Hermes 4 405B est le modèle de raisonnement à mode hybride de Nous Research, fondé sur Llama 3.1 405B. Il accepte et produit du texte, notamment une réponse finale, du code, du JSON structuré ou le contenu d’un appel d’outil. Le producteur développe cette édition autour de traces de raisonnement vérifiées, d’une forte capacité d’orientation par l’utilisateur et de sorties respectant le format demandé, tout en conservant les tâches d’assistance générale et de création littéraire.
Le fabricant décrit un corpus de post-entraînement élargi à environ cinq millions d’exemples et soixante milliards de jetons, combinant données avec et sans raisonnement. Hermes 4 ajoute un mode explicite de raisonnement hybride, améliore le comportement visé en mathématiques, programmation, sciences, technologie, ingénierie et logique, et apprend à suivre des schémas JSON et à réparer des objets mal formés. Ces évolutions appartiennent à cette édition; la représentation des invites et les comportements antérieurs de Hermes 3 ne doivent pas s’y substituer.
Pour une tâche de raisonnement, fournissez le problème complet, ses définitions et ses contraintes. Demandez la solution finale ou le livrable de code séparément de l’analyse intermédiaire. Voici une consigne pratique : « Comparez ces conditions à la solution proposée, repérez l’étape non étayée et renvoyez une conclusion corrigée avec les hypothèses sur lesquelles elle repose. »
Hermes 4 utilise le format de dialogue Llama 3 avec des en-têtes de rôle. Le producteur peut activer le raisonnement au moyen de l’indicateur thinking du gabarit de dialogue ou d’une instruction système définissant ce comportement. Lorsque le modèle réfléchit, cette réflexion est encadrée par ses marqueurs réservés avant la réponse finale. Des instructions système supplémentaires peuvent préciser le rôle, le style et le format de réponse.
La référence propose aussi keep_cots pour conserver le contenu de réflexion. Il s’agit d’une option de gabarit, pas d’une affirmation de mémoire illimitée. Gardez les faits acceptés et les exigences de la tâche explicites afin de distinguer les idées intermédiaires des constats finaux. Pour la rédaction, précisez le point de vue, le ton et les éléments à conserver; pour l’extraction, définissez l’enregistrement souhaité plutôt que de compter sur un style d’assistance sans limites précises.
Hermes 4 prend en charge les appels de fonctions intercalés avec le raisonnement dans un même tour de l’assistant. Les outils possèdent des noms, des descriptions et des schémas de paramètres, fournis par la représentation système du fabricant ou par le champ tools interprété par le gabarit. Le modèle émet des objets JSON d’appel encadrés de balises. L’application analyse et exécute la fonction sélectionnée, puis renvoie une réponse d’outil; le modèle peut alors poursuivre l’analyse et donner la réponse.
Pour un résultat JSON, fournissez le schéma et le sens de chaque champ. L’entraînement au respect des schémas ou à la réparation des objets mal formés ne prouve pas que chaque valeur renvoyée est factuelle. Comparez l’objet à la source, conservez les éléments étayant les champs extraits et validez les arguments proposés avant d’appliquer un appel de fonction.
La configuration publiée du modèle fixe max_position_embeddings à 131 072. Répartissez les sources, la conversation, le raisonnement, les résultats d’outils et la réponse dans le contexte du processus choisi; ce champ de positions n’est pas une limite ferme indépendante de sortie. Nous recommande une température de 0.6, top-p à 0.95 et top-k à 20 pour son profil d’échantillonnage de référence.
Un résultat utile est une réponse appuyée sur des sources, une proposition de code, un enregistrement structuré ou un passage rédigé dont les contraintes peuvent être vérifiées. Examinez le code généré dans l’application visée et utilisez les observations réellement retournées pour tout suivi. Gardez cette édition exacte Hermes 4 405B, son format de dialogue Llama et son processus hybride avec outils distincts des variantes plus petites, du ChatML de Hermes 3 et des autres modèles dérivés de Llama.
