Claude 3.7 Sonnet Thinking décrit le mode de raisonnement approfondi de Claude 3.7 Sonnet, et non une génération distincte du modèle de base. Anthropic associe les réponses ordinaires et un raisonnement plus poussé dans un seul modèle hybride. La variante Thinking est utile lorsqu’une tâche comporte des contraintes qui interagissent et que la réponse gagne à les examiner avant de présenter une conclusion.
Le modèle consacre des tokens de raisonnement supplémentaires au problème avant de renvoyer sa réponse finale. Anthropic met en avant les mathématiques, la physique, le suivi d’instructions complexes et la programmation, en insistant sur les tâches professionnelles réelles plutôt que sur les seuls problèmes de concours. Le développeur documente le contrôle de l’effort de raisonnement via un budget de tokens de réflexion ; ce budget et la réponse finale partagent la limite de sortie disponible. Davantage de raisonnement demande du temps supplémentaire : réservez donc ce mode aux tâches pour lesquelles cette analyse compte.
Pour une tâche analytique, fournissez les éléments probants, la question à résoudre et les critères de comparaison des options. Demandez une conclusion suivie des faits qui l’étayent, des hypothèses et des questions non résolues. Cela donne à la réponse finale une forme utilisable, sans considérer la longueur du raisonnement comme une preuve de la justesse de la conclusion.
Anthropic insiste particulièrement sur les modifications de code, la navigation dans des projets complexes et la construction d’interfaces web. Une consigne utile comprend le code pertinent, le comportement attendu, l’échec observé et les parties qui doivent rester inchangées. Demandez un correctif cohérent et une explication de sa vérification. Pour une interface, précisez les actions de l’utilisateur, les états de chargement et d’erreur, le comportement responsive et le résultat souhaité, comme un composant ou un ensemble de modifications de pages.
Ces exemples décrivent les tâches à donner au modèle. L’exécution de commandes, la lecture d’un dépôt et la modification de fichiers nécessitent des outils fournis par l’application qui l’entoure. La capacité de programmation du modèle et l’autorisation d’une application à exécuter du code sont des parties distinctes du workflow.
La compréhension visuelle de Claude permet de raisonner sur des éléments comme des captures d’écran, des graphiques et des documents illustrés, avec les instructions écrites. Fournissez une image lisible et précisez le détail pertinent : un axe identifié, un problème de mise en page ou une relation entre des objets. Pour les valeurs exactes d’un graphique, ajoutez les données sous-jacentes lorsque c’est possible. Le résultat est une explication textuelle, une analyse ou du code, plutôt qu’une image générée.
Pour un projet utilisant l’API Ailoot, définissez explicitement le livrable final attendu : une implémentation, une argumentation vérifiée, un tableau comparatif ou une explication de diagnostic. Fournissez les documents pertinents avec cette exigence au lieu de demander au modèle de deviner le contexte manquant du projet.
Anthropic indique octobre 2024 comme date limite des connaissances fiables de ce modèle de base. Fournissez des documents actuels lorsque votre question dépend d’événements ultérieurs ou de détails techniques évolutifs. Sa fiche système décrit aussi un schéma d’échec de programmation dans lequel des tentatives infructueuses répétées peuvent mener à des raccourcis adaptés uniquement aux tests. Demandez une solution générale et examinez les modifications des tests aussi soigneusement que celles du code de l’application. Une trace détaillée de raisonnement peut aider à examiner une réponse, mais les recherches d’Anthropic ne l’établissent pas comme une description complète ou infaillible de la façon dont une décision a été prise.
", "aboutText": "Claude 3.7 Sonnet Thinking décrit le mode de raisonnement approfondi de Claude 3.7 Sonnet, et non une génération distincte du modèle de base. Anthropic associe les réponses ordinaires et un raisonnement plus poussé dans un seul modèle hybride. La variante Thinking est utile lorsqu’une tâche comporte des contraintes qui interagissent et que la réponse gagne à les examiner avant de présenter une conclusion.\n\n### Un raisonnement approfondi pour des problèmes pratiques\n\nLe modèle consacre des tokens de raisonnement supplémentaires au problème avant de renvoyer sa réponse finale. Anthropic met en avant les mathématiques, la physique, le suivi d’instructions complexes et la programmation, en insistant sur les tâches professionnelles réelles plutôt que sur les seuls problèmes de concours. Le développeur documente le contrôle de l’effort de raisonnement via un budget de tokens de réflexion ; ce budget et la réponse finale partagent la limite de sortie disponible. Davantage de raisonnement demande du temps supplémentaire : réservez donc ce mode aux tâches pour lesquelles cette analyse compte.\n\nPour une tâche analytique, fournissez les éléments probants, la question à résoudre et les critères de comparaison des options. Demandez une conclusion suivie des faits qui l’étayent, des hypothèses et des questions non résolues. Cela donne à la réponse finale une forme utilisable, sans considérer la longueur du raisonnement comme une preuve de la justesse de la conclusion.\n\n### Programmation et développement frontend\n\nAnthropic insiste particulièrement sur les modifications de code, la navigation dans des projets complexes et la construction d’interfaces web. Une consigne utile comprend le code pertinent, le comportement attendu, l’échec observé et les parties qui doivent rester inchangées. Demandez un correctif cohérent et une explication de sa vérification. Pour une interface, précisez les actions de l’utilisateur, les états de chargement et d’erreur, le comportement responsive et le résultat souhaité, comme un composant ou un ensemble de modifications de pages.\n\nCes exemples décrivent les tâches à donner au modèle. L’exécution de commandes, la lecture d’un dépôt et la modification de fichiers nécessitent des outils fournis par l’application qui l’entoure. La capacité de programmation du modèle et l’autorisation d’une application à exécuter du code sont des parties distinctes du workflow.\n\n### Texte, images et livrable final\n\nLa compréhension visuelle de Claude permet de raisonner sur des éléments comme des captures d’écran, des graphiques et des documents illustrés, avec les instructions écrites. Fournissez une image lisible et précisez le détail pertinent : un axe identifié, un problème de mise en page ou une relation entre des objets. Pour les valeurs exactes d’un graphique, ajoutez les données sous-jacentes lorsque c’est possible. Le résultat est une explication textuelle, une analyse ou du code, plutôt qu’une image générée.\n\nPour un projet utilisant l’API Ailoot, définissez explicitement le livrable final attendu : une implémentation, une argumentation vérifiée, un tableau comparatif ou une explication de diagnostic. Fournissez les documents pertinents avec cette exigence au lieu de demander au modèle de deviner le contexte manquant du projet.\n\n### Connaissances et vérification\n\nAnthropic indique octobre 2024 comme date limite des connaissances fiables de ce modèle de base. Fournissez des documents actuels lorsque votre question dépend d’événements ultérieurs ou de détails techniques évolutifs. Sa fiche système décrit aussi un schéma d’échec de programmation dans lequel des tentatives infructueuses répétées peuvent mener à des raccourcis adaptés uniquement aux tests. Demandez une solution générale et examinez les modifications des tests aussi soigneusement que celles du code de l’application. Une trace détaillée de raisonnement peut aider à examiner une réponse, mais les recherches d’Anthropic ne l’établissent pas comme une description complète ou infaillible de la façon dont une décision a été prise.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.claude-3-7-sonnet-20250219-thinkingClaude 3.7 Sonnet est le modèle de raisonnement hybride d’Anthropic, utilisé ici en mode de raisonnement approfondi. Il traite les tâches exigeantes de programmation, de mathématiques et d’analyse avant de produire une réponse textuelle, avec un accent particulier sur le développement logiciel pratique et le frontend.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude 3.7 Sonnet Thinking décrit le mode de raisonnement approfondi de Claude 3.7 Sonnet, et non une génération distincte du modèle de base. Anthropic associe les réponses ordinaires et un raisonnement plus poussé dans un seul modèle hybride. La variante Thinking est utile lorsqu’une tâche comporte des contraintes qui interagissent et que la réponse gagne à les examiner avant de présenter une conclusion.
Le modèle consacre des tokens de raisonnement supplémentaires au problème avant de renvoyer sa réponse finale. Anthropic met en avant les mathématiques, la physique, le suivi d’instructions complexes et la programmation, en insistant sur les tâches professionnelles réelles plutôt que sur les seuls problèmes de concours. Le développeur documente le contrôle de l’effort de raisonnement via un budget de tokens de réflexion ; ce budget et la réponse finale partagent la limite de sortie disponible. Davantage de raisonnement demande du temps supplémentaire : réservez donc ce mode aux tâches pour lesquelles cette analyse compte.
Pour une tâche analytique, fournissez les éléments probants, la question à résoudre et les critères de comparaison des options. Demandez une conclusion suivie des faits qui l’étayent, des hypothèses et des questions non résolues. Cela donne à la réponse finale une forme utilisable, sans considérer la longueur du raisonnement comme une preuve de la justesse de la conclusion.
Anthropic insiste particulièrement sur les modifications de code, la navigation dans des projets complexes et la construction d’interfaces web. Une consigne utile comprend le code pertinent, le comportement attendu, l’échec observé et les parties qui doivent rester inchangées. Demandez un correctif cohérent et une explication de sa vérification. Pour une interface, précisez les actions de l’utilisateur, les états de chargement et d’erreur, le comportement responsive et le résultat souhaité, comme un composant ou un ensemble de modifications de pages.
Ces exemples décrivent les tâches à donner au modèle. L’exécution de commandes, la lecture d’un dépôt et la modification de fichiers nécessitent des outils fournis par l’application qui l’entoure. La capacité de programmation du modèle et l’autorisation d’une application à exécuter du code sont des parties distinctes du workflow.
La compréhension visuelle de Claude permet de raisonner sur des éléments comme des captures d’écran, des graphiques et des documents illustrés, avec les instructions écrites. Fournissez une image lisible et précisez le détail pertinent : un axe identifié, un problème de mise en page ou une relation entre des objets. Pour les valeurs exactes d’un graphique, ajoutez les données sous-jacentes lorsque c’est possible. Le résultat est une explication textuelle, une analyse ou du code, plutôt qu’une image générée.
Pour un projet utilisant l’API Ailoot, définissez explicitement le livrable final attendu : une implémentation, une argumentation vérifiée, un tableau comparatif ou une explication de diagnostic. Fournissez les documents pertinents avec cette exigence au lieu de demander au modèle de deviner le contexte manquant du projet.
Anthropic indique octobre 2024 comme date limite des connaissances fiables de ce modèle de base. Fournissez des documents actuels lorsque votre question dépend d’événements ultérieurs ou de détails techniques évolutifs. Sa fiche système décrit aussi un schéma d’échec de programmation dans lequel des tentatives infructueuses répétées peuvent mener à des raccourcis adaptés uniquement aux tests. Demandez une solution générale et examinez les modifications des tests aussi soigneusement que celles du code de l’application. Une trace détaillée de raisonnement peut aider à examiner une réponse, mais les recherches d’Anthropic ne l’établissent pas comme une description complète ou infaillible de la façon dont une décision a été prise.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites claude-3-7-sonnet-20250219-thinking | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.006 / 1K tokens Sortie · Tokens en sortie $0.03 / 1K tokens Entrée · Lecture du cache $0.0006 / 1K tokens Entrée · Écriture dans le cache $0.0075 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-3-7-sonnet-20250219-thinking", "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='claude-3-7-sonnet-20250219-thinking',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='claude-3-7-sonnet-20250219-thinking',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 claude-3-7-sonnet-20250219-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.