Granite 4.2 8B est le modèle de raisonnement de taille intermédiaire d’IBM dans la famille Granite 4.2. Ce transformeur dense à décodeur seul de 8 milliards de paramètres a subi un postentraînement à partir de Granite 4.1 8B Base pour le raisonnement, la génération de code, le suivi de consignes et le travail guidé par des outils. Il reçoit du texte et produit du texte, avec un bloc de réflexion intermédiaire en mode raisonnement et une réponse finale séparée.
Le fabricant décrit l’attention à requêtes groupées, le codage rotatif des positions, les couches à propagation avant SwiGLU et la normalisation RMS. Le modèle prend nativement en charge un contexte de 128K et documente une extension de contexte long à 512K. Il s’agit de configurations distinctes : le chiffre étendu ne doit pas remplacer le réglage natif dans une tâche utilisant le profil standard. La conversation, les documents sources, les résultats d’outils et le contenu généré doivent tenir dans le contexte sélectionné.
La réflexion complète est le réglage par défaut du fabricant et développe une analyse avant la réponse. Le mode sans réflexion renvoie une réponse directe. Le mode à effort réduit utilise un raisonnement plus court pour les questions simples. Le modèle de conversation du fabricant représente ces choix différemment et sépare le contenu situé dans les marqueurs de réflexion de la conclusion finale.
Pour les mathématiques ou l’analyse de code, fournissez la condition complète, les définitions et les contraintes, puis précisez le résultat final nécessaire. Consigne pratique : « Déterminez pourquoi cette fonction échoue avec l’entrée fournie, expliquez la condition responsable et proposez une correction ciblée. » Une extraction courante peut plutôt demander seulement les champs requis. Choisissez un mode adapté à la profondeur de la tâche sans permettre à l’analyse intermédiaire de remplacer le livrable demandé.
IBM recommande temperature 1.0 et top-p 0.95 dans ses modes et ses tâches de référence. Ses exemples de budgets de génération sont de 8 192 nouveaux jetons pour la réflexion et de 2 048 pour les réponses directes; la fiche permet explicitement un budget plus grand pour le raisonnement complexe. Ces exemples sont des conseils de configuration, et non des plafonds stricts de sortie établis indépendamment.
Le modèle de conversation à plusieurs tours par défaut retire la réflexion des tours précédents de l’assistant pour économiser le contexte. Le fabricant documente aussi sa conservation lorsqu’un historique complet du raisonnement est nécessaire. Gardez les réponses finales et les observations utiles claires afin qu’un suivi puisse réviser la partie pertinente sans confondre une réflexion intermédiaire antérieure avec un constat accepté.
Le modèle peut raisonner sur les fonctions fournies à appeler et renvoyer un contenu structuré d’appel d’outil. Définissez les outils avec des noms significatifs, des descriptions et des schémas de paramètres. L’application exécute l’opération choisie et renvoie l’observation; une tâche poursuivie doit utiliser ce résultat réel. Pour un agent de programmation, désignez les fichiers autorisés et le comportement qui marque l’achèvement de la modification, puis demandez l’implémentation et les observations de validation à l’appui.
La fiche énumère douze langues testées. Précisez la langue de réponse et préservez les noms propres ou les identifiants de code. L’entraînement est principalement en anglais avec des données multilingues; les performances dans une autre langue peuvent donc varier. Quelques exemples pertinents peuvent clarifier la tâche et le style de sortie souhaités.
IBM indique que le modèle peut encore produire des réponses inexactes ou biaisées et que le contenu de réflexion peut comprendre des idées intermédiaires peu soignées. Vérifiez la réponse finale à partir des sources fournies, contrôlez l’extraction numérique et examinez le code dans l’application prévue. Le résultat utile est une réponse, un livrable de code ou un relevé analytique dont les éléments probants et les renseignements non résolus sont explicites, tout en conservant l’édition exacte 4.2 8B et ses distinctions entre modes.
