Step 3.5 Flash est le modèle textuel parcimonieux à mélange d’experts de StepFun pour le raisonnement et les tâches orientées agents. La spécification publiée compte 196,81 milliards de paramètres au total, tête de prédiction comprise, et active environ 11 milliards de paramètres par token. Il traite des consignes écrites et des conversations pour générer du texte, du code et des interactions d’outils proposées.
Son architecture principale de 45 couches combine attention à fenêtre glissante et attention complète selon un rapport de trois pour un, et prend en charge un contexte de 256K. Chaque couche d’experts comporte 288 experts routés et un expert partagé, dont huit experts routés sont sélectionnés par token. Une tête de prédiction multitoken participe à la conception axée sur l’efficacité du fournisseur. Ces choix architecturaux décrivent le modèle ; la vitesse d’une application donnée dépend aussi de sa configuration de service et de sa charge de travail.
Les principaux domaines de tâches sont le raisonnement, le code et les processus d’agent plus longs. Pour une tâche logicielle, fournissez le comportement attendu, la source pertinente et un échec réel ou une modification demandée. Demandez le livrable proposé et les vérifications nécessaires à son évaluation. Dans une application connectée, renvoyez les résultats des commandes et des vérifications avant que le modèle ne choisisse l’étape suivante.
Pour une analyse en contexte long, définissez la question et les sections importantes du contenu. Un rapport utile indique sa conclusion, les éléments qui la soutiennent et toute observation manquante. Gardez l’objectif actuel et les constats précédemment confirmés disponibles au fil des échanges, afin que le modèle poursuive à partir de l’état de la tâche au lieu de le reconstruire à partir d’un prompt incomplet.
StepFun publie des procédures d’intégration et de déploiement local pour les applications de code et de recherche. L’exécution des outils relève du processus environnant : le modèle fournit l’action proposée, puis l’application l’exécute et renvoie le résultat. Les ressources converties ou quantifiées distinctes possèdent leurs propres conditions de déploiement ; le nom général du modèle n’en sélectionne aucune.
Les problèmes connus du fournisseur sont concrets. Le modèle peut suivre de longues trajectoires de génération, et sa stabilité peut diminuer dans des domaines spécialisés ou lors de conversations prolongées à plusieurs tours. Les symptômes signalés comprennent un raisonnement répétitif, des réponses mélangeant les langues et des incohérences sur le temps ou l’identité. Précisez clairement la langue de réponse et la tâche actuelle, conservez les observations pertinentes et vérifiez le livrable final par rapport à l’objectif annoncé. Distinguez cette édition textuelle de Step 3.7 Flash, qui ajoute un encodeur visuel et l’entrée d’images.
", "aboutText": "Step 3.5 Flash est le modèle textuel parcimonieux à mélange d’experts de StepFun pour le raisonnement et les tâches orientées agents. La spécification publiée compte 196,81 milliards de paramètres au total, tête de prédiction comprise, et active environ 11 milliards de paramètres par token. Il traite des consignes écrites et des conversations pour générer du texte, du code et des interactions d’outils proposées.\n\nSon architecture principale de 45 couches combine attention à fenêtre glissante et attention complète selon un rapport de trois pour un, et prend en charge un contexte de 256K. Chaque couche d’experts comporte 288 experts routés et un expert partagé, dont huit experts routés sont sélectionnés par token. Une tête de prédiction multitoken participe à la conception axée sur l’efficacité du fournisseur. Ces choix architecturaux décrivent le modèle ; la vitesse d’une application donnée dépend aussi de sa configuration de service et de sa charge de travail.\n\nLes principaux domaines de tâches sont le raisonnement, le code et les processus d’agent plus longs. Pour une tâche logicielle, fournissez le comportement attendu, la source pertinente et un échec réel ou une modification demandée. Demandez le livrable proposé et les vérifications nécessaires à son évaluation. Dans une application connectée, renvoyez les résultats des commandes et des vérifications avant que le modèle ne choisisse l’étape suivante.