Hy3 preview est le premier modèle Hy3 de Tencent Hy entraîné sur son infrastructure reconstruite. Le fournisseur indique une architecture à mélange d’experts de 295 milliards de paramètres au total, dont 21 milliards actifs, ainsi qu’une couche de prédiction multitoken de 3,8 milliards de paramètres. Le modèle reçoit des prompts écrits et des conversations et génère du texte pour les tâches de raisonnement, de code et de suivi de consignes.
L’architecture principale publiée comporte 80 couches, une attention à requêtes groupées avec 64 têtes de requête et huit têtes clé/valeur, ainsi que 192 experts dont huit sont activés par token. Sa fenêtre de contexte est de 256K. Ces spécifications concernent l’édition preview ; la version Hy3 ultérieure modifie le post-entraînement et le comportement du produit et ne constitue pas le même modèle nommé.
Le fournisseur met d’abord en avant les domaines scientifiques et techniques ainsi que le raisonnement. Pour un problème analytique, fournissez les prémisses, les observations et la forme attendue de la réponse. Demandez la conclusion accompagnée des étapes nécessaires à son évaluation. Une tâche de code doit inclure l’implémentation actuelle, le comportement attendu et les informations réelles sur l’échec, afin que la modification proposée réponde à un problème défini.
L’apprentissage en contexte et le suivi des consignes sont également au cœur de cette version. Préparez les contenus longs avec les règles que le modèle doit appliquer et les sections pertinentes pour la question. Demandez des résultats reliés à la source et gardez les contraintes importantes visibles au fil des échanges. Cela aide à distinguer une application correcte du contexte fourni d’une réponse fondée sur une hypothèse implicite.
Pour un processus d’agent de programmation ou de recherche, l’application fournit les outils et renvoie leurs résultats. Le modèle propose l’interaction suivante et utilise les observations obtenues pour une étape supplémentaire. Un livrable final utile indique la modification proposée ou le résultat de recherche, ainsi que les éléments restant à vérifier avant que l’application ne l’utilise.
L’exemple du concepteur présente no_think comme choix de réponse directe par défaut, aux côtés de low et high ; ses explications recommandent high pour le raisonnement complexe. Les consignes d’échantillonnage utilisent une température de 0.9 et top-p à 1.0. Il s’agit de réglages du fournisseur, et non d’une garantie concernant les contrôles facultatifs d’une intégration donnée. La base préentraînée, l’instruct preview et les ressources converties portant des noms distincts conservent leur propre identité.
", "aboutText": "Hy3 preview est le premier modèle Hy3 de Tencent Hy entraîné sur son infrastructure reconstruite. Le fournisseur indique une architecture à mélange d’experts de 295 milliards de paramètres au total, dont 21 milliards actifs, ainsi qu’une couche de prédiction multitoken de 3,8 milliards de paramètres. Le modèle reçoit des prompts écrits et des conversations et génère du texte pour les tâches de raisonnement, de code et de suivi de consignes.\n\nL’architecture principale publiée comporte 80 couches, une attention à requêtes groupées avec 64 têtes de requête et huit têtes clé/valeur, ainsi que 192 experts dont huit sont activés par token. Sa fenêtre de contexte est de 256K. Ces spécifications concernent l’édition preview ; la version Hy3 ultérieure modifie le post-entraînement et le comportement du produit et ne constitue pas le même modèle nommé.\n\nLe fournisseur met d’abord en avant les domaines scientifiques et techniques ainsi que le raisonnement. Pour un problème analytique, fournissez les prémisses, les observations et la forme attendue de la réponse. Demandez la conclusion accompagnée des étapes nécessaires à son évaluation. Une tâche de code doit inclure l’implémentation actuelle, le comportement attendu et les informations réelles sur l’échec, afin que la modification proposée réponde à un problème défini.\n\nL’apprentissage en contexte et le suivi des consignes sont également au cœur de cette version. Préparez les contenus longs avec les règles que le modèle doit appliquer et les sections pertinentes pour la question. Demandez des résultats reliés à la source et gardez les contraintes importantes visibles au fil des échanges. Cela aide à distinguer une application correcte du contexte fourni d’une réponse fondée sur une hypothèse implicite.\n\nPour un processus d’agent de programmation ou de recherche, l’application fournit les outils et renvoie leurs résultats. Le modèle propose l’interaction suivante et utilise les observations obtenues pour une étape supplémentaire. Un livrable final utile indique la modification proposée ou le résultat de recherche, ainsi que les éléments restant à vérifier avant que l’application ne l’utilise.\n\nL’exemple du concepteur présente no_think comme choix de réponse directe par défaut, aux côtés de low et high ; ses explications recommandent high pour le raisonnement complexe. Les consignes d’échantillonnage utilisent une température de 0.9 et top-p à 1.0. Il s’agit de réglages du fournisseur, et non d’une garantie concernant les contrôles facultatifs d’une intégration donnée. La base préentraînée, l’instruct preview et les ressources converties portant des noms distincts conservent leur propre identité.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.tencent/hy3-previewHy3 preview de Tencent est un modèle textuel MoE de 295 milliards de paramètres, dont 21 milliards actifs, avec un contexte de 256K. Il vise le raisonnement en sciences, technologie, ingénierie et mathématiques, l’apprentissage en contexte, les consignes, le code et les agents ; l’exemple du fournisseur propose une réponse directe ou un mode de réflexion.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Hy3 preview est le premier modèle Hy3 de Tencent Hy entraîné sur son infrastructure reconstruite. Le fournisseur indique une architecture à mélange d’experts de 295 milliards de paramètres au total, dont 21 milliards actifs, ainsi qu’une couche de prédiction multitoken de 3,8 milliards de paramètres. Le modèle reçoit des prompts écrits et des conversations et génère du texte pour les tâches de raisonnement, de code et de suivi de consignes.