", "aboutText": "Granite 4.2 8B est le modèle de raisonnement de taille intermédiaire d’IBM dans la famille Granite 4.2. Ce transformeur dense à décodeur seul de 8 milliards de paramètres a subi un postentraînement à partir de Granite 4.1 8B Base pour le raisonnement, la génération de code, le suivi de consignes et le travail guidé par des outils. Il reçoit du texte et produit du texte, avec un bloc de réflexion intermédiaire en mode raisonnement et une réponse finale séparée.\n\n### Conception du modèle et contexte\n\nLe fabricant décrit l’attention à requêtes groupées, le codage rotatif des positions, les couches à propagation avant SwiGLU et la normalisation RMS. Le modèle prend nativement en charge un contexte de 128K et documente une extension de contexte long à 512K. Il s’agit de configurations distinctes : le chiffre étendu ne doit pas remplacer le réglage natif dans une tâche utilisant le profil standard. La conversation, les documents sources, les résultats d’outils et le contenu généré doivent tenir dans le contexte sélectionné.\n\n### Trois modes de réflexion\n\nLa réflexion complète est le réglage par défaut du fabricant et développe une analyse avant la réponse. Le mode sans réflexion renvoie une réponse directe. Le mode à effort réduit utilise un raisonnement plus court pour les questions simples. Le modèle de conversation du fabricant représente ces choix différemment et sépare le contenu situé dans les marqueurs de réflexion de la conclusion finale.\n\nPour les mathématiques ou l’analyse de code, fournissez la condition complète, les définitions et les contraintes, puis précisez le résultat final nécessaire. Consigne pratique : « Déterminez pourquoi cette fonction échoue avec l’entrée fournie, expliquez la condition responsable et proposez une correction ciblée. » Une extraction courante peut plutôt demander seulement les champs requis. Choisissez un mode adapté à la profondeur de la tâche sans permettre à l’analyse intermédiaire de remplacer le livrable demandé.\n\n### Conseils de conversation et de génération\n\nIBM recommande temperature 1.0 et top-p 0.95 dans ses modes et ses tâches de référence. Ses exemples de budgets de génération sont de 8 192 nouveaux jetons pour la réflexion et de 2 048 pour les réponses directes; la fiche permet explicitement un budget plus grand pour le raisonnement complexe. Ces exemples sont des conseils de configuration, et non des plafonds stricts de sortie établis indépendamment.\n\nLe modèle de conversation à plusieurs tours par défaut retire la réflexion des tours précédents de l’assistant pour économiser le contexte. Le fabricant documente aussi sa conservation lorsqu’un historique complet du raisonnement est nécessaire. Gardez les réponses finales et les observations utiles claires afin qu’un suivi puisse réviser la partie pertinente sans confondre une réflexion intermédiaire antérieure avec un constat accepté.\n\n### Appels d’outils et livrables pratiques\n\nLe modèle peut raisonner sur les fonctions fournies à appeler et renvoyer un contenu structuré d’appel d’outil. Définissez les outils avec des noms significatifs, des descriptions et des schémas de paramètres. L’application exécute l’opération choisie et renvoie l’observation; une tâche poursuivie doit utiliser ce résultat réel. Pour un agent de programmation, désignez les fichiers autorisés et le comportement qui marque l’achèvement de la modification, puis demandez l’implémentation et les observations de validation à l’appui.\n\nLa fiche énumère douze langues testées. Précisez la langue de réponse et préservez les noms propres ou les identifiants de code. L’entraînement est principalement en anglais avec des données multilingues; les performances dans une autre langue peuvent donc varier. Quelques exemples pertinents peuvent clarifier la tâche et le style de sortie souhaités.\n\n### Limites et interprétation\n\nIBM indique que le modèle peut encore produire des réponses inexactes ou biaisées et que le contenu de réflexion peut comprendre des idées intermédiaires peu soignées. Vérifiez la réponse finale à partir des sources fournies, contrôlez l’extraction numérique et examinez le code dans l’application prévue. Le résultat utile est une réponse, un livrable de code ou un relevé analytique dont les éléments probants et les renseignements non résolus sont explicites, tout en conservant l’édition exacte 4.2 8B et ses distinctions entre modes.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Fix a mutable default argument\n\nExplain why this Python function shares results across calls and propose a correction: def collect(value, items=[]): items.append(value); return items. The caller may supply an existing list and expects it to be updated. Include tests for two omitted-list calls and one explicitly supplied list. Preserve the function name and calling convention.A corrected collect function, a brief cause explanation and tests distinguishing default-list isolation from explicit-list mutation.Check that omitted-list calls return independent lists while an explicitly supplied list is still updated.ibm-granite/granite-4.2-8bGranite 4.2 8B est le modèle textuel dense de raisonnement d’IBM pour les mathématiques, la programmation, les dialogues multilingues et les agents guidés par des outils. Il propose des modes de réponse complet, direct et à effort réduit, avec un contexte natif de 128K et une extension de contexte long documentée séparément.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Granite 4.2 8B est le modèle de raisonnement de taille intermédiaire d’IBM dans la famille Granite 4.2. Ce transformeur dense à décodeur seul de 8 milliards de paramètres a subi un postentraînement à partir de Granite 4.1 8B Base pour le raisonnement, la génération de code, le suivi de consignes et le travail guidé par des outils. Il reçoit du texte et produit du texte, avec un bloc de réflexion intermédiaire en mode raisonnement et une réponse finale séparée.
