ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, avec un accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Elle ajoute aussi l’utilisation d’outils et la compréhension à long contexte. Le fabricant recommande précisément la version à réflexion plus longue pour les tâches de raisonnement très complexes.
Le modèle est un mélange d’experts postentraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque jeton. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes clé/valeur. Il possède 64 experts de texte, dont six sélectionnés à la fois, et deux experts partagés. Le contexte est de 131 072 jetons. Son entrée et sa sortie sont textuelles, et le nom Thinking conserve une édition distincte plutôt qu’un réglage qui transformerait automatiquement le modèle 21B-A3B ordinaire en la même version.
Pour une tâche analytique exigeante, fournissez les conditions, les preuves et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une dérivation mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec hypothèses explicites. Pour le code, incluez le fragment pertinent, le comportement attendu et un exemple concret d’entrée. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un fait court et isolé.
Le fabricant documente les appels de fonctions avec une description de l’outil et un schéma de ses arguments. Cela soutient les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction fournit, les entrées attendues et l’utilisation du résultat renvoyé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des parties distinctes de ce processus. Les outils connectés étendent les informations disponibles pour la tâche; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.
Dans une tâche d’API Ailoot, choisissez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs justificatifs, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des vérifications nécessaires pour la valider. Gardez le matériel de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.
Baidu publie cette édition dans des poids de style Transformer et donne des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation délibérée de la longueur de réflexion est une caractéristique propre à l’édition, et aucune limite maximale distincte de jetons de sortie n’est indiquée dans la fiche. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.
", "aboutText": "ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, avec un accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Elle ajoute aussi l’utilisation d’outils et la compréhension à long contexte. Le fabricant recommande précisément la version à réflexion plus longue pour les tâches de raisonnement très complexes.\n\nLe modèle est un mélange d’experts postentraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque jeton. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes clé/valeur. Il possède 64 experts de texte, dont six sélectionnés à la fois, et deux experts partagés. Le contexte est de 131 072 jetons. Son entrée et sa sortie sont textuelles, et le nom Thinking conserve une édition distincte plutôt qu’un réglage qui transformerait automatiquement le modèle 21B-A3B ordinaire en la même version.\n\nPour une tâche analytique exigeante, fournissez les conditions, les preuves et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une dérivation mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec hypothèses explicites. Pour le code, incluez le fragment pertinent, le comportement attendu et un exemple concret d’entrée. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un fait court et isolé.\n\nLe fabricant documente les appels de fonctions avec une description de l’outil et un schéma de ses arguments. Cela soutient les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction fournit, les entrées attendues et l’utilisation du résultat renvoyé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des parties distinctes de ce processus. Les outils connectés étendent les informations disponibles pour la tâche; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.\n\nDans une tâche d’API Ailoot, choisissez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs justificatifs, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des vérifications nécessaires pour la valider. Gardez le matériel de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.\n\nBaidu publie cette édition dans des poids de style Transformer et donne des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation délibérée de la longueur de réflexion est une caractéristique propre à l’édition, et aucune limite maximale distincte de jetons de sortie n’est indiquée dans la fiche. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Resolve a precedence constraint\n\nThree maintenance jobs A, B and C share one machine and last 2, 3 and 1 hours. B must follow A; C must finish by hour 3. Work starts at hour 0 with no interruptions. Find the feasible order with the earliest finish, give start and end times, and explain why other orders fail the constraints.A schedule table, the finish time and a short elimination of infeasible orders.Check each duration, the A-before-B constraint and the deadline for C directly against the table.baidu/ernie-4.5-21b-a3b-thinkingL’édition Thinking distincte d’ERNIE 4.5 de Baidu utilise un raisonnement plus long pour les tâches très complexes de logique, de mathématiques, de sciences et de code. Elle combine un mélange d’experts 21B/3B, un contexte de 131 072 jetons et la prise en charge des appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, avec un accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Elle ajoute aussi l’utilisation d’outils et la compréhension à long contexte. Le fabricant recommande précisément la version à réflexion plus longue pour les tâches de raisonnement très complexes.
