Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le destine au travail de bureau quotidien, au génie logiciel prolongé et aux processus d’agents complexes. Il utilise une architecture à mélange d’experts comptant environ 560 milliards de paramètres au total, dont environ 25 milliards sont actifs pour chaque jeton, associant une grande capacité de modèle à une quantité plus faible de calcul actif.
Son principal objectif de conception est de maintenir l’état d’une tâche et de corriger la trajectoire d’un travail prolongé. Dans un processus connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser l’étape suivante lorsque les éléments probants changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, repérez les causes non résolues et produisez un plan d’enquête par ordre de priorité. Pour chaque action, indiquez les éléments nécessaires pour déterminer si elle a fonctionné. » Cette consigne transforme une demande vague en un résultat qui peut être examiné et poursuivi.
Pour le travail de bureau, les entrées utiles comprennent des notes sources, du texte extrait de documents, des tableaux aux colonnes clairement définies et le public visé par un rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit, comme une note de synthèse pour la direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les variations les plus importantes, distinguez les valeurs observées des hypothèses et rédigez une note se terminant par les questions sans réponse. » Gardez les étiquettes des sources avec l’entrée pour pouvoir rattacher les affirmations résultantes au bon document.
Pour le développement logiciel, le fabricant souligne la refactorisation entre langages, l’optimisation des performances et l’analyse des zones fréquemment utilisées d’un code source. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les sorties en échec ou les mesures disponibles. Une demande utile sollicite une modification proposée et les vérifications nécessaires à son évaluation : « Refactorisez cet analyseur tout en préservant le format de sortie documenté. Expliquez le comportement touché, montrez le code révisé et désignez les cas qui révéleraient une régression. » Pour les performances, fournissez des profils ou des durées réels et demandez de relier chaque recommandation à un goulot d’étranglement mesuré.
Pour une analyse professionnelle, rassemblez les règles, les définitions et les éléments probants pertinents avant de demander une recommandation. Ling 3.1 Flash vise à synthétiser des renseignements dispersés, à interpréter des indicateurs et à proposer des actions. Demandez une comparaison qui nomme les hypothèses et les renseignements encore nécessaires plutôt qu’un verdict sans appui. Par exemple, fournissez plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en séparant les observations appuyées par les sources des conséquences déduites. Lorsque les éléments se contredisent, demandez les passages contradictoires et la question qui permettrait de les départager.
Le fabricant distingue un plafond de contexte du modèle de 1M de jetons du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents de travail selon la fenêtre applicable et réservez de la place à la réponse; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant d’entrée. Pour une grande tâche, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références sources. Délimitez explicitement les documents et le code pour éviter de confondre le contenu à analyser avec les consignes à suivre.
Préparez les tâches connectées à des outils avec des descriptions d’outils claires, les arguments attendus et des relevés de résultats utiles. Renvoyez les résultats réels dans la conversation pour que la proposition suivante repose sur des observations. Demandez au modèle d’expliquer ce qu’un résultat renvoyé change et quels éléments manquent encore. La conception du modèle orientée vers les agents prend en charge ce schéma de planification et de rétroaction; l’application qui l’entoure exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposé est surtout utile lorsque son statut est clair : proposé, exécuté avec un résultat enregistré ou encore en attente de vérification.
Ling 3.1 Flash appartient à la gamme de modèles de langage; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez le contenu source textuel et conservez sa structure, ses étiquettes et sa provenance. Précisez la langue et la forme de la sortie, comme une note concise, un tableau de constats, une explication de correctif ou un plan numéroté. Demandez au modèle de signaler les renseignements manquants et vérifiez le livrable demandé selon les contraintes d’origine. Les processus prolongés exigent toujours l’examen des résultats intermédiaires : une hypothèse erronée précoce peut sinon se propager au raisonnement ultérieur et prendre la forme d’un rapport final convaincant.
