Tev1 4B Experimental est le modèle de classification de Together AI pour les questions possédant un ensemble fixe de réponses. Le fabricant l’a ajusté à partir de Qwen3.5 4B et annonce 4,7 milliards de paramètres. Il utilise une génération textuelle sans réflexion pour sélectionner une option : l’entrée documentée est un état, une question et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Cela distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.
L’interface du producteur représente la décision sous forme d’un objet JSON comprenant state, question et options. Chaque option contient une lettre de A à X, une clé sémantique et une description. Fournissez de deux à 24 options et faites en sorte que chaque description explique quand cette réponse s’applique. La lettre est le libellé compact de sortie ; la clé sémantique porte le sens utilisé par le logiciel environnant. Gardez cette correspondance associée à la liste exacte des options utilisées pour cette décision.
Pour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer un échec d’intégration signalé, un problème d’accès et une demande d’informations produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent, plutôt que d’attendre du modèle qu’il déduise la politique d’orientation de l’organisation à partir de libellés abrégés.
L’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Ses réglages recommandés sont une température de 0, une allocation de génération de huit tokens et la réflexion désactivée. Le fabricant précise explicitement que ces réglages ne sont pas injectés automatiquement par le point d’accès public ; la fonction auxiliaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces réglages pour demander la réponse courte de classification sans réflexion visée.
L’allocation de huit tokens est un réglage de sortie donné en exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction auxiliaire expose ensuite un objet contenant le libellé et la clé, distinguez cet objet interprété du contenu brut généré par le modèle. Sélectionner une catégorie ne met pas en soi un ticket à jour, n’approuve pas une opération et n’exécute pas l’action suivante.
Le fabricant décrit la détection d’intention, l’application de règles, l’orientation de processus, les catégories documentaires, le sentiment et la compréhension oui/non fondée sur des passages comme des schémas de tâches pris en charge. Une tâche booléenne peut fournir deux options dont les clés signifient true et false ; l’application interprète alors l’option sélectionnée en conséquence. Une tâche de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne entre niveaux pondérée par les probabilités, et une lettre renvoyée n’est pas une valeur numérique de confiance.
Pour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle, plutôt que de demander au modèle d’inventer la politique. Par exemple, un cahier des charges d’orientation documentaire peut décrire les dossiers autorisés et le matériau appartenant à chacun. Une tâche de taxonomie de recherche peut fournir le titre et le résumé d’un article scientifique, accompagnés des descriptions des thèmes. Le résultat doit être interprété au regard des alternatives fournies, en conservant les éléments d’origine en cas de choix ambigu ou contesté.
La page du modèle indique 37 840 exemples d’entraînement couvrant l’implication logique, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, l’orientation et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’ajustement d’un modèle de classification. Cela explique la spécialisation du profil dans un ensemble délimité de réponses ; cela n’établit pas que toute nouvelle politique, tout nouveau domaine ou toute nouvelle taxonomie seront traités correctement sans évaluation propre à la tâche.
Tev1 4B Experimental est le modèle nommé de Together, et non le profil général de base Qwen3.5 4B ni une version d’un autre fabricant de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage de décision commun ou une famille de base familière ne justifient pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de regroupement de questions.
La spécification du modèle de Together annonce une fenêtre de contexte de 32.8K tokens et une entrée textuelle avec une sortie textuelle. Le contexte doit accueillir les instructions, l’état, la question et les options utilisées dans la requête de classification. Préparez uniquement les éléments nécessaires à la question, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent, sans retirer les définitions des options.
Le producteur présente cette publication comme une édition expérimentale destinée à l’évaluation sur de vraies tâches de décision. Vérifiez que la réponse brute est l’un des libellés fournis avant de l’associer à une clé sémantique, et comparez les classifications à du matériau annoté représentatif de la tâche visée. Une lettre valide établit une sélection bien formée, et non la preuve que son interprétation est correcte. Gardez ensemble l’entrée, les options, la lettre renvoyée et la clé associée, afin que l’artefact final puisse servir à l’orientation, à la catégorisation ou à la vérification de règles sans perdre la définition de la décision.