\n\nPour une analyse en contexte long, définissez la question et les sections importantes du contenu. Un rapport utile indique sa conclusion, les éléments qui la soutiennent et toute observation manquante. Gardez l’objectif actuel et les constats précédemment confirmés disponibles au fil des échanges, afin que le modèle poursuive à partir de l’état de la tâche au lieu de le reconstruire à partir d’un prompt incomplet.\n\nStepFun publie des procédures d’intégration et de déploiement local pour les applications de code et de recherche. L’exécution des outils relève du processus environnant : le modèle fournit l’action proposée, puis l’application l’exécute et renvoie le résultat. Les ressources converties ou quantifiées distinctes possèdent leurs propres conditions de déploiement ; le nom général du modèle n’en sélectionne aucune.\n\nLes problèmes connus du fournisseur sont concrets. Le modèle peut suivre de longues trajectoires de génération, et sa stabilité peut diminuer dans des domaines spécialisés ou lors de conversations prolongées à plusieurs tours. Les symptômes signalés comprennent un raisonnement répétitif, des réponses mélangeant les langues et des incohérences sur le temps ou l’identité. Précisez clairement la langue de réponse et la tâche actuelle, conservez les observations pertinentes et vérifiez le livrable final par rapport à l’objectif annoncé. Distinguez cette édition textuelle de Step 3.7 Flash, qui ajoute un encodeur visuel et l’entrée d’images.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStep 3.5 Flash de StepFun est un modèle textuel parcimonieux pour le raisonnement, le code et les processus d’agent. Il active environ 11 milliards de paramètres dans son modèle de classe 196 milliards, combine attention glissante et attention complète, et prend en charge un contexte de 256K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Step 3.5 Flash est le modèle textuel parcimonieux à mélange d’experts de StepFun pour le raisonnement et les tâches orientées agents. La spécification publiée compte 196,81 milliards de paramètres au total, tête de prédiction comprise, et active environ 11 milliards de paramètres par token. Il traite des consignes écrites et des conversations pour générer du texte, du code et des interactions d’outils proposées.
Son architecture principale de 45 couches combine attention à fenêtre glissante et attention complète selon un rapport de trois pour un, et prend en charge un contexte de 256K. Chaque couche d’experts comporte 288 experts routés et un expert partagé, dont huit experts routés sont sélectionnés par token. Une tête de prédiction multitoken participe à la conception axée sur l’efficacité du fournisseur. Ces choix architecturaux décrivent le modèle ; la vitesse d’une application donnée dépend aussi de sa configuration de service et de sa charge de travail.
Les principaux domaines de tâches sont le raisonnement, le code et les processus d’agent plus longs. Pour une tâche logicielle, fournissez le comportement attendu, la source pertinente et un échec réel ou une modification demandée. Demandez le livrable proposé et les vérifications nécessaires à son évaluation. Dans une application connectée, renvoyez les résultats des commandes et des vérifications avant que le modèle ne choisisse l’étape suivante.
Pour une analyse en contexte long, définissez la question et les sections importantes du contenu. Un rapport utile indique sa conclusion, les éléments qui la soutiennent et toute observation manquante. Gardez l’objectif actuel et les constats précédemment confirmés disponibles au fil des échanges, afin que le modèle poursuive à partir de l’état de la tâche au lieu de le reconstruire à partir d’un prompt incomplet.
StepFun publie des procédures d’intégration et de déploiement local pour les applications de code et de recherche. L’exécution des outils relève du processus environnant : le modèle fournit l’action proposée, puis l’application l’exécute et renvoie le résultat. Les ressources converties ou quantifiées distinctes possèdent leurs propres conditions de déploiement ; le nom général du modèle n’en sélectionne aucune.
