Ember-1 est le modèle spécialisé de Fireworks Research fondé sur Kimi K3. Sa principale particularité est un entraînement qui raccourcit les raisonnements inutiles tout en préservant l’analyse utile aux tâches de programmation et d’agents. Le fournisseur le positionne pour les tâches répétées guidées par des outils, où de longues traces de raisonnement peuvent s’accumuler au fil d’une conversation. Son profil documenté prend en charge la génération de texte, les entrées d’images et l’appel de fonctions; la réponse, le code ou l’opération proposée prend la forme de texte.
Le fabricant a développé Ember-1 au moyen d’un entraînement axé sur les tâches et couvrant un vaste ensemble de charges de travail. Cette distinction provient de l’entraînement du modèle, plutôt que de la simple sélection d’un niveau d’effort de raisonnement inférieur sur son modèle de base. Il doit conserver sa propre identité lors des comparaisons de résultats avec Kimi K3 : l’objectif est un cheminement de raisonnement plus économe, sans présumer que chaque réglage, capacité ou mise à jour future de l’original est identique.
Pour une tâche logicielle, fournissez le code pertinent, la défaillance observée, le comportement souhaité et les contrats qui doivent rester stables. Demandez une implémentation ciblée et une explication rattachée au code source réel. Une consigne pratique serait : « Suivez le traitement de cette entrée qui provoque un échec, repérez la première condition incorrecte et retournez la fonction corrigée avec les éléments qui justifient la modification. » Précisez le livrable final, même lorsque la tâche exige plusieurs observations.
Les cas d’utilisation du fournisseur comprennent les assistants de programmation et les agents qui alternent entre les décisions du modèle et les résultats des outils. Fournissez des descriptions de fonctions et des schémas d’arguments adaptés au travail. Le modèle peut proposer l’inspection d’un fichier, un calcul ou une autre opération disponible; l’application l’exécute et retourne l’observation réelle. Utilisez ce résultat au tour suivant au lieu de laisser une action proposée tenir lieu d’exécution.
Pour une tâche plus longue, conservez dans un relevé concis les observations pertinentes sur la défaillance, la correction et la vérification. Demandez le code terminé ou le résultat analytique séparément des échanges intermédiaires. Un raisonnement plus court n’est utile que si la sortie respecte toujours le comportement exigé par la tâche et comprend les éléments nécessaires pour l’examiner.
Le catalogue du fabricant d’Ember-1 prend en charge les entrées d’images. Une tâche de programmation visuelle peut combiner une capture d’écran, des exigences et du code source pour demander une explication ou une implémentation fondée sur ce qui est visible. Étiquetez chaque image et distinguez l’état actuel du résultat visé. Rendez le texte important lisible et demandez que la réponse indique le détail visible qui appuie un constat.
Le fournisseur annonce un contexte de l’ordre d’un million de jetons. Il s’agit d’un profil de capacité pour les sources, pas d’une promesse indépendante d’obtenir autant de jetons de réponse. La consigne, le contenu source, l’historique des outils et le raisonnement généré partagent le budget applicable à la requête. Organisez un grand dépôt ou une collection de documents autour de la question réelle et réservez de la place pour le résultat.
Un livrable utile est un correctif ciblé, une explication étayée ou une comparaison terminée selon des critères énoncés. Pour un fait qui dépend de renseignements actuels, fournissez un passage faisant autorité ou un outil de recherche approprié. L’orientation vers un raisonnement plus court du modèle ne rend pas disponibles les preuves manquantes, n’exécute pas une fonction et ne valide pas le code de façon indépendante. Vérifiez le livrable obtenu par rapport aux exigences et aux observations retournées par le processus environnant.
