Mercury 2 est le modèle de langage de raisonnement d’Inception fondé sur la génération de texte par diffusion. Plutôt que de décoder seulement de gauche à droite de façon séquentielle, le modèle raffine plusieurs jetons en parallèle vers le résultat. Le fabricant développe ce profil pour des étapes interactives répétées en programmation, dans les agents, pour la récupération et pour l’extraction. Il accepte des consignes écrites et un contexte textuel, puis produit une réponse textuelle, du code, des données structurées ou des opérations d’outils proposées.
La description exacte du lancement indique un contexte de 128K, un raisonnement réglable, l’utilisation native d’outils et du JSON conforme au schéma. Ces fonctions appartiennent au profil documenté de Mercury 2, distinct du contexte ultérieur de Mercury 2.5 et des modèles spécialisés Voice, Router et Edit. Définissez explicitement la forme de réponse finale plutôt que de déduire une sortie vocale ou de montage du nom de la famille.
Pour une extraction simple, donnez les définitions des champs et le passage source. Pour une tâche de raisonnement, énoncez la condition complète et les contraintes à respecter. Une consigne pratique est : « Comparez cette implémentation aux exigences, repérez le premier écart et renvoyez une correction ciblée avec l’explication à l’appui. » Le résultat final doit rester lié à l’entrée même lorsque le modèle développe une analyse intermédiaire.
Le fabricant décrit la complétion automatique, les suggestions de prochaine modification, la refactorisation et les agents de programmation interactifs comme des tâches pertinentes. Fournissez l’implémentation environnante et désignez ce qui doit changer. Expliquez le comportement attendu et préservez les noms ou les interfaces publics que la révision doit conserver. Une modification proposée peut ensuite être examinée pour vérifier sa pertinence avant son application au projet réel.
Dans une tâche de développement guidée par des outils, le modèle choisit parmi les opérations fournies et l’application les exécute. Renvoyez les erreurs réelles, les extraits de code ou les observations de validation au tour suivant. L’implémentation générée et le résultat exécuté avec succès sont des livrables distincts; la tâche doit exiger l’observation qui établit son achèvement.
Les cas d’utilisation du fabricant de Mercury 2 comprennent la récupération à plusieurs étapes, le reclassement et le résumé. Donnez un objectif précis à chaque étape : la question à rechercher, les critères d’une source pertinente et les faits nécessaires à la réponse finale. Conservez les identifiants des sources dans tout le processus pour pouvoir rattacher un résumé à son contenu d’origine.
Une sortie structurée doit comporter des champs définis, des types clairs et une convention pour les renseignements manquants. La conformité au schéma concerne la représentation du résultat; comparez ses valeurs au document réel ou à l’observation d’outil. Dans une tâche qui se poursuit, conservez les constats utiles et les questions ouvertes plutôt que d’accumuler un historique sans rapport.
Mercury 2 peut fournir l’étape de génération textuelle d’une application vocale ou d’une autre application interactive. Son rôle documenté y est de produire les mots ou la décision utilisés par les composants qui l’entourent, lesquels gèrent l’audio et la lecture. Pour nettoyer une transcription, fournissez-la et précisez les formulations, les noms et le sens à préserver lors de la révision.
Le contexte de 128K contient ensemble les documents sources, la conversation et le contenu généré. Réservez de la place à la réponse finale, gardez la question visible au fil des révisions et évitez de traiter la capacité de contexte comme une capacité de sortie indépendante. Vérifiez les faits générés, le code et les champs extraits à partir de l’entrée d’origine. Le livrable utile est une réponse ciblée ou un résultat structuré qui fait avancer la tâche énoncée et peut être vérifié à l’aide des éléments réellement fournis.
