Amazon Nova Micro est le modèle exclusivement textuel Nova de première génération d’Amazon, conçu pour des réponses à faible latence dans les flux linguistiques courants. Il accepte du texte et renvoie du texte. Les exemples d’Amazon comprennent le résumé d’informations fournies, la traduction, la classification de texte, les réponses aux questions et la production de contenus écrits concis. Micro est utile lorsqu’une application a déjà recueilli les faits et nécessite une transformation ciblée, par exemple convertir des attributs de produit en paragraphe de catalogue ou des notes de réunion en liste d’actions.
Le guide Nova de première génération indique une fenêtre de contexte de 128K tokens et une sortie maximale de 10K tokens. La date limite des connaissances documentée est octobre 2024. Ce contexte de travail est inférieur aux fenêtres de 300K de Nova Lite et Pro ou à celle de 1 million de tokens de Premier. Utilisez l’espace disponible pour le texte dont la réponse dépend réellement : passages sources, exemples et conversation pertinente. Précisez si le livrable souhaité est une courte réponse, un libellé de catégorie, une traduction ou des champs extraits. Un grand budget de contexte n’impose pas une longue réponse ; une longueur et une structure de sortie explicites gardent le résultat utile.
Le périmètre de Micro est le texte, plutôt que la compréhension native d’images, de vidéos ou d’audio. Pour des informations initialement stockées dans un document ou un fichier média, fournissez leur texte extrait ou leur transcription. Un brief de contenu produit peut inclure le nom, les dimensions, les matériaux, les variantes et le style requis, puis demander un paragraphe utilisant uniquement ces attributs. Un exemple original consisterait à demander une description neutre et une liste séparée des spécifications manquantes. Le modèle sert ainsi à rédiger et à transformer les éléments fournis, plutôt qu’à déduire des caractéristiques de produit non visibles.
Amazon documente les rôles system, user et assistant pour les prompts textuels Nova. Une consigne system peut établir le rôle rédactionnel et les contraintes récurrentes ; le message user fournit la tâche et les sources ; quelques exemples représentatifs peuvent montrer le format souhaité. Structurez les entrées denses avec des libellés clairs et divisez les consignes composées en étapes distinctes si le modèle peine avec leurs dépendances. Pour une traduction, indiquez la langue cible, s’il faut préserver les noms propres et les termes qui doivent rester inchangés. La famille version1 est entraînée dans plus de 200 langues, avec une optimisation pour un ensemble plus réduit : ne supposez donc pas une qualité identique dans chaque dialecte.
Micro prend en charge la diffusion des réponses en continu et les appels d’outils côté client. Il prend aussi en charge la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite nécessite au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points, conservés cinq minutes. Le producteur limite cette mise en cache à 20K tokens, principalement pour les prompts textuels ; ce budget est distinct de la fenêtre de contexte complète. Dans un assistant fondé sur des sources, une application peut récupérer le texte pertinent ou exécuter une fonction demandée, puis renvoyer le résultat observé pour obtenir une réponse finale. Le modèle lui-même n’est pas un moteur de récupération d’informations en direct. Lorsqu’une réponse dépend d’une politique actuelle ou d’une base de connaissances privée, incluez la source réellement pertinente. Un format JSON demandé peut être utile pour la classification ou l’extraction, mais la fiche du producteur ne répertorie pas la sortie structurée imposée parmi les fonctionnalités prises en charge ; précisez le traitement des valeurs manquantes et vérifiez les champs renvoyés.
La personnalisation constitue un autre rôle de première génération : Amazon documente l’ajustement fin de Micro sur des exemples annotés et la distillation vers celui-ci de connaissances spécifiques à une tâche depuis Nova Pro ou Premier. Un dérivé personnalisé relève d’un flux distinct, pas d’une capacité qui modifie silencieusement l’édition de base. Pour le modèle ordinaire, jugez le livrable achevé selon son brief : les faits fournis doivent rester intacts, les attributs importants ne doivent pas disparaître et la prose doit correspondre au style demandé. Micro peut également générer du code, mais ces complétions n’incluent ni analyse automatique de sécurité ni résultat d’exécution.
", "aboutText": "Amazon Nova Micro est le modèle exclusivement textuel Nova de première génération d’Amazon, conçu pour des réponses à faible latence dans les flux linguistiques courants. Il accepte du texte et renvoie du texte. Les exemples d’Amazon comprennent le résumé d’informations fournies, la traduction, la classification de texte, les réponses aux questions et la production de contenus écrits concis. Micro est utile lorsqu’une application a déjà recueilli les faits et nécessite une transformation ciblée, par exemple convertir des attributs de produit en paragraphe de catalogue ou des notes de réunion en liste d’actions.\n\nLe guide Nova de première génération indique une fenêtre de contexte de 128K tokens et une sortie maximale de 10K tokens. La date limite des connaissances documentée est octobre 2024. Ce contexte de travail est inférieur aux fenêtres de 300K de Nova Lite et Pro ou à celle de 1 million de tokens de Premier. Utilisez l’espace disponible pour le texte dont la réponse dépend réellement : passages sources, exemples et conversation pertinente. Précisez si le livrable souhaité est une courte réponse, un libellé de catégorie, une traduction ou des champs extraits. Un grand budget de contexte n’impose pas une longue réponse ; une longueur et une structure de sortie explicites gardent le résultat utile.\n\nLe périmètre de Micro est le texte, plutôt que la compréhension native d’images, de vidéos ou d’audio. Pour des informations initialement stockées dans un document ou un fichier média, fournissez leur texte extrait ou leur transcription. Un brief de contenu produit peut inclure le nom, les dimensions, les matériaux, les variantes et le style requis, puis demander un paragraphe utilisant uniquement ces attributs. Un exemple original consisterait à demander une description neutre et une liste séparée des spécifications manquantes. Le modèle sert ainsi à rédiger et à transformer les éléments fournis, plutôt qu’à déduire des caractéristiques de produit non visibles.\n\nAmazon documente les rôles system, user et assistant pour les prompts textuels Nova. Une consigne system peut établir le rôle rédactionnel et les contraintes récurrentes ; le message user fournit la tâche et les sources ; quelques exemples représentatifs peuvent montrer le format souhaité. Structurez les entrées denses avec des libellés clairs et divisez les consignes composées en étapes distinctes si le modèle peine avec leurs dépendances. Pour une traduction, indiquez la langue cible, s’il faut préserver les noms propres et les termes qui doivent rester inchangés. La famille version1 est entraînée dans plus de 200 langues, avec une optimisation pour un ensemble plus réduit : ne supposez donc pas une qualité identique dans chaque dialecte.\n\nMicro prend en charge la diffusion des réponses en continu et les appels d’outils côté client. Il prend aussi en charge la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite nécessite au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points, conservés cinq minutes. Le producteur limite cette mise en cache à 20K tokens, principalement pour les prompts textuels ; ce budget est distinct de la fenêtre de contexte complète. Dans un assistant fondé sur des sources, une application peut récupérer le texte pertinent ou exécuter une fonction demandée, puis renvoyer le résultat observé pour obtenir une réponse finale. Le modèle lui-même n’est pas un moteur de récupération d’informations en direct. Lorsqu’une réponse dépend d’une politique actuelle ou d’une base de connaissances privée, incluez la source réellement pertinente. Un format JSON demandé peut être utile pour la classification ou l’extraction, mais la fiche du producteur ne répertorie pas la sortie structurée imposée parmi les fonctionnalités prises en charge ; précisez le traitement des valeurs manquantes et vérifiez les champs renvoyés.\n\nLa personnalisation constitue un autre rôle de première génération : Amazon documente l’ajustement fin de Micro sur des exemples annotés et la distillation vers celui-ci de connaissances spécifiques à une tâche depuis Nova Pro ou Premier. Un dérivé personnalisé relève d’un flux distinct, pas d’une capacité qui modifie silencieusement l’édition de base. Pour le modèle ordinaire, jugez le livrable achevé selon son brief : les faits fournis doivent rester intacts, les attributs importants ne doivent pas disparaître et la prose doit correspondre au style demandé. Micro peut également générer du code, mais ces complétions n’incluent ni analyse automatique de sécurité ni résultat d’exécution.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1Amazon Nova Micro est le modèle exclusivement textuel de la famille Nova de première génération. Il est conçu pour les tâches linguistiques à faible latence, comme les résumés, la traduction, la classification, les questions-réponses et la transformation de faits fournis en contenu concis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Amazon Nova Micro est le modèle exclusivement textuel Nova de première génération d’Amazon, conçu pour des réponses à faible latence dans les flux linguistiques courants. Il accepte du texte et renvoie du texte. Les exemples d’Amazon comprennent le résumé d’informations fournies, la traduction, la classification de texte, les réponses aux questions et la production de contenus écrits concis. Micro est utile lorsqu’une application a déjà recueilli les faits et nécessite une transformation ciblée, par exemple convertir des attributs de produit en paragraphe de catalogue ou des notes de réunion en liste d’actions.
Le guide Nova de première génération indique une fenêtre de contexte de 128K tokens et une sortie maximale de 10K tokens. La date limite des connaissances documentée est octobre 2024. Ce contexte de travail est inférieur aux fenêtres de 300K de Nova Lite et Pro ou à celle de 1 million de tokens de Premier. Utilisez l’espace disponible pour le texte dont la réponse dépend réellement : passages sources, exemples et conversation pertinente. Précisez si le livrable souhaité est une courte réponse, un libellé de catégorie, une traduction ou des champs extraits. Un grand budget de contexte n’impose pas une longue réponse ; une longueur et une structure de sortie explicites gardent le résultat utile.
Le périmètre de Micro est le texte, plutôt que la compréhension native d’images, de vidéos ou d’audio. Pour des informations initialement stockées dans un document ou un fichier média, fournissez leur texte extrait ou leur transcription. Un brief de contenu produit peut inclure le nom, les dimensions, les matériaux, les variantes et le style requis, puis demander un paragraphe utilisant uniquement ces attributs. Un exemple original consisterait à demander une description neutre et une liste séparée des spécifications manquantes. Le modèle sert ainsi à rédiger et à transformer les éléments fournis, plutôt qu’à déduire des caractéristiques de produit non visibles.
Amazon documente les rôles system, user et assistant pour les prompts textuels Nova. Une consigne system peut établir le rôle rédactionnel et les contraintes récurrentes ; le message user fournit la tâche et les sources ; quelques exemples représentatifs peuvent montrer le format souhaité. Structurez les entrées denses avec des libellés clairs et divisez les consignes composées en étapes distinctes si le modèle peine avec leurs dépendances. Pour une traduction, indiquez la langue cible, s’il faut préserver les noms propres et les termes qui doivent rester inchangés. La famille version1 est entraînée dans plus de 200 langues, avec une optimisation pour un ensemble plus réduit : ne supposez donc pas une qualité identique dans chaque dialecte.
Micro prend en charge la diffusion des réponses en continu et les appels d’outils côté client. Il prend aussi en charge la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite nécessite au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points, conservés cinq minutes. Le producteur limite cette mise en cache à 20K tokens, principalement pour les prompts textuels ; ce budget est distinct de la fenêtre de contexte complète. Dans un assistant fondé sur des sources, une application peut récupérer le texte pertinent ou exécuter une fonction demandée, puis renvoyer le résultat observé pour obtenir une réponse finale. Le modèle lui-même n’est pas un moteur de récupération d’informations en direct. Lorsqu’une réponse dépend d’une politique actuelle ou d’une base de connaissances privée, incluez la source réellement pertinente. Un format JSON demandé peut être utile pour la classification ou l’extraction, mais la fiche du producteur ne répertorie pas la sortie structurée imposée parmi les fonctionnalités prises en charge ; précisez le traitement des valeurs manquantes et vérifiez les champs renvoyés.
La personnalisation constitue un autre rôle de première génération : Amazon documente l’ajustement fin de Micro sur des exemples annotés et la distillation vers celui-ci de connaissances spécifiques à une tâche depuis Nova Pro ou Premier. Un dérivé personnalisé relève d’un flux distinct, pas d’une capacité qui modifie silencieusement l’édition de base. Pour le modèle ordinaire, jugez le livrable achevé selon son brief : les faits fournis doivent rester intacts, les attributs importants ne doivent pas disparaître et la prose doit correspondre au style demandé. Micro peut également générer du code, mais ces complétions n’incluent ni analyse automatique de sécurité ni résultat d’exécution.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites amazon/nova-micro-v1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00007 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00007 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-v1", "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='amazon/nova-micro-v1',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='amazon/nova-micro-v1',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra amazon/nova-micro-v1
Utilisez les chemins de méthode indiqués ci-dessus.
amazon/nova-micro-v1Amazon Nova Micro est le modèle exclusivement textuel de la famille Nova de première génération. Il est conçu pour les tâches linguistiques à faible latence, comme les résumés, la traduction, la classification, les questions-réponses et la transformation de faits fournis en contenu concis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Amazon Nova Micro est le modèle exclusivement textuel Nova de première génération d’Amazon, conçu pour des réponses à faible latence dans les flux linguistiques courants. Il accepte du texte et renvoie du texte. Les exemples d’Amazon comprennent le résumé d’informations fournies, la traduction, la classification de texte, les réponses aux questions et la production de contenus écrits concis. Micro est utile lorsqu’une application a déjà recueilli les faits et nécessite une transformation ciblée, par exemple convertir des attributs de produit en paragraphe de catalogue ou des notes de réunion en liste d’actions.
Le guide Nova de première génération indique une fenêtre de contexte de 128K tokens et une sortie maximale de 10K tokens. La date limite des connaissances documentée est octobre 2024. Ce contexte de travail est inférieur aux fenêtres de 300K de Nova Lite et Pro ou à celle de 1 million de tokens de Premier. Utilisez l’espace disponible pour le texte dont la réponse dépend réellement : passages sources, exemples et conversation pertinente. Précisez si le livrable souhaité est une courte réponse, un libellé de catégorie, une traduction ou des champs extraits. Un grand budget de contexte n’impose pas une longue réponse ; une longueur et une structure de sortie explicites gardent le résultat utile.
Le périmètre de Micro est le texte, plutôt que la compréhension native d’images, de vidéos ou d’audio. Pour des informations initialement stockées dans un document ou un fichier média, fournissez leur texte extrait ou leur transcription. Un brief de contenu produit peut inclure le nom, les dimensions, les matériaux, les variantes et le style requis, puis demander un paragraphe utilisant uniquement ces attributs. Un exemple original consisterait à demander une description neutre et une liste séparée des spécifications manquantes. Le modèle sert ainsi à rédiger et à transformer les éléments fournis, plutôt qu’à déduire des caractéristiques de produit non visibles.
Amazon documente les rôles system, user et assistant pour les prompts textuels Nova. Une consigne system peut établir le rôle rédactionnel et les contraintes récurrentes ; le message user fournit la tâche et les sources ; quelques exemples représentatifs peuvent montrer le format souhaité. Structurez les entrées denses avec des libellés clairs et divisez les consignes composées en étapes distinctes si le modèle peine avec leurs dépendances. Pour une traduction, indiquez la langue cible, s’il faut préserver les noms propres et les termes qui doivent rester inchangés. La famille version1 est entraînée dans plus de 200 langues, avec une optimisation pour un ensemble plus réduit : ne supposez donc pas une qualité identique dans chaque dialecte.
Micro prend en charge la diffusion des réponses en continu et les appels d’outils côté client. Il prend aussi en charge la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite nécessite au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points, conservés cinq minutes. Le producteur limite cette mise en cache à 20K tokens, principalement pour les prompts textuels ; ce budget est distinct de la fenêtre de contexte complète. Dans un assistant fondé sur des sources, une application peut récupérer le texte pertinent ou exécuter une fonction demandée, puis renvoyer le résultat observé pour obtenir une réponse finale. Le modèle lui-même n’est pas un moteur de récupération d’informations en direct. Lorsqu’une réponse dépend d’une politique actuelle ou d’une base de connaissances privée, incluez la source réellement pertinente. Un format JSON demandé peut être utile pour la classification ou l’extraction, mais la fiche du producteur ne répertorie pas la sortie structurée imposée parmi les fonctionnalités prises en charge ; précisez le traitement des valeurs manquantes et vérifiez les champs renvoyés.
La personnalisation constitue un autre rôle de première génération : Amazon documente l’ajustement fin de Micro sur des exemples annotés et la distillation vers celui-ci de connaissances spécifiques à une tâche depuis Nova Pro ou Premier. Un dérivé personnalisé relève d’un flux distinct, pas d’une capacité qui modifie silencieusement l’édition de base. Pour le modèle ordinaire, jugez le livrable achevé selon son brief : les faits fournis doivent rester intacts, les attributs importants ne doivent pas disparaître et la prose doit correspondre au style demandé. Micro peut également générer du code, mais ces complétions n’incluent ni analyse automatique de sécurité ni résultat d’exécution.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites amazon/nova-micro-v1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00007 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00007 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-micro-v1', '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': 'amazon/nova-micro-v1', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra amazon/nova-micro-v1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.