", "aboutText": "Tev1 4B Experimental est le modèle de classification de Together AI pour les questions possédant un ensemble fixe de réponses. Le fabricant l’a ajusté à partir de Qwen3.5 4B et annonce 4,7 milliards de paramètres. Il utilise une génération textuelle sans réflexion pour sélectionner une option : l’entrée documentée est un état, une question et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Cela distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.\n\n### Un état, une question et de 2 à 24 options\n\nL’interface du producteur représente la décision sous forme d’un objet JSON comprenant state, question et options. Chaque option contient une lettre de A à X, une clé sémantique et une description. Fournissez de deux à 24 options et faites en sorte que chaque description explique quand cette réponse s’applique. La lettre est le libellé compact de sortie ; la clé sémantique porte le sens utilisé par le logiciel environnant. Gardez cette correspondance associée à la liste exacte des options utilisées pour cette décision.\n\nPour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer un échec d’intégration signalé, un problème d’accès et une demande d’informations produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent, plutôt que d’attendre du modèle qu’il déduise la politique d’orientation de l’organisation à partir de libellés abrégés.\n\n### Génération sans réflexion et forme de réponse demandée\n\nL’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Ses réglages recommandés sont une température de 0, une allocation de génération de huit tokens et la réflexion désactivée. Le fabricant précise explicitement que ces réglages ne sont pas injectés automatiquement par le point d’accès public ; la fonction auxiliaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces réglages pour demander la réponse courte de classification sans réflexion visée.\n\nL’allocation de huit tokens est un réglage de sortie donné en exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction auxiliaire expose ensuite un objet contenant le libellé et la clé, distinguez cet objet interprété du contenu brut généré par le modèle. Sélectionner une catégorie ne met pas en soi un ticket à jour, n’approuve pas une opération et n’exécute pas l’action suivante.\n\n### Classification, règles et notes catégorielles\n\nLe fabricant décrit la détection d’intention, l’application de règles, l’orientation de processus, les catégories documentaires, le sentiment et la compréhension oui/non fondée sur des passages comme des schémas de tâches pris en charge. Une tâche booléenne peut fournir deux options dont les clés signifient true et false ; l’application interprète alors l’option sélectionnée en conséquence. Une tâche de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne entre niveaux pondérée par les probabilités, et une lettre renvoyée n’est pas une valeur numérique de confiance.\n\nPour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle, plutôt que de demander au modèle d’inventer la politique. Par exemple, un cahier des charges d’orientation documentaire peut décrire les dossiers autorisés et le matériau appartenant à chacun. Une tâche de taxonomie de recherche peut fournir le titre et le résumé d’un article scientifique, accompagnés des descriptions des thèmes. Le résultat doit être interprété au regard des alternatives fournies, en conservant les éléments d’origine en cas de choix ambigu ou contesté.\n\n### Périmètre d’entraînement et identité de l’édition\n\nLa page du modèle indique 37 840 exemples d’entraînement couvrant l’implication logique, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, l’orientation et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’ajustement d’un modèle de classification. Cela explique la spécialisation du profil dans un ensemble délimité de réponses ; cela n’établit pas que toute nouvelle politique, tout nouveau domaine ou toute nouvelle taxonomie seront traités correctement sans évaluation propre à la tâche.\n\nTev1 4B Experimental est le modèle nommé de Together, et non le profil général de base Qwen3.5 4B ni une version d’un autre fabricant de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage de décision commun ou une famille de base familière ne justifient pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de regroupement de questions.\n\n### Contexte et vérification du résultat\n\nLa spécification du modèle de Together annonce une fenêtre de contexte de 32.8K tokens et une entrée textuelle avec une sortie textuelle. Le contexte doit accueillir les instructions, l’état, la question et les options utilisées dans la requête de classification. Préparez uniquement les éléments nécessaires à la question, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent, sans retirer les définitions des options.