Mercury 2.5 est le modèle de langage à raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir de la rétroaction de production et des cas d’échec, tout en conservant l’accent de la famille sur une génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite avec le contexte textuel pertinent; la sortie est du texte, du code, un enregistrement structuré ou du contenu d’appel d’outil proposé.
La famille Mercury génère du langage par raffinement parallèle plutôt qu’en prédisant uniquement les jetons un à un, de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un processus interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final requis : la réponse peut devoir être courte même si un processus intermédiaire est plus élaboré.
Pour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Consigne utile : « Transformez ces passages sources en un relevé des spécifications requises, conservez les unités et indiquez le passage qui appuie chaque valeur. » Une sortie conforme au schéma donne à l’application un résultat organisé; sa concordance avec la source exige toujours une vérification.
Le fabricant décrit l’utilisation de Mercury pour la planification de recherches, la reformulation de requêtes, la structuration des faits, le résumé de sources et la vérification de réponses. Une application peut donner à chaque étape un objectif précis et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation de requête conserve les contraintes réelles de l’utilisateur, et qu’un résumé de source préserve les faits nécessaires à la réponse finale plutôt que de simplement raccourcir chaque passage.
La capacité d’appels d’outils parallèles de Mercury 2.5 est utile lorsque des opérations indépendantes peuvent obtenir des observations différentes pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application effectue les appels sélectionnés et renvoie leurs résultats. Gardez ensemble les identifiants d’appels et les étiquettes de sources pour que la réponse finale utilise des renseignements observés plutôt que l’hypothèse qu’un outil a été exécuté.
Le fabricant décrit aussi l’aide à la programmation et les opérations connexes, comme la condensation d’une longue session ou la recherche d’un outil approprié. Pour une condensation, désignez ce dont la prochaine tâche a besoin : exigences acceptées, échecs actuels, décisions et éléments probants qui les appuient. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat achevé.
Pour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée en échec ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape de langage, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement; la reconnaissance vocale, la synthèse vocale et le rendu de médias demeurent des composants distincts.
Le contexte de 260K appartient au profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble les documents sources, l’historique, le raisonnement et le résultat final. Choisissez la forme de sortie avant le début de la tâche et réservez de la place à une réponse comprenant les détails obligatoires.
Un livrable final utile peut être une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état d’une tâche. Vérifiez les faits à partir des documents fournis et le code dans l’environnement prévu. L’architecture de diffusion et le rôle dans des tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.
", "aboutText": "Mercury 2.5 est le modèle de langage à raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir de la rétroaction de production et des cas d’échec, tout en conservant l’accent de la famille sur une génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite avec le contexte textuel pertinent; la sortie est du texte, du code, un enregistrement structuré ou du contenu d’appel d’outil proposé.\n\n### Diffusion et raisonnement\n\nLa famille Mercury génère du langage par raffinement parallèle plutôt qu’en prédisant uniquement les jetons un à un, de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un processus interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final requis : la réponse peut devoir être courte même si un processus intermédiaire est plus élaboré.\n\nPour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Consigne utile : « Transformez ces passages sources en un relevé des spécifications requises, conservez les unités et indiquez le passage qui appuie chaque valeur. » Une sortie conforme au schéma donne à l’application un résultat organisé; sa concordance avec la source exige toujours une vérification.\n\n### Processus de recherche et de récupération\n\nLe fabricant décrit l’utilisation de Mercury pour la planification de recherches, la reformulation de requêtes, la structuration des faits, le résumé de sources et la vérification de réponses. Une application peut donner à chaque étape un objectif précis et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation de requête conserve les contraintes réelles de l’utilisateur, et qu’un résumé de source préserve les faits nécessaires à la réponse finale plutôt que de simplement raccourcir chaque passage.\n\nLa capacité d’appels d’outils parallèles de Mercury 2.5 est utile lorsque des opérations indépendantes peuvent obtenir des observations différentes pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application effectue les appels sélectionnés et renvoie leurs résultats. Gardez ensemble les identifiants d’appels et les étiquettes de sources pour que la réponse finale utilise des renseignements observés plutôt que l’hypothèse qu’un outil a été exécuté.\n\n### Programmation et travail sur le contexte\n\nLe fabricant décrit aussi l’aide à la programmation et les opérations connexes, comme la condensation d’une longue session ou la recherche d’un outil approprié. Pour une condensation, désignez ce dont la prochaine tâche a besoin : exigences acceptées, échecs actuels, décisions et éléments probants qui les appuient. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat achevé.\n\nPour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée en échec ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape de langage, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement; la reconnaissance vocale, la synthèse vocale et le rendu de médias demeurent des composants distincts.\n\n### Limites et vérification des sorties\n\nLe contexte de 260K appartient au profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble les documents sources, l’historique, le raisonnement et le résultat final. Choisissez la forme de sortie avant le début de la tâche et réservez de la place à une réponse comprenant les détails obligatoires.\n\nUn livrable final utile peut être une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état d’une tâche. Vérifiez les faits à partir des documents fournis et le code dans l’environnement prévu. L’architecture de diffusion et le rôle dans des tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 est le modèle textuel de raisonnement par diffusion d’Inception, avec un contexte de 260K. Le raisonnement réglable, les appels d’outils parallèles et le JSON conforme au schéma servent la recherche, l’extraction, l’aide à la programmation et les étapes répétées d’agents exigeant un résultat clair et structuré.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mercury 2.5 est le modèle de langage à raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir de la rétroaction de production et des cas d’échec, tout en conservant l’accent de la famille sur une génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite avec le contexte textuel pertinent; la sortie est du texte, du code, un enregistrement structuré ou du contenu d’appel d’outil proposé.