", "aboutText": "Hermes 4 405B est le modèle de raisonnement à mode hybride de Nous Research, fondé sur Llama 3.1 405B. Il accepte et produit du texte, notamment une réponse finale, du code, du JSON structuré ou le contenu d’un appel d’outil. Le producteur développe cette édition autour de traces de raisonnement vérifiées, d’une forte capacité d’orientation par l’utilisateur et de sorties respectant le format demandé, tout en conservant les tâches d’assistance générale et de création littéraire.\n\n### Évolutions par rapport à Hermes 3\n\nLe fabricant décrit un corpus de post-entraînement élargi à environ cinq millions d’exemples et soixante milliards de jetons, combinant données avec et sans raisonnement. Hermes 4 ajoute un mode explicite de raisonnement hybride, améliore le comportement visé en mathématiques, programmation, sciences, technologie, ingénierie et logique, et apprend à suivre des schémas JSON et à réparer des objets mal formés. Ces évolutions appartiennent à cette édition; la représentation des invites et les comportements antérieurs de Hermes 3 ne doivent pas s’y substituer.\n\nPour une tâche de raisonnement, fournissez le problème complet, ses définitions et ses contraintes. Demandez la solution finale ou le livrable de code séparément de l’analyse intermédiaire. Voici une consigne pratique : « Comparez ces conditions à la solution proposée, repérez l’étape non étayée et renvoyez une conclusion corrigée avec les hypothèses sur lesquelles elle repose. »\n\n### Format des invites et réflexion\n\nHermes 4 utilise le format de dialogue Llama 3 avec des en-têtes de rôle. Le producteur peut activer le raisonnement au moyen de l’indicateur thinking du gabarit de dialogue ou d’une instruction système définissant ce comportement. Lorsque le modèle réfléchit, cette réflexion est encadrée par ses marqueurs réservés avant la réponse finale. Des instructions système supplémentaires peuvent préciser le rôle, le style et le format de réponse.\n\nLa référence propose aussi keep_cots pour conserver le contenu de réflexion. Il s’agit d’une option de gabarit, pas d’une affirmation de mémoire illimitée. Gardez les faits acceptés et les exigences de la tâche explicites afin de distinguer les idées intermédiaires des constats finaux. Pour la rédaction, précisez le point de vue, le ton et les éléments à conserver; pour l’extraction, définissez l’enregistrement souhaité plutôt que de compter sur un style d’assistance sans limites précises.\n\n### Outils et sorties structurées\n\nHermes 4 prend en charge les appels de fonctions intercalés avec le raisonnement dans un même tour de l’assistant. Les outils possèdent des noms, des descriptions et des schémas de paramètres, fournis par la représentation système du fabricant ou par le champ tools interprété par le gabarit. Le modèle émet des objets JSON d’appel encadrés de balises. L’application analyse et exécute la fonction sélectionnée, puis renvoie une réponse d’outil; le modèle peut alors poursuivre l’analyse et donner la réponse.\n\nPour un résultat JSON, fournissez le schéma et le sens de chaque champ. L’entraînement au respect des schémas ou à la réparation des objets mal formés ne prouve pas que chaque valeur renvoyée est factuelle. Comparez l’objet à la source, conservez les éléments étayant les champs extraits et validez les arguments proposés avant d’appliquer un appel de fonction.\n\n### Contexte et recommandations de génération\n\nLa configuration publiée du modèle fixe max_position_embeddings à 131 072. Répartissez les sources, la conversation, le raisonnement, les résultats d’outils et la réponse dans le contexte du processus choisi; ce champ de positions n’est pas une limite ferme indépendante de sortie. Nous recommande une température de 0.6, top-p à 0.95 et top-k à 20 pour son profil d’échantillonnage de référence.\n\nUn résultat utile est une réponse appuyée sur des sources, une proposition de code, un enregistrement structuré ou un passage rédigé dont les contraintes peuvent être vérifiées. Examinez le code généré dans l’application visée et utilisez les observations réellement retournées pour tout suivi. Gardez cette édition exacte Hermes 4 405B, son format de dialogue Llama et son processus hybride avec outils distincts des variantes plus petites, du ChatML de Hermes 3 et des autres modèles dérivés de Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair an extracted record\n\nRepair this draft record using only the source sentence. Source: 'Shipment R18 contains 14 blue lamps; delivery date is not yet agreed.' Draft: {shipment: 'R18', quantity: '41', colour: 'blue', delivery_date: 'Friday'}. Return valid JSON with shipment, quantity, colour and delivery_date; quantity must be an integer and an unknown date must be null. Briefly list the corrected fields afterward.A requested JSON object with corrected quantity and unknown date, followed by a brief correction list.Parsing succeeds and no field contradicts the source; quantity is 14 and delivