Inkling es el modelo multimodal grande de propósito general de Thinking Machines Lab. Su especificación oficial tiene 975 mil millones de parámetros totales y 41B parámetros activos. Acepta texto, imágenes y audio y genera texto UTF-8 para conversación, programación, tareas basadas en instrucciones, trabajo aumentado por recuperación y aplicaciones conectadas a herramientas. Se mantiene diferenciado de Inkling-Small y de los puntos de control personalizados por separado.
El modelo utiliza 66 capas de decodificador, con cada token enrutado a seis de 256 expertos más dos expertos compartidos. Combina atención local y global. La publicación del productor describe un preentrenamiento con 45 billones de tokens que abarcan texto, imágenes, audio y vídeo, con procesamiento adicional de datos y posentrenamiento. Las versiones BF16 y NVFP4 separadas son recursos de precisión distintos.
El modelo admite hasta un contexto de 1M, mientras que el servicio de entrenamiento del productor ofrece configuraciones de 64K y 256K. La entrada y la salida deben caber en el contexto utilizado para la tarea, con espacio tanto para el razonamiento como para la respuesta final. Un encargo con contexto largo debe identificar la pregunta y el material que influye en ella en lugar de tratar todo el texto disponible como igual de importante.
El esfuerzo de razonamiento es continuo en el renderizador del fabricante: un valor finito desde 0.0 hasta un valor inferior a 1.0. Los puntos iniciales con nombre asignan none a 0.0, minimal a 0.1, low a 0.2, medium a 0.7, high a 0.9 y xhigh a 0.99; el renderizador utiliza high por defecto. Cero favorece la ausencia de razonamiento sin imponer una prohibición estricta. El esfuerzo y la extensión de generación son controles separados, por lo que el razonamiento debe dejar espacio para la respuesta final.
Para imágenes, la ficha recomienda dimensiones idealmente entre 40 y 4096 píxeles. El audio debe ser WAV a 16 kHz e idealmente de menos de veinte minutos. Son recomendaciones de entrada óptima. Proporciona la imagen o la grabación con una pregunta clara y el vocabulario o los antecedentes necesarios para interpretarla. La salida de texto puede explicar el material u organizar los hallazgos pertinentes; no es voz ni vídeo generados.
Para código o una tarea de agentes, proporciona la fuente, el objetivo y las observaciones de las comprobaciones actuales. El modelo propone interacciones con herramientas, y la aplicación las ejecuta y devuelve resultados. Conserva ese historial para que los pasos de seguimiento utilicen las pruebas reales. Un entregable final útil indica el cambio o la conclusión propuestos y qué necesita aún una observación para establecerse.
El productor publica Inkling para investigación y personalización y documenta evaluaciones de seguridad multimodal y limitaciones restantes, entre ellas cobertura desigual de idiomas y degradación en conversaciones largas. Mantén un modelo personalizado separado de su punto de control original y evalúa el texto o código real frente a las pruebas y los requisitos de la tarea.
", "aboutText": "Inkling es el modelo multimodal grande de propósito general de Thinking Machines Lab. Su especificación oficial tiene 975 mil millones de parámetros totales y 41B parámetros activos. Acepta texto, imágenes y audio y genera texto UTF-8 para conversación, programación, tareas basadas en instrucciones, trabajo aumentado por recuperación y aplicaciones conectadas a herramientas. Se mantiene diferenciado de Inkling-Small y de los puntos de control personalizados por separado.\n\nEl modelo utiliza 66 capas de decodificador, con cada token enrutado a seis de 256 expertos más dos expertos compartidos. Combina atención local y global. La publicación del productor describe un preentrenamiento con 45 billones de tokens que abarcan texto, imágenes, audio y vídeo, con procesamiento adicional de datos y posentrenamiento. Las versiones BF16 y NVFP4 separadas son recursos de precisión distintos.\n\nEl modelo admite hasta un contexto de 1M, mientras que el servicio de entrenamiento del productor ofrece configuraciones de 64K y 256K. La entrada y la salida deben caber en el contexto utilizado para la tarea, con espacio tanto para el razonamiento como para la respuesta final. Un encargo con contexto largo debe identificar la pregunta y el material que influye en ella en lugar de tratar todo el texto disponible como igual de importante.