Les problèmes connus du fournisseur sont concrets. Le modèle peut suivre de longues trajectoires de génération, et sa stabilité peut diminuer dans des domaines spécialisés ou lors de conversations prolongées à plusieurs tours. Les symptômes signalés comprennent un raisonnement répétitif, des réponses mélangeant les langues et des incohérences sur le temps ou l’identité. Précisez clairement la langue de réponse et la tâche actuelle, conservez les observations pertinentes et vérifiez le livrable final par rapport à l’objectif annoncé. Distinguez cette édition textuelle de Step 3.7 Flash, qui ajoute un encodeur visuel et l’entrée d’images.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites stepfun/step-3.5-flash | 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 $0.00022 / 1K tokens Sortie · Tokens en sortie $0.00066 / 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 |
| 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 $0.00022 / 1K tokens Sortie · Tokens en sortie $0.00066 / 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": "stepfun/step-3.5-flash", "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='stepfun/step-3.5-flash',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='stepfun/step-3.5-flash',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 stepfun/step-3.5-flash
Utilisez les chemins de méthode indiqués ci-dessus.
stepfun/step-3.5-flashStep 3.5 Flash de StepFun est un modèle textuel parcimonieux pour le raisonnement, le code et les processus d’agent. Il active environ 11 milliards de paramètres dans son modèle de classe 196 milliards, combine attention glissante et attention complète, et prend en charge un contexte de 256K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Step 3.5 Flash est le modèle textuel parcimonieux à mélange d’experts de StepFun pour le raisonnement et les tâches orientées agents. La spécification publiée compte 196,81 milliards de paramètres au total, tête de prédiction comprise, et active environ 11 milliards de paramètres par token. Il traite des consignes écrites et des conversations pour générer du texte, du code et des interactions d’outils proposées.
Son architecture principale de 45 couches combine attention à fenêtre glissante et attention complète selon un rapport de trois pour un, et prend en charge un contexte de 256K. Chaque couche d’experts comporte 288 experts routés et un expert partagé, dont huit experts routés sont sélectionnés par token. Une tête de prédiction multitoken participe à la conception axée sur l’efficacité du fournisseur. Ces choix architecturaux décrivent le modèle ; la vitesse d’une application donnée dépend aussi de sa configuration de service et de sa charge de travail.
Les principaux domaines de tâches sont le raisonnement, le code et les processus d’agent plus longs. Pour une tâche logicielle, fournissez le comportement attendu, la source pertinente et un échec réel ou une modification demandée. Demandez le livrable proposé et les vérifications nécessaires à son évaluation. Dans une application connectée, renvoyez les résultats des commandes et des vérifications avant que le modèle ne choisisse l’étape suivante.
Pour une analyse en contexte long, définissez la question et les sections importantes du contenu. Un rapport utile indique sa conclusion, les éléments qui la soutiennent et toute observation manquante. Gardez l’objectif actuel et les constats précédemment confirmés disponibles au fil des échanges, afin que le modèle poursuive à partir de l’état de la tâche au lieu de le reconstruire à partir d’un prompt incomplet.
StepFun publie des procédures d’intégration et de déploiement local pour les applications de code et de recherche. L’exécution des outils relève du processus environnant : le modèle fournit l’action proposée, puis l’application l’exécute et renvoie le résultat. Les ressources converties ou quantifiées distinctes possèdent leurs propres conditions de déploiement ; le nom général du modèle n’en sélectionne aucune.
Les problèmes connus du fournisseur sont concrets. Le modèle peut suivre de longues trajectoires de génération, et sa stabilité peut diminuer dans des domaines spécialisés ou lors de conversations prolongées à plusieurs tours. Les symptômes signalés comprennent un raisonnement répétitif, des réponses mélangeant les langues et des incohérences sur le temps ou l’identité. Précisez clairement la langue de réponse et la tâche actuelle, conservez les observations pertinentes et vérifiez le livrable final par rapport à l’objectif annoncé. Distinguez cette édition textuelle de Step 3.7 Flash, qui ajoute un encodeur visuel et l’entrée d’images.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites stepfun/step-3.5-flash | 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 $0.00022 / 1K tokens Sortie · Tokens en sortie $0.00066 / 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 |
| 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 $0.00022 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun/step-3.5-flash', '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': 'stepfun/step-3.5-flash', '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 stepfun/step-3.5-flash
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.