", "aboutText": "Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le destine au travail de bureau quotidien, au génie logiciel prolongé et aux processus d’agents complexes. Il utilise une architecture à mélange d’experts comptant environ 560 milliards de paramètres au total, dont environ 25 milliards sont actifs pour chaque jeton, associant une grande capacité de modèle à une quantité plus faible de calcul actif.\n\nSon principal objectif de conception est de maintenir l’état d’une tâche et de corriger la trajectoire d’un travail prolongé. Dans un processus connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser l’étape suivante lorsque les éléments probants changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, repérez les causes non résolues et produisez un plan d’enquête par ordre de priorité. Pour chaque action, indiquez les éléments nécessaires pour déterminer si elle a fonctionné. » Cette consigne transforme une demande vague en un résultat qui peut être examiné et poursuivi.\n\nPour le travail de bureau, les entrées utiles comprennent des notes sources, du texte extrait de documents, des tableaux aux colonnes clairement définies et le public visé par un rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit, comme une note de synthèse pour la direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les variations les plus importantes, distinguez les valeurs observées des hypothèses et rédigez une note se terminant par les questions sans réponse. » Gardez les étiquettes des sources avec l’entrée pour pouvoir rattacher les affirmations résultantes au bon document.\n\nPour le développement logiciel, le fabricant souligne la refactorisation entre langages, l’optimisation des performances et l’analyse des zones fréquemment utilisées d’un code source. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les sorties en échec ou les mesures disponibles. Une demande utile sollicite une modification proposée et les vérifications nécessaires à son évaluation : « Refactorisez cet analyseur tout en préservant le format de sortie documenté. Expliquez le comportement touché, montrez le code révisé et désignez les cas qui révéleraient une régression. » Pour les performances, fournissez des profils ou des durées réels et demandez de relier chaque recommandation à un goulot d’étranglement mesuré.\n\nPour une analyse professionnelle, rassemblez les règles, les définitions et les éléments probants pertinents avant de demander une recommandation. Ling 3.1 Flash vise à synthétiser des renseignements dispersés, à interpréter des indicateurs et à proposer des actions. Demandez une comparaison qui nomme les hypothèses et les renseignements encore nécessaires plutôt qu’un verdict sans appui. Par exemple, fournissez plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en séparant les observations appuyées par les sources des conséquences déduites. Lorsque les éléments se contredisent, demandez les passages contradictoires et la question qui permettrait de les départager.\n\nLe fabricant distingue un plafond de contexte du modèle de 1M de jetons du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents de travail selon la fenêtre applicable et réservez de la place à la réponse; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant d’entrée. Pour une grande tâche, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références sources. Délimitez explicitement les documents et le code pour éviter de confondre le contenu à analyser avec les consignes à suivre.\n\nPréparez les tâches connectées à des outils avec des descriptions d’outils claires, les arguments attendus et des relevés de résultats utiles. Renvoyez les résultats réels dans la conversation pour que la proposition suivante repose sur des observations. Demandez au modèle d’expliquer ce qu’un résultat renvoyé change et quels éléments manquent encore. La conception du modèle orientée vers les agents prend en charge ce schéma de planification et de rétroaction; l’application qui l’entoure exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposé est surtout utile lorsque son statut est clair : proposé, exécuté avec un résultat enregistré ou encore en attente de vérification.\n\nLing 3.1 Flash appartient à la gamme de modèles de langage; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez le contenu source textuel et conservez sa structure, ses étiquettes et sa provenance. Précisez la langue et la forme de la sortie, comme une note concise, un tableau de constats, une explication de correctif ou un plan numéroté. Demandez au modèle de signaler les renseignements manquants et vérifiez le livrable demandé selon les contraintes d’origine. Les processus prolongés exigent toujours l’examen des résultats intermédiaires : une hypothèse erronée précoce peut sinon se propager au raisonnement ultérieur et prendre la forme d’un rapport final convaincant.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "32d720f85df1bef9e00023e284055909d984f016f193921506a3f687d2f94818", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour le travail de bureau, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par jeton, pour la planification à plusieurs étapes, l’interaction avec des outils et les révisions fondées sur des résultats intermédiaires.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le destine au travail de bureau quotidien, au génie logiciel prolongé et aux processus d’agents complexes. Il utilise une architecture à mélange d’experts comptant environ 560 milliards de paramètres au total, dont environ 25 milliards sont actifs pour chaque jeton, associant une grande capacité de modèle à une quantité plus faible de calcul actif.
