ERNIE 5.0 Thinking est la famille de modèles de Baidu axée sur le raisonnement pour les questions complexes, la rédaction, le suivi d’instructions et les tâches connectées à des applications. Le profil Thinking Preview nommé du fabricant combine un raisonnement approfondi, la compréhension visuelle et la prise en charge de la planification et de l’utilisation d’outils. Son processus de réponse textuelle côté fournisseur se distingue d’une approche qui traiterait les capacités de génération multimodale de toute la famille de recherche ERNIE 5.0 comme un contrat de requête unique et interchangeable.
Énoncez la question, le contenu utilisable et les conditions que la réponse doit respecter. Une comparaison de recherche peut définir les critères et demander les éléments qui appuient chaque conclusion. Une tâche de rédaction peut fournir le public, les faits à utiliser et la structure souhaitée. Une question de programmation peut indiquer le comportement à modifier et le fragment de code source pertinent. Gardez le livrable final assez précis pour pouvoir l’examiner.
Pour la compréhension visuelle, fournissez du contenu qui rend l’élément pertinent clair et énoncez la question qui le concerne. Un graphique ou une image de document exige des étiquettes lisibles et le contexte environnant qui établit le sens de ses valeurs. Vérifiez le texte important et les détails numériques par rapport au contenu original. Le rôle de compréhension visuelle du modèle ne supprime pas la nécessité de conserver la source avec l’interprétation retournée.
Le tableau AI Studio de Baidu annonce pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 jetons et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Conservez le rôle de chacune de ces limites : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.
Une limite d’entrée élevée peut contenir des documents connexes, tandis que la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments de preuve et la conclusion qui en découle plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil Preview nommé ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur qui évolue avec les mises à jour.
L’index des fonctionnalités du fabricant indique le profil Thinking Preview pour l’appel de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction d’application et les arguments dont elle a besoin, exécutez une requête retournée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent ne prouve pas en soi que les opérations prévues sont terminées.
Une réponse fondée sur des sources doit conserver les éléments de preuve récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des renseignements manquants, et ses valeurs retournées doivent être vérifiées par rapport à la source. Les détails natifs du format de réponse et des outils relèvent de l’interface fournisseur sélectionnée; l’exigence pratique de base est un résultat textuel traçable plutôt qu’un champ rempli de façon plausible mais sans justification.
Le livrable utile peut être une comparaison raisonnée, un brouillon, une explication liée au code ou une réponse éclairée par les outils. Vérifiez les identifiants, les calculs et les interprétations importants par rapport au contenu qui les établit. Gardez visible dans la conclusion toute recherche incomplète ou source contradictoire au lieu d’utiliser une formulation fluide pour masquer une lacune.
La famille Thinking, le profil Preview nommé et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments obtenus par les outils au terme des opérations et la réponse finale. Le tour suivant devient ainsi une correction ou un prolongement précis de la même investigation plutôt qu’une reconstitution sans fondement du travail antérieur.
", "aboutText": "ERNIE 5.0 Thinking est la famille de modèles de Baidu axée sur le raisonnement pour les questions complexes, la rédaction, le suivi d’instructions et les tâches connectées à des applications. Le profil Thinking Preview nommé du fabricant combine un raisonnement approfondi, la compréhension visuelle et la prise en charge de la planification et de l’utilisation d’outils. Son processus de réponse textuelle côté fournisseur se distingue d’une approche qui traiterait les capacités de génération multimodale de toute la famille de recherche ERNIE 5.0 comme un contrat de requête unique et interchangeable.\n\n### Préparez les éléments qui étayent le résultat visé\n\nÉnoncez la question, le contenu utilisable et les conditions que la réponse doit respecter. Une comparaison de recherche peut définir les critères et demander les éléments qui appuient chaque conclusion. Une tâche de rédaction peut fournir le public, les faits à utiliser et la structure souhaitée. Une question de programmation peut indiquer le comportement à modifier et le fragment de code source pertinent. Gardez le livrable final assez précis pour pouvoir l’examiner.\n\nPour la compréhension visuelle, fournissez du contenu qui rend l’élément pertinent clair et énoncez la question qui le concerne. Un graphique ou une image de document exige des étiquettes lisibles et le contexte environnant qui établit le sens de ses valeurs. Vérifiez le texte important et les détails numériques par rapport au contenu original. Le rôle de compréhension visuelle du modèle ne supprime pas la nécessité de conserver la source avec l’interprétation retournée.\n\n### Les budgets documentés de Preview\n\nLe tableau AI Studio de Baidu annonce pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 jetons et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Conservez le rôle de chacune de ces limites : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.\n\nUne limite d’entrée élevée peut contenir des documents connexes, tandis que la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments de preuve et la conclusion qui en découle plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil Preview nommé ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur qui évolue avec les mises à jour.\n\n### Outils, recherche et texte structuré\n\nL’index des fonctionnalités du fabricant indique le profil Thinking Preview pour l’appel de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction d’application et les arguments dont elle a besoin, exécutez une requête retournée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent ne prouve pas en soi que les opérations prévues sont terminées.\n\nUne réponse fondée sur des sources doit conserver les éléments de preuve récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des renseignements manquants, et ses valeurs retournées doivent être vérifiées par rapport à la source. Les détails natifs du format de réponse et des outils relèvent de l’interface fournisseur sélectionnée; l’exigence pratique de base est un résultat textuel traçable plutôt qu’un champ rempli de façon plausible mais sans justification.\n\n### Examinez et poursuivez la tâche\n\nLe livrable utile peut être une comparaison raisonnée, un brouillon, une explication liée au code ou une réponse éclairée par les outils. Vérifiez les identifiants, les calculs et les interprétations importants par rapport au contenu qui les établit. Gardez visible dans la conclusion toute recherche incomplète ou source contradictoire au lieu d’utiliser une formulation fluide pour masquer une lacune.\n\nLa famille Thinking, le profil Preview nommé et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments obtenus par les outils au terme des opérations et la réponse finale. Le tour suivant devient ainsi une correction ou un prolongement précis de la même investigation plutôt qu’une reconstitution sans fondement du travail antérieur.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fbc5d46c1d5d0202c9c8914a31b5be686a3db18cbea4cde76701a14be72aa90e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "ernie-5.0-thinking-latestERNIE 5.0 Thinking combine raisonnement approfondi, rédaction, compréhension visuelle et tâches avec outils. Le profil Preview documenté possède un contexte de 128K, une entrée maximale de 119K et des réglages de sortie finale allant jusqu’à 65 536 jetons, avec un budget de raisonnement distinct.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE 5.0 Thinking est la famille de modèles de Baidu axée sur le raisonnement pour les questions complexes, la rédaction, le suivi d’instructions et les tâches connectées à des applications. Le profil Thinking Preview nommé du fabricant combine un raisonnement approfondi, la compréhension visuelle et la prise en charge de la planification et de l’utilisation d’outils. Son processus de réponse textuelle côté fournisseur se distingue d’une approche qui traiterait les capacités de génération multimodale de toute la famille de recherche ERNIE 5.0 comme un contrat de requête unique et interchangeable.
Énoncez la question, le contenu utilisable et les conditions que la réponse doit respecter. Une comparaison de recherche peut définir les critères et demander les éléments qui appuient chaque conclusion. Une tâche de rédaction peut fournir le public, les faits à utiliser et la structure souhaitée. Une question de programmation peut indiquer le comportement à modifier et le fragment de code source pertinent. Gardez le livrable final assez précis pour pouvoir l’examiner.
Pour la compréhension visuelle, fournissez du contenu qui rend l’élément pertinent clair et énoncez la question qui le concerne. Un graphique ou une image de document exige des étiquettes lisibles et le contexte environnant qui établit le sens de ses valeurs. Vérifiez le texte important et les détails numériques par rapport au contenu original. Le rôle de compréhension visuelle du modèle ne supprime pas la nécessité de conserver la source avec l’interprétation retournée.
Le tableau AI Studio de Baidu annonce pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 jetons et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Conservez le rôle de chacune de ces limites : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.
Une limite d’entrée élevée peut contenir des documents connexes, tandis que la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments de preuve et la conclusion qui en découle plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil Preview nommé ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur qui évolue avec les mises à jour.
L’index des fonctionnalités du fabricant indique le profil Thinking Preview pour l’appel de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction d’application et les arguments dont elle a besoin, exécutez une requête retournée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent ne prouve pas en soi que les opérations prévues sont terminées.
Une réponse fondée sur des sources doit conserver les éléments de preuve récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des renseignements manquants, et ses valeurs retournées doivent être vérifiées par rapport à la source. Les détails natifs du format de réponse et des outils relèvent de l’interface fournisseur sélectionnée; l’exigence pratique de base est un résultat textuel traçable plutôt qu’un champ rempli de façon plausible mais sans justification.
Le livrable utile peut être une comparaison raisonnée, un brouillon, une explication liée au code ou une réponse éclairée par les outils. Vérifiez les identifiants, les calculs et les interprétations importants par rapport au contenu qui les établit. Gardez visible dans la conclusion toute recherche incomplète ou source contradictoire au lieu d’utiliser une formulation fluide pour masquer une lacune.
La famille Thinking, le profil Preview nommé et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments obtenus par les outils au terme des opérations et la réponse finale. Le tour suivant devient ainsi une correction ou un prolongement précis de la même investigation plutôt qu’une reconstitution sans fondement du travail antérieur.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-5.0-thinking-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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 $0.001892 / 1K jetons Sortie · Jetons en sortie $0.003146 / 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":"ernie-5.0-thinking-latest","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="ernie-5.0-thinking-latest", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 ernie-5.0-thinking-latest
/chat/completions
ernie-5.0-thinking-latestERNIE 5.0 Thinking combine raisonnement approfondi, rédaction, compréhension visuelle et tâches avec outils. Le profil Preview documenté possède un contexte de 128K, une entrée maximale de 119K et des réglages de sortie finale allant jusqu’à 65 536 jetons, avec un budget de raisonnement distinct.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE 5.0 Thinking est la famille de modèles de Baidu axée sur le raisonnement pour les questions complexes, la rédaction, le suivi d’instructions et les tâches connectées à des applications. Le profil Thinking Preview nommé du fabricant combine un raisonnement approfondi, la compréhension visuelle et la prise en charge de la planification et de l’utilisation d’outils. Son processus de réponse textuelle côté fournisseur se distingue d’une approche qui traiterait les capacités de génération multimodale de toute la famille de recherche ERNIE 5.0 comme un contrat de requête unique et interchangeable.
Énoncez la question, le contenu utilisable et les conditions que la réponse doit respecter. Une comparaison de recherche peut définir les critères et demander les éléments qui appuient chaque conclusion. Une tâche de rédaction peut fournir le public, les faits à utiliser et la structure souhaitée. Une question de programmation peut indiquer le comportement à modifier et le fragment de code source pertinent. Gardez le livrable final assez précis pour pouvoir l’examiner.
Pour la compréhension visuelle, fournissez du contenu qui rend l’élément pertinent clair et énoncez la question qui le concerne. Un graphique ou une image de document exige des étiquettes lisibles et le contexte environnant qui établit le sens de ses valeurs. Vérifiez le texte important et les détails numériques par rapport au contenu original. Le rôle de compréhension visuelle du modèle ne supprime pas la nécessité de conserver la source avec l’interprétation retournée.
Le tableau AI Studio de Baidu annonce pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 jetons et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Conservez le rôle de chacune de ces limites : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.
Une limite d’entrée élevée peut contenir des documents connexes, tandis que la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments de preuve et la conclusion qui en découle plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil Preview nommé ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur qui évolue avec les mises à jour.
L’index des fonctionnalités du fabricant indique le profil Thinking Preview pour l’appel de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction d’application et les arguments dont elle a besoin, exécutez une requête retournée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent ne prouve pas en soi que les opérations prévues sont terminées.
Une réponse fondée sur des sources doit conserver les éléments de preuve récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des renseignements manquants, et ses valeurs retournées doivent être vérifiées par rapport à la source. Les détails natifs du format de réponse et des outils relèvent de l’interface fournisseur sélectionnée; l’exigence pratique de base est un résultat textuel traçable plutôt qu’un champ rempli de façon plausible mais sans justification.
Le livrable utile peut être une comparaison raisonnée, un brouillon, une explication liée au code ou une réponse éclairée par les outils. Vérifiez les identifiants, les calculs et les interprétations importants par rapport au contenu qui les établit. Gardez visible dans la conclusion toute recherche incomplète ou source contradictoire au lieu d’utiliser une formulation fluide pour masquer une lacune.
La famille Thinking, le profil Preview nommé et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments obtenus par les outils au terme des opérations et la réponse finale. Le tour suivant devient ainsi une correction ou un prolongement précis de la même investigation plutôt qu’une reconstitution sans fondement du travail antérieur.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-5.0-thinking-latest | 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 $0.001892 / 1K jetons Sortie · Jetons en sortie $0.003146 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "ernie-5.0-thinking-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-5.0-thinking-latest', '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': 'ernie-5.0-thinking-latest', '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 ernie-5.0-thinking-latest
/chat/completions