Ember-1 es el modelo especializado de Fireworks Research construido sobre Kimi K3. Su cambio característico es un entrenamiento que acorta el razonamiento innecesario y conserva el análisis útil para cargas de trabajo de programación y agentes. El productor lo orienta a tareas repetidas guiadas por herramientas, en las que las trazas de razonamiento extensas pueden acumularse a lo largo de una conversación. Su perfil documentado admite generación de texto, entrada de imágenes e invocación de funciones; la respuesta, el código o la operación propuesta resultantes se expresan en texto.
El fabricante desarrolló Ember-1 con un entrenamiento centrado en tareas de un amplio conjunto de cargas de trabajo. Se trata de una diferencia incorporada mediante el entrenamiento del modelo, y no simplemente de seleccionar un nivel inferior de esfuerzo de razonamiento en su modelo base. Conviene mantener su identidad propia al comparar resultados con Kimi K3: el objetivo es una trayectoria de razonamiento más económica, sin suponer que todos los ajustes, capacidades o futuras actualizaciones del original sean idénticos.
Para una tarea de software, proporciona el código pertinente, el fallo observado, el comportamiento deseado y los contratos que deben permanecer estables. Pide una implementación centrada en el problema y una explicación vinculada al código fuente real. Una instrucción práctica es: «Sigue la ejecución con esta entrada que falla, identifica la primera condición incorrecta y devuelve la función corregida con las pruebas que justifican el cambio». Indica explícitamente el resultado final esperado, incluso cuando la tarea requiera varias observaciones.
Los casos de uso del productor incluyen asistentes de programación y agentes que alternan entre decisiones del modelo y resultados de herramientas. Proporciona descripciones de funciones y esquemas de argumentos adecuados para el trabajo. El modelo puede proponer la inspección de un archivo, un cálculo u otra operación disponible; la aplicación la ejecuta y devuelve la observación real. Usa ese resultado en el siguiente turno, en lugar de dar por ejecutada una acción solo porque se haya propuesto.
Para una tarea más larga, conserva las observaciones pertinentes sobre el fallo, la corrección y la verificación en un registro conciso. Solicita el código terminado o el resultado analítico por separado de la discusión intermedia. Un razonamiento más breve solo resulta útil si la salida sigue cumpliendo el comportamiento exigido por la tarea e incluye las pruebas necesarias para revisarla.
El catálogo del fabricante de Ember-1 admite entrada de imágenes. Una tarea de programación con elementos visuales puede combinar una captura de pantalla con requisitos y código fuente, y pedir una explicación o implementación basada en lo visible. Etiqueta cada imagen y distingue el estado actual del resultado previsto. Haz legible el texto importante y pide que la respuesta identifique el detalle visible que respalda un hallazgo.
El productor indica un contexto del orden de un millón de tokens. Se trata de un perfil de capacidad para el material de entrada, no de una promesa independiente de esa cantidad de tokens de respuesta. El prompt, el material de referencia, el historial de herramientas y el razonamiento generado comparten el presupuesto aplicable a la solicitud. Organiza un repositorio grande o una colección de documentos en torno a la pregunta concreta y reserva espacio para el resultado.
Un entregable útil es un parche centrado en el problema, una explicación respaldada por pruebas o una comparación completa según criterios establecidos. Para un dato que dependa de información actual, proporciona un pasaje de una fuente autorizada o una herramienta de consulta adecuada. La orientación del modelo hacia un razonamiento más breve no hace que las pruebas ausentes estén disponibles, no ejecuta una función ni valida código de forma independiente. Comprueba el resultado frente a los requisitos y las observaciones devueltas por el flujo de trabajo que lo rodea.