", "aboutText": "Ember-1 est le modèle spécialisé de Fireworks Research fondé sur Kimi K3. Sa principale particularité est un entraînement qui raccourcit les raisonnements inutiles tout en préservant l’analyse utile aux tâches de programmation et d’agents. Le fournisseur le positionne pour les tâches répétées guidées par des outils, où de longues traces de raisonnement peuvent s’accumuler au fil d’une conversation. Son profil documenté prend en charge la génération de texte, les entrées d’images et l’appel de fonctions; la réponse, le code ou l’opération proposée prend la forme de texte.\n\n### Ce que l’entraînement change\n\nLe fabricant a développé Ember-1 au moyen d’un entraînement axé sur les tâches et couvrant un vaste ensemble de charges de travail. Cette distinction provient de l’entraînement du modèle, plutôt que de la simple sélection d’un niveau d’effort de raisonnement inférieur sur son modèle de base. Il doit conserver sa propre identité lors des comparaisons de résultats avec Kimi K3 : l’objectif est un cheminement de raisonnement plus économe, sans présumer que chaque réglage, capacité ou mise à jour future de l’original est identique.\n\nPour une tâche logicielle, fournissez le code pertinent, la défaillance observée, le comportement souhaité et les contrats qui doivent rester stables. Demandez une implémentation ciblée et une explication rattachée au code source réel. Une consigne pratique serait : « Suivez le traitement de cette entrée qui provoque un échec, repérez la première condition incorrecte et retournez la fonction corrigée avec les éléments qui justifient la modification. » Précisez le livrable final, même lorsque la tâche exige plusieurs observations.\n\n### Tâches de programmation et d’agents\n\nLes cas d’utilisation du fournisseur comprennent les assistants de programmation et les agents qui alternent entre les décisions du modèle et les résultats des outils. Fournissez des descriptions de fonctions et des schémas d’arguments adaptés au travail. Le modèle peut proposer l’inspection d’un fichier, un calcul ou une autre opération disponible; l’application l’exécute et retourne l’observation réelle. Utilisez ce résultat au tour suivant au lieu de laisser une action proposée tenir lieu d’exécution.\n\nPour une tâche plus longue, conservez dans un relevé concis les observations pertinentes sur la défaillance, la correction et la vérification. Demandez le code terminé ou le résultat analytique séparément des échanges intermédiaires. Un raisonnement plus court n’est utile que si la sortie respecte toujours le comportement exigé par la tâche et comprend les éléments nécessaires pour l’examiner.\n\n### Images et longs contenus sources\n\nLe catalogue du fabricant d’Ember-1 prend en charge les entrées d’images. Une tâche de programmation visuelle peut combiner une capture d’écran, des exigences et du code source pour demander une explication ou une implémentation fondée sur ce qui est visible. Étiquetez chaque image et distinguez l’état actuel du résultat visé. Rendez le texte important lisible et demandez que la réponse indique le détail visible qui appuie un constat.\n\nLe fournisseur annonce un contexte de l’ordre d’un million de jetons. Il s’agit d’un profil de capacité pour les sources, pas d’une promesse indépendante d’obtenir autant de jetons de réponse. La consigne, le contenu source, l’historique des outils et le raisonnement généré partagent le budget applicable à la requête. Organisez un grand dépôt ou une collection de documents autour de la question réelle et réservez de la place pour le résultat.\n\n### Résultats vérifiables\n\nUn livrable utile est un correctif ciblé, une explication étayée ou une comparaison terminée selon des critères énoncés. Pour un fait qui dépend de renseignements actuels, fournissez un passage faisant autorité ou un outil de recherche approprié. L’orientation vers un raisonnement plus court du modèle ne rend pas disponibles les preuves manquantes, n’exécute pas une fonction et ne valide pas le code de façon indépendante. Vérifiez le livrable obtenu par rapport aux exigences et aux observations retournées par le processus environnant.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 est le modèle de Fireworks Research fondé sur Kimi K3, entraîné pour raccourcir les raisonnements inutiles dans les tâches de programmation et d’agents. Son profil fabricant prend en charge les entrées textuelles et les images, la génération de texte et l’appel de fonctions, ce qui le rend utile pour le développement ciblé et l’analyse guidée par les sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ember-1 est le modèle spécialisé de Fireworks Research fondé sur Kimi K3. Sa principale particularité est un entraînement qui raccourcit les raisonnements inutiles tout en préservant l’analyse utile aux tâches de programmation et d’agents. Le fournisseur le positionne pour les tâches répétées guidées par des outils, où de longues traces de raisonnement peuvent s’accumuler au fil d’une conversation. Son profil documenté prend en charge la génération de texte, les entrées d’images et l’appel de fonctions; la réponse, le code ou l’opération proposée prend la forme de texte.
