Weaver Alpha est le système expérimental de Mancer pour le jeu de rôle et l’écriture narrative. Le fabricant décrit une combinaison de petits modèles visant une prose développée, répertoriée comme un système 13B fondé sur LLaMA 2. Il reçoit des consignes de scène et un contexte écrits, puis génère du texte. Sa vocation distinctive est une continuation créative et abondante, plutôt qu’une promesse de mémoire cohérente à long terme ou de vastes capacités propres à un autre modèle.
Donnez le cadre actuel, le point de vue, les motivations des personnages et l’événement qui doit survenir ensuite. Identifiez les faits établis et les détails que le modèle peut inventer. Pour le jeu de rôle, précisez qui contrôle chaque personnage et si la réponse doit contenir de la narration, du dialogue ou les deux. Exemple utile : « Continuez cette scène du point de vue du narrateur, préservez l’objectif déclaré du personnage et arrêtez-vous après la révélation de la nouvelle complication. »
Pour un passage d’atmosphère, décrivez l’ambiance souhaitée et les détails qui doivent la porter : décor, rythme, voix et action au centre de la scène. Demandez la longueur et le point d’arrêt nécessaires. Un style abondant apporte de la texture, mais une scène bénéficie toujours d’un objectif dramatique clair plutôt que d’une instruction de développer sans direction.
Le fabricant exige le format de consigne Alpaca pour son parcours de complétion documenté. Son format simplifié publié distingue instruction système, instruction utilisateur et réponse de l’assistant. Gardez ces rôles séparés et préservez le format propre du modèle pour préparer une continuation. Le parcours conversationnel environnant peut gérer ce format, mais le nom affiché du modèle ne détermine pas à lui seul la construction des consignes de l’application.
Les réglages de départ suggérés sont temperature 0.9, une pénalité de répétition de 1.1, top-p 0.58 et top-k 50. Ce sont des recommandations du producteur pour le profil expérimental, pas des réglages déduits pour chaque application. Ils constituent un point de départ stylistique ; il faut encore examiner le résultat réel pour les répétitions, la voix et le respect de la scène.
Le fabricant de Weaver avertit explicitement des limites de cohérence et de mémoire. Conservez l’état récent de la scène et les faits essentiels des personnages dans l’entrée lorsque l’histoire continue. Une note concise peut identifier ce qui s’est passé, ce que les personnages savent et ce qui ne doit pas changer. Si un passage généré contredit cette note, indiquez l’écart précis et demandez une révision liée aux événements établis.
Le profil annonce un contexte de 8 000 tokens et une sortie maximale de 6 000 tokens. Sources, instructions, conversation et génération doivent tenir dans le budget applicable ; la limite de sortie n’ajoute pas de place au-delà du contexte. Le fabricant précise aussi que ce profil ne prend pas en charge la génération multi-swipe. Traitez une continuation générée comme un résultat unique à examiner, sans supposer plusieurs alternatives simultanées dans une requête.
Le résultat peut être une continuation de scène, un passage descriptif ou un échange entre personnages. Vérifiez qu’il préserve point de vue, capacité d’action des personnages, chronologie et fin demandée. Pour une révision, identifiez le passage exact à changer et le sens à conserver. Gardez les faits narratifs retenus dans la consigne suivante plutôt que de supposer qu’un long historique invisible reste disponible. La valeur pratique de Weaver Alpha tient à son profil de prose créative, en tenant compte de son identité expérimentale et de ses limites de continuité documentées dans la préparation de la tâche.
