models

Meta: Llama 3.1 70B Instruct

Markdown · JSON

Meta: Llama 3.1 70B Instruct

Llama 3.1 70B Instruct est le modèle textuel de Meta pour le dialogue multilingue, le raisonnement documentaire et le code. Sa version de 70 milliards de paramètres ajustée aux instructions utilise l’attention à requêtes groupées, un contexte fabricant de 128k et des formats conversationnels documentés d’appels d’outils, avec une sortie en texte et en code.

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Llama 3.1 70B Instruct est le modèle textuel de Meta à 70 milliards de paramètres, optimisé pour le dialogue multilingue et les demandes de type assistant. C’est un point de contrôle ajusté aux instructions dans une famille qui comprend aussi les tailles 8B et 405B et des modèles préentraînés distincts. Il accepte du texte et renvoie du texte multilingue ou du code; l’édition nommée 70B conserve sa propre taille et son identité.

Information sur le modèle et entraînement

La version utilise une architecture Transformer autorégressive avec attention à requêtes groupées. Les modèles ajustés sont alignés par ajustement fin supervisé et apprentissage par renforcement avec rétroaction humaine. Ce sont des étapes d’entraînement pour un comportement conversationnel utile, et non un commutateur d’exécution nommé entre des modes distincts avec et sans raisonnement.

Le fabricant documente un contexte de 128k pour les modèles textuels et prend officiellement en charge l’anglais, l’allemand, le français, l’italien, le portugais, l’hindi, l’espagnol et le thaï. L’entraînement comprend un ensemble linguistique plus large, ce qui ne rend pas chaque langue également prise en charge. Précisez la langue de sortie, la terminologie et le lecteur avant de demander un livrable multilingue.

Le corpus de préentraînement de la famille est décrit comme comptant environ quinze billions de jetons, avec une limite fixée à décembre 2023. L’ajustement fin comprend des jeux de données d’instructions et plus de vingt-cinq millions d’exemples synthétiques. Cette limite concerne les données d’entraînement; une question qui dépend d’information plus récente ou privée exige que cette information soit fournie dans la tâche ou renvoyée par une source connectée.

Clavardage de type assistant et analyse de sources

L’édition Instruct vise à répondre à une demande conversationnelle, tandis que la version préentraînée est une fondation adaptable à d’autres tâches de génération. Pour une réponse fondée sur des sources, fournissez la question et les passages qui déterminent le résultat. Identifiez les sources et demandez la section ou l’énoncé justificatif à côté de chaque constat.

Une comparaison pratique peut fournir deux procédures et demander leurs conditions communes, leurs différences et leurs conflits non résolus. Le guide qui en résulte peut conserver la séquence originale et les conditions dans lesquelles chaque action s’applique. Une tâche de révision documentaire peut préciser le public, les faits qui doivent être conservés et si le livrable final doit être un passage révisé seul ou accompagné d’une explication.

Pour une réponse plus longue, nommez les sections requises et l’objectif de chacune. Un grand contexte peut conserver du contenu connexe ensemble tandis que le résultat final demeure une matrice ou une explication concise. L’identité des sources et une question bien définie importent davantage que la simple inclusion de tous les documents disponibles.

Code et exemples générés

La sortie documentée comprend du code. Pour une implémentation proposée, fournissez le langage, les types d’entrées, le résultat attendu et l’interface qui doit rester compatible. Incluez le fragment existant et les déclarations pertinentes lorsqu’il s’agit d’une correction. Demandez le code séparément de ses hypothèses et de ses exemples pour que l’étape suivante de développement puisse l’inspecter.

Pour une explication de code, fournissez l’entrée à suivre et demandez comment la fonction fournie atteint sa valeur de retour. Pour une explication mathématique, définissez les symboles et les hypothèses et précisez si le résultat doit être exact, approximatif ou une preuve. La génération de code et le raisonnement écrit ne compilent pas eux-mêmes un programme et n’exécutent pas un calcul.

Le fabricant identifie aussi la génération de données synthétiques et la distillation comme usages de la famille. Une tâche textuelle peut demander des exemples variés dans un format précisé, en conservant les règles fournies. La pertinence de ces exemples pour un entraînement ultérieur est une décision distincte de l’application; la sortie textuelle seule ne constitue pas une vérification indépendante de leur exactitude.

Format de conversation et outils

La fiche montre des messages système et utilisateur distincts avec le gabarit de clavardage correspondant. Utilisez l’instruction système pour le rôle, le ton et les règles de réponse durables, tandis que la demande utilisateur contient le problème réel et les sources. Conservez les messages antérieurs pertinents lors d’un suivi qui s’appuie sur une réponse précédente.

Llama 3.1 prend en charge plusieurs formats documentés d’utilisation d’outils. L’application fournit les fonctions et les paramètres, le modèle prépare un appel proposé, l’application l’exécute et ajoute son résultat à la conversation. Une génération ultérieure peut utiliser ce résultat. Le court exemple de la fiche montre explicitement l’ajout de l’appel de l’assistant, puis du résultat de l’outil; sélectionner une fonction est distinct de terminer son opération.