Le fabricant a développé Ember-1 au moyen d’un entraînement axé sur les tâches et couvrant un vaste ensemble de charges de travail. Cette distinction provient de l’entraînement du modèle, plutôt que de la simple sélection d’un niveau d’effort de raisonnement inférieur sur son modèle de base. Il doit conserver sa propre identité lors des comparaisons de résultats avec Kimi K3 : l’objectif est un cheminement de raisonnement plus économe, sans présumer que chaque réglage, capacité ou mise à jour future de l’original est identique.
Pour une tâche logicielle, fournissez le code pertinent, la défaillance observée, le comportement souhaité et les contrats qui doivent rester stables. Demandez une implémentation ciblée et une explication rattachée au code source réel. Une consigne pratique serait : « Suivez le traitement de cette entrée qui provoque un échec, repérez la première condition incorrecte et retournez la fonction corrigée avec les éléments qui justifient la modification. » Précisez le livrable final, même lorsque la tâche exige plusieurs observations.
Les cas d’utilisation du fournisseur comprennent les assistants de programmation et les agents qui alternent entre les décisions du modèle et les résultats des outils. Fournissez des descriptions de fonctions et des schémas d’arguments adaptés au travail. Le modèle peut proposer l’inspection d’un fichier, un calcul ou une autre opération disponible; l’application l’exécute et retourne l’observation réelle. Utilisez ce résultat au tour suivant au lieu de laisser une action proposée tenir lieu d’exécution.
Pour une tâche plus longue, conservez dans un relevé concis les observations pertinentes sur la défaillance, la correction et la vérification. Demandez le code terminé ou le résultat analytique séparément des échanges intermédiaires. Un raisonnement plus court n’est utile que si la sortie respecte toujours le comportement exigé par la tâche et comprend les éléments nécessaires pour l’examiner.
Le catalogue du fabricant d’Ember-1 prend en charge les entrées d’images. Une tâche de programmation visuelle peut combiner une capture d’écran, des exigences et du code source pour demander une explication ou une implémentation fondée sur ce qui est visible. Étiquetez chaque image et distinguez l’état actuel du résultat visé. Rendez le texte important lisible et demandez que la réponse indique le détail visible qui appuie un constat.
Le fournisseur annonce un contexte de l’ordre d’un million de jetons. Il s’agit d’un profil de capacité pour les sources, pas d’une promesse indépendante d’obtenir autant de jetons de réponse. La consigne, le contenu source, l’historique des outils et le raisonnement généré partagent le budget applicable à la requête. Organisez un grand dépôt ou une collection de documents autour de la question réelle et réservez de la place pour le résultat.
Un livrable utile est un correctif ciblé, une explication étayée ou une comparaison terminée selon des critères énoncés. Pour un fait qui dépend de renseignements actuels, fournissez un passage faisant autorité ou un outil de recherche approprié. L’orientation vers un raisonnement plus court du modèle ne rend pas disponibles les preuves manquantes, n’exécute pas une fonction et ne valide pas le code de façon indépendante. Vérifiez le livrable obtenu par rapport aux exigences et aux observations retournées par le processus environnant.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites fireworks/ember-1 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.006 / 1K jetons Sortie · Jetons en sortie $0.03 / 1K jetons Entrée · Lecture du cache $0.0006 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.006 / 1K jetons Sortie · Jetons en sortie $0.03 / 1K jetons Entrée · Lecture du cache $0.0006 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Utilisez les chemins de méthode indiqués ci-dessus.
