Command A est le modèle textuel de Cohere de mars 2025 pour les agents d’entreprise, les réponses augmentées par récupération d’informations et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, accepte du texte et produit du texte. Son contexte modèle publié par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Il se distingue de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.
Le fabricant décrit un transformeur autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif ; une quatrième couche utilise une attention globale sans embeddings positionnels. L’ajustement fin supervisé et l’entraînement sur préférences façonnent un comportement conversationnel utile et centré sur la tâche. Le modèle est entraîné dans 23 langues et prend en charge des tâches entre langues, telles que la traduction ou la réponse à une question sur des données écrites dans une autre langue.
Précisez la langue de réponse et préservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez leurs propres noms aux passages sources et demandez une explication qui conserve les noms de produits, les identifiants de code et les formulations citées. Une réponse finale utile identifie la source derrière une conclusion plutôt que d’effacer par la traduction une distinction importante pour la tâche.
Command A est conversationnel par défaut et ajoute souvent une introduction, des questions de suivi et une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, le résumé ou la traduction, utilisez l’approche par consigne système du producteur pour demander uniquement la réponse requise et préciser si le Markdown ou les blocs de code doivent figurer dans la sortie. Cela évite de traiter un préambule conversationnel aimable comme une partie d’un enregistrement de données en aval.
La fiche du modèle décrit des modes de sécurité contextual et strict, avec contextual par défaut chez le producteur. Ce sont des réglages de comportement documentés du profil du concepteur, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent de la tâche et la sortie souhaitée.
Command A est entraîné pour l’étape de génération de réponse de la génération augmentée par récupération. L’entrée combine la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par fragment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le concepteur encourage également la comparaison de ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.
Pour une comparaison de politiques ou une comparaison technique, identifiez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format producteur avec citations activées, la sortie associe des portions de réponse à des sources justificatives. Gardez disponibles les identifiants des documents récupérés pour que ces références restent interprétables. Une citation indique quelles données fournies étayent le passage généré ; le système environnant assure la récupération réelle.
Le concepteur entraîne Command A à l’usage conversationnel d’outils avec des descriptions de fonctions selon JSON Schema. Le modèle peut générer un plan et des appels sélectionnés, l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle utilise ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats d’outils.
Les tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Le producteur recommande une température basse, avec un décodage glouton lorsque cela convient, pour les consignes de génération de code. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations réelles de validation lors de la révision du résultat.
La fiche du modèle précise une distinction pratique de contexte : le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être ajustée. Conservez la configuration réelle de contexte du flux sélectionné et gardez de la place pour la réponse. Un résultat utile est le livrable textuel ou de code demandé, avec des preuves traçables jusqu’aux sources fournies et aux observations d’outils.
", "aboutText": "Command A est le modèle textuel de Cohere de mars 2025 pour les agents d’entreprise, les réponses augmentées par récupération d’informations et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, accepte du texte et produit du texte. Son contexte modèle publié par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Il se distingue de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.\n\n### Détails du modèle et langues\n\nLe fabricant décrit un transformeur autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif ; une quatrième couche utilise une attention globale sans embeddings positionnels. L’ajustement fin supervisé et l’entraînement sur préférences façonnent un comportement conversationnel utile et centré sur la tâche. Le modèle est entraîné dans 23 langues et prend en charge des tâches entre langues, telles que la traduction ou la réponse à une question sur des données écrites dans une autre langue.\n\nPrécisez la langue de réponse et préservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez leurs propres noms aux passages sources et demandez une explication qui conserve les noms de produits, les identifiants de code et les formulations citées. Une réponse finale utile identifie la source derrière une conclusion plutôt que d’effacer par la traduction une distinction importante pour la tâche.\n\n### Conversation et sortie ciblée sur la tâche\n\nCommand A est conversationnel par défaut et ajoute souvent une introduction, des questions de suivi et une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, le résumé ou la traduction, utilisez l’approche par consigne système du producteur pour demander uniquement la réponse requise et préciser si le Markdown ou les blocs de code doivent figurer dans la sortie. Cela évite de traiter un préambule conversationnel aimable comme une partie d’un enregistrement de données en aval.\n\nLa fiche du modèle décrit des modes de sécurité contextual et strict, avec contextual par défaut chez le producteur. Ce sont des réglages de comportement documentés du profil du concepteur, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent de la tâche et la sortie souhaitée.\n\n### Génération fondée sur les sources\n\nCommand A est entraîné pour l’étape de génération de réponse de la génération augmentée par récupération. L’entrée combine la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par fragment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le concepteur encourage également la comparaison de ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.\n\nPour une comparaison de politiques ou une comparaison technique, identifiez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format producteur avec citations activées, la sortie associe des portions de réponse à des sources justificatives. Gardez disponibles les identifiants des documents récupérés pour que ces références restent interprétables. Une citation indique quelles données fournies étayent le passage généré ; le système environnant assure la récupération réelle.\n\n### Outils et code\n\nLe concepteur entraîne Command A à l’usage conversationnel d’outils avec des descriptions de fonctions selon JSON Schema. Le modèle peut générer un plan et des appels sélectionnés, l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle utilise ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats d’outils.\n\nLes tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Le producteur recommande une température basse, avec un décodage glouton lorsque cela convient, pour les consignes de génération de code. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations réelles de validation lors de la révision du résultat.\n\nLa fiche du modèle précise une distinction pratique de contexte : le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être ajustée. Conservez la configuration réelle de contexte du flux sélectionné et gardez de la place pour la réponse. Un résultat utile est le livrable textuel ou de code demandé, avec des preuves traçables jusqu’aux sources fournies et aux observations d’outils.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A est le modèle textuel 111B de Cohere pour les agents d’entreprise multilingues, les réponses fondées sur des documents et le travail guidé par des outils. Il associe un contexte de 256K, des citations sources, une aide à la programmation et un entraînement dans 23 langues, pour produire du texte à partir de consignes écrites et des éléments fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Command A est le modèle textuel de Cohere de mars 2025 pour les agents d’entreprise, les réponses augmentées par récupération d’informations et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, accepte du texte et produit du texte. Son contexte modèle publié par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Il se distingue de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.
Le fabricant décrit un transformeur autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif ; une quatrième couche utilise une attention globale sans embeddings positionnels. L’ajustement fin supervisé et l’entraînement sur préférences façonnent un comportement conversationnel utile et centré sur la tâche. Le modèle est entraîné dans 23 langues et prend en charge des tâches entre langues, telles que la traduction ou la réponse à une question sur des données écrites dans une autre langue.
Précisez la langue de réponse et préservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez leurs propres noms aux passages sources et demandez une explication qui conserve les noms de produits, les identifiants de code et les formulations citées. Une réponse finale utile identifie la source derrière une conclusion plutôt que d’effacer par la traduction une distinction importante pour la tâche.
Command A est conversationnel par défaut et ajoute souvent une introduction, des questions de suivi et une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, le résumé ou la traduction, utilisez l’approche par consigne système du producteur pour demander uniquement la réponse requise et préciser si le Markdown ou les blocs de code doivent figurer dans la sortie. Cela évite de traiter un préambule conversationnel aimable comme une partie d’un enregistrement de données en aval.
La fiche du modèle décrit des modes de sécurité contextual et strict, avec contextual par défaut chez le producteur. Ce sont des réglages de comportement documentés du profil du concepteur, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent de la tâche et la sortie souhaitée.
Command A est entraîné pour l’étape de génération de réponse de la génération augmentée par récupération. L’entrée combine la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par fragment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le concepteur encourage également la comparaison de ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.
Pour une comparaison de politiques ou une comparaison technique, identifiez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format producteur avec citations activées, la sortie associe des portions de réponse à des sources justificatives. Gardez disponibles les identifiants des documents récupérés pour que ces références restent interprétables. Une citation indique quelles données fournies étayent le passage généré ; le système environnant assure la récupération réelle.
Le concepteur entraîne Command A à l’usage conversationnel d’outils avec des descriptions de fonctions selon JSON Schema. Le modèle peut générer un plan et des appels sélectionnés, l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle utilise ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats d’outils.
Les tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Le producteur recommande une température basse, avec un décodage glouton lorsque cela convient, pour les consignes de génération de code. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations réelles de validation lors de la révision du résultat.
La fiche du modèle précise une distinction pratique de contexte : le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être ajustée. Conservez la configuration réelle de contexte du flux sélectionné et gardez de la place pour la réponse. Un résultat utile est le livrable textuel ou de code demandé, avec des preuves traçables jusqu’aux sources fournies et aux observations d’outils.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/command-a | 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Utilisez les chemins de méthode indiqués ci-dessus.
cohere/command-aCommand A est le modèle textuel 111B de Cohere pour les agents d’entreprise multilingues, les réponses fondées sur des documents et le travail guidé par des outils. Il associe un contexte de 256K, des citations sources, une aide à la programmation et un entraînement dans 23 langues, pour produire du texte à partir de consignes écrites et des éléments fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Command A est le modèle textuel de Cohere de mars 2025 pour les agents d’entreprise, les réponses augmentées par récupération d’informations et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, accepte du texte et produit du texte. Son contexte modèle publié par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Il se distingue de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.
Le fabricant décrit un transformeur autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif ; une quatrième couche utilise une attention globale sans embeddings positionnels. L’ajustement fin supervisé et l’entraînement sur préférences façonnent un comportement conversationnel utile et centré sur la tâche. Le modèle est entraîné dans 23 langues et prend en charge des tâches entre langues, telles que la traduction ou la réponse à une question sur des données écrites dans une autre langue.
Précisez la langue de réponse et préservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez leurs propres noms aux passages sources et demandez une explication qui conserve les noms de produits, les identifiants de code et les formulations citées. Une réponse finale utile identifie la source derrière une conclusion plutôt que d’effacer par la traduction une distinction importante pour la tâche.
Command A est conversationnel par défaut et ajoute souvent une introduction, des questions de suivi et une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, le résumé ou la traduction, utilisez l’approche par consigne système du producteur pour demander uniquement la réponse requise et préciser si le Markdown ou les blocs de code doivent figurer dans la sortie. Cela évite de traiter un préambule conversationnel aimable comme une partie d’un enregistrement de données en aval.
La fiche du modèle décrit des modes de sécurité contextual et strict, avec contextual par défaut chez le producteur. Ce sont des réglages de comportement documentés du profil du concepteur, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent de la tâche et la sortie souhaitée.
Command A est entraîné pour l’étape de génération de réponse de la génération augmentée par récupération. L’entrée combine la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par fragment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le concepteur encourage également la comparaison de ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.
Pour une comparaison de politiques ou une comparaison technique, identifiez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format producteur avec citations activées, la sortie associe des portions de réponse à des sources justificatives. Gardez disponibles les identifiants des documents récupérés pour que ces références restent interprétables. Une citation indique quelles données fournies étayent le passage généré ; le système environnant assure la récupération réelle.
Le concepteur entraîne Command A à l’usage conversationnel d’outils avec des descriptions de fonctions selon JSON Schema. Le modèle peut générer un plan et des appels sélectionnés, l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle utilise ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats d’outils.
Les tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Le producteur recommande une température basse, avec un décodage glouton lorsque cela convient, pour les consignes de génération de code. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations réelles de validation lors de la révision du résultat.
La fiche du modèle précise une distinction pratique de contexte : le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être ajustée. Conservez la configuration réelle de contexte du flux sélectionné et gardez de la place pour la réponse. Un résultat utile est le livrable textuel ou de code demandé, avec des preuves traçables jusqu’aux sources fournies et aux observations d’outils.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/command-a | 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.