La famille Mercury génère du langage par raffinement parallèle plutôt qu’en prédisant uniquement les jetons un à un, de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un processus interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final requis : la réponse peut devoir être courte même si un processus intermédiaire est plus élaboré.
Pour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Consigne utile : « Transformez ces passages sources en un relevé des spécifications requises, conservez les unités et indiquez le passage qui appuie chaque valeur. » Une sortie conforme au schéma donne à l’application un résultat organisé; sa concordance avec la source exige toujours une vérification.
Le fabricant décrit l’utilisation de Mercury pour la planification de recherches, la reformulation de requêtes, la structuration des faits, le résumé de sources et la vérification de réponses. Une application peut donner à chaque étape un objectif précis et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation de requête conserve les contraintes réelles de l’utilisateur, et qu’un résumé de source préserve les faits nécessaires à la réponse finale plutôt que de simplement raccourcir chaque passage.
La capacité d’appels d’outils parallèles de Mercury 2.5 est utile lorsque des opérations indépendantes peuvent obtenir des observations différentes pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application effectue les appels sélectionnés et renvoie leurs résultats. Gardez ensemble les identifiants d’appels et les étiquettes de sources pour que la réponse finale utilise des renseignements observés plutôt que l’hypothèse qu’un outil a été exécuté.
Le fabricant décrit aussi l’aide à la programmation et les opérations connexes, comme la condensation d’une longue session ou la recherche d’un outil approprié. Pour une condensation, désignez ce dont la prochaine tâche a besoin : exigences acceptées, échecs actuels, décisions et éléments probants qui les appuient. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat achevé.
Pour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée en échec ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape de langage, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement; la reconnaissance vocale, la synthèse vocale et le rendu de médias demeurent des composants distincts.
Le contexte de 260K appartient au profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble les documents sources, l’historique, le raisonnement et le résultat final. Choisissez la forme de sortie avant le début de la tâche et réservez de la place à une réponse comprenant les détails obligatoires.
Un livrable final utile peut être une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état d’une tâche. Vérifiez les faits à partir des documents fournis et le code dans l’environnement prévu. L’architecture de diffusion et le rôle dans des tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inception/mercury-2.5 | 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 $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00004 / 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 $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00004 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Utilisez les chemins de méthode indiqués ci-dessus.
inception/mercury-2.5Mercury 2.5 est le modèle textuel de raisonnement par diffusion d’Inception, avec un contexte de 260K. Le raisonnement réglable, les appels d’outils parallèles et le JSON conforme au schéma servent la recherche, l’extraction, l’aide à la programmation et les étapes répétées d’agents exigeant un résultat clair et structuré.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mercury 2.5 est le modèle de langage à raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir de la rétroaction de production et des cas d’échec, tout en conservant l’accent de la famille sur une génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite avec le contexte textuel pertinent; la sortie est du texte, du code, un enregistrement structuré ou du contenu d’appel d’outil proposé.
La famille Mercury génère du langage par raffinement parallèle plutôt qu’en prédisant uniquement les jetons un à un, de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un processus interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final requis : la réponse peut devoir être courte même si un processus intermédiaire est plus élaboré.
Pour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Consigne utile : « Transformez ces passages sources en un relevé des spécifications requises, conservez les unités et indiquez le passage qui appuie chaque valeur. » Une sortie conforme au schéma donne à l’application un résultat organisé; sa concordance avec la source exige toujours une vérification.
Le fabricant décrit l’utilisation de Mercury pour la planification de recherches, la reformulation de requêtes, la structuration des faits, le résumé de sources et la vérification de réponses. Une application peut donner à chaque étape un objectif précis et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation de requête conserve les contraintes réelles de l’utilisateur, et qu’un résumé de source préserve les faits nécessaires à la réponse finale plutôt que de simplement raccourcir chaque passage.
La capacité d’appels d’outils parallèles de Mercury 2.5 est utile lorsque des opérations indépendantes peuvent obtenir des observations différentes pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application effectue les appels sélectionnés et renvoie leurs résultats. Gardez ensemble les identifiants d’appels et les étiquettes de sources pour que la réponse finale utilise des renseignements observés plutôt que l’hypothèse qu’un outil a été exécuté.
Le fabricant décrit aussi l’aide à la programmation et les opérations connexes, comme la condensation d’une longue session ou la recherche d’un outil approprié. Pour une condensation, désignez ce dont la prochaine tâche a besoin : exigences acceptées, échecs actuels, décisions et éléments probants qui les appuient. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat achevé.
Pour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée en échec ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape de langage, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement; la reconnaissance vocale, la synthèse vocale et le rendu de médias demeurent des composants distincts.
Le contexte de 260K appartient au profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble les documents sources, l’historique, le raisonnement et le résultat final. Choisissez la forme de sortie avant le début de la tâche et réservez de la place à une réponse comprenant les détails obligatoires.
Un livrable final utile peut être une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état d’une tâche. Vérifiez les faits à partir des documents fournis et le code dans l’environnement prévu. L’architecture de diffusion et le rôle dans des tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inception/mercury-2.5 | 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 $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00004 / 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 $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00004 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.