fireworks/ember-1Ember-1 est le modèle de Fireworks Research fondé sur Kimi K3, entraîné pour raccourcir les raisonnements inutiles dans les tâches de programmation et d’agents. Son profil fabricant prend en charge les entrées textuelles et les images, la génération de texte et l’appel de fonctions, ce qui le rend utile pour le développement ciblé et l’analyse guidée par les sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ember-1 est le modèle spécialisé de Fireworks Research fondé sur Kimi K3. Sa principale particularité est un entraînement qui raccourcit les raisonnements inutiles tout en préservant l’analyse utile aux tâches de programmation et d’agents. Le fournisseur le positionne pour les tâches répétées guidées par des outils, où de longues traces de raisonnement peuvent s’accumuler au fil d’une conversation. Son profil documenté prend en charge la génération de texte, les entrées d’images et l’appel de fonctions; la réponse, le code ou l’opération proposée prend la forme de texte.
Le fabricant a développé Ember-1 au moyen d’un entraînement axé sur les tâches et couvrant un vaste ensemble de charges de travail. Cette distinction provient de l’entraînement du modèle, plutôt que de la simple sélection d’un niveau d’effort de raisonnement inférieur sur son modèle de base. Il doit conserver sa propre identité lors des comparaisons de résultats avec Kimi K3 : l’objectif est un cheminement de raisonnement plus économe, sans présumer que chaque réglage, capacité ou mise à jour future de l’original est identique.
Pour une tâche logicielle, fournissez le code pertinent, la défaillance observée, le comportement souhaité et les contrats qui doivent rester stables. Demandez une implémentation ciblée et une explication rattachée au code source réel. Une consigne pratique serait : « Suivez le traitement de cette entrée qui provoque un échec, repérez la première condition incorrecte et retournez la fonction corrigée avec les éléments qui justifient la modification. » Précisez le livrable final, même lorsque la tâche exige plusieurs observations.
Les cas d’utilisation du fournisseur comprennent les assistants de programmation et les agents qui alternent entre les décisions du modèle et les résultats des outils. Fournissez des descriptions de fonctions et des schémas d’arguments adaptés au travail. Le modèle peut proposer l’inspection d’un fichier, un calcul ou une autre opération disponible; l’application l’exécute et retourne l’observation réelle. Utilisez ce résultat au tour suivant au lieu de laisser une action proposée tenir lieu d’exécution.
Pour une tâche plus longue, conservez dans un relevé concis les observations pertinentes sur la défaillance, la correction et la vérification. Demandez le code terminé ou le résultat analytique séparément des échanges intermédiaires. Un raisonnement plus court n’est utile que si la sortie respecte toujours le comportement exigé par la tâche et comprend les éléments nécessaires pour l’examiner.
Le catalogue du fabricant d’Ember-1 prend en charge les entrées d’images. Une tâche de programmation visuelle peut combiner une capture d’écran, des exigences et du code source pour demander une explication ou une implémentation fondée sur ce qui est visible. Étiquetez chaque image et distinguez l’état actuel du résultat visé. Rendez le texte important lisible et demandez que la réponse indique le détail visible qui appuie un constat.
Le fournisseur annonce un contexte de l’ordre d’un million de jetons. Il s’agit d’un profil de capacité pour les sources, pas d’une promesse indépendante d’obtenir autant de jetons de réponse. La consigne, le contenu source, l’historique des outils et le raisonnement généré partagent le budget applicable à la requête. Organisez un grand dépôt ou une collection de documents autour de la question réelle et réservez de la place pour le résultat.
Un livrable utile est un correctif ciblé, une explication étayée ou une comparaison terminée selon des critères énoncés. Pour un fait qui dépend de renseignements actuels, fournissez un passage faisant autorité ou un outil de recherche approprié. L’orientation vers un raisonnement plus court du modèle ne rend pas disponibles les preuves manquantes, n’exécute pas une fonction et ne valide pas le code de façon indépendante. Vérifiez le livrable obtenu par rapport aux exigences et aux observations retournées par le processus environnant.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites fireworks/ember-1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.006 / 1K jetons Sortie · Jetons en sortie $0.03 / 1K jetons Entrée · Lecture du cache $0.0006 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.006 / 1K jetons Sortie · Jetons en sortie $0.03 / 1K jetons Entrée · Lecture du cache $0.0006 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.