\n\nEl esfuerzo de razonamiento es continuo en el renderizador del fabricante: un valor finito desde 0.0 hasta un valor inferior a 1.0. Los puntos iniciales con nombre asignan none a 0.0, minimal a 0.1, low a 0.2, medium a 0.7, high a 0.9 y xhigh a 0.99; el renderizador utiliza high por defecto. Cero favorece la ausencia de razonamiento sin imponer una prohibición estricta. El esfuerzo y la extensión de generación son controles separados, por lo que el razonamiento debe dejar espacio para la respuesta final.\n\nPara imágenes, la ficha recomienda dimensiones idealmente entre 40 y 4096 píxeles. El audio debe ser WAV a 16 kHz e idealmente de menos de veinte minutos. Son recomendaciones de entrada óptima. Proporciona la imagen o la grabación con una pregunta clara y el vocabulario o los antecedentes necesarios para interpretarla. La salida de texto puede explicar el material u organizar los hallazgos pertinentes; no es voz ni vídeo generados.\n\nPara código o una tarea de agentes, proporciona la fuente, el objetivo y las observaciones de las comprobaciones actuales. El modelo propone interacciones con herramientas, y la aplicación las ejecuta y devuelve resultados. Conserva ese historial para que los pasos de seguimiento utilicen las pruebas reales. Un entregable final útil indica el cambio o la conclusión propuestos y qué necesita aún una observación para establecerse.\n\nEl productor publica Inkling para investigación y personalización y documenta evaluaciones de seguridad multimodal y limitaciones restantes, entre ellas cobertura desigual de idiomas y degradación en conversaciones largas. Mantén un modelo personalizado separado de su punto de control original y evalúa el texto o código real frente a las pruebas y los requisitos de la tarea.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.thinkingmachines/inklingInkling de Thinking Machines Lab es un modelo MoE de 975B parámetros, con 41B activos, para razonamiento con texto, imágenes y audio. Genera texto, admite aplicaciones de herramientas y programación y ofrece esfuerzo de razonamiento continuo con un contexto de modelo de 1M.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Inkling es el modelo multimodal grande de propósito general de Thinking Machines Lab. Su especificación oficial tiene 975 mil millones de parámetros totales y 41B parámetros activos. Acepta texto, imágenes y audio y genera texto UTF-8 para conversación, programación, tareas basadas en instrucciones, trabajo aumentado por recuperación y aplicaciones conectadas a herramientas. Se mantiene diferenciado de Inkling-Small y de los puntos de control personalizados por separado.
El modelo utiliza 66 capas de decodificador, con cada token enrutado a seis de 256 expertos más dos expertos compartidos. Combina atención local y global. La publicación del productor describe un preentrenamiento con 45 billones de tokens que abarcan texto, imágenes, audio y vídeo, con procesamiento adicional de datos y posentrenamiento. Las versiones BF16 y NVFP4 separadas son recursos de precisión distintos.
El modelo admite hasta un contexto de 1M, mientras que el servicio de entrenamiento del productor ofrece configuraciones de 64K y 256K. La entrada y la salida deben caber en el contexto utilizado para la tarea, con espacio tanto para el razonamiento como para la respuesta final. Un encargo con contexto largo debe identificar la pregunta y el material que influye en ella en lugar de tratar todo el texto disponible como igual de importante.
El esfuerzo de razonamiento es continuo en el renderizador del fabricante: un valor finito desde 0.0 hasta un valor inferior a 1.0. Los puntos iniciales con nombre asignan none a 0.0, minimal a 0.1, low a 0.2, medium a 0.7, high a 0.9 y xhigh a 0.99; el renderizador utiliza high por defecto. Cero favorece la ausencia de razonamiento sin imponer una prohibición estricta. El esfuerzo y la extensión de generación son controles separados, por lo que el razonamiento debe dejar espacio para la respuesta final.
Para imágenes, la ficha recomienda dimensiones idealmente entre 40 y 4096 píxeles. El audio debe ser WAV a 16 kHz e idealmente de menos de veinte minutos. Son recomendaciones de entrada óptima. Proporciona la imagen o la grabación con una pregunta clara y el vocabulario o los antecedentes necesarios para interpretarla. La salida de texto puede explicar el material u organizar los hallazgos pertinentes; no es voz ni vídeo generados.
Para código o una tarea de agentes, proporciona la fuente, el objetivo y las observaciones de las comprobaciones actuales. El modelo propone interacciones con herramientas, y la aplicación las ejecuta y devuelve resultados. Conserva ese historial para que los pasos de seguimiento utilicen las pruebas reales. Un entregable final útil indica el cambio o la conclusión propuestos y qué necesita aún una observación para establecerse.
