Trinity-Large-Thinking es la versión optimizada para razonamiento de la familia Trinity Large de Arcee AI. Está diseñada para agentes que planifican varios pasos, llaman a herramientas y mantienen una tarea coherente durante una conversación larga, conservando a la vez capacidades generales de generación de texto. El modelo acepta texto y genera texto, incluido razonamiento explícito y solicitudes de herramientas. Su entrenamiento amplía el modelo Trinity-Large-Base con ajuste mediante instrucciones y aprendizaje por refuerzo sobre cadenas de razonamiento, secuencias de llamadas a herramientas y tareas de agentes de varios pasos.
La ficha del modelo describe una arquitectura de mezcla dispersa de expertos con aproximadamente 398 mil millones de parámetros totales y 13 mil millones de parámetros activos por token. Indica 256 expertos, un experto compartido, cuatro expertos activos y una ventana de contexto de 512K tras ampliarla desde un contexto de preentrenamiento de 8 192 tokens. Estas son propiedades del modelo del proveedor y no una predicción de velocidad de respuesta. El checkpoint Thinking es distinto de Trinity-Large-Preview, preparado para chat con un posentrenamiento ligero y que no proporciona reasoning_content, y de los checkpoints de preentrenamiento Base y TrueBase.
El razonamiento explícito aparece en bloques <think>...</think> antes de la respuesta final. En la respuesta estructurada documentada, reasoning_content contiene ese razonamiento separado de content y tool_calls. Conservar el turno completo del asistente es una parte esencial del uso de este modelo: antes del siguiente paso, devuelva el razonamiento junto con la respuesta y las llamadas a herramientas. Su plantilla de chat restaura los bloques de razonamiento al construir la siguiente entrada. Si es necesario acortar el historial, Arcee recomienda eliminar turnos antiguos completos en vez de quitar el razonamiento de los turnos recientes.
El patrón de bucle de agente del fabricante empieza con la tarea del usuario y las definiciones de herramientas, recibe razonamiento, una respuesta o solicitudes de herramientas, ejecuta las herramientas solicitadas fuera del modelo y añade el turno del asistente junto con los resultados reales de las herramientas antes de continuar. Esto se repite hasta que se devuelve una respuesta final sin llamadas a herramientas. Para los turnos del asistente que contienen llamadas a herramientas pero no texto de respuesta, la guía exige que content sea una cadena vacía en lugar de null. El campo de razonamiento también debe corresponder a la interfaz que sirve el modelo: la guía de Arcee distingue reasoning_content de las integraciones que esperan reasoning.
Esto hace que el modelo resulte útil para un flujo de soporte que primero consulta un registro, aplica la política proporcionada y después solicita la siguiente acción adecuada, o para un agente de programación que inspecciona archivos, propone un cambio e interpreta un resultado de ejecución. Proporcione el objetivo real, los nombres de herramientas, los esquemas de argumentos, las restricciones y una condición de finalización. Un encargo ilustrativo podría pedirle localizar un defecto, explicar las pruebas y proponer un parche mínimo, manteniendo los resultados observados de las herramientas separados de las acciones aún previstas. Las llamadas a herramientas son solicitudes a una capa de ejecución, no pruebas de que el modelo ya haya modificado un archivo o completado una acción externa.
La ficha recomienda temperature de 0.45–0.6, top_p de 0.95 y top_k de 50 para la inferencia. Son ajustes recomendados, no límites de salida fijos. El modo de fallo importante de la guía del fabricante es el uso malformado de herramientas en varios pasos cuando un turno anterior pierde el razonamiento o tiene una estructura de mensaje inválida: el marcado de llamadas a herramientas puede aparecer dentro del campo de razonamiento en lugar de la salida estructurada de llamadas a herramientas. Conserve el turno completo, mantenga el contenido de respuesta distinto de null y trate el artefacto final por separado del historial de razonamiento almacenado. Esta edición se adapta especialmente a flujos en los que importa la continuidad entre observaciones, razonamiento y acciones posteriores.
", "aboutText": "Trinity-Large-Thinking es la versión optimizada para razonamiento de la familia Trinity Large de Arcee AI. Está diseñada para agentes que planifican varios pasos, llaman a herramientas y mantienen una tarea coherente durante una conversación larga, conservando a la vez capacidades generales de generación de texto. El modelo acepta texto y genera texto, incluido razonamiento explícito y solicitudes de herramientas. Su entrenamiento amplía el modelo Trinity-Large-Base con ajuste mediante instrucciones y aprendizaje por refuerzo sobre cadenas de razonamiento, secuencias de llamadas a herramientas y tareas de agentes de varios pasos.\n\nLa ficha del modelo describe una arquitectura de mezcla dispersa de expertos con aproximadamente 398 mil millones de parámetros totales y 13 mil millones de parámetros activos por token. Indica 256 expertos, un experto compartido, cuatro expertos activos y una ventana de contexto de 512K tras ampliarla desde un contexto de preentrenamiento de 8 192 tokens. Estas son propiedades del modelo del proveedor y no una predicción de velocidad de respuesta. El checkpoint Thinking es distinto de Trinity-Large-Preview, preparado para chat con un posentrenamiento ligero y que no proporciona reasoning_content, y de los checkpoints de preentrenamiento Base y TrueBase.\n\nEl razonamiento explícito aparece en bloquesEjemplo técnico en inglés
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingTrinity-Large-Thinking es el modelo de razonamiento de Arcee AI para agentes de varios pasos y llamadas a herramientas. Genera un razonamiento explícito antes de responder y exige conservarlo entre los turnos de conversación y los flujos con herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Trinity-Large-Thinking es la versión optimizada para razonamiento de la familia Trinity Large de Arcee AI. Está diseñada para agentes que planifican varios pasos, llaman a herramientas y mantienen una tarea coherente durante una conversación larga, conservando a la vez capacidades generales de generación de texto. El modelo acepta texto y genera texto, incluido razonamiento explícito y solicitudes de herramientas. Su entrenamiento amplía el modelo Trinity-Large-Base con ajuste mediante instrucciones y aprendizaje por refuerzo sobre cadenas de razonamiento, secuencias de llamadas a herramientas y tareas de agentes de varios pasos.
La ficha del modelo describe una arquitectura de mezcla dispersa de expertos con aproximadamente 398 mil millones de parámetros totales y 13 mil millones de parámetros activos por token. Indica 256 expertos, un experto compartido, cuatro expertos activos y una ventana de contexto de 512K tras ampliarla desde un contexto de preentrenamiento de 8 192 tokens. Estas son propiedades del modelo del proveedor y no una predicción de velocidad de respuesta. El checkpoint Thinking es distinto de Trinity-Large-Preview, preparado para chat con un posentrenamiento ligero y que no proporciona reasoning_content, y de los checkpoints de preentrenamiento Base y TrueBase.
El razonamiento explícito aparece en bloques <think>...</think> antes de la respuesta final. En la respuesta estructurada documentada, reasoning_content contiene ese razonamiento separado de content y tool_calls. Conservar el turno completo del asistente es una parte esencial del uso de este modelo: antes del siguiente paso, devuelva el razonamiento junto con la respuesta y las llamadas a herramientas. Su plantilla de chat restaura los bloques de razonamiento al construir la siguiente entrada. Si es necesario acortar el historial, Arcee recomienda eliminar turnos antiguos completos en vez de quitar el razonamiento de los turnos recientes.
El patrón de bucle de agente del fabricante empieza con la tarea del usuario y las definiciones de herramientas, recibe razonamiento, una respuesta o solicitudes de herramientas, ejecuta las herramientas solicitadas fuera del modelo y añade el turno del asistente junto con los resultados reales de las herramientas antes de continuar. Esto se repite hasta que se devuelve una respuesta final sin llamadas a herramientas. Para los turnos del asistente que contienen llamadas a herramientas pero no texto de respuesta, la guía exige que content sea una cadena vacía en lugar de null. El campo de razonamiento también debe corresponder a la interfaz que sirve el modelo: la guía de Arcee distingue reasoning_content de las integraciones que esperan reasoning.
Esto hace que el modelo resulte útil para un flujo de soporte que primero consulta un registro, aplica la política proporcionada y después solicita la siguiente acción adecuada, o para un agente de programación que inspecciona archivos, propone un cambio e interpreta un resultado de ejecución. Proporcione el objetivo real, los nombres de herramientas, los esquemas de argumentos, las restricciones y una condición de finalización. Un encargo ilustrativo podría pedirle localizar un defecto, explicar las pruebas y proponer un parche mínimo, manteniendo los resultados observados de las herramientas separados de las acciones aún previstas. Las llamadas a herramientas son solicitudes a una capa de ejecución, no pruebas de que el modelo ya haya modificado un archivo o completado una acción externa.
La ficha recomienda temperature de 0.45–0.6, top_p de 0.95 y top_k de 50 para la inferencia. Son ajustes recomendados, no límites de salida fijos. El modo de fallo importante de la guía del fabricante es el uso malformado de herramientas en varios pasos cuando un turno anterior pierde el razonamiento o tiene una estructura de mensaje inválida: el marcado de llamadas a herramientas puede aparecer dentro del campo de razonamiento en lugar de la salida estructurada de llamadas a herramientas. Conserve el turno completo, mantenga el contenido de respuesta distinto de null y trate el artefacto final por separado del historial de razonamiento almacenado. Esta edición se adapta especialmente a flujos en los que importa la continuidad entre observaciones, razonamiento y acciones posteriores.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites arcee-ai/trinity-large-thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0016 / 1K tokens Entrada · Lectura de caché $0.00012 / 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0016 / 1K tokens Entrada · Lectura de caché $0.00012 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='arcee-ai/trinity-large-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='arcee-ai/trinity-large-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y 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 arcee-ai/trinity-large-thinking
Usa las rutas de método indicadas arriba.
arcee-ai/trinity-large-thinkingTrinity-Large-Thinking es el modelo de razonamiento de Arcee AI para agentes de varios pasos y llamadas a herramientas. Genera un razonamiento explícito antes de responder y exige conservarlo entre los turnos de conversación y los flujos con herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Trinity-Large-Thinking es la versión optimizada para razonamiento de la familia Trinity Large de Arcee AI. Está diseñada para agentes que planifican varios pasos, llaman a herramientas y mantienen una tarea coherente durante una conversación larga, conservando a la vez capacidades generales de generación de texto. El modelo acepta texto y genera texto, incluido razonamiento explícito y solicitudes de herramientas. Su entrenamiento amplía el modelo Trinity-Large-Base con ajuste mediante instrucciones y aprendizaje por refuerzo sobre cadenas de razonamiento, secuencias de llamadas a herramientas y tareas de agentes de varios pasos.
La ficha del modelo describe una arquitectura de mezcla dispersa de expertos con aproximadamente 398 mil millones de parámetros totales y 13 mil millones de parámetros activos por token. Indica 256 expertos, un experto compartido, cuatro expertos activos y una ventana de contexto de 512K tras ampliarla desde un contexto de preentrenamiento de 8 192 tokens. Estas son propiedades del modelo del proveedor y no una predicción de velocidad de respuesta. El checkpoint Thinking es distinto de Trinity-Large-Preview, preparado para chat con un posentrenamiento ligero y que no proporciona reasoning_content, y de los checkpoints de preentrenamiento Base y TrueBase.
El razonamiento explícito aparece en bloques <think>...</think> antes de la respuesta final. En la respuesta estructurada documentada, reasoning_content contiene ese razonamiento separado de content y tool_calls. Conservar el turno completo del asistente es una parte esencial del uso de este modelo: antes del siguiente paso, devuelva el razonamiento junto con la respuesta y las llamadas a herramientas. Su plantilla de chat restaura los bloques de razonamiento al construir la siguiente entrada. Si es necesario acortar el historial, Arcee recomienda eliminar turnos antiguos completos en vez de quitar el razonamiento de los turnos recientes.
El patrón de bucle de agente del fabricante empieza con la tarea del usuario y las definiciones de herramientas, recibe razonamiento, una respuesta o solicitudes de herramientas, ejecuta las herramientas solicitadas fuera del modelo y añade el turno del asistente junto con los resultados reales de las herramientas antes de continuar. Esto se repite hasta que se devuelve una respuesta final sin llamadas a herramientas. Para los turnos del asistente que contienen llamadas a herramientas pero no texto de respuesta, la guía exige que content sea una cadena vacía en lugar de null. El campo de razonamiento también debe corresponder a la interfaz que sirve el modelo: la guía de Arcee distingue reasoning_content de las integraciones que esperan reasoning.
Esto hace que el modelo resulte útil para un flujo de soporte que primero consulta un registro, aplica la política proporcionada y después solicita la siguiente acción adecuada, o para un agente de programación que inspecciona archivos, propone un cambio e interpreta un resultado de ejecución. Proporcione el objetivo real, los nombres de herramientas, los esquemas de argumentos, las restricciones y una condición de finalización. Un encargo ilustrativo podría pedirle localizar un defecto, explicar las pruebas y proponer un parche mínimo, manteniendo los resultados observados de las herramientas separados de las acciones aún previstas. Las llamadas a herramientas son solicitudes a una capa de ejecución, no pruebas de que el modelo ya haya modificado un archivo o completado una acción externa.
La ficha recomienda temperature de 0.45–0.6, top_p de 0.95 y top_k de 50 para la inferencia. Son ajustes recomendados, no límites de salida fijos. El modo de fallo importante de la guía del fabricante es el uso malformado de herramientas en varios pasos cuando un turno anterior pierde el razonamiento o tiene una estructura de mensaje inválida: el marcado de llamadas a herramientas puede aparecer dentro del campo de razonamiento en lugar de la salida estructurada de llamadas a herramientas. Conserve el turno completo, mantenga el contenido de respuesta distinto de null y trate el artefacto final por separado del historial de razonamiento almacenado. Esta edición se adapta especialmente a flujos en los que importa la continuidad entre observaciones, razonamiento y acciones posteriores.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0016 / 1K tokens Entrada · Lectura de caché $0.00012 / 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0016 / 1K tokens Entrada · Lectura de caché $0.00012 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 arcee-ai/trinity-large-thinking
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.