", "aboutText": "Mercury 2 est le modèle de langage de raisonnement d’Inception fondé sur la génération de texte par diffusion. Plutôt que de décoder seulement de gauche à droite de façon séquentielle, le modèle raffine plusieurs jetons en parallèle vers le résultat. Le fabricant développe ce profil pour des étapes interactives répétées en programmation, dans les agents, pour la récupération et pour l’extraction. Il accepte des consignes écrites et un contexte textuel, puis produit une réponse textuelle, du code, des données structurées ou des opérations d’outils proposées.\n\n### Profil du fabricant\n\nLa description exacte du lancement indique un contexte de 128K, un raisonnement réglable, l’utilisation native d’outils et du JSON conforme au schéma. Ces fonctions appartiennent au profil documenté de Mercury 2, distinct du contexte ultérieur de Mercury 2.5 et des modèles spécialisés Voice, Router et Edit. Définissez explicitement la forme de réponse finale plutôt que de déduire une sortie vocale ou de montage du nom de la famille.\n\nPour une extraction simple, donnez les définitions des champs et le passage source. Pour une tâche de raisonnement, énoncez la condition complète et les contraintes à respecter. Une consigne pratique est : « Comparez cette implémentation aux exigences, repérez le premier écart et renvoyez une correction ciblée avec l’explication à l’appui. » Le résultat final doit rester lié à l’entrée même lorsque le modèle développe une analyse intermédiaire.\n\n### Aide à la programmation et à la modification\n\nLe fabricant décrit la complétion automatique, les suggestions de prochaine modification, la refactorisation et les agents de programmation interactifs comme des tâches pertinentes. Fournissez l’implémentation environnante et désignez ce qui doit changer. Expliquez le comportement attendu et préservez les noms ou les interfaces publics que la révision doit conserver. Une modification proposée peut ensuite être examinée pour vérifier sa pertinence avant son application au projet réel.\n\nDans une tâche de développement guidée par des outils, le modèle choisit parmi les opérations fournies et l’application les exécute. Renvoyez les erreurs réelles, les extraits de code ou les observations de validation au tour suivant. L’implémentation générée et le résultat exécuté avec succès sont des livrables distincts; la tâche doit exiger l’observation qui établit son achèvement.\n\n### Recherche et boucles d’agents\n\nLes cas d’utilisation du fabricant de Mercury 2 comprennent la récupération à plusieurs étapes, le reclassement et le résumé. Donnez un objectif précis à chaque étape : la question à rechercher, les critères d’une source pertinente et les faits nécessaires à la réponse finale. Conservez les identifiants des sources dans tout le processus pour pouvoir rattacher un résumé à son contenu d’origine.\n\nUne sortie structurée doit comporter des champs définis, des types clairs et une convention pour les renseignements manquants. La conformité au schéma concerne la représentation du résultat; comparez ses valeurs au document réel ou à l’observation d’outil. Dans une tâche qui se poursuit, conservez les constats utiles et les questions ouvertes plutôt que d’accumuler un historique sans rapport.\n\n### Tâches de langage interactives et limites\n\nMercury 2 peut fournir l’étape de génération textuelle d’une application vocale ou d’une autre application interactive. Son rôle documenté y est de produire les mots ou la décision utilisés par les composants qui l’entourent, lesquels gèrent l’audio et la lecture. Pour nettoyer une transcription, fournissez-la et précisez les formulations, les noms et le sens à préserver lors de la révision.\n\nLe contexte de 128K contient ensemble les documents sources, la conversation et le contenu généré. Réservez de la place à la réponse finale, gardez la question visible au fil des révisions et évitez de traiter la capacité de contexte comme une capacité de sortie indépendante. Vérifiez les faits générés, le code et les champs extraits à partir de l’entrée d’origine. Le livrable utile est une réponse ciblée ou un résultat structuré qui fait avancer la tâche énoncée et peut être vérifié à l’aide des éléments réellement fournis.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Clean up a dictated task note\n\nClean up this supplied transcript for a task tracker: "Um, ask Rina, no, ask Sam to review invoice INV-209 before Thursday. Keep Rina copied. It is 480 euros, not 840." Remove fillers and false starts while preserving the corrected owner, copied person, invoice ID, deadline and amount. Return one clear task sentence.One cleaned task sentence retaining the final owner, copy instruction, invoice ID, deadline and corrected amount.Check that Sam owns review, Rina is copied and the amount is 480 euros.inception/mercury-2Mercury 2 est le modèle textuel de raisonnement par diffusion d’Inception pour la programmation interactive, la recherche et les processus d’agents. Le raffinement parallèle, un contexte de 128K, un raisonnement réglable, l’utilisation native d’outils et le JSON conforme au schéma aident à produire des réponses ciblées et des livrables structurés à partir de texte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mercury 2 est le modèle de langage de raisonnement d’Inception fondé sur la génération de texte par diffusion. Plutôt que de décoder seulement de gauche à droite de façon séquentielle, le modèle raffine plusieurs jetons en parallèle vers le résultat. Le fabricant développe ce profil pour des étapes interactives répétées en programmation, dans les agents, pour la récupération et pour l’extraction. Il accepte des consignes écrites et un contexte textuel, puis produit une réponse textuelle, du code, des données structurées ou des opérations d’outils proposées.