\n\nLe producteur présente cette publication comme une édition expérimentale destinée à l’évaluation sur de vraies tâches de décision. Vérifiez que la réponse brute est l’un des libellés fournis avant de l’associer à une clé sémantique, et comparez les classifications à du matériau annoté représentatif de la tâche visée. Une lettre valide établit une sélection bien formée, et non la preuve que son interprétation est correcte. Gardez ensemble l’entrée, les options, la lettre renvoyée et la clé associée, afin que l’artefact final puisse servir à l’orientation, à la catégorisation ou à la vérification de règles sans perdre la définition de la décision.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bb1a57b9e34938d5f9caff504ba7e0c253042f57f05076209ea9d7bb88da6aa7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "togethercomputer/tev1-4b-experimentalTev1 4B Experimental est le classificateur textuel de Together AI pour les décisions délimitées : fournissez-lui un état, une question et de 2 à 24 options étiquetées, et sa sortie documentée est une seule lettre. L’application associe cette lettre à une clé de catégorie ; il ne s’agit pas d’une distribution de probabilités native ou d’une réponse sous forme de score attendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Tev1 4B Experimental est le modèle de classification de Together AI pour les questions possédant un ensemble fixe de réponses. Le fabricant l’a ajusté à partir de Qwen3.5 4B et annonce 4,7 milliards de paramètres. Il utilise une génération textuelle sans réflexion pour sélectionner une option : l’entrée documentée est un état, une question et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Cela distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.
L’interface du producteur représente la décision sous forme d’un objet JSON comprenant state, question et options. Chaque option contient une lettre de A à X, une clé sémantique et une description. Fournissez de deux à 24 options et faites en sorte que chaque description explique quand cette réponse s’applique. La lettre est le libellé compact de sortie ; la clé sémantique porte le sens utilisé par le logiciel environnant. Gardez cette correspondance associée à la liste exacte des options utilisées pour cette décision.
Pour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer un échec d’intégration signalé, un problème d’accès et une demande d’informations produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent, plutôt que d’attendre du modèle qu’il déduise la politique d’orientation de l’organisation à partir de libellés abrégés.
L’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Ses réglages recommandés sont une température de 0, une allocation de génération de huit tokens et la réflexion désactivée. Le fabricant précise explicitement que ces réglages ne sont pas injectés automatiquement par le point d’accès public ; la fonction auxiliaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces réglages pour demander la réponse courte de classification sans réflexion visée.
L’allocation de huit tokens est un réglage de sortie donné en exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction auxiliaire expose ensuite un objet contenant le libellé et la clé, distinguez cet objet interprété du contenu brut généré par le modèle. Sélectionner une catégorie ne met pas en soi un ticket à jour, n’approuve pas une opération et n’exécute pas l’action suivante.
Le fabricant décrit la détection d’intention, l’application de règles, l’orientation de processus, les catégories documentaires, le sentiment et la compréhension oui/non fondée sur des passages comme des schémas de tâches pris en charge. Une tâche booléenne peut fournir deux options dont les clés signifient true et false ; l’application interprète alors l’option sélectionnée en conséquence. Une tâche de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne entre niveaux pondérée par les probabilités, et une lettre renvoyée n’est pas une valeur numérique de confiance.
Pour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle, plutôt que de demander au modèle d’inventer la politique. Par exemple, un cahier des charges d’orientation documentaire peut décrire les dossiers autorisés et le matériau appartenant à chacun. Une tâche de taxonomie de recherche peut fournir le titre et le résumé d’un article scientifique, accompagnés des descriptions des thèmes. Le résultat doit être interprété au regard des alternatives fournies, en conservant les éléments d’origine en cas de choix ambigu ou contesté.
La page du modèle indique 37 840 exemples d’entraînement couvrant l’implication logique, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, l’orientation et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’ajustement d’un modèle de classification. Cela explique la spécialisation du profil dans un ensemble délimité de réponses ; cela n’établit pas que toute nouvelle politique, tout nouveau domaine ou toute nouvelle taxonomie seront traités correctement sans évaluation propre à la tâche.