El productor publica Inkling para investigación y personalización y documenta evaluaciones de seguridad multimodal y limitaciones restantes, entre ellas cobertura desigual de idiomas y degradación en conversaciones largas. Mantén un modelo personalizado separado de su punto de control original y evalúa el texto o código real frente a las pruebas y los requisitos de la tarea.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites thinkingmachines/inkling | 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 $0.0019 / 1K tokens Salida · Tokens de salida $0.0081 / 1K tokens Entrada · Lectura de caché $0.00032 / 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 $0.0019 / 1K tokens Salida · Tokens de salida $0.0081 / 1K tokens Entrada · Lectura de caché $0.00032 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling", "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='thinkingmachines/inkling',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='thinkingmachines/inkling',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 thinkingmachines/inkling
Usa las rutas de método indicadas arriba.
thinkingmachines/inklingInkling de Thinking Machines Lab es un modelo MoE de 975B parámetros, con 41B activos, para razonamiento con texto, imágenes y audio. Genera texto, admite aplicaciones de herramientas y programación y ofrece esfuerzo de razonamiento continuo con un contexto de modelo de 1M.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Inkling es el modelo multimodal grande de propósito general de Thinking Machines Lab. Su especificación oficial tiene 975 mil millones de parámetros totales y 41B parámetros activos. Acepta texto, imágenes y audio y genera texto UTF-8 para conversación, programación, tareas basadas en instrucciones, trabajo aumentado por recuperación y aplicaciones conectadas a herramientas. Se mantiene diferenciado de Inkling-Small y de los puntos de control personalizados por separado.
El modelo utiliza 66 capas de decodificador, con cada token enrutado a seis de 256 expertos más dos expertos compartidos. Combina atención local y global. La publicación del productor describe un preentrenamiento con 45 billones de tokens que abarcan texto, imágenes, audio y vídeo, con procesamiento adicional de datos y posentrenamiento. Las versiones BF16 y NVFP4 separadas son recursos de precisión distintos.
El modelo admite hasta un contexto de 1M, mientras que el servicio de entrenamiento del productor ofrece configuraciones de 64K y 256K. La entrada y la salida deben caber en el contexto utilizado para la tarea, con espacio tanto para el razonamiento como para la respuesta final. Un encargo con contexto largo debe identificar la pregunta y el material que influye en ella en lugar de tratar todo el texto disponible como igual de importante.
El esfuerzo de razonamiento es continuo en el renderizador del fabricante: un valor finito desde 0.0 hasta un valor inferior a 1.0. Los puntos iniciales con nombre asignan none a 0.0, minimal a 0.1, low a 0.2, medium a 0.7, high a 0.9 y xhigh a 0.99; el renderizador utiliza high por defecto. Cero favorece la ausencia de razonamiento sin imponer una prohibición estricta. El esfuerzo y la extensión de generación son controles separados, por lo que el razonamiento debe dejar espacio para la respuesta final.
Para imágenes, la ficha recomienda dimensiones idealmente entre 40 y 4096 píxeles. El audio debe ser WAV a 16 kHz e idealmente de menos de veinte minutos. Son recomendaciones de entrada óptima. Proporciona la imagen o la grabación con una pregunta clara y el vocabulario o los antecedentes necesarios para interpretarla. La salida de texto puede explicar el material u organizar los hallazgos pertinentes; no es voz ni vídeo generados.
Para código o una tarea de agentes, proporciona la fuente, el objetivo y las observaciones de las comprobaciones actuales. El modelo propone interacciones con herramientas, y la aplicación las ejecuta y devuelve resultados. Conserva ese historial para que los pasos de seguimiento utilicen las pruebas reales. Un entregable final útil indica el cambio o la conclusión propuestos y qué necesita aún una observación para establecerse.
El productor publica Inkling para investigación y personalización y documenta evaluaciones de seguridad multimodal y limitaciones restantes, entre ellas cobertura desigual de idiomas y degradación en conversaciones largas. Mantén un modelo personalizado separado de su punto de control original y evalúa el texto o código real frente a las pruebas y los requisitos de la tarea.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites thinkingmachines/inkling | 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 $0.0019 / 1K tokens Salida · Tokens de salida $0.0081 / 1K tokens Entrada · Lectura de caché $0.00032 / 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 $0.0019 / 1K tokens Salida · Tokens de salida $0.0081 / 1K tokens Entrada · Lectura de caché $0.00032 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "thinkingmachines/inkling",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'thinkingmachines/inkling', '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': 'thinkingmachines/inkling', '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 thinkingmachines/inkling
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.