", "aboutText": "Ember-1 es el modelo especializado de Fireworks Research construido sobre Kimi K3. Su cambio característico es un entrenamiento que acorta el razonamiento innecesario y conserva el análisis útil para cargas de trabajo de programación y agentes. El productor lo orienta a tareas repetidas guiadas por herramientas, en las que las trazas de razonamiento extensas pueden acumularse a lo largo de una conversación. Su perfil documentado admite generación de texto, entrada de imágenes e invocación de funciones; la respuesta, el código o la operación propuesta resultantes se expresan en texto.\n\n### Qué cambia con el entrenamiento\n\nEl fabricante desarrolló Ember-1 con un entrenamiento centrado en tareas de un amplio conjunto de cargas de trabajo. Se trata de una diferencia incorporada mediante el entrenamiento del modelo, y no simplemente de seleccionar un nivel inferior de esfuerzo de razonamiento en su modelo base. Conviene mantener su identidad propia al comparar resultados con Kimi K3: el objetivo es una trayectoria de razonamiento más económica, sin suponer que todos los ajustes, capacidades o futuras actualizaciones del original sean idénticos.\n\nPara una tarea de software, proporciona el código pertinente, el fallo observado, el comportamiento deseado y los contratos que deben permanecer estables. Pide una implementación centrada en el problema y una explicación vinculada al código fuente real. Una instrucción práctica es: «Sigue la ejecución con esta entrada que falla, identifica la primera condición incorrecta y devuelve la función corregida con las pruebas que justifican el cambio». Indica explícitamente el resultado final esperado, incluso cuando la tarea requiera varias observaciones.\n\n### Cargas de trabajo de programación y agentes\n\nLos casos de uso del productor incluyen asistentes de programación y agentes que alternan entre decisiones del modelo y resultados de herramientas. Proporciona descripciones de funciones y esquemas de argumentos adecuados para el trabajo. El modelo puede proponer la inspección de un archivo, un cálculo u otra operación disponible; la aplicación la ejecuta y devuelve la observación real. Usa ese resultado en el siguiente turno, en lugar de dar por ejecutada una acción solo porque se haya propuesto.\n\nPara una tarea más larga, conserva las observaciones pertinentes sobre el fallo, la corrección y la verificación en un registro conciso. Solicita el código terminado o el resultado analítico por separado de la discusión intermedia. Un razonamiento más breve solo resulta útil si la salida sigue cumpliendo el comportamiento exigido por la tarea e incluye las pruebas necesarias para revisarla.\n\n### Imágenes y material de referencia extenso\n\nEl catálogo del fabricante de Ember-1 admite entrada de imágenes. Una tarea de programación con elementos visuales puede combinar una captura de pantalla con requisitos y código fuente, y pedir una explicación o implementación basada en lo visible. Etiqueta cada imagen y distingue el estado actual del resultado previsto. Haz legible el texto importante y pide que la respuesta identifique el detalle visible que respalda un hallazgo.\n\nEl productor indica un contexto del orden de un millón de tokens. Se trata de un perfil de capacidad para el material de entrada, no de una promesa independiente de esa cantidad de tokens de respuesta. El prompt, el material de referencia, el historial de herramientas y el razonamiento generado comparten el presupuesto aplicable a la solicitud. Organiza un repositorio grande o una colección de documentos en torno a la pregunta concreta y reserva espacio para el resultado.\n\n### Resultados que se pueden revisar\n\nUn entregable útil es un parche centrado en el problema, una explicación respaldada por pruebas o una comparación completa según criterios establecidos. Para un dato que dependa de información actual, proporciona un pasaje de una fuente autorizada o una herramienta de consulta adecuada. La orientación del modelo hacia un razonamiento más breve no hace que las pruebas ausentes estén disponibles, no ejecuta una función ni valida código de forma independiente. Comprueba el resultado frente a los requisitos y las observaciones devueltas por el flujo de trabajo que lo rodea.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 es el modelo de Fireworks Research basado en Kimi K3 y entrenado para acortar el razonamiento innecesario en tareas de programación y agentes. El perfil de su fabricante admite entradas de texto e imagen, generación de texto e invocación de funciones, lo que lo hace útil para trabajos de desarrollo específicos y análisis guiados por fuentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ember-1 es el modelo especializado de Fireworks Research construido sobre Kimi K3. Su cambio característico es un entrenamiento que acorta el razonamiento innecesario y conserva el análisis útil para cargas de trabajo de programación y agentes. El productor lo orienta a tareas repetidas guiadas por herramientas, en las que las trazas de razonamiento extensas pueden acumularse a lo largo de una conversación. Su perfil documentado admite generación de texto, entrada de imágenes e invocación de funciones; la respuesta, el código o la operación propuesta resultantes se expresan en texto.