", "aboutText": "Weaver Alpha est le système expérimental de Mancer pour le jeu de rôle et l’écriture narrative. Le fabricant décrit une combinaison de petits modèles visant une prose développée, répertoriée comme un système 13B fondé sur LLaMA 2. Il reçoit des consignes de scène et un contexte écrits, puis génère du texte. Sa vocation distinctive est une continuation créative et abondante, plutôt qu’une promesse de mémoire cohérente à long terme ou de vastes capacités propres à un autre modèle.\n\n### Préparer une scène narrative\n\nDonnez le cadre actuel, le point de vue, les motivations des personnages et l’événement qui doit survenir ensuite. Identifiez les faits établis et les détails que le modèle peut inventer. Pour le jeu de rôle, précisez qui contrôle chaque personnage et si la réponse doit contenir de la narration, du dialogue ou les deux. Exemple utile : « Continuez cette scène du point de vue du narrateur, préservez l’objectif déclaré du personnage et arrêtez-vous après la révélation de la nouvelle complication. »\n\nPour un passage d’atmosphère, décrivez l’ambiance souhaitée et les détails qui doivent la porter : décor, rythme, voix et action au centre de la scène. Demandez la longueur et le point d’arrêt nécessaires. Un style abondant apporte de la texture, mais une scène bénéficie toujours d’un objectif dramatique clair plutôt que d’une instruction de développer sans direction.\n\n### Consigne et commandes du producteur\n\nLe fabricant exige le format de consigne Alpaca pour son parcours de complétion documenté. Son format simplifié publié distingue instruction système, instruction utilisateur et réponse de l’assistant. Gardez ces rôles séparés et préservez le format propre du modèle pour préparer une continuation. Le parcours conversationnel environnant peut gérer ce format, mais le nom affiché du modèle ne détermine pas à lui seul la construction des consignes de l’application.\n\nLes réglages de départ suggérés sont temperature 0.9, une pénalité de répétition de 1.1, top-p 0.58 et top-k 50. Ce sont des recommandations du producteur pour le profil expérimental, pas des réglages déduits pour chaque application. Ils constituent un point de départ stylistique ; il faut encore examiner le résultat réel pour les répétitions, la voix et le respect de la scène.\n\n### Continuité et limites\n\nLe fabricant de Weaver avertit explicitement des limites de cohérence et de mémoire. Conservez l’état récent de la scène et les faits essentiels des personnages dans l’entrée lorsque l’histoire continue. Une note concise peut identifier ce qui s’est passé, ce que les personnages savent et ce qui ne doit pas changer. Si un passage généré contredit cette note, indiquez l’écart précis et demandez une révision liée aux événements établis.\n\nLe profil annonce un contexte de 8 000 tokens et une sortie maximale de 6 000 tokens. Sources, instructions, conversation et génération doivent tenir dans le budget applicable ; la limite de sortie n’ajoute pas de place au-delà du contexte. Le fabricant précise aussi que ce profil ne prend pas en charge la génération multi-swipe. Traitez une continuation générée comme un résultat unique à examiner, sans supposer plusieurs alternatives simultanées dans une requête.\n\n### Un livrable rédactionnel utile\n\nLe résultat peut être une continuation de scène, un passage descriptif ou un échange entre personnages. Vérifiez qu’il préserve point de vue, capacité d’action des personnages, chronologie et fin demandée. Pour une révision, identifiez le passage exact à changer et le sens à conserver. Gardez les faits narratifs retenus dans la consigne suivante plutôt que de supposer qu’un long historique invisible reste disponible. La valeur pratique de Weaver Alpha tient à son profil de prose créative, en tenant compte de son identité expérimentale et de ses limites de continuité documentées dans la préparation de la tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reveal a scene complication\n\nContinue in close third person through cartographer Nera. She has reached an abandoned observatory to recover her stolen atlas; her companion believes it burned. Write 200 words of atmospheric prose with one brief exchange. Preserve those facts, then stop when Nera finds a freshly drawn map of their route inside the supposedly empty dome.An atmospheric scene continuation around 200 words, ending on the discovery rather than resolving it.Check viewpoint, the companion's belief and the requested stopping event remain consistent.mancer/weaverWeaver Alpha est le système expérimental de génération textuelle de Mancer pour le jeu de rôle et la prose narrative. Son style créatif abondant convient surtout à une scène explicite, une fiche de personnage et des notes récentes de continuité ; le profil annonce un contexte de 8 000 tokens et une sortie maximale de 6 000 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Weaver Alpha est le système expérimental de Mancer pour le jeu de rôle et l’écriture narrative. Le fabricant décrit une combinaison de petits modèles visant une prose développée, répertoriée comme un système 13B fondé sur LLaMA 2. Il reçoit des consignes de scène et un contexte écrits, puis génère du texte. Sa vocation distinctive est une continuation créative et abondante, plutôt qu’une promesse de mémoire cohérente à long terme ou de vastes capacités propres à un autre modèle.
