Ling 3.1 Flash es el modelo de lenguaje de razonamiento híbrido de inclusionAI para tareas que implican varias etapas en lugar de una única respuesta corta. El fabricante lo orienta al trabajo de oficina cotidiano, la ingeniería de software prolongada y los flujos de agentes complejos. Utiliza una arquitectura de mezcla de expertos con aproximadamente 560 mil millones de parámetros totales y unos 25 mil millones activos por token, equilibrando una gran capacidad del modelo con una cantidad menor de cálculo activo.
Su objetivo principal de diseño es mantener el estado de la tarea y corregir el rumbo en trabajos más largos. En un flujo conectado a herramientas, el modelo puede planificar varios pasos, interpretar resultados intermedios y revisar el siguiente paso cuando cambien las pruebas. Dale un objetivo preciso, los materiales disponibles y una definición de finalización. Por ejemplo: «Revisa estas notas del incidente, identifica las causas sin resolver y elabora un plan de investigación priorizado. Para cada acción, indica las pruebas necesarias para decidir si funcionó». Esto convierte una petición vaga en un resultado que puede examinarse y continuarse.
Para trabajo de oficina, las entradas útiles incluyen notas de origen, texto extraído de documentos, tablas con definiciones claras de columnas y el público previsto para un informe. Indica el período, las unidades y la comparación que deben utilizarse. Pide un resultado escrito, como un informe breve para dirección, un esquema de informe o una explicación de los cambios importantes. Un ejemplo es: «Utilizando únicamente estas tablas trimestrales, explica los mayores cambios, distingue los valores observados de los supuestos y redacta un informe breve con las preguntas sin respuesta al final». Mantén las etiquetas de las fuentes junto a la entrada para poder rastrear las afirmaciones resultantes hasta el material correcto.
Para desarrollo de software, el fabricante destaca la refactorización entre lenguajes, la optimización de rendimiento y el análisis de las áreas más utilizadas de una base de código. Proporciona los archivos pertinentes como texto, el comportamiento que debe preservarse, las versiones de dependencias y cualquier salida fallida o medición. Una petición útil solicita un cambio propuesto y las comprobaciones necesarias para evaluarlo: «Refactoriza este analizador conservando el formato de salida documentado. Explica el comportamiento afectado, muestra el código revisado e identifica casos que revelarían una regresión». Para trabajo de rendimiento, aporta perfiles o tiempos reales y pide que cada recomendación se vincule a un cuello de botella medido.
Para análisis profesional, reúne las reglas, definiciones y pruebas pertinentes antes de pedir una recomendación. Ling 3.1 Flash está concebido para sintetizar información dispersa, interpretar indicadores y desarrollar sugerencias de acción. Pide una comparación que indique los supuestos y la información que aún se necesita, en lugar de un veredicto sin respaldo. Por ejemplo, proporciona varias propuestas de proyecto y solicita un documento de decisión que utilice los mismos criterios para cada una, con las observaciones respaldadas por fuentes separadas de las consecuencias inferidas. Cuando las pruebas entren en conflicto, pide los pasajes contradictorios y la pregunta que permitiría resolverlos.
El fabricante distingue un límite de contexto del modelo de 1M de tokens del contexto de 256K que su servicio oficial ofrece actualmente. Estas cifras describen límites distintos. Organiza el material de trabajo según la ventana aplicable y reserva espacio para la respuesta; un límite a nivel de modelo no significa que todas las interfaces acepten esa cantidad de entrada. Para una tarea grande, conserva juntos el objetivo, las decisiones completadas, las preguntas sin resolver y las referencias de las fuentes. Utiliza límites explícitos alrededor de documentos y código para que el material que debe analizarse no se confunda con instrucciones que deban seguirse.
Prepara las tareas conectadas a herramientas con descripciones claras de las herramientas, argumentos esperados y registros de resultados útiles. Devuelve los resultados reales a la conversación para que la siguiente propuesta se base en observaciones. Pide al modelo que explique qué cambia un resultado devuelto y qué pruebas siguen faltando. El diseño del modelo orientado a agentes admite este patrón de planificación y retroalimentación; la aplicación que lo integra ejecuta los pasos de herramientas y conserva sus resultados. Una orden, cambio de código o informe propuesto resulta más útil cuando su estado está claro: sugerido, ejecutado con un resultado registrado o aún pendiente de verificación.
