación de información, y caché de prompts en el perfil de servicio documentado de Amazon. La caché explícita requiere al menos 1K tokens por punto de control y permite hasta cuatro puntos de control con una retención de cinco minutos. El proveedor limita la caché de prompts a 20K tokens, principalmente para prompts de texto; ese presupuesto de caché es distinto de la ventana de contexto completa. Proporcione al agente la tarea, las herramientas permitidas y las descripciones de sus argumentos, y después deje que la aplicación ejecute las acciones solicitadas y devuelva observaciones antes del siguiente paso del modelo. Su función de razonamiento no implica que pueda operar un sistema externo sin esa capa de ejecución. Las indicaciones de primera generación admiten explicar una solución por etapas mediante prompts; los controles independientes low, medium y high de pensamiento extendido de Nova 2 Lite no forman parte de la interfaz documentada de esta edición. Para un informe o resultado de herramienta, pida campos explícitos y ejemplos de la estructura deseada; solicitar una estructura JSON es distinto de una salida estructurada impuesta.\n\nUna función distintiva de Premier es enseñar a modelos Nova más pequeños mediante destilación. Amazon describe el uso de las respuestas de Premier como ejemplos de entrenamiento para variantes especializadas de Nova Micro, Lite y Pro, seguido de la comparación del comportamiento del modelo pequeño en la tarea objetivo. Es un flujo de personalización de modelos y no un cambio en la identidad de una respuesta normal de Premier. En el uso habitual, proporcione los hechos respaldados por fuentes de autoridad y exija que la respuesta separe las observaciones, las suposiciones y las pruebas ausentes. Nova puede generar afirmaciones plausibles que contradigan una fuente, y el código generado no incluye análisis de seguridad automático, por lo que el artefacto útil debe contener suficientes pruebas y detalles para contrastarlo con sus entradas. El proveedor también indica que este modelo no identifica ni nombra a las personas de imágenes, documentos o vídeos.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier es el modelo Nova de primera generación para razonamiento multimodal complejo, análisis de documentos largos y agentes. Acepta texto, imágenes y vídeo, devuelve texto y también sirve como profesor para destilar modelos Nova especializados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Amazon Nova Premier es el modelo de comprensión más capaz de la primera generación de la familia Nova de Amazon, diseñado para trabajos complejos que requieren comprensión profunda, contexto y planificación en varios pasos. Procesa texto, imágenes y vídeo y produce texto. Sus funciones incluyen razonar sobre informes largos, comparar pruebas entre documentos, comprender gráficos y material visual y coordinar tareas de agentes. Premier es independiente de los modelos más ligeros Micro, Lite y Pro y de los modelos Nova que generan imágenes, vídeo o voz conversacional.
El perfil exacto del modelo del proveedor indica una ventana de contexto de 1 millón de tokens y una salida máxima de 25K tokens. Su fecha límite de conocimiento documentada es octubre de 2024. Esto hace útil a Premier cuando una tarea necesita un gran conjunto de material de referencia junto con instrucciones y conversación. Organice ese material con nombres de documentos, marcadores de sección y una pregunta específica en lugar de pedir un análisis sin dirección de todo. Un resultado útil puede ser una matriz comparativa, un informe basado en pruebas o una secuencia propuesta de acciones. El presupuesto de contexto cubre el material con el que trabaja el modelo; no promete que todos los detalles aparezcan en la respuesta final.
El flujo multimodal documentado de Premier maneja imágenes PNG, JPG/JPEG, GIF y WebP y contenedores de vídeo comunes como MP4, MOV, MKV y WebM. El flujo documental incluye PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT y Markdown. Los archivos orientados al texto aportan texto; PDF y DOCX pueden aportar texto de páginas con información visual. Para un informe con gráficos, mantenga legibles las etiquetas y pida al modelo que describa las observaciones pertinentes antes de interpretarlas. Si solo necesita la prosa, proporcionar texto extraído evita que la extracción visual sea un requisito previo para comprender el documento. Los medios incorporados comparten un presupuesto de carga de 25 MB, incluida la sobrecarga de base64. Una solicitud contiene un vídeo, limitado a 1 GB mediante S3; los medios combinados en S3 pueden sumar 2 GB. Las entradas PDF y DOCX siguen limitadas a cinco documentos, con un presupuesto combinado de 25 MB para carga directa o de 2 GB mediante S3.