Son principal objectif de conception est de maintenir l’état d’une tâche et de corriger la trajectoire d’un travail prolongé. Dans un processus connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser l’étape suivante lorsque les éléments probants changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, repérez les causes non résolues et produisez un plan d’enquête par ordre de priorité. Pour chaque action, indiquez les éléments nécessaires pour déterminer si elle a fonctionné. » Cette consigne transforme une demande vague en un résultat qui peut être examiné et poursuivi.
Pour le travail de bureau, les entrées utiles comprennent des notes sources, du texte extrait de documents, des tableaux aux colonnes clairement définies et le public visé par un rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit, comme une note de synthèse pour la direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les variations les plus importantes, distinguez les valeurs observées des hypothèses et rédigez une note se terminant par les questions sans réponse. » Gardez les étiquettes des sources avec l’entrée pour pouvoir rattacher les affirmations résultantes au bon document.
Pour le développement logiciel, le fabricant souligne la refactorisation entre langages, l’optimisation des performances et l’analyse des zones fréquemment utilisées d’un code source. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les sorties en échec ou les mesures disponibles. Une demande utile sollicite une modification proposée et les vérifications nécessaires à son évaluation : « Refactorisez cet analyseur tout en préservant le format de sortie documenté. Expliquez le comportement touché, montrez le code révisé et désignez les cas qui révéleraient une régression. » Pour les performances, fournissez des profils ou des durées réels et demandez de relier chaque recommandation à un goulot d’étranglement mesuré.
Pour une analyse professionnelle, rassemblez les règles, les définitions et les éléments probants pertinents avant de demander une recommandation. Ling 3.1 Flash vise à synthétiser des renseignements dispersés, à interpréter des indicateurs et à proposer des actions. Demandez une comparaison qui nomme les hypothèses et les renseignements encore nécessaires plutôt qu’un verdict sans appui. Par exemple, fournissez plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en séparant les observations appuyées par les sources des conséquences déduites. Lorsque les éléments se contredisent, demandez les passages contradictoires et la question qui permettrait de les départager.
Le fabricant distingue un plafond de contexte du modèle de 1M de jetons du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents de travail selon la fenêtre applicable et réservez de la place à la réponse; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant d’entrée. Pour une grande tâche, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références sources. Délimitez explicitement les documents et le code pour éviter de confondre le contenu à analyser avec les consignes à suivre.
Préparez les tâches connectées à des outils avec des descriptions d’outils claires, les arguments attendus et des relevés de résultats utiles. Renvoyez les résultats réels dans la conversation pour que la proposition suivante repose sur des observations. Demandez au modèle d’expliquer ce qu’un résultat renvoyé change et quels éléments manquent encore. La conception du modèle orientée vers les agents prend en charge ce schéma de planification et de rétroaction; l’application qui l’entoure exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposé est surtout utile lorsque son statut est clair : proposé, exécuté avec un résultat enregistré ou encore en attente de vérification.
Ling 3.1 Flash appartient à la gamme de modèles de langage; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez le contenu source textuel et conservez sa structure, ses étiquettes et sa provenance. Précisez la langue et la forme de la sortie, comme une note concise, un tableau de constats, une explication de correctif ou un plan numéroté. Demandez au modèle de signaler les renseignements manquants et vérifiez le livrable demandé selon les contraintes d’origine. Les processus prolongés exigent toujours l’examen des résultats intermédiaires : une hypothèse erronée précoce peut sinon se propager au raisonnement ultérieur et prendre la forme d’un rapport final convaincant.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inclusionai/ling-3.1-flash | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
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 $0.0006 / 1K jetons Sortie · Jetons en sortie $0.0018 / 1K jetons Entrée · Lecture du cache $0.00012 / 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 $0.0006 / 1K jetons Sortie · Jetons en sortie $0.0018 / 1K jetons Entrée · Lecture du cache $0.00012 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour le travail de bureau, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par jeton, pour la planification à plusieurs étapes, l’interaction avec des outils et les révisions fondées sur des résultats intermédiaires.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le destine au travail de bureau quotidien, au génie logiciel prolongé et aux processus d’agents complexes. Il utilise une architecture à mélange d’experts comptant environ 560 milliards de paramètres au total, dont environ 25 milliards sont actifs pour chaque jeton, associant une grande capacité de modèle à une quantité plus faible de calcul actif.