Ling 3.1 Flash pertenece a la línea de modelos de lenguaje; la edición independiente Ling 3.0 Flash VL es el modelo visual del fabricante. Para esta tarea de texto, prepara el contenido textual de las fuentes y conserva su estructura, etiquetas y procedencia. Especifica el idioma y la forma de salida, como un memorando conciso, una tabla de hallazgos, una explicación de parche o un plan numerado. Pide al modelo que señale la información ausente y contrasta el resultado solicitado con las restricciones originales. Los flujos largos siguen necesitando inspección de resultados intermedios: de lo contrario, un supuesto inicial equivocado puede transmitirse al razonamiento posterior y pulirse hasta convertirse en un informe final convincente.
", "aboutText": "Ling 3.1 Flash es el modelo de lenguaje de razonamiento híbrido de inclusionAI para tareas que implican varias etapas en lugar de una única respuesta corta. El fabricante lo orienta al trabajo de oficina cotidiano, la ingeniería de software prolongada y los flujos de agentes complejos. Utiliza una arquitectura de mezcla de expertos con aproximadamente 560 mil millones de parámetros totales y unos 25 mil millones activos por token, equilibrando una gran capacidad del modelo con una cantidad menor de cálculo activo.\n\nSu objetivo principal de diseño es mantener el estado de la tarea y corregir el rumbo en trabajos más largos. En un flujo conectado a herramientas, el modelo puede planificar varios pasos, interpretar resultados intermedios y revisar el siguiente paso cuando cambien las pruebas. Dale un objetivo preciso, los materiales disponibles y una definición de finalización. Por ejemplo: «Revisa estas notas del incidente, identifica las causas sin resolver y elabora un plan de investigación priorizado. Para cada acción, indica las pruebas necesarias para decidir si funcionó». Esto convierte una petición vaga en un resultado que puede examinarse y continuarse.\n\nPara trabajo de oficina, las entradas útiles incluyen notas de origen, texto extraído de documentos, tablas con definiciones claras de columnas y el público previsto para un informe. Indica el período, las unidades y la comparación que deben utilizarse. Pide un resultado escrito, como un informe breve para dirección, un esquema de informe o una explicación de los cambios importantes. Un ejemplo es: «Utilizando únicamente estas tablas trimestrales, explica los mayores cambios, distingue los valores observados de los supuestos y redacta un informe breve con las preguntas sin respuesta al final». Mantén las etiquetas de las fuentes junto a la entrada para poder rastrear las afirmaciones resultantes hasta el material correcto.\n\nPara desarrollo de software, el fabricante destaca la refactorización entre lenguajes, la optimización de rendimiento y el análisis de las áreas más utilizadas de una base de código. Proporciona los archivos pertinentes como texto, el comportamiento que debe preservarse, las versiones de dependencias y cualquier salida fallida o medición. Una petición útil solicita un cambio propuesto y las comprobaciones necesarias para evaluarlo: «Refactoriza este analizador conservando el formato de salida documentado. Explica el comportamiento afectado, muestra el código revisado e identifica casos que revelarían una regresión». Para trabajo de rendimiento, aporta perfiles o tiempos reales y pide que cada recomendación se vincule a un cuello de botella medido.\n\nPara análisis profesional, reúne las reglas, definiciones y pruebas pertinentes antes de pedir una recomendación. Ling 3.1 Flash está concebido para sintetizar información dispersa, interpretar indicadores y desarrollar sugerencias de acción. Pide una comparación que indique los supuestos y la información que aún se necesita, en lugar de un veredicto sin respaldo. Por ejemplo, proporciona varias propuestas de proyecto y solicita un documento de decisión que utilice los mismos criterios para cada una, con las observaciones respaldadas por fuentes separadas de las consecuencias inferidas. Cuando las pruebas entren en conflicto, pide los pasajes contradictorios y la pregunta que permitiría resolverlos.\n\nEl fabricante distingue un límite de contexto del modelo de 1M de tokens del contexto de 256K que su servicio oficial ofrece actualmente. Estas cifras describen límites distintos. Organiza el material de trabajo según la ventana aplicable y reserva espacio para la respuesta; un límite a nivel de modelo no significa que todas las interfaces acepten esa cantidad de entrada. Para una tarea grande, conserva juntos el objetivo, las decisiones completadas, las preguntas sin resolver y las referencias de las fuentes. Utiliza límites explícitos alrededor de documentos y código para que el material que debe analizarse no se confunda con instrucciones que deban seguirse.