Pour une recherche, précisez l’information requise et définissez la fonction qui la renvoie. Conservez la valeur réellement renvoyée avec l’appel d’origine avant de demander l’explication finale. Pour un calcul, distinguez l’opération proposée par le modèle du résultat renvoyé par la calculatrice. Le formatage natif des outils et la représentation visible d’une interface d’encapsulation doivent conserver leurs propres conventions documentées.

Édition et limites pratiques

Le paramètre de génération de 256 jetons de la fiche consultée est un exemple d’utilisation plutôt qu’une capacité maximale de sortie énoncée séparément. Le contexte de 128k concerne le contenu et la conversation générée dans la version configurée. N’y substituez pas le contexte ou les capacités visuelles de Llama 4 ni la taille d’un autre point de contrôle Llama 3.1.

Il s’agit d’un modèle Instruct exclusivement textuel. Une image, un enregistrement ou une vidéo exige que son contenu pertinent soit préparé par un autre composant. La recherche externe, l’exécution de programmes et les modifications de fichiers relèvent aussi de l’application connectée à l’assistant. Préservez l’édition exacte 70B Instruct et demandez l’explication liée aux sources, le document révisé, le code ou le texte structuré requis par la tâche.

Cas pratique

Cas pratique

Exemple technique en anglais

Produce a bilingual maintenance notice

Write a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.

Résultat attendu

Two labelled language blocks with equivalent three-sentence notices.

Vérifier le résultat

Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta-llama/llama-3.1-70b-instruct

meta-llama/llama-3.1-70b-instruct

Meta /meta-llama/llama-3.1-70b-instruct

Pour commencer

Llama 3.1 70B Instruct est le modèle textuel de Meta pour le dialogue multilingue, le raisonnement documentaire et le code. Sa version de 70 milliards de paramètres ajustée aux instructions utilise l’attention à requêtes groupées, un contexte fabricant de 128k et des formats conversationnels documentés d’appels d’outils, avec une sortie en texte et en code.

Entrées acceptées
Texte
Résultats
Texte

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Entrée
text
Sortie
text
Format de sortie
json ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
meta-llama/llama-3.1-70b-instruct
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Par défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs 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[].contentTypestring|content_part[]|nullExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].tool_callsTypetool_call[]ExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].tool_call_idTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé
Par défaut—
Champmessages[].nameTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champmessages[].reasoning_contentTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise
Par défaut—
Champmessages[].reasoning_detailsTypeobject|arrayExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champmax_tokensTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Selon le modèle
Par défaut—
Champmax_completion_tokensTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Selon le modèle
Par défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Champstream_options.include_usageTypebooleanExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChamptemperatureTypenumberExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champtop_pTypenumberExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampstopTypestring|string[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChamptoolsTypefunction_tool[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champtools[].typeTypestringExigenceFacultatifValeurs et limites
function
Selon le modèle
Par défaut—
Champtools[].function.nameTypestringExigenceObligatoireValeurs et limites
S’applique lorsque: Fonction fournie comme outil
Par défaut—
Champtools[].function.descriptionTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champtools[].function.parametersTypeJSON_schemaExigenceFacultatifValeurs et limitesPar défaut—
Champtool_choiceTypestring|objectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champparallel_tool_callsTypebooleanExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champresponse_formatTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champreasoning_effortTypestringExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampreasoningTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champservice_tierTypestringExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampinstructionsTypestringExigenceFacultatifValeurs et limites
Champ de compatibilité
Par défaut—
ChampfunctionsTypefunction[]ExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champfunction_callTypestring|objectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
Champprompt_cache_optionsTypeobjectExigenceFacultatifValeurs et limites
Selon le modèle
Par défaut—
ChampmodalitiesTypestring[]ExigenceFacultatifValeurs et limites
text
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé sur cette route textuelle Ultra
Par défaut—
Champcache_control.ttlTypestringExigenceFacultatifValeurs et limites
Conditions: La valeur 1h est refusée là où le cache des prompts est configuré
Par défaut—
Combinaisons d’éléments d’entrée

Texte · Texte UTF8

messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages
Paramètrematerial_typesContrattext
ParamètremessagesContratTableau de messages avec une structure role/content
Paramètrefile_materialContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit
Paramètreoptional_controlsContratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Paramètrecontrol_scopeContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés
Paramètreoutput_modalitiesContrattext
Paramètrehosted_operationsContratfalse
Paramètremultimodal_input_bindingContratnull

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.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireJetons de contexte, plus deJetons de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseJetons de contexte, plus de—Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.00144 / 1K jetons
Sortie · Jetons en sortie $0.00144 / 1K jetons
Entrée · Lecture du cache — / 1K jetons
Entrée · Écriture dans le cache — / 1K jetons
Entrée · Écriture dans le cache, 1 h — / 1K jetons
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Jetons de contexte, plus de0Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.00144 / 1K jetons
Sortie · Jetons en sortie $0.00144 / 1K jetons
Entrée · Lecture du cache — / 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 →

Exemples de requêtes

Ailoot Ultra · OpenAI Chat

curlPython SDKStreaming Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta-llama/llama-3.1-70b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta-llama/llama-3.1-70b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta-llama/llama-3.1-70b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Recevoir et enregistrer les résultats

Ailoot Ultra · OpenAI Chat

json ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.

