ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions qui nécessitent une analyse approfondie, la résolution de problèmes logiques et un travail textuel relié à des outils. Son concepteur présente Turbo comme une version améliorée de la gamme X1. Son profil documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, dont les budgets d’entrée et de génération sont différents.
Fournissez la question, les valeurs données, les contraintes et le type de résultat attendu. Une tâche mathématique peut demander une solution dont le calcul décisif est vérifiable ; une tâche de planification peut comparer des options selon des conditions explicites. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le raisonnement porte ainsi sur un problème délimité, sans autoriser l’invention d’exigences manquantes.
Pour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé au regard de la source, au lieu de considérer une longue analyse générée comme une preuve d’exactitude.
Le tableau des modèles AI Studio du concepteur indique un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale de 2 à 16 384 tokens, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts ; choisissez les sources et le livrable final demandé en conséquence, au lieu d’interpréter la taille du contexte comme la promesse d’une réponse aussi longue.
Séparez la réponse finale de tout contenu de raisonnement renvoyé par le processus du concepteur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question d’origine et les éléments probants avec le livrable achevé afin qu’une question complémentaire puisse examiner une étape non résolue.
L’index des fonctionnalités du concepteur mentionne X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de toute fonction de l’application, puis renvoyez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée ; l’application qui l’entoure exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.
Pour une question fondée sur des sources, conservez les documents récupérés avec la réponse et vérifiez s’ils établissent l’affirmation. Un fait susceptible de changer doit provenir d’éléments actuels, plutôt que d’une réponse non étayée fondée sur la mémoire. Considérez l’intégration des fonctions et de la recherche comme le processus connecté du concepteur, dans lequel les éléments réellement renvoyés déterminent les conclusions que la réponse peut raisonnablement formuler.
Le profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion restent ceux du profil sélectionné du concepteur. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par des outils, accompagnée des passages sources et des résultats d’opérations achevées. Cela permet une continuation ciblée tout en préservant la tâche d’origine et ses incertitudes.
", "aboutText": "ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions qui nécessitent une analyse approfondie, la résolution de problèmes logiques et un travail textuel relié à des outils. Son concepteur présente Turbo comme une version améliorée de la gamme X1. Son profil documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, dont les budgets d’entrée et de génération sont différents.\n\n### Préparer un problème de raisonnement complet\n\nFournissez la question, les valeurs données, les contraintes et le type de résultat attendu. Une tâche mathématique peut demander une solution dont le calcul décisif est vérifiable ; une tâche de planification peut comparer des options selon des conditions explicites. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le raisonnement porte ainsi sur un problème délimité, sans autoriser l’invention d’exigences manquantes.\n\nPour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé au regard de la source, au lieu de considérer une longue analyse générée comme une preuve d’exactitude.\n\n### Budgets de contexte, de sortie finale et de réflexion\n\nLe tableau des modèles AI Studio du concepteur indique un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale de 2 à 16 384 tokens, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts ; choisissez les sources et le livrable final demandé en conséquence, au lieu d’interpréter la taille du contexte comme la promesse d’une réponse aussi longue.\n\nSéparez la réponse finale de tout contenu de raisonnement renvoyé par le processus du concepteur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question d’origine et les éléments probants avec le livrable achevé afin qu’une question complémentaire puisse examiner une étape non résolue.\n\n### Fonctions et informations actuelles\n\nL’index des fonctionnalités du concepteur mentionne X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de toute fonction de l’application, puis renvoyez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée ; l’application qui l’entoure exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.\n\nPour une question fondée sur des sources, conservez les documents récupérés avec la réponse et vérifiez s’ils établissent l’affirmation. Un fait susceptible de changer doit provenir d’éléments actuels, plutôt que d’une réponse non étayée fondée sur la mémoire. Considérez l’intégration des fonctions et de la recherche comme le processus connecté du concepteur, dans lequel les éléments réellement renvoyés déterminent les conclusions que la réponse peut raisonnablement formuler.\n\n### Conserver l’édition X1 Turbo avec le résultat\n\nLe profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion restent ceux du profil sélectionné du concepteur. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par des outils, accompagnée des passages sources et des résultats d’opérations achevées. Cela permet une continuation ciblée tout en préservant la tâche d’origine et ses incertitudes.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bf6efaa9ea396be05b9230a21d904bb2c8cfbbcc01ffaf3396b6258ebad2fb2e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "ernie-x1-turbo-32kERNIE X1 Turbo est le profil de raisonnement de Baidu pour les tâches textuelles mathématiques, logiques et reliées à des outils. Sa spécification AI Studio distingue un contexte de 32K, une entrée maximale de 24K, des réglages de sortie finale allant jusqu’à 16 384 tokens et une longueur de réflexion distincte de 16K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions qui nécessitent une analyse approfondie, la résolution de problèmes logiques et un travail textuel relié à des outils. Son concepteur présente Turbo comme une version améliorée de la gamme X1. Son profil documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, dont les budgets d’entrée et de génération sont différents.
Fournissez la question, les valeurs données, les contraintes et le type de résultat attendu. Une tâche mathématique peut demander une solution dont le calcul décisif est vérifiable ; une tâche de planification peut comparer des options selon des conditions explicites. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le raisonnement porte ainsi sur un problème délimité, sans autoriser l’invention d’exigences manquantes.
Pour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé au regard de la source, au lieu de considérer une longue analyse générée comme une preuve d’exactitude.
Le tableau des modèles AI Studio du concepteur indique un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale de 2 à 16 384 tokens, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts ; choisissez les sources et le livrable final demandé en conséquence, au lieu d’interpréter la taille du contexte comme la promesse d’une réponse aussi longue.
Séparez la réponse finale de tout contenu de raisonnement renvoyé par le processus du concepteur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question d’origine et les éléments probants avec le livrable achevé afin qu’une question complémentaire puisse examiner une étape non résolue.
L’index des fonctionnalités du concepteur mentionne X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de toute fonction de l’application, puis renvoyez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée ; l’application qui l’entoure exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.
Pour une question fondée sur des sources, conservez les documents récupérés avec la réponse et vérifiez s’ils établissent l’affirmation. Un fait susceptible de changer doit provenir d’éléments actuels, plutôt que d’une réponse non étayée fondée sur la mémoire. Considérez l’intégration des fonctions et de la recherche comme le processus connecté du concepteur, dans lequel les éléments réellement renvoyés déterminent les conclusions que la réponse peut raisonnablement formuler.
Le profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion restent ceux du profil sélectionné du concepteur. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par des outils, accompagnée des passages sources et des résultats d’opérations achevées. Cela permet une continuation ciblée tout en préservant la tâche d’origine et ses incertitudes.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-x1-turbo-32k | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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 $0.00033 / 1K tokens Sortie · Tokens en sortie $0.00132 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"ernie-x1-turbo-32k","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="ernie-x1-turbo-32k", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 ernie-x1-turbo-32k
/chat/completions
ernie-x1-turbo-32kERNIE X1 Turbo est le profil de raisonnement de Baidu pour les tâches textuelles mathématiques, logiques et reliées à des outils. Sa spécification AI Studio distingue un contexte de 32K, une entrée maximale de 24K, des réglages de sortie finale allant jusqu’à 16 384 tokens et une longueur de réflexion distincte de 16K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions qui nécessitent une analyse approfondie, la résolution de problèmes logiques et un travail textuel relié à des outils. Son concepteur présente Turbo comme une version améliorée de la gamme X1. Son profil documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, dont les budgets d’entrée et de génération sont différents.
Fournissez la question, les valeurs données, les contraintes et le type de résultat attendu. Une tâche mathématique peut demander une solution dont le calcul décisif est vérifiable ; une tâche de planification peut comparer des options selon des conditions explicites. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le raisonnement porte ainsi sur un problème délimité, sans autoriser l’invention d’exigences manquantes.
Pour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé au regard de la source, au lieu de considérer une longue analyse générée comme une preuve d’exactitude.
Le tableau des modèles AI Studio du concepteur indique un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale de 2 à 16 384 tokens, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts ; choisissez les sources et le livrable final demandé en conséquence, au lieu d’interpréter la taille du contexte comme la promesse d’une réponse aussi longue.
Séparez la réponse finale de tout contenu de raisonnement renvoyé par le processus du concepteur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question d’origine et les éléments probants avec le livrable achevé afin qu’une question complémentaire puisse examiner une étape non résolue.
L’index des fonctionnalités du concepteur mentionne X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de toute fonction de l’application, puis renvoyez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée ; l’application qui l’entoure exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.
Pour une question fondée sur des sources, conservez les documents récupérés avec la réponse et vérifiez s’ils établissent l’affirmation. Un fait susceptible de changer doit provenir d’éléments actuels, plutôt que d’une réponse non étayée fondée sur la mémoire. Considérez l’intégration des fonctions et de la recherche comme le processus connecté du concepteur, dans lequel les éléments réellement renvoyés déterminent les conclusions que la réponse peut raisonnablement formuler.
Le profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion restent ceux du profil sélectionné du concepteur. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par des outils, accompagnée des passages sources et des résultats d’opérations achevées. Cela permet une continuation ciblée tout en préservant la tâche d’origine et ses incertitudes.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-x1-turbo-32k | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00033 / 1K tokens Sortie · Tokens en sortie $0.00132 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "ernie-x1-turbo-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-x1-turbo-32k', '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': 'ernie-x1-turbo-32k', '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 ernie-x1-turbo-32k
/chat/completions