\n\nPrepara las tareas conectadas a herramientas con descripciones claras de las herramientas, argumentos esperados y registros de resultados útiles. Devuelve los resultados reales a la conversación para que la siguiente propuesta se base en observaciones. Pide al modelo que explique qué cambia un resultado devuelto y qué pruebas siguen faltando. El diseño del modelo orientado a agentes admite este patrón de planificación y retroalimentación; la aplicación que lo integra ejecuta los pasos de herramientas y conserva sus resultados. Una orden, cambio de código o informe propuesto resulta más útil cuando su estado está claro: sugerido, ejecutado con un resultado registrado o aún pendiente de verificación.\n\nLing 3.1 Flash pertenece a la línea de modelos de lenguaje; la edición independiente Ling 3.0 Flash VL es el modelo visual del fabricante. Para esta tarea de texto, prepara el contenido textual de las fuentes y conserva su estructura, etiquetas y procedencia. Especifica el idioma y la forma de salida, como un memorando conciso, una tabla de hallazgos, una explicación de parche o un plan numerado. Pide al modelo que señale la información ausente y contrasta el resultado solicitado con las restricciones originales. Los flujos largos siguen necesitando inspección de resultados intermedios: de lo contrario, un supuesto inicial equivocado puede transmitirse al razonamiento posterior y pulirse hasta convertirse en un informe final convincente.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "615bf2eee634b6f7a702526c9daa16b73dee49fe7f27f2185d1115fb9f1bd8f5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash es el modelo de razonamiento híbrido de inclusionAI para trabajo de oficina, desarrollo de software prolongado y agentes complejos. Su arquitectura dispersa de 560 mil millones de parámetros activa unos 25 mil millones por token y permite planificación en varios pasos, interacción con herramientas y revisiones a partir de resultados intermedios.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ling 3.1 Flash es el modelo de lenguaje de razonamiento híbrido de inclusionAI para tareas que implican varias etapas en lugar de una única respuesta corta. El fabricante lo orienta al trabajo de oficina cotidiano, la ingeniería de software prolongada y los flujos de agentes complejos. Utiliza una arquitectura de mezcla de expertos con aproximadamente 560 mil millones de parámetros totales y unos 25 mil millones activos por token, equilibrando una gran capacidad del modelo con una cantidad menor de cálculo activo.
Su objetivo principal de diseño es mantener el estado de la tarea y corregir el rumbo en trabajos más largos. En un flujo conectado a herramientas, el modelo puede planificar varios pasos, interpretar resultados intermedios y revisar el siguiente paso cuando cambien las pruebas. Dale un objetivo preciso, los materiales disponibles y una definición de finalización. Por ejemplo: «Revisa estas notas del incidente, identifica las causas sin resolver y elabora un plan de investigación priorizado. Para cada acción, indica las pruebas necesarias para decidir si funcionó». Esto convierte una petición vaga en un resultado que puede examinarse y continuarse.
Para trabajo de oficina, las entradas útiles incluyen notas de origen, texto extraído de documentos, tablas con definiciones claras de columnas y el público previsto para un informe. Indica el período, las unidades y la comparación que deben utilizarse. Pide un resultado escrito, como un informe breve para dirección, un esquema de informe o una explicación de los cambios importantes. Un ejemplo es: «Utilizando únicamente estas tablas trimestrales, explica los mayores cambios, distingue los valores observados de los supuestos y redacta un informe breve con las preguntas sin respuesta al final». Mantén las etiquetas de las fuentes junto a la entrada para poder rastrear las afirmaciones resultantes hasta el material correcto.
Para desarrollo de software, el fabricante destaca la refactorización entre lenguajes, la optimización de rendimiento y el análisis de las áreas más utilizadas de una base de código. Proporciona los archivos pertinentes como texto, el comportamiento que debe preservarse, las versiones de dependencias y cualquier salida fallida o medición. Una petición útil solicita un cambio propuesto y las comprobaciones necesarias para evaluarlo: «Refactoriza este analizador conservando el formato de salida documentado. Explica el comportamiento afectado, muestra el código revisado e identifica casos que revelarían una regresión». Para trabajo de rendimiento, aporta perfiles o tiempos reales y pide que cada recomendación se vincule a un cuello de botella medido.