La description exacte du lancement indique un contexte de 128K, un raisonnement réglable, l’utilisation native d’outils et du JSON conforme au schéma. Ces fonctions appartiennent au profil documenté de Mercury 2, distinct du contexte ultérieur de Mercury 2.5 et des modèles spécialisés Voice, Router et Edit. Définissez explicitement la forme de réponse finale plutôt que de déduire une sortie vocale ou de montage du nom de la famille.
Pour une extraction simple, donnez les définitions des champs et le passage source. Pour une tâche de raisonnement, énoncez la condition complète et les contraintes à respecter. Une consigne pratique est : « Comparez cette implémentation aux exigences, repérez le premier écart et renvoyez une correction ciblée avec l’explication à l’appui. » Le résultat final doit rester lié à l’entrée même lorsque le modèle développe une analyse intermédiaire.
Le fabricant décrit la complétion automatique, les suggestions de prochaine modification, la refactorisation et les agents de programmation interactifs comme des tâches pertinentes. Fournissez l’implémentation environnante et désignez ce qui doit changer. Expliquez le comportement attendu et préservez les noms ou les interfaces publics que la révision doit conserver. Une modification proposée peut ensuite être examinée pour vérifier sa pertinence avant son application au projet réel.
Dans une tâche de développement guidée par des outils, le modèle choisit parmi les opérations fournies et l’application les exécute. Renvoyez les erreurs réelles, les extraits de code ou les observations de validation au tour suivant. L’implémentation générée et le résultat exécuté avec succès sont des livrables distincts; la tâche doit exiger l’observation qui établit son achèvement.
Les cas d’utilisation du fabricant de Mercury 2 comprennent la récupération à plusieurs étapes, le reclassement et le résumé. Donnez un objectif précis à chaque étape : la question à rechercher, les critères d’une source pertinente et les faits nécessaires à la réponse finale. Conservez les identifiants des sources dans tout le processus pour pouvoir rattacher un résumé à son contenu d’origine.
Une sortie structurée doit comporter des champs définis, des types clairs et une convention pour les renseignements manquants. La conformité au schéma concerne la représentation du résultat; comparez ses valeurs au document réel ou à l’observation d’outil. Dans une tâche qui se poursuit, conservez les constats utiles et les questions ouvertes plutôt que d’accumuler un historique sans rapport.
Mercury 2 peut fournir l’étape de génération textuelle d’une application vocale ou d’une autre application interactive. Son rôle documenté y est de produire les mots ou la décision utilisés par les composants qui l’entourent, lesquels gèrent l’audio et la lecture. Pour nettoyer une transcription, fournissez-la et précisez les formulations, les noms et le sens à préserver lors de la révision.
Le contexte de 128K contient ensemble les documents sources, la conversation et le contenu généré. Réservez de la place à la réponse finale, gardez la question visible au fil des révisions et évitez de traiter la capacité de contexte comme une capacité de sortie indépendante. Vérifiez les faits générés, le code et les champs extraits à partir de l’entrée d’origine. Le livrable utile est une réponse ciblée ou un résultat structuré qui fait avancer la tâche énoncée et peut être vérifié à l’aide des éléments réellement fournis.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inception/mercury-2 | 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 $0.0005 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00005 / 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 $0.0005 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00005 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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", "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',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',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
Utilisez les chemins de méthode indiqués ci-dessus.
inception/mercury-2Mercury 2 est le modèle textuel de raisonnement par diffusion d’Inception pour la programmation interactive, la recherche et les processus d’agents. Le raffinement parallèle, un contexte de 128K, un raisonnement réglable, l’utilisation native d’outils et le JSON conforme au schéma aident à produire des réponses ciblées et des livrables structurés à partir de texte.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mercury 2 est le modèle de langage de raisonnement d’Inception fondé sur la génération de texte par diffusion. Plutôt que de décoder seulement de gauche à droite de façon séquentielle, le modèle raffine plusieurs jetons en parallèle vers le résultat. Le fabricant développe ce profil pour des étapes interactives répétées en programmation, dans les agents, pour la récupération et pour l’extraction. Il accepte des consignes écrites et un contexte textuel, puis produit une réponse textuelle, du code, des données structurées ou des opérations d’outils proposées.