Le fabricant décrit l’attention à requêtes groupées, le codage rotatif des positions, les couches à propagation avant SwiGLU et la normalisation RMS. Le modèle prend nativement en charge un contexte de 128K et documente une extension de contexte long à 512K. Il s’agit de configurations distinctes : le chiffre étendu ne doit pas remplacer le réglage natif dans une tâche utilisant le profil standard. La conversation, les documents sources, les résultats d’outils et le contenu généré doivent tenir dans le contexte sélectionné.
La réflexion complète est le réglage par défaut du fabricant et développe une analyse avant la réponse. Le mode sans réflexion renvoie une réponse directe. Le mode à effort réduit utilise un raisonnement plus court pour les questions simples. Le modèle de conversation du fabricant représente ces choix différemment et sépare le contenu situé dans les marqueurs de réflexion de la conclusion finale.
Pour les mathématiques ou l’analyse de code, fournissez la condition complète, les définitions et les contraintes, puis précisez le résultat final nécessaire. Consigne pratique : « Déterminez pourquoi cette fonction échoue avec l’entrée fournie, expliquez la condition responsable et proposez une correction ciblée. » Une extraction courante peut plutôt demander seulement les champs requis. Choisissez un mode adapté à la profondeur de la tâche sans permettre à l’analyse intermédiaire de remplacer le livrable demandé.
IBM recommande temperature 1.0 et top-p 0.95 dans ses modes et ses tâches de référence. Ses exemples de budgets de génération sont de 8 192 nouveaux jetons pour la réflexion et de 2 048 pour les réponses directes; la fiche permet explicitement un budget plus grand pour le raisonnement complexe. Ces exemples sont des conseils de configuration, et non des plafonds stricts de sortie établis indépendamment.
Le modèle de conversation à plusieurs tours par défaut retire la réflexion des tours précédents de l’assistant pour économiser le contexte. Le fabricant documente aussi sa conservation lorsqu’un historique complet du raisonnement est nécessaire. Gardez les réponses finales et les observations utiles claires afin qu’un suivi puisse réviser la partie pertinente sans confondre une réflexion intermédiaire antérieure avec un constat accepté.
Le modèle peut raisonner sur les fonctions fournies à appeler et renvoyer un contenu structuré d’appel d’outil. Définissez les outils avec des noms significatifs, des descriptions et des schémas de paramètres. L’application exécute l’opération choisie et renvoie l’observation; une tâche poursuivie doit utiliser ce résultat réel. Pour un agent de programmation, désignez les fichiers autorisés et le comportement qui marque l’achèvement de la modification, puis demandez l’implémentation et les observations de validation à l’appui.
La fiche énumère douze langues testées. Précisez la langue de réponse et préservez les noms propres ou les identifiants de code. L’entraînement est principalement en anglais avec des données multilingues; les performances dans une autre langue peuvent donc varier. Quelques exemples pertinents peuvent clarifier la tâche et le style de sortie souhaités.
IBM indique que le modèle peut encore produire des réponses inexactes ou biaisées et que le contenu de réflexion peut comprendre des idées intermédiaires peu soignées. Vérifiez la réponse finale à partir des sources fournies, contrôlez l’extraction numérique et examinez le code dans l’application prévue. Le résultat utile est une réponse, un livrable de code ou un relevé analytique dont les éléments probants et les renseignements non résolus sont explicites, tout en conservant l’édition exacte 4.2 8B et ses distinctions entre modes.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ibm-granite/granite-4.2-8b | 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 $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.0001 / 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 $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "ibm-granite/granite-4.2-8b", "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='ibm-granite/granite-4.2-8b',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='ibm-granite/granite-4.2-8b',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 ibm-granite/granite-4.2-8b
Utilisez les chemins de méthode indiqués ci-dessus.
ibm-granite/granite-4.2-8bGranite 4.2 8B est le modèle textuel dense de raisonnement d’IBM pour les mathématiques, la programmation, les dialogues multilingues et les agents guidés par des outils. Il propose des modes de réponse complet, direct et à effort réduit, avec un contexte natif de 128K et une extension de contexte long documentée séparément.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Granite 4.2 8B est le modèle de raisonnement de taille intermédiaire d’IBM dans la famille Granite 4.2. Ce transformeur dense à décodeur seul de 8 milliards de paramètres a subi un postentraînement à partir de Granite 4.1 8B Base pour le raisonnement, la génération de code, le suivi de consignes et le travail guidé par des outils. Il reçoit du texte et produit du texte, avec un bloc de réflexion intermédiaire en mode raisonnement et une réponse finale séparée.