Para análisis profesional, reúne las reglas, definiciones y pruebas pertinentes antes de pedir una recomendación. Ling 3.1 Flash está concebido para sintetizar información dispersa, interpretar indicadores y desarrollar sugerencias de acción. Pide una comparación que indique los supuestos y la información que aún se necesita, en lugar de un veredicto sin respaldo. Por ejemplo, proporciona varias propuestas de proyecto y solicita un documento de decisión que utilice los mismos criterios para cada una, con las observaciones respaldadas por fuentes separadas de las consecuencias inferidas. Cuando las pruebas entren en conflicto, pide los pasajes contradictorios y la pregunta que permitiría resolverlos.
El fabricante distingue un límite de contexto del modelo de 1M de tokens del contexto de 256K que su servicio oficial ofrece actualmente. Estas cifras describen límites distintos. Organiza el material de trabajo según la ventana aplicable y reserva espacio para la respuesta; un límite a nivel de modelo no significa que todas las interfaces acepten esa cantidad de entrada. Para una tarea grande, conserva juntos el objetivo, las decisiones completadas, las preguntas sin resolver y las referencias de las fuentes. Utiliza límites explícitos alrededor de documentos y código para que el material que debe analizarse no se confunda con instrucciones que deban seguirse.
Prepara las tareas conectadas a herramientas con descripciones claras de las herramientas, argumentos esperados y registros de resultados útiles. Devuelve los resultados reales a la conversación para que la siguiente propuesta se base en observaciones. Pide al modelo que explique qué cambia un resultado devuelto y qué pruebas siguen faltando. El diseño del modelo orientado a agentes admite este patrón de planificación y retroalimentación; la aplicación que lo integra ejecuta los pasos de herramientas y conserva sus resultados. Una orden, cambio de código o informe propuesto resulta más útil cuando su estado está claro: sugerido, ejecutado con un resultado registrado o aún pendiente de verificación.
Ling 3.1 Flash pertenece a la línea de modelos de lenguaje; la edición independiente Ling 3.0 Flash VL es el modelo visual del fabricante. Para esta tarea de texto, prepara el contenido textual de las fuentes y conserva su estructura, etiquetas y procedencia. Especifica el idioma y la forma de salida, como un memorando conciso, una tabla de hallazgos, una explicación de parche o un plan numerado. Pide al modelo que señale la información ausente y contrasta el resultado solicitado con las restricciones originales. Los flujos largos siguen necesitando inspección de resultados intermedios: de lo contrario, un supuesto inicial equivocado puede transmitirse al razonamiento posterior y pulirse hasta convertirse en un informe final convincente.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inclusionai/ling-3.1-flash | 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.
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 $0.0006 / 1K tokens Salida · Tokens de salida $0.0018 / 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 $0.0006 / 1K tokens Salida · Tokens de salida $0.0018 / 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":"inclusionai/ling-3.1-flash","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="inclusionai/ling-3.1-flash", 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 inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash es el modelo de razonamiento híbrido de inclusionAI para trabajo de oficina, desarrollo de software prolongado y agentes complejos. Su arquitectura dispersa de 560 mil millones de parámetros activa unos 25 mil millones por token y permite planificación en varios pasos, interacción con herramientas y revisiones a partir de resultados intermedios.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ling 3.1 Flash es el modelo de lenguaje de razonamiento híbrido de inclusionAI para tareas que implican varias etapas en lugar de una única respuesta corta. El fabricante lo orienta al trabajo de oficina cotidiano, la ingeniería de software prolongada y los flujos de agentes complejos. Utiliza una arquitectura de mezcla de expertos con aproximadamente 560 mil millones de parámetros totales y unos 25 mil millones activos por token, equilibrando una gran capacidad del modelo con una cantidad menor de cálculo activo.
Su objetivo principal de diseño es mantener el estado de la tarea y corregir el rumbo en trabajos más largos. En un flujo conectado a herramientas, el modelo puede planificar varios pasos, interpretar resultados intermedios y revisar el siguiente paso cuando cambien las pruebas. Dale un objetivo preciso, los materiales disponibles y una definición de finalización. Por ejemplo: «Revisa estas notas del incidente, identifica las causas sin resolver y elabora un plan de investigación priorizado. Para cada acción, indica las pruebas necesarias para decidir si funcionó». Esto convierte una petición vaga en un resultado que puede examinarse y continuarse.