Donnez le cadre actuel, le point de vue, les motivations des personnages et l’événement qui doit survenir ensuite. Identifiez les faits établis et les détails que le modèle peut inventer. Pour le jeu de rôle, précisez qui contrôle chaque personnage et si la réponse doit contenir de la narration, du dialogue ou les deux. Exemple utile : « Continuez cette scène du point de vue du narrateur, préservez l’objectif déclaré du personnage et arrêtez-vous après la révélation de la nouvelle complication. »
Pour un passage d’atmosphère, décrivez l’ambiance souhaitée et les détails qui doivent la porter : décor, rythme, voix et action au centre de la scène. Demandez la longueur et le point d’arrêt nécessaires. Un style abondant apporte de la texture, mais une scène bénéficie toujours d’un objectif dramatique clair plutôt que d’une instruction de développer sans direction.
Le fabricant exige le format de consigne Alpaca pour son parcours de complétion documenté. Son format simplifié publié distingue instruction système, instruction utilisateur et réponse de l’assistant. Gardez ces rôles séparés et préservez le format propre du modèle pour préparer une continuation. Le parcours conversationnel environnant peut gérer ce format, mais le nom affiché du modèle ne détermine pas à lui seul la construction des consignes de l’application.
Les réglages de départ suggérés sont temperature 0.9, une pénalité de répétition de 1.1, top-p 0.58 et top-k 50. Ce sont des recommandations du producteur pour le profil expérimental, pas des réglages déduits pour chaque application. Ils constituent un point de départ stylistique ; il faut encore examiner le résultat réel pour les répétitions, la voix et le respect de la scène.
Le fabricant de Weaver avertit explicitement des limites de cohérence et de mémoire. Conservez l’état récent de la scène et les faits essentiels des personnages dans l’entrée lorsque l’histoire continue. Une note concise peut identifier ce qui s’est passé, ce que les personnages savent et ce qui ne doit pas changer. Si un passage généré contredit cette note, indiquez l’écart précis et demandez une révision liée aux événements établis.
Le profil annonce un contexte de 8 000 tokens et une sortie maximale de 6 000 tokens. Sources, instructions, conversation et génération doivent tenir dans le budget applicable ; la limite de sortie n’ajoute pas de place au-delà du contexte. Le fabricant précise aussi que ce profil ne prend pas en charge la génération multi-swipe. Traitez une continuation générée comme un résultat unique à examiner, sans supposer plusieurs alternatives simultanées dans une requête.
Le résultat peut être une continuation de scène, un passage descriptif ou un échange entre personnages. Vérifiez qu’il préserve point de vue, capacité d’action des personnages, chronologie et fin demandée. Pour une révision, identifiez le passage exact à changer et le sens à conserver. Gardez les faits narratifs retenus dans la consigne suivante plutôt que de supposer qu’un long historique invisible reste disponible. La valeur pratique de Weaver Alpha tient à son profil de prose créative, en tenant compte de son identité expérimentale et de ses limites de continuité documentées dans la préparation de la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mancer/weaver | 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 $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0015 / 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 $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mancer/weaver", "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='mancer/weaver',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='mancer/weaver',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 mancer/weaver
Utilisez les chemins de méthode indiqués ci-dessus.
mancer/weaverWeaver Alpha est le système expérimental de génération textuelle de Mancer pour le jeu de rôle et la prose narrative. Son style créatif abondant convient surtout à une scène explicite, une fiche de personnage et des notes récentes de continuité ; le profil annonce un contexte de 8 000 tokens et une sortie maximale de 6 000 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Weaver Alpha est le système expérimental de Mancer pour le jeu de rôle et l’écriture narrative. Le fabricant décrit une combinaison de petits modèles visant une prose développée, répertoriée comme un système 13B fondé sur LLaMA 2. Il reçoit des consignes de scène et un contexte écrits, puis génère du texte. Sa vocation distinctive est une continuation créative et abondante, plutôt qu’une promesse de mémoire cohérente à long terme ou de vastes capacités propres à un autre modèle.
Donnez le cadre actuel, le point de vue, les motivations des personnages et l’événement qui doit survenir ensuite. Identifiez les faits établis et les détails que le modèle peut inventer. Pour le jeu de rôle, précisez qui contrôle chaque personnage et si la réponse doit contenir de la narration, du dialogue ou les deux. Exemple utile : « Continuez cette scène du point de vue du narrateur, préservez l’objectif déclaré du personnage et arrêtez-vous après la révélation de la nouvelle complication. »
Pour un passage d’atmosphère, décrivez l’ambiance souhaitée et les détails qui doivent la porter : décor, rythme, voix et action au centre de la scène. Demandez la longueur et le point d’arrêt nécessaires. Un style abondant apporte de la texture, mais une scène bénéficie toujours d’un objectif dramatique clair plutôt que d’une instruction de développer sans direction.
Le fabricant exige le format de consigne Alpaca pour son parcours de complétion documenté. Son format simplifié publié distingue instruction système, instruction utilisateur et réponse de l’assistant. Gardez ces rôles séparés et préservez le format propre du modèle pour préparer une continuation. Le parcours conversationnel environnant peut gérer ce format, mais le nom affiché du modèle ne détermine pas à lui seul la construction des consignes de l’application.
Les réglages de départ suggérés sont temperature 0.9, une pénalité de répétition de 1.1, top-p 0.58 et top-k 50. Ce sont des recommandations du producteur pour le profil expérimental, pas des réglages déduits pour chaque application. Ils constituent un point de départ stylistique ; il faut encore examiner le résultat réel pour les répétitions, la voix et le respect de la scène.
Le fabricant de Weaver avertit explicitement des limites de cohérence et de mémoire. Conservez l’état récent de la scène et les faits essentiels des personnages dans l’entrée lorsque l’histoire continue. Une note concise peut identifier ce qui s’est passé, ce que les personnages savent et ce qui ne doit pas changer. Si un passage généré contredit cette note, indiquez l’écart précis et demandez une révision liée aux événements établis.
Le profil annonce un contexte de 8 000 tokens et une sortie maximale de 6 000 tokens. Sources, instructions, conversation et génération doivent tenir dans le budget applicable ; la limite de sortie n’ajoute pas de place au-delà du contexte. Le fabricant précise aussi que ce profil ne prend pas en charge la génération multi-swipe. Traitez une continuation générée comme un résultat unique à examiner, sans supposer plusieurs alternatives simultanées dans une requête.
Le résultat peut être une continuation de scène, un passage descriptif ou un échange entre personnages. Vérifiez qu’il préserve point de vue, capacité d’action des personnages, chronologie et fin demandée. Pour une révision, identifiez le passage exact à changer et le sens à conserver. Gardez les faits narratifs retenus dans la consigne suivante plutôt que de supposer qu’un long historique invisible reste disponible. La valeur pratique de Weaver Alpha tient à son profil de prose créative, en tenant compte de son identité expérimentale et de ses limites de continuité documentées dans la préparation de la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mancer/weaver | 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 $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0015 / 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 $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mancer/weaver",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mancer/weaver', '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': 'mancer/weaver', '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 mancer/weaver
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reveal a scene complication\n\nContinue in close third person through cartographer Nera. She has reached an abandoned observatory to recover her stolen atlas; her companion believes it burned. Write 200 words of atmospheric prose with one brief exchange. Preserve those facts, then stop when Nera finds a freshly drawn map of their route inside the supposedly empty dome.An atmospheric scene continuation around 200 words, ending on the discovery rather than resolving it.Check viewpoint, the companion's belief and the requested stopping event remain consistent.