El fabricante desarrolló Ember-1 con un entrenamiento centrado en tareas de un amplio conjunto de cargas de trabajo. Se trata de una diferencia incorporada mediante el entrenamiento del modelo, y no simplemente de seleccionar un nivel inferior de esfuerzo de razonamiento en su modelo base. Conviene mantener su identidad propia al comparar resultados con Kimi K3: el objetivo es una trayectoria de razonamiento más económica, sin suponer que todos los ajustes, capacidades o futuras actualizaciones del original sean idénticos.
Para una tarea de software, proporciona el código pertinente, el fallo observado, el comportamiento deseado y los contratos que deben permanecer estables. Pide una implementación centrada en el problema y una explicación vinculada al código fuente real. Una instrucción práctica es: «Sigue la ejecución con esta entrada que falla, identifica la primera condición incorrecta y devuelve la función corregida con las pruebas que justifican el cambio». Indica explícitamente el resultado final esperado, incluso cuando la tarea requiera varias observaciones.
Los casos de uso del productor incluyen asistentes de programación y agentes que alternan entre decisiones del modelo y resultados de herramientas. Proporciona descripciones de funciones y esquemas de argumentos adecuados para el trabajo. El modelo puede proponer la inspección de un archivo, un cálculo u otra operación disponible; la aplicación la ejecuta y devuelve la observación real. Usa ese resultado en el siguiente turno, en lugar de dar por ejecutada una acción solo porque se haya propuesto.
Para una tarea más larga, conserva las observaciones pertinentes sobre el fallo, la corrección y la verificación en un registro conciso. Solicita el código terminado o el resultado analítico por separado de la discusión intermedia. Un razonamiento más breve solo resulta útil si la salida sigue cumpliendo el comportamiento exigido por la tarea e incluye las pruebas necesarias para revisarla.
El catálogo del fabricante de Ember-1 admite entrada de imágenes. Una tarea de programación con elementos visuales puede combinar una captura de pantalla con requisitos y código fuente, y pedir una explicación o implementación basada en lo visible. Etiqueta cada imagen y distingue el estado actual del resultado previsto. Haz legible el texto importante y pide que la respuesta identifique el detalle visible que respalda un hallazgo.
El productor indica un contexto del orden de un millón de tokens. Se trata de un perfil de capacidad para el material de entrada, no de una promesa independiente de esa cantidad de tokens de respuesta. El prompt, el material de referencia, el historial de herramientas y el razonamiento generado comparten el presupuesto aplicable a la solicitud. Organiza un repositorio grande o una colección de documentos en torno a la pregunta concreta y reserva espacio para el resultado.
Un entregable útil es un parche centrado en el problema, una explicación respaldada por pruebas o una comparación completa según criterios establecidos. Para un dato que dependa de información actual, proporciona un pasaje de una fuente autorizada o una herramienta de consulta adecuada. La orientación del modelo hacia un razonamiento más breve no hace que las pruebas ausentes estén disponibles, no ejecuta una función ni valida código de forma independiente. Comprueba el resultado frente a los requisitos y las observaciones devueltas por el flujo de trabajo que lo rodea.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites fireworks/ember-1 | 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 $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0.0006 / 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 $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0.0006 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Usa las rutas de método indicadas arriba.