Le fabricant décrit l’attention à requêtes groupées, le codage rotatif des positions, les couches à propagation avant SwiGLU et la normalisation RMS. Le modèle prend nativement en charge un contexte de 128K et documente une extension de contexte long à 512K. Il s’agit de configurations distinctes : le chiffre étendu ne doit pas remplacer le réglage natif dans une tâche utilisant le profil standard. La conversation, les documents sources, les résultats d’outils et le contenu généré doivent tenir dans le contexte sélectionné.
La réflexion complète est le réglage par défaut du fabricant et développe une analyse avant la réponse. Le mode sans réflexion renvoie une réponse directe. Le mode à effort réduit utilise un raisonnement plus court pour les questions simples. Le modèle de conversation du fabricant représente ces choix différemment et sépare le contenu situé dans les marqueurs de réflexion de la conclusion finale.
Pour les mathématiques ou l’analyse de code, fournissez la condition complète, les définitions et les contraintes, puis précisez le résultat final nécessaire. Consigne pratique : « Déterminez pourquoi cette fonction échoue avec l’entrée fournie, expliquez la condition responsable et proposez une correction ciblée. » Une extraction courante peut plutôt demander seulement les champs requis. Choisissez un mode adapté à la profondeur de la tâche sans permettre à l’analyse intermédiaire de remplacer le livrable demandé.
IBM recommande temperature 1.0 et top-p 0.95 dans ses modes et ses tâches de référence. Ses exemples de budgets de génération sont de 8 192 nouveaux jetons pour la réflexion et de 2 048 pour les réponses directes; la fiche permet explicitement un budget plus grand pour le raisonnement complexe. Ces exemples sont des conseils de configuration, et non des plafonds stricts de sortie établis indépendamment.
Le modèle de conversation à plusieurs tours par défaut retire la réflexion des tours précédents de l’assistant pour économiser le contexte. Le fabricant documente aussi sa conservation lorsqu’un historique complet du raisonnement est nécessaire. Gardez les réponses finales et les observations utiles claires afin qu’un suivi puisse réviser la partie pertinente sans confondre une réflexion intermédiaire antérieure avec un constat accepté.
Le modèle peut raisonner sur les fonctions fournies à appeler et renvoyer un contenu structuré d’appel d’outil. Définissez les outils avec des noms significatifs, des descriptions et des schémas de paramètres. L’application exécute l’opération choisie et renvoie l’observation; une tâche poursuivie doit utiliser ce résultat réel. Pour un agent de programmation, désignez les fichiers autorisés et le comportement qui marque l’achèvement de la modification, puis demandez l’implémentation et les observations de validation à l’appui.
La fiche énumère douze langues testées. Précisez la langue de réponse et préservez les noms propres ou les identifiants de code. L’entraînement est principalement en anglais avec des données multilingues; les performances dans une autre langue peuvent donc varier. Quelques exemples pertinents peuvent clarifier la tâche et le style de sortie souhaités.
IBM indique que le modèle peut encore produire des réponses inexactes ou biaisées et que le contenu de réflexion peut comprendre des idées intermédiaires peu soignées. Vérifiez la réponse finale à partir des sources fournies, contrôlez l’extraction numérique et examinez le code dans l’application prévue. Le résultat utile est une réponse, un livrable de code ou un relevé analytique dont les éléments probants et les renseignements non résolus sont explicites, tout en conservant l’édition exacte 4.2 8B et ses distinctions entre modes.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ibm-granite/granite-4.2-8b | 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 $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.0001 / 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 $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "ibm-granite/granite-4.2-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ibm-granite/granite-4.2-8b', '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': 'ibm-granite/granite-4.2-8b', '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 ibm-granite/granite-4.2-8b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Fix a mutable default argument\n\nExplain why this Python function shares results across calls and propose a correction: def collect(value, items=[]): items.append(value); return items. The caller may supply an existing list and expects it to be updated. Include tests for two omitted-list calls and one explicitly supplied list. Preserve the function name and calling convention.A corrected collect function, a brief cause explanation and tests distinguishing default-list isolation from explicit-list mutation.Check that omitted-list calls return independent lists while an explicitly supplied list is still updated.