Son principal objectif de conception est de maintenir l’état d’une tâche et de corriger la trajectoire d’un travail prolongé. Dans un processus connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser l’étape suivante lorsque les éléments probants changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, repérez les causes non résolues et produisez un plan d’enquête par ordre de priorité. Pour chaque action, indiquez les éléments nécessaires pour déterminer si elle a fonctionné. » Cette consigne transforme une demande vague en un résultat qui peut être examiné et poursuivi.
Pour le travail de bureau, les entrées utiles comprennent des notes sources, du texte extrait de documents, des tableaux aux colonnes clairement définies et le public visé par un rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit, comme une note de synthèse pour la direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les variations les plus importantes, distinguez les valeurs observées des hypothèses et rédigez une note se terminant par les questions sans réponse. » Gardez les étiquettes des sources avec l’entrée pour pouvoir rattacher les affirmations résultantes au bon document.
Pour le développement logiciel, le fabricant souligne la refactorisation entre langages, l’optimisation des performances et l’analyse des zones fréquemment utilisées d’un code source. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les sorties en échec ou les mesures disponibles. Une demande utile sollicite une modification proposée et les vérifications nécessaires à son évaluation : « Refactorisez cet analyseur tout en préservant le format de sortie documenté. Expliquez le comportement touché, montrez le code révisé et désignez les cas qui révéleraient une régression. » Pour les performances, fournissez des profils ou des durées réels et demandez de relier chaque recommandation à un goulot d’étranglement mesuré.
Pour une analyse professionnelle, rassemblez les règles, les définitions et les éléments probants pertinents avant de demander une recommandation. Ling 3.1 Flash vise à synthétiser des renseignements dispersés, à interpréter des indicateurs et à proposer des actions. Demandez une comparaison qui nomme les hypothèses et les renseignements encore nécessaires plutôt qu’un verdict sans appui. Par exemple, fournissez plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en séparant les observations appuyées par les sources des conséquences déduites. Lorsque les éléments se contredisent, demandez les passages contradictoires et la question qui permettrait de les départager.
Le fabricant distingue un plafond de contexte du modèle de 1M de jetons du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents de travail selon la fenêtre applicable et réservez de la place à la réponse; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant d’entrée. Pour une grande tâche, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références sources. Délimitez explicitement les documents et le code pour éviter de confondre le contenu à analyser avec les consignes à suivre.
Préparez les tâches connectées à des outils avec des descriptions d’outils claires, les arguments attendus et des relevés de résultats utiles. Renvoyez les résultats réels dans la conversation pour que la proposition suivante repose sur des observations. Demandez au modèle d’expliquer ce qu’un résultat renvoyé change et quels éléments manquent encore. La conception du modèle orientée vers les agents prend en charge ce schéma de planification et de rétroaction; l’application qui l’entoure exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposé est surtout utile lorsque son statut est clair : proposé, exécuté avec un résultat enregistré ou encore en attente de vérification.
Ling 3.1 Flash appartient à la gamme de modèles de langage; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez le contenu source textuel et conservez sa structure, ses étiquettes et sa provenance. Précisez la langue et la forme de la sortie, comme une note concise, un tableau de constats, une explication de correctif ou un plan numéroté. Demandez au modèle de signaler les renseignements manquants et vérifiez le livrable demandé selon les contraintes d’origine. Les processus prolongés exigent toujours l’examen des résultats intermédiaires : une hypothèse erronée précoce peut sinon se propager au raisonnement ultérieur et prendre la forme d’un rapport final convaincant.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inclusionai/ling-3.1-flash | 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 $0.0006 / 1K jetons Sortie · Jetons en sortie $0.0018 / 1K jetons Entrée · Lecture du cache $0.00012 / 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 $0.0006 / 1K jetons Sortie · Jetons en sortie $0.0018 / 1K jetons Entrée · Lecture du cache $0.00012 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions