Claude Sonnet 4.6 combina programación, comprensión de contextos amplios, planificación con agentes, trabajo profesional con información y diseño. Anthropic destaca estudiar el código antes de modificarlo y trabajar de forma secuencial en los distintos pasos de una tarea. Es útil para buscar un problema en un proyecto grande, analizar un documento largo y preparar el contenido de un informe.
El modelo puede analizar información de contratos, artículos de investigación y otros materiales en una misma solicitud. La tarea puede incluir extraer hechos, razonar sobre ellos y producir un resultado que integre varias partes. Otros usos descritos son análisis financiero y generación de código de interfaces con atención a la composición y el diseño.
Sonnet 4.6 comprende texto e imágenes y su resultado propio es texto. Anthropic describe tareas de ordenador en las que el modelo se orienta mediante capturas, elige acciones de ratón y teclado y analiza una tabla compleja o los pasos de un formulario web. La ejecución real requiere herramientas de la aplicación que proporcionen la pantalla y realicen las acciones.
Los formatos habituales de entrada visual del fabricante son JPEG/PNG/GIF/WebP, con el primer fotograma de una animación. En el análisis nativo, el lado largo es de 1568 píxeles y se utilizan 1568 tokens visuales; las imágenes grandes se reducen antes del análisis. La compatibilidad con archivos y parámetros depende del método de la aplicación.
Documentos, hojas de cálculo y presentaciones pueden analizarse o utilizarse para preparar contenido, pero producir un archivo terminado requiere un entorno adecuado. Las imágenes ayudan a comprender gráficos, diagramas y estructuras visuales; esto no convierte al modelo en un generador de imágenes.
Esta versión admite razonamiento adaptativo y extended thinking manual. El modo manual está marcado como una opción en proceso de retirada; el adaptativo permite decidir cuándo analizar más, incluso entre llamadas a herramientas. Los niveles de effort son low, medium, high y max, con high como nivel estándar. Según Anthropic, elegir el esfuerzo permite ajustar el detalle del trabajo y la latencia al tipo de tarea.
La especificación actual establece 1 millón de tokens de contexto y hasta 128 mil tokens de respuesta en el modo normal. Para trabajos prolongados, el fabricante también describe compresión experimental del contexto antiguo en un resumen. Requiere compatibilidad en la aplicación y no elimina los límites de la ventana del modelo.
El límite fiable de sus conocimientos incorporados es agosto de 2025. La información posterior requiere materiales de la tarea o búsqueda disponible. Las herramientas conectadas pueden ayudar a buscar, ejecutar código y procesar el contenido encontrado; su disponibilidad y las acciones permitidas dependen de la aplicación.
Sonnet 4.6 fue entrenado para resistir instrucciones maliciosas ocultas en contenidos ajenos, pero los entornos visuales complejos y las tareas ambiguas pueden seguir causando errores. Requisitos explícitos, comprobación de los hechos extraídos y evaluación del resultado de cada acción siguen siendo parte del trabajo fiable con el modelo.
", "aboutText": "### Código, documentos y plan de acción\n\nClaude Sonnet 4.6 combina programación, comprensión de contextos amplios, planificación con agentes, trabajo profesional con información y diseño. Anthropic destaca estudiar el código antes de modificarlo y trabajar de forma secuencial en los distintos pasos de una tarea. Es útil para buscar un problema en un proyecto grande, analizar un documento largo y preparar el contenido de un informe.\n\nEl modelo puede analizar información de contratos, artículos de investigación y otros materiales en una misma solicitud. La tarea puede incluir extraer hechos, razonar sobre ellos y producir un resultado que integre varias partes. Otros usos descritos son análisis financiero y generación de código de interfaces con atención a la composición y el diseño.\n\n### Acciones en un entorno visual\n\nSonnet 4.6 comprende **texto e imágenes** y su resultado propio es **texto**. Anthropic describe tareas de ordenador en las que el modelo se orienta mediante capturas, elige acciones de ratón y teclado y analiza una tabla compleja o los pasos de un formulario web. La ejecución real requiere herramientas de la aplicación que proporcionen la pantalla y realicen las acciones.\n\nLos formatos habituales de entrada visual del fabricante son JPEG/PNG/GIF/WebP, con el primer fotograma de una animación. En el análisis nativo, el lado largo es de 1568 píxeles y se utilizan 1568 tokens visuales; las imágenes grandes se reducen antes del análisis. La compatibilidad con archivos y parámetros depende del método de la aplicación.\n\nDocumentos, hojas de cálculo y presentaciones pueden analizarse o utilizarse para preparar contenido, pero producir un archivo terminado requiere un entorno adecuado. Las imágenes ayudan a comprender gráficos, diagramas y estructuras visuales; esto no convierte al modelo en un generador de imágenes.\n\n### Cómo se regula el análisis\n\nEsta versión admite razonamiento adaptativo y extended thinking manual. El modo manual está marcado como una opción en proceso de retirada; el adaptativo permite decidir cuándo analizar más, incluso entre llamadas a herramientas. Los niveles de `effort` son `low`, `medium`, `high` y `max`, con `high` como nivel estándar. Según Anthropic, elegir el esfuerzo permite ajustar el detalle del trabajo y la latencia al tipo de tarea.\n\nLa especificación actual establece **1 millón de tokens de contexto** y hasta **128 mil tokens de respuesta en el modo normal**. Para trabajos prolongados, el fabricante también describe compresión experimental del contexto antiguo en un resumen. Requiere compatibilidad en la aplicación y no elimina los límites de la ventana del modelo.\n\n### Qué tener en cuenta\n\nEl límite fiable de sus conocimientos incorporados es **agosto de 2025**. La información posterior requiere materiales de la tarea o búsqueda disponible. Las herramientas conectadas pueden ayudar a buscar, ejecutar código y procesar el contenido encontrado; su disponibilidad y las acciones permitidas dependen de la aplicación.\n\nSonnet 4.6 fue entrenado para resistir instrucciones maliciosas ocultas en contenidos ajenos, pero los entornos visuales complejos y las tareas ambiguas pueden seguir causando errores. Requisitos explícitos, comprobación de los hechos extraídos y evaluación del resultado de cada acción siguen siendo parte del trabajo fiable con el modelo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9508df602706c722754b7970f9d8fb4cd8530b7d4adc2942a7c67e15a84da7d9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "claude-sonnet-4-6-thinkingClaude Sonnet 4.6 ayuda con desarrollo, comprensión de documentos largos, planificación y tareas con datos visuales. Admite razonamiento adaptativo y trabajo con herramientas en varios pasos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Claude Sonnet 4.6 combina programación, comprensión de contextos amplios, planificación con agentes, trabajo profesional con información y diseño. Anthropic destaca estudiar el código antes de modificarlo y trabajar de forma secuencial en los distintos pasos de una tarea. Es útil para buscar un problema en un proyecto grande, analizar un documento largo y preparar el contenido de un informe.
El modelo puede analizar información de contratos, artículos de investigación y otros materiales en una misma solicitud. La tarea puede incluir extraer hechos, razonar sobre ellos y producir un resultado que integre varias partes. Otros usos descritos son análisis financiero y generación de código de interfaces con atención a la composición y el diseño.
Sonnet 4.6 comprende texto e imágenes y su resultado propio es texto. Anthropic describe tareas de ordenador en las que el modelo se orienta mediante capturas, elige acciones de ratón y teclado y analiza una tabla compleja o los pasos de un formulario web. La ejecución real requiere herramientas de la aplicación que proporcionen la pantalla y realicen las acciones.
Los formatos habituales de entrada visual del fabricante son JPEG/PNG/GIF/WebP, con el primer fotograma de una animación. En el análisis nativo, el lado largo es de 1568 píxeles y se utilizan 1568 tokens visuales; las imágenes grandes se reducen antes del análisis. La compatibilidad con archivos y parámetros depende del método de la aplicación.
Documentos, hojas de cálculo y presentaciones pueden analizarse o utilizarse para preparar contenido, pero producir un archivo terminado requiere un entorno adecuado. Las imágenes ayudan a comprender gráficos, diagramas y estructuras visuales; esto no convierte al modelo en un generador de imágenes.
Esta versión admite razonamiento adaptativo y extended thinking manual. El modo manual está marcado como una opción en proceso de retirada; el adaptativo permite decidir cuándo analizar más, incluso entre llamadas a herramientas. Los niveles de effort son low, medium, high y max, con high como nivel estándar. Según Anthropic, elegir el esfuerzo permite ajustar el detalle del trabajo y la latencia al tipo de tarea.
La especificación actual establece 1 millón de tokens de contexto y hasta 128 mil tokens de respuesta en el modo normal. Para trabajos prolongados, el fabricante también describe compresión experimental del contexto antiguo en un resumen. Requiere compatibilidad en la aplicación y no elimina los límites de la ventana del modelo.
El límite fiable de sus conocimientos incorporados es agosto de 2025. La información posterior requiere materiales de la tarea o búsqueda disponible. Las herramientas conectadas pueden ayudar a buscar, ejecutar código y procesar el contenido encontrado; su disponibilidad y las acciones permitidas dependen de la aplicación.
Sonnet 4.6 fue entrenado para resistir instrucciones maliciosas ocultas en contenidos ajenos, pero los entornos visuales complejos y las tareas ambiguas pueden seguir causando errores. Requisitos explícitos, comprobación de los hechos extraídos y evaluación del resultado de cada acción siguen siendo parte del trabajo fiable con el modelo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites claude-sonnet-4-6-thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0.0006 / 1K tokens Entrada · Escritura en caché $0.0075 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"claude-sonnet-4-6-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="claude-sonnet-4-6-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 claude-sonnet-4-6-thinking
/chat/completions