Le modèle est un mélange d’experts postentraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque jeton. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes clé/valeur. Il possède 64 experts de texte, dont six sélectionnés à la fois, et deux experts partagés. Le contexte est de 131 072 jetons. Son entrée et sa sortie sont textuelles, et le nom Thinking conserve une édition distincte plutôt qu’un réglage qui transformerait automatiquement le modèle 21B-A3B ordinaire en la même version.
Pour une tâche analytique exigeante, fournissez les conditions, les preuves et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une dérivation mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec hypothèses explicites. Pour le code, incluez le fragment pertinent, le comportement attendu et un exemple concret d’entrée. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un fait court et isolé.
Le fabricant documente les appels de fonctions avec une description de l’outil et un schéma de ses arguments. Cela soutient les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction fournit, les entrées attendues et l’utilisation du résultat renvoyé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des parties distinctes de ce processus. Les outils connectés étendent les informations disponibles pour la tâche; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.
Dans une tâche d’API Ailoot, choisissez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs justificatifs, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des vérifications nécessaires pour la valider. Gardez le matériel de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.
Baidu publie cette édition dans des poids de style Transformer et donne des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation délibérée de la longueur de réflexion est une caractéristique propre à l’édition, et aucune limite maximale distincte de jetons de sortie n’est indiquée dans la fiche. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites baidu/ernie-4.5-21b-a3b-thinking | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.000144 / 1K jetons Sortie · Jetons en sortie $0.000572 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-21b-a3b-thinking", "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='baidu/ernie-4.5-21b-a3b-thinking',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='baidu/ernie-4.5-21b-a3b-thinking',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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra baidu/ernie-4.5-21b-a3b-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
baidu/ernie-4.5-21b-a3b-thinkingL’édition Thinking distincte d’ERNIE 4.5 de Baidu utilise un raisonnement plus long pour les tâches très complexes de logique, de mathématiques, de sciences et de code. Elle combine un mélange d’experts 21B/3B, un contexte de 131 072 jetons et la prise en charge des appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, avec un accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Elle ajoute aussi l’utilisation d’outils et la compréhension à long contexte. Le fabricant recommande précisément la version à réflexion plus longue pour les tâches de raisonnement très complexes.
Le modèle est un mélange d’experts postentraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque jeton. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes clé/valeur. Il possède 64 experts de texte, dont six sélectionnés à la fois, et deux experts partagés. Le contexte est de 131 072 jetons. Son entrée et sa sortie sont textuelles, et le nom Thinking conserve une édition distincte plutôt qu’un réglage qui transformerait automatiquement le modèle 21B-A3B ordinaire en la même version.
Pour une tâche analytique exigeante, fournissez les conditions, les preuves et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une dérivation mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec hypothèses explicites. Pour le code, incluez le fragment pertinent, le comportement attendu et un exemple concret d’entrée. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un fait court et isolé.
Le fabricant documente les appels de fonctions avec une description de l’outil et un schéma de ses arguments. Cela soutient les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction fournit, les entrées attendues et l’utilisation du résultat renvoyé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des parties distinctes de ce processus. Les outils connectés étendent les informations disponibles pour la tâche; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.
Dans une tâche d’API Ailoot, choisissez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs justificatifs, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des vérifications nécessaires pour la valider. Gardez le matériel de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.
Baidu publie cette édition dans des poids de style Transformer et donne des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation délibérée de la longueur de réflexion est une caractéristique propre à l’édition, et aucune limite maximale distincte de jetons de sortie n’est indiquée dans la fiche. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites baidu/ernie-4.5-21b-a3b-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.000144 / 1K jetons Sortie · Jetons en sortie $0.000572 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "baidu/ernie-4.5-21b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'baidu/ernie-4.5-21b-a3b-thinking', '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': 'baidu/ernie-4.5-21b-a3b-thinking', '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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra baidu/ernie-4.5-21b-a3b-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Resolve a precedence constraint\n\nThree maintenance jobs A, B and C share one machine and last 2, 3 and 1 hours. B must follow A; C must finish by hour 3. Work starts at hour 0 with no interruptions. Find the feasible order with the earliest finish, give start and end times, and explain why other orders fail the constraints.A schedule table, the finish time and a short elimination of infeasible orders.Check each duration, the A-before-B constraint and the deadline for C directly against the table.