La comprensión de vídeo se basa en fotogramas visuales muestreados. La guía de primera generación asigna específicamente a Premier una frecuencia de muestreo de un fotograma por segundo hasta 3 200 fotogramas, un presupuesto distinto de la estrategia de 960 fotogramas de Nova Lite y Pro. Esto resulta útil para resúmenes de escenas y preguntas sobre acontecimientos a lo largo del tiempo, aunque las acciones breves entre fotogramas muestreados pueden pasar inadvertidas. Proporcione un clip o intervalo temporal pertinente e identifique los detalles que se deben seguir. Para una secuencia larga, un análisis por segmentos seguido de un resumen de texto puede conservar el enfoque, aunque la división puede perder contexto en los límites entre segmentos. Las modalidades documentadas del modelo no incluyen entrada de audio, por lo que la información hablada debe proporcionarse como texto.
Premier admite respuestas en streaming, flujos orientados a herramientas y aumentados con recuperación de información, y caché de prompts en el perfil de servicio documentado de Amazon. La caché explícita requiere al menos 1K tokens por punto de control y permite hasta cuatro puntos de control con una retención de cinco minutos. El proveedor limita la caché de prompts a 20K tokens, principalmente para prompts de texto; ese presupuesto de caché es distinto de la ventana de contexto completa. Proporcione al agente la tarea, las herramientas permitidas y las descripciones de sus argumentos, y después deje que la aplicación ejecute las acciones solicitadas y devuelva observaciones antes del siguiente paso del modelo. Su función de razonamiento no implica que pueda operar un sistema externo sin esa capa de ejecución. Las indicaciones de primera generación admiten explicar una solución por etapas mediante prompts; los controles independientes low, medium y high de pensamiento extendido de Nova 2 Lite no forman parte de la interfaz documentada de esta edición. Para un informe o resultado de herramienta, pida campos explícitos y ejemplos de la estructura deseada; solicitar una estructura JSON es distinto de una salida estructurada impuesta.
Una función distintiva de Premier es enseñar a modelos Nova más pequeños mediante destilación. Amazon describe el uso de las respuestas de Premier como ejemplos de entrenamiento para variantes especializadas de Nova Micro, Lite y Pro, seguido de la comparación del comportamiento del modelo pequeño en la tarea objetivo. Es un flujo de personalización de modelos y no un cambio en la identidad de una respuesta normal de Premier. En el uso habitual, proporcione los hechos respaldados por fuentes de autoridad y exija que la respuesta separe las observaciones, las suposiciones y las pruebas ausentes. Nova puede generar afirmaciones plausibles que contradigan una fuente, y el código generado no incluye análisis de seguridad automático, por lo que el artefacto útil debe contener suficientes pruebas y detalles para contrastarlo con sus entradas. El proveedor también indica que este modelo no identifica ni nombra a las personas de imágenes, documentos o vídeos.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites amazon/nova-premier-v1 | 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 $0.005 / 1K tokens Salida · Tokens de salida $0.025 / 1K tokens Entrada · Lectura de caché $0.00125 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.005 / 1K tokens Salida · Tokens de salida $0.025 / 1K tokens Entrada · Lectura de caché $0.00125 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-v1", "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='amazon/nova-premier-v1',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='amazon/nova-premier-v1',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 las cabeceras. 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 amazon/nova-premier-v1
Usa las rutas de método indicadas arriba.
amazon/nova-premier-v1Amazon Nova Premier es el modelo Nova de primera generación para razonamiento multimodal complejo, análisis de documentos largos y agentes. Acepta texto, imágenes y vídeo, devuelve texto y también sirve como profesor para destilar modelos Nova especializados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Amazon Nova Premier es el modelo de comprensión más capaz de la primera generación de la familia Nova de Amazon, diseñado para trabajos complejos que requieren comprensión profunda, contexto y planificación en varios pasos. Procesa texto, imágenes y vídeo y produce texto. Sus funciones incluyen razonar sobre informes largos, comparar pruebas entre documentos, comprender gráficos y material visual y coordinar tareas de agentes. Premier es independiente de los modelos más ligeros Micro, Lite y Pro y de los modelos Nova que generan imágenes, vídeo o voz conversacional.
El perfil exacto del modelo del proveedor indica una ventana de contexto de 1 millón de tokens y una salida máxima de 25K tokens. Su fecha límite de conocimiento documentada es octubre de 2024. Esto hace útil a Premier cuando una tarea necesita un gran conjunto de material de referencia junto con instrucciones y conversación. Organice ese material con nombres de documentos, marcadores de sección y una pregunta específica en lugar de pedir un análisis sin dirección de todo. Un resultado útil puede ser una matriz comparativa, un informe basado en pruebas o una secuencia propuesta de acciones. El presupuesto de contexto cubre el material con el que trabaja el modelo; no promete que todos los detalles aparezcan en la respuesta final.