L’architecture principale publiée comporte 80 couches, une attention à requêtes groupées avec 64 têtes de requête et huit têtes clé/valeur, ainsi que 192 experts dont huit sont activés par token. Sa fenêtre de contexte est de 256K. Ces spécifications concernent l’édition preview ; la version Hy3 ultérieure modifie le post-entraînement et le comportement du produit et ne constitue pas le même modèle nommé.
Le fournisseur met d’abord en avant les domaines scientifiques et techniques ainsi que le raisonnement. Pour un problème analytique, fournissez les prémisses, les observations et la forme attendue de la réponse. Demandez la conclusion accompagnée des étapes nécessaires à son évaluation. Une tâche de code doit inclure l’implémentation actuelle, le comportement attendu et les informations réelles sur l’échec, afin que la modification proposée réponde à un problème défini.
L’apprentissage en contexte et le suivi des consignes sont également au cœur de cette version. Préparez les contenus longs avec les règles que le modèle doit appliquer et les sections pertinentes pour la question. Demandez des résultats reliés à la source et gardez les contraintes importantes visibles au fil des échanges. Cela aide à distinguer une application correcte du contexte fourni d’une réponse fondée sur une hypothèse implicite.
Pour un processus d’agent de programmation ou de recherche, l’application fournit les outils et renvoie leurs résultats. Le modèle propose l’interaction suivante et utilise les observations obtenues pour une étape supplémentaire. Un livrable final utile indique la modification proposée ou le résultat de recherche, ainsi que les éléments restant à vérifier avant que l’application ne l’utilise.
L’exemple du concepteur présente no_think comme choix de réponse directe par défaut, aux côtés de low et high ; ses explications recommandent high pour le raisonnement complexe. Les consignes d’échantillonnage utilisent une température de 0.9 et top-p à 1.0. Il s’agit de réglages du fournisseur, et non d’une garantie concernant les contrôles facultatifs d’une intégration donnée. La base préentraînée, l’instruct preview et les ressources converties portant des noms distincts conservent leur propre identité.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites tencent/hy3-preview | 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00012 / 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "tencent/hy3-preview", "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='tencent/hy3-preview',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='tencent/hy3-preview',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 tencent/hy3-preview
Utilisez les chemins de méthode indiqués ci-dessus.
tencent/hy3-previewHy3 preview de Tencent est un modèle textuel MoE de 295 milliards de paramètres, dont 21 milliards actifs, avec un contexte de 256K. Il vise le raisonnement en sciences, technologie, ingénierie et mathématiques, l’apprentissage en contexte, les consignes, le code et les agents ; l’exemple du fournisseur propose une réponse directe ou un mode de réflexion.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Hy3 preview est le premier modèle Hy3 de Tencent Hy entraîné sur son infrastructure reconstruite. Le fournisseur indique une architecture à mélange d’experts de 295 milliards de paramètres au total, dont 21 milliards actifs, ainsi qu’une couche de prédiction multitoken de 3,8 milliards de paramètres. Le modèle reçoit des prompts écrits et des conversations et génère du texte pour les tâches de raisonnement, de code et de suivi de consignes.
L’architecture principale publiée comporte 80 couches, une attention à requêtes groupées avec 64 têtes de requête et huit têtes clé/valeur, ainsi que 192 experts dont huit sont activés par token. Sa fenêtre de contexte est de 256K. Ces spécifications concernent l’édition preview ; la version Hy3 ultérieure modifie le post-entraînement et le comportement du produit et ne constitue pas le même modèle nommé.
Le fournisseur met d’abord en avant les domaines scientifiques et techniques ainsi que le raisonnement. Pour un problème analytique, fournissez les prémisses, les observations et la forme attendue de la réponse. Demandez la conclusion accompagnée des étapes nécessaires à son évaluation. Une tâche de code doit inclure l’implémentation actuelle, le comportement attendu et les informations réelles sur l’échec, afin que la modification proposée réponde à un problème défini.
L’apprentissage en contexte et le suivi des consignes sont également au cœur de cette version. Préparez les contenus longs avec les règles que le modèle doit appliquer et les sections pertinentes pour la question. Demandez des résultats reliés à la source et gardez les contraintes importantes visibles au fil des échanges. Cela aide à distinguer une application correcte du contexte fourni d’une réponse fondée sur une hypothèse implicite.
Pour un processus d’agent de programmation ou de recherche, l’application fournit les outils et renvoie leurs résultats. Le modèle propose l’interaction suivante et utilise les observations obtenues pour une étape supplémentaire. Un livrable final utile indique la modification proposée ou le résultat de recherche, ainsi que les éléments restant à vérifier avant que l’application ne l’utilise.
L’exemple du concepteur présente no_think comme choix de réponse directe par défaut, aux côtés de low et high ; ses explications recommandent high pour le raisonnement complexe. Les consignes d’échantillonnage utilisent une température de 0.9 et top-p à 1.0. Il s’agit de réglages du fournisseur, et non d’une garantie concernant les contrôles facultatifs d’une intégration donnée. La base préentraînée, l’instruct preview et les ressources converties portant des noms distincts conservent leur propre identité.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites tencent/hy3-preview | 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00012 / 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "tencent/hy3-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'tencent/hy3-preview', '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': 'tencent/hy3-preview', '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 tencent/hy3-preview
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.