Tev1 4B Experimental est le modèle nommé de Together, et non le profil général de base Qwen3.5 4B ni une version d’un autre fabricant de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage de décision commun ou une famille de base familière ne justifient pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de regroupement de questions.
La spécification du modèle de Together annonce une fenêtre de contexte de 32.8K tokens et une entrée textuelle avec une sortie textuelle. Le contexte doit accueillir les instructions, l’état, la question et les options utilisées dans la requête de classification. Préparez uniquement les éléments nécessaires à la question, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent, sans retirer les définitions des options.
Le producteur présente cette publication comme une édition expérimentale destinée à l’évaluation sur de vraies tâches de décision. Vérifiez que la réponse brute est l’un des libellés fournis avant de l’associer à une clé sémantique, et comparez les classifications à du matériau annoté représentatif de la tâche visée. Une lettre valide établit une sélection bien formée, et non la preuve que son interprétation est correcte. Gardez ensemble l’entrée, les options, la lettre renvoyée et la clé associée, afin que l’artefact final puisse servir à l’orientation, à la catégorisation ou à la vérification de règles sans perdre la définition de la décision.
POST /v1/systemonetextdecisions| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites togethercomputer/tev1-4b-experimental | Par défaut— |
Champprovider | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquestions | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsession_id | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstate | Typeschema | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champtrace | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquestions.<id>.type | Typestring | ExigenceObligatoire | Valeurs et limites noul, choice, score | Par défaut— |
Champquestions.<id>.instructions | Typestring|object|array | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champquestions.<id>.criteria | Typeobject|array | ExigenceFacultatif | Valeurs et limites Conditions: choice/score : obligatoire ; noul : facultatif. Les critères choice forment un objet ; score est un tableau avec minItems1. | Par défaut— |
Champquestions.<id>.criteria.true | Typestring|object|array | ExigenceObligatoire | Valeurs et limites S’applique lorsque: objet de critères noul fourni | Par défaut— |
Champquestions.<id>.criteria.false | Typestring|object|array | ExigenceObligatoire | Valeurs et limites S’applique lorsque: objet de critères noul fourni | Par défaut— |
noul · Obligatoire : state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obligatoire : state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obligatoire : state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, state, questions |
Paramètrematerial_types | Contrattext |
Paramètreoptional_controls | Contratprovider, session_id, trace, user |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous
Envoyez l’ID exact du modèle et conservez la réponse native complète.
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 $0.000084 / 1K tokens Sortie · Tokens en sortie $0 / 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 $0.000084 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "togethercomputer/tev1-4b-experimental",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='togethercomputer/tev1-4b-experimental'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Chaque réponse fournie pour un ID de question est conservée avec son type exact, sa valeur noul/choice/score, son niveau de confiance, ses probabilités et sa légende. L’intégralité du JSON d’origine est stockée et renvoyée uniquement après le règlement.
Conservez l’opération d’origine ainsi que la réponse complète ou partielle ; ne rejouez pas le POST.
| Champ | Type |
|---|---|
Champmodel | Typestring |
Champid | Typestring |
Champprovider | Typestring |
Champanswers.<id>.type | Typestring |
Champanswers.<id>.noul | Typenumber |
Champanswers.<id>.choice | Typestring |
Champanswers.<id>.score | Typenumber |
Champanswers.<id>.confidence | Typenumber |
Champanswers.<id>.probabilities | Typeobject |
Champanswers.<id>.legend | Typeobject |
Champusage.input_tokens | Typeinteger |
Champusage.output_tokens | Typeinteger |
Champusage.cost | Typenumber |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamp obligatoire, représentation ou valeur invalide | Étape suivanteCorrigez le champ indiqué de la requête. |
Ailoot Ultra togethercomputer/tev1-4b-experimental
Utilisez les chemins de méthode indiqués ci-dessus.