Champs de la réponse
ChampType
Champchoices[].indexTypeinteger
Champchoices[].message.contentTypestring|null
Champchoices[].message.tool_callsTypetool_call[]
Champchoices[].message.reasoning_contentTypestring
Champchoices[].message.reasoning_detailsTypeobject|array
Champchoices[].finish_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalidesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra meta-llama/llama-3.1-70b-instruct

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

meta-llama/llama-3.1-70b-instruct

Ailoot Ultra · Anthropic Messages POST /v1/messages meta-llama/llama-3.1-70b-instruct

meta-llama/llama-3.1-70b-instruct

Meta /meta-llama/llama-3.1-70b-instruct

Pour commencer

Llama 3.1 70B Instruct est le modèle textuel de Meta pour le dialogue multilingue, le raisonnement documentaire et le code. Sa version de 70 milliards de paramètres ajustée aux instructions utilise l’attention à requêtes groupées, un contexte fabricant de 128k et des formats conversationnels documentés d’appels d’outils, avec une sortie en texte et en code.

Entrées acceptées
Texte
Résultats
json · sse

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Anthropic Messages POST /v1/messages
Entrée
text
Sortie
json, sse
Format de sortie
JSON ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
meta-llama/llama-3.1-70b-instruct
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limitesPar défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs et limites
user, assistant
Par défaut—
Champmessages[].contentTypestringExigenceObligatoireValeurs et limitesPar défaut—
Champmax_tokensTypeintegerExigenceObligatoireValeurs et limitesPar défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Combinaisons d’éléments d’entrée

Texte · Texte UTF-8

Chaîne messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages, max_tokens
Paramètreoptional_controlsContratstream
Paramètrematerial_typesContrattext
Paramètretext_file_materialContratLisez 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

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireJetons de contexte, plus deJetons de contexte, jusqu’à la limite incluseCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseJetons de contexte, plus de—Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.00144 / 1K jetons
Sortie · Jetons en sortie $0.00144 / 1K jetons
Entrée · Lecture du cache — / 1K jetons
Entrée · Écriture dans le cache — / 1K jetons
Entrée · Écriture dans le cache, 1 h — / 1K jetons
ConfigurationPalier 1 de longueur de requêteBarème tarifaire—Jetons de contexte, plus de0Jetons de contexte, jusqu’à la limite incluseSans borne supérieureCoût
Entrée · Jetons en entrée $0.00144 / 1K jetons
Sortie · Jetons en sortie $0.00144 / 1K jetons
Entrée · Lecture du cache — / 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 →

Exemples de requêtes

Ailoot Ultra · Anthropic Messages

Corps JSON minimal completcurl · utilisez votre document UTF-8Python · enregistrez le résultat complet
{
  "model": "meta-llama/llama-3.1-70b-instruct",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.1-70b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.1-70b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Recevoir et enregistrer les résultats

Ailoot Ultra · Anthropic Messages

JSON ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.

Champs de la réponse
ChampType
ChampidTypestring
ChampmodelTypestring
Champcontent[]Typetext|thinking|tool_use|other content block
Champstop_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalidesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra meta-llama/llama-3.1-70b-instruct

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

meta-llama/llama-3.1-70b-instruct

FAQ · Meta: Llama 3.1 70B Instruct
Quelles entrées et quels résultats sont disponibles ?

POST /v1/chat/completions · meta-llama/llama-3.1-70b-instruct: text → text

POST /v1/messages · meta-llama/llama-3.1-70b-instruct: text → json, sse

Quels champs la requête utilise-t-elle ?

POST /v1/chat/completions · meta-llama/llama-3.1-70b-instruct: model, messages, stream, modalities, provider

POST /v1/messages · meta-llama/llama-3.1-70b-instruct: model, messages, max_tokens, stream

Quelles limites s’appliquent ?

POST /v1/chat/completions · meta-llama/llama-3.1-70b-instruct: messages.min_items: 1

Plus de détails

Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application.

L’entreprise et son portefeuille de projets

L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois.

Achetez des tokens à prix réduit.

Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens.

Abonnement
Choisissez une offre à tarif réduit pour vos requêtes régulières.
Code promo jusqu’à 50%
Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours.
Dépenses dans l’historique
Modèle, tokens et montant sont enregistrés pour chaque requête.

Choisir un abonnement · Voir les prix des modèles

Connectez l’API au produit que vous vendez.

SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur.

Application commerciale
Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service.
Licence revendeur
Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente.
Documents sur le site
L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion.

Demander une licence revendeur · Offre officielle et contrat de licence