La description exacte du lancement indique un contexte de 128K, un raisonnement réglable, l’utilisation native d’outils et du JSON conforme au schéma. Ces fonctions appartiennent au profil documenté de Mercury 2, distinct du contexte ultérieur de Mercury 2.5 et des modèles spécialisés Voice, Router et Edit. Définissez explicitement la forme de réponse finale plutôt que de déduire une sortie vocale ou de montage du nom de la famille.
Pour une extraction simple, donnez les définitions des champs et le passage source. Pour une tâche de raisonnement, énoncez la condition complète et les contraintes à respecter. Une consigne pratique est : « Comparez cette implémentation aux exigences, repérez le premier écart et renvoyez une correction ciblée avec l’explication à l’appui. » Le résultat final doit rester lié à l’entrée même lorsque le modèle développe une analyse intermédiaire.
Le fabricant décrit la complétion automatique, les suggestions de prochaine modification, la refactorisation et les agents de programmation interactifs comme des tâches pertinentes. Fournissez l’implémentation environnante et désignez ce qui doit changer. Expliquez le comportement attendu et préservez les noms ou les interfaces publics que la révision doit conserver. Une modification proposée peut ensuite être examinée pour vérifier sa pertinence avant son application au projet réel.
Dans une tâche de développement guidée par des outils, le modèle choisit parmi les opérations fournies et l’application les exécute. Renvoyez les erreurs réelles, les extraits de code ou les observations de validation au tour suivant. L’implémentation générée et le résultat exécuté avec succès sont des livrables distincts; la tâche doit exiger l’observation qui établit son achèvement.
Les cas d’utilisation du fabricant de Mercury 2 comprennent la récupération à plusieurs étapes, le reclassement et le résumé. Donnez un objectif précis à chaque étape : la question à rechercher, les critères d’une source pertinente et les faits nécessaires à la réponse finale. Conservez les identifiants des sources dans tout le processus pour pouvoir rattacher un résumé à son contenu d’origine.
Une sortie structurée doit comporter des champs définis, des types clairs et une convention pour les renseignements manquants. La conformité au schéma concerne la représentation du résultat; comparez ses valeurs au document réel ou à l’observation d’outil. Dans une tâche qui se poursuit, conservez les constats utiles et les questions ouvertes plutôt que d’accumuler un historique sans rapport.
Mercury 2 peut fournir l’étape de génération textuelle d’une application vocale ou d’une autre application interactive. Son rôle documenté y est de produire les mots ou la décision utilisés par les composants qui l’entourent, lesquels gèrent l’audio et la lecture. Pour nettoyer une transcription, fournissez-la et précisez les formulations, les noms et le sens à préserver lors de la révision.
Le contexte de 128K contient ensemble les documents sources, la conversation et le contenu généré. Réservez de la place à la réponse finale, gardez la question visible au fil des révisions et évitez de traiter la capacité de contexte comme une capacité de sortie indépendante. Vérifiez les faits générés, le code et les champs extraits à partir de l’entrée d’origine. Le livrable utile est une réponse ciblée ou un résultat structuré qui fait avancer la tâche énoncée et peut être vérifié à l’aide des éléments réellement fournis.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inception/mercury-2 | 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 $0.0005 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00005 / 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 $0.0005 / 1K jetons Sortie · Jetons en sortie $0.0015 / 1K jetons Entrée · Lecture du cache $0.00005 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inception/mercury-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Clean up a dictated task note\n\nClean up this supplied transcript for a task tracker: "Um, ask Rina, no, ask Sam to review invoice INV-209 before Thursday. Keep Rina copied. It is 480 euros, not 840." Remove fillers and false starts while preserving the corrected owner, copied person, invoice ID, deadline and amount. Return one clear task sentence.One cleaned task sentence retaining the final owner, copy instruction, invoice ID, deadline and corrected amount.Check that Sam owns review, Rina is copied and the amount is 480 euros.