Para trabajo de oficina, las entradas útiles incluyen notas de origen, texto extraído de documentos, tablas con definiciones claras de columnas y el público previsto para un informe. Indica el período, las unidades y la comparación que deben utilizarse. Pide un resultado escrito, como un informe breve para dirección, un esquema de informe o una explicación de los cambios importantes. Un ejemplo es: «Utilizando únicamente estas tablas trimestrales, explica los mayores cambios, distingue los valores observados de los supuestos y redacta un informe breve con las preguntas sin respuesta al final». Mantén las etiquetas de las fuentes junto a la entrada para poder rastrear las afirmaciones resultantes hasta el material correcto.
Para desarrollo de software, el fabricante destaca la refactorización entre lenguajes, la optimización de rendimiento y el análisis de las áreas más utilizadas de una base de código. Proporciona los archivos pertinentes como texto, el comportamiento que debe preservarse, las versiones de dependencias y cualquier salida fallida o medición. Una petición útil solicita un cambio propuesto y las comprobaciones necesarias para evaluarlo: «Refactoriza este analizador conservando el formato de salida documentado. Explica el comportamiento afectado, muestra el código revisado e identifica casos que revelarían una regresión». Para trabajo de rendimiento, aporta perfiles o tiempos reales y pide que cada recomendación se vincule a un cuello de botella medido.
Para análisis profesional, reúne las reglas, definiciones y pruebas pertinentes antes de pedir una recomendación. Ling 3.1 Flash está concebido para sintetizar información dispersa, interpretar indicadores y desarrollar sugerencias de acción. Pide una comparación que indique los supuestos y la información que aún se necesita, en lugar de un veredicto sin respaldo. Por ejemplo, proporciona varias propuestas de proyecto y solicita un documento de decisión que utilice los mismos criterios para cada una, con las observaciones respaldadas por fuentes separadas de las consecuencias inferidas. Cuando las pruebas entren en conflicto, pide los pasajes contradictorios y la pregunta que permitiría resolverlos.
El fabricante distingue un límite de contexto del modelo de 1M de tokens del contexto de 256K que su servicio oficial ofrece actualmente. Estas cifras describen límites distintos. Organiza el material de trabajo según la ventana aplicable y reserva espacio para la respuesta; un límite a nivel de modelo no significa que todas las interfaces acepten esa cantidad de entrada. Para una tarea grande, conserva juntos el objetivo, las decisiones completadas, las preguntas sin resolver y las referencias de las fuentes. Utiliza límites explícitos alrededor de documentos y código para que el material que debe analizarse no se confunda con instrucciones que deban seguirse.
Prepara las tareas conectadas a herramientas con descripciones claras de las herramientas, argumentos esperados y registros de resultados útiles. Devuelve los resultados reales a la conversación para que la siguiente propuesta se base en observaciones. Pide al modelo que explique qué cambia un resultado devuelto y qué pruebas siguen faltando. El diseño del modelo orientado a agentes admite este patrón de planificación y retroalimentación; la aplicación que lo integra ejecuta los pasos de herramientas y conserva sus resultados. Una orden, cambio de código o informe propuesto resulta más útil cuando su estado está claro: sugerido, ejecutado con un resultado registrado o aún pendiente de verificación.
Ling 3.1 Flash pertenece a la línea de modelos de lenguaje; la edición independiente Ling 3.0 Flash VL es el modelo visual del fabricante. Para esta tarea de texto, prepara el contenido textual de las fuentes y conserva su estructura, etiquetas y procedencia. Especifica el idioma y la forma de salida, como un memorando conciso, una tabla de hallazgos, una explicación de parche o un plan numerado. Pide al modelo que señale la información ausente y contrasta el resultado solicitado con las restricciones originales. Los flujos largos siguen necesitando inspección de resultados intermedios: de lo contrario, un supuesto inicial equivocado puede transmitirse al razonamiento posterior y pulirse hasta convertirse en un informe final convincente.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inclusionai/ling-3.1-flash | 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 $0.0006 / 1K tokens Salida · Tokens de salida $0.0018 / 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 $0.0006 / 1K tokens Salida · Tokens de salida $0.0018 / 1K tokens Entrada · Lectura de caché $0.00012 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions