ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions exigeant une analyse approfondie, la résolution de problèmes logiques et le travail textuel connecté à des outils. Le fabricant présente Turbo comme une version améliorée de la gamme X1. Son profil fournisseur documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, qui disposent de budgets d’entrée et de génération différents.
Fournissez la question, les valeurs données, les contraintes et le type de résultat nécessaire. Une tâche mathématique peut demander une solution dont le calcul décisif peut être vérifié; une tâche de planification peut comparer des options selon des conditions énoncées. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le processus de raisonnement reçoit ainsi un problème délimité plutôt qu’une permission d’inventer les exigences manquantes.
Pour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé par rapport à la source au lieu de traiter une longue analyse générée comme une preuve d’exactitude.
Le tableau des modèles AI Studio du fournisseur annonce un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale allant de 2 à 16 384 jetons, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts; choisissez le contenu source et le livrable final demandé en conséquence plutôt que d’interpréter le nombre de jetons du contexte comme une promesse de réponse aussi longue.
Gardez la réponse finale séparée de tout contenu de raisonnement retourné par le processus du fournisseur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question originale et les éléments de preuve avec le livrable terminé pour qu’une demande de suivi puisse examiner une étape non résolue.
L’index des fonctionnalités du fabricant indique X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de chaque fonction de l’application, puis retournez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée; l’application environnante exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.
Pour une question fondée sur des sources, conservez le contenu récupéré avec la réponse et vérifiez s’il établit l’affirmation. Un fait évolutif doit provenir de preuves actuelles plutôt que d’une réponse non étayée fondée sur la mémoire. Traitez l’intégration des fonctions et de la recherche comme le processus connecté du fournisseur, où les éléments réellement retournés déterminent ce que la réponse peut conclure de façon responsable.
Le profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion demeurent ceux du profil fournisseur sélectionné. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par les outils avec les passages sources et les résultats des opérations terminées. Elle permet une continuation ciblée tout en préservant la tâche originale et son incertitude.
", "aboutText": "ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions exigeant une analyse approfondie, la résolution de problèmes logiques et le travail textuel connecté à des outils. Le fabricant présente Turbo comme une version améliorée de la gamme X1. Son profil fournisseur documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, qui disposent de budgets d’entrée et de génération différents.\n\n### Préparez un problème de raisonnement complet\n\nFournissez la question, les valeurs données, les contraintes et le type de résultat nécessaire. Une tâche mathématique peut demander une solution dont le calcul décisif peut être vérifié; une tâche de planification peut comparer des options selon des conditions énoncées. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le processus de raisonnement reçoit ainsi un problème délimité plutôt qu’une permission d’inventer les exigences manquantes.\n\nPour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé par rapport à la source au lieu de traiter une longue analyse générée comme une preuve d’exactitude.\n\n### Budgets de contexte, de sortie finale et de réflexion\n\nLe tableau des modèles AI Studio du fournisseur annonce un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale allant de 2 à 16 384 jetons, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts; choisissez le contenu source et le livrable final demandé en conséquence plutôt que d’interpréter le nombre de jetons du contexte comme une promesse de réponse aussi longue.\n\nGardez la réponse finale séparée de tout contenu de raisonnement retourné par le processus du fournisseur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question originale et les éléments de preuve avec le livrable terminé pour qu’une demande de suivi puisse examiner une étape non résolue.\n\n### Fonctions et renseignements actuels\n\nL’index des fonctionnalités du fabricant indique X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de chaque fonction de l’application, puis retournez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée; l’application environnante exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.\n\nPour une question fondée sur des sources, conservez le contenu récupéré avec la réponse et vérifiez s’il établit l’affirmation. Un fait évolutif doit provenir de preuves actuelles plutôt que d’une réponse non étayée fondée sur la mémoire. Traitez l’intégration des fonctions et de la recherche comme le processus connecté du fournisseur, où les éléments réellement retournés déterminent ce que la réponse peut conclure de façon responsable.\n\n### Conservez l’édition X1 Turbo avec le résultat\n\nLe profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion demeurent ceux du profil fournisseur sélectionné. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par les outils avec les passages sources et les résultats des opérations terminées. Elle permet une continuation ciblée tout en préservant la tâche originale et son incertitude.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "deab590e716c85f42e12316f1ec191598544662dc4d690fad96430913456e450", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "ernie-x1-turbo-32kERNIE X1 Turbo est le profil de raisonnement de Baidu pour les tâches textuelles mathématiques, logiques et connectées à des outils. Sa spécification AI Studio distingue un contexte de 32K, une entrée maximale de 24K, des réglages de sortie finale allant jusqu’à 16 384 jetons et une longueur de réflexion distincte de 16K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions exigeant une analyse approfondie, la résolution de problèmes logiques et le travail textuel connecté à des outils. Le fabricant présente Turbo comme une version améliorée de la gamme X1. Son profil fournisseur documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, qui disposent de budgets d’entrée et de génération différents.
Fournissez la question, les valeurs données, les contraintes et le type de résultat nécessaire. Une tâche mathématique peut demander une solution dont le calcul décisif peut être vérifié; une tâche de planification peut comparer des options selon des conditions énoncées. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le processus de raisonnement reçoit ainsi un problème délimité plutôt qu’une permission d’inventer les exigences manquantes.
Pour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé par rapport à la source au lieu de traiter une longue analyse générée comme une preuve d’exactitude.
Le tableau des modèles AI Studio du fournisseur annonce un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale allant de 2 à 16 384 jetons, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts; choisissez le contenu source et le livrable final demandé en conséquence plutôt que d’interpréter le nombre de jetons du contexte comme une promesse de réponse aussi longue.
Gardez la réponse finale séparée de tout contenu de raisonnement retourné par le processus du fournisseur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question originale et les éléments de preuve avec le livrable terminé pour qu’une demande de suivi puisse examiner une étape non résolue.
L’index des fonctionnalités du fabricant indique X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de chaque fonction de l’application, puis retournez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée; l’application environnante exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.
Pour une question fondée sur des sources, conservez le contenu récupéré avec la réponse et vérifiez s’il établit l’affirmation. Un fait évolutif doit provenir de preuves actuelles plutôt que d’une réponse non étayée fondée sur la mémoire. Traitez l’intégration des fonctions et de la recherche comme le processus connecté du fournisseur, où les éléments réellement retournés déterminent ce que la réponse peut conclure de façon responsable.
Le profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion demeurent ceux du profil fournisseur sélectionné. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par les outils avec les passages sources et les résultats des opérations terminées. Elle permet une continuation ciblée tout en préservant la tâche originale et son incertitude.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-x1-turbo-32k | 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 $0.00033 / 1K jetons Sortie · Jetons en sortie $0.00132 / 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-x1-turbo-32k","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-x1-turbo-32k", 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-x1-turbo-32k
/chat/completions
ernie-x1-turbo-32kERNIE X1 Turbo est le profil de raisonnement de Baidu pour les tâches textuelles mathématiques, logiques et connectées à des outils. Sa spécification AI Studio distingue un contexte de 32K, une entrée maximale de 24K, des réglages de sortie finale allant jusqu’à 16 384 jetons et une longueur de réflexion distincte de 16K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE X1 Turbo est le profil de modèle de raisonnement de Baidu pour les questions exigeant une analyse approfondie, la résolution de problèmes logiques et le travail textuel connecté à des outils. Le fabricant présente Turbo comme une version améliorée de la gamme X1. Son profil fournisseur documenté de 32K reste distinct d’ERNIE X1.1 Preview et d’ERNIE 5.0 Thinking, qui disposent de budgets d’entrée et de génération différents.
Fournissez la question, les valeurs données, les contraintes et le type de résultat nécessaire. Une tâche mathématique peut demander une solution dont le calcul décisif peut être vérifié; une tâche de planification peut comparer des options selon des conditions énoncées. Distinguez les hypothèses des faits fournis et indiquez ce qui reste inconnu. Le processus de raisonnement reçoit ainsi un problème délimité plutôt qu’une permission d’inventer les exigences manquantes.
Pour une question technique, incluez le passage source ou le fragment de code pertinent et le comportement à examiner. Demandez un contre-exemple concret ou une explication si deux implémentations diffèrent. Le livrable utile doit rendre claires la conclusion et les conditions qui la déterminent. Vérifiez les valeurs importantes et le comportement proposé par rapport à la source au lieu de traiter une longue analyse générée comme une preuve d’exactitude.
Le tableau des modèles AI Studio du fournisseur annonce un contexte de 32K, une entrée maximale de 24K et un réglage de sortie finale allant de 2 à 16 384 jetons, avec 2K comme valeur par défaut documentée. Il indique séparément une longueur de réflexion de 16K pour X1 Turbo. Ces champs ont des rôles distincts; choisissez le contenu source et le livrable final demandé en conséquence plutôt que d’interpréter le nombre de jetons du contexte comme une promesse de réponse aussi longue.
Gardez la réponse finale séparée de tout contenu de raisonnement retourné par le processus du fournisseur. Une comparaison peut placer la recommandation en premier et conserver les conditions qui l’établissent. Une réponse liée au code peut identifier le cas d’entrée exact et le résultat attendu. Conservez la question originale et les éléments de preuve avec le livrable terminé pour qu’une demande de suivi puisse examiner une étape non résolue.
L’index des fonctionnalités du fabricant indique X1 Turbo pour l’appel de fonctions et les tâches enrichies par la recherche. Définissez l’objectif et les arguments de chaque fonction de l’application, puis retournez le résultat réel lorsque le modèle la demande. Le modèle fournit une requête structurée; l’application environnante exécute l’opération. Une recherche proposée est distincte d’un enregistrement récupéré, et une action demandée est distincte d’un résultat obtenu.
Pour une question fondée sur des sources, conservez le contenu récupéré avec la réponse et vérifiez s’il établit l’affirmation. Un fait évolutif doit provenir de preuves actuelles plutôt que d’une réponse non étayée fondée sur la mémoire. Traitez l’intégration des fonctions et de la recherche comme le processus connecté du fournisseur, où les éléments réellement retournés déterminent ce que la réponse peut conclure de façon responsable.
Le profil X1 Turbo de 32K est un processus textuel de raisonnement, distinct de la spécification plus large de génération multimodale native d’une autre famille ERNIE. Ses budgets d’entrée, de sortie finale et de réflexion demeurent ceux du profil fournisseur sélectionné. Une transmission utile peut contenir la solution, la comparaison ou la réponse éclairée par les outils avec les passages sources et les résultats des opérations terminées. Elle permet une continuation ciblée tout en préservant la tâche originale et son incertitude.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-x1-turbo-32k | 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 $0.00033 / 1K jetons Sortie · Jetons en sortie $0.00132 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "ernie-x1-turbo-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-x1-turbo-32k', '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-x1-turbo-32k', '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-x1-turbo-32k
/chat/completions