El flujo multimodal documentado de Premier maneja imágenes PNG, JPG/JPEG, GIF y WebP y contenedores de vídeo comunes como MP4, MOV, MKV y WebM. El flujo documental incluye PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT y Markdown. Los archivos orientados al texto aportan texto; PDF y DOCX pueden aportar texto de páginas con información visual. Para un informe con gráficos, mantenga legibles las etiquetas y pida al modelo que describa las observaciones pertinentes antes de interpretarlas. Si solo necesita la prosa, proporcionar texto extraído evita que la extracción visual sea un requisito previo para comprender el documento. Los medios incorporados comparten un presupuesto de carga de 25 MB, incluida la sobrecarga de base64. Una solicitud contiene un vídeo, limitado a 1 GB mediante S3; los medios combinados en S3 pueden sumar 2 GB. Las entradas PDF y DOCX siguen limitadas a cinco documentos, con un presupuesto combinado de 25 MB para carga directa o de 2 GB mediante S3.
La comprensión de vídeo se basa en fotogramas visuales muestreados. La guía de primera generación asigna específicamente a Premier una frecuencia de muestreo de un fotograma por segundo hasta 3 200 fotogramas, un presupuesto distinto de la estrategia de 960 fotogramas de Nova Lite y Pro. Esto resulta útil para resúmenes de escenas y preguntas sobre acontecimientos a lo largo del tiempo, aunque las acciones breves entre fotogramas muestreados pueden pasar inadvertidas. Proporcione un clip o intervalo temporal pertinente e identifique los detalles que se deben seguir. Para una secuencia larga, un análisis por segmentos seguido de un resumen de texto puede conservar el enfoque, aunque la división puede perder contexto en los límites entre segmentos. Las modalidades documentadas del modelo no incluyen entrada de audio, por lo que la información hablada debe proporcionarse como texto.
Premier admite respuestas en streaming, flujos orientados a herramientas y aumentados con recuperación de información, y caché de prompts en el perfil de servicio documentado de Amazon. La caché explícita requiere al menos 1K tokens por punto de control y permite hasta cuatro puntos de control con una retención de cinco minutos. El proveedor limita la caché de prompts a 20K tokens, principalmente para prompts de texto; ese presupuesto de caché es distinto de la ventana de contexto completa. Proporcione al agente la tarea, las herramientas permitidas y las descripciones de sus argumentos, y después deje que la aplicación ejecute las acciones solicitadas y devuelva observaciones antes del siguiente paso del modelo. Su función de razonamiento no implica que pueda operar un sistema externo sin esa capa de ejecución. Las indicaciones de primera generación admiten explicar una solución por etapas mediante prompts; los controles independientes low, medium y high de pensamiento extendido de Nova 2 Lite no forman parte de la interfaz documentada de esta edición. Para un informe o resultado de herramienta, pida campos explícitos y ejemplos de la estructura deseada; solicitar una estructura JSON es distinto de una salida estructurada impuesta.
Una función distintiva de Premier es enseñar a modelos Nova más pequeños mediante destilación. Amazon describe el uso de las respuestas de Premier como ejemplos de entrenamiento para variantes especializadas de Nova Micro, Lite y Pro, seguido de la comparación del comportamiento del modelo pequeño en la tarea objetivo. Es un flujo de personalización de modelos y no un cambio en la identidad de una respuesta normal de Premier. En el uso habitual, proporcione los hechos respaldados por fuentes de autoridad y exija que la respuesta separe las observaciones, las suposiciones y las pruebas ausentes. Nova puede generar afirmaciones plausibles que contradigan una fuente, y el código generado no incluye análisis de seguridad automático, por lo que el artefacto útil debe contener suficientes pruebas y detalles para contrastarlo con sus entradas. El proveedor también indica que este modelo no identifica ni nombra a las personas de imágenes, documentos o vídeos.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites amazon/nova-premier-v1 | 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 $0.005 / 1K tokens Salida · Tokens de salida $0.025 / 1K tokens Entrada · Lectura de caché $0.00125 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.005 / 1K tokens Salida · Tokens de salida $0.025 / 1K tokens Entrada · Lectura de caché $0.00125 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-premier-v1', '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': 'amazon/nova-premier-v1', '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 las cabeceras. 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 amazon/nova-premier-v1
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.