fireworks/ember-1Ember-1 es el modelo de Fireworks Research basado en Kimi K3 y entrenado para acortar el razonamiento innecesario en tareas de programación y agentes. El perfil de su fabricante admite entradas de texto e imagen, generación de texto e invocación de funciones, lo que lo hace útil para trabajos de desarrollo específicos y análisis guiados por fuentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ember-1 es el modelo especializado de Fireworks Research construido sobre Kimi K3. Su cambio característico es un entrenamiento que acorta el razonamiento innecesario y conserva el análisis útil para cargas de trabajo de programación y agentes. El productor lo orienta a tareas repetidas guiadas por herramientas, en las que las trazas de razonamiento extensas pueden acumularse a lo largo de una conversación. Su perfil documentado admite generación de texto, entrada de imágenes e invocación de funciones; la respuesta, el código o la operación propuesta resultantes se expresan en texto.
El fabricante desarrolló Ember-1 con un entrenamiento centrado en tareas de un amplio conjunto de cargas de trabajo. Se trata de una diferencia incorporada mediante el entrenamiento del modelo, y no simplemente de seleccionar un nivel inferior de esfuerzo de razonamiento en su modelo base. Conviene mantener su identidad propia al comparar resultados con Kimi K3: el objetivo es una trayectoria de razonamiento más económica, sin suponer que todos los ajustes, capacidades o futuras actualizaciones del original sean idénticos.
Para una tarea de software, proporciona el código pertinente, el fallo observado, el comportamiento deseado y los contratos que deben permanecer estables. Pide una implementación centrada en el problema y una explicación vinculada al código fuente real. Una instrucción práctica es: «Sigue la ejecución con esta entrada que falla, identifica la primera condición incorrecta y devuelve la función corregida con las pruebas que justifican el cambio». Indica explícitamente el resultado final esperado, incluso cuando la tarea requiera varias observaciones.
Los casos de uso del productor incluyen asistentes de programación y agentes que alternan entre decisiones del modelo y resultados de herramientas. Proporciona descripciones de funciones y esquemas de argumentos adecuados para el trabajo. El modelo puede proponer la inspección de un archivo, un cálculo u otra operación disponible; la aplicación la ejecuta y devuelve la observación real. Usa ese resultado en el siguiente turno, en lugar de dar por ejecutada una acción solo porque se haya propuesto.
Para una tarea más larga, conserva las observaciones pertinentes sobre el fallo, la corrección y la verificación en un registro conciso. Solicita el código terminado o el resultado analítico por separado de la discusión intermedia. Un razonamiento más breve solo resulta útil si la salida sigue cumpliendo el comportamiento exigido por la tarea e incluye las pruebas necesarias para revisarla.
El catálogo del fabricante de Ember-1 admite entrada de imágenes. Una tarea de programación con elementos visuales puede combinar una captura de pantalla con requisitos y código fuente, y pedir una explicación o implementación basada en lo visible. Etiqueta cada imagen y distingue el estado actual del resultado previsto. Haz legible el texto importante y pide que la respuesta identifique el detalle visible que respalda un hallazgo.
El productor indica un contexto del orden de un millón de tokens. Se trata de un perfil de capacidad para el material de entrada, no de una promesa independiente de esa cantidad de tokens de respuesta. El prompt, el material de referencia, el historial de herramientas y el razonamiento generado comparten el presupuesto aplicable a la solicitud. Organiza un repositorio grande o una colección de documentos en torno a la pregunta concreta y reserva espacio para el resultado.
Un entregable útil es un parche centrado en el problema, una explicación respaldada por pruebas o una comparación completa según criterios establecidos. Para un dato que dependa de información actual, proporciona un pasaje de una fuente autorizada o una herramienta de consulta adecuada. La orientación del modelo hacia un razonamiento más breve no hace que las pruebas ausentes estén disponibles, no ejecuta una función ni valida código de forma independiente. Comprueba el resultado frente a los requisitos y las observaciones devueltas por el flujo de trabajo que lo rodea.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites fireworks/ember-1 | 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 $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0.0006 / 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 $0.006 / 1K tokens Salida · Tokens de salida $0.03 / 1K tokens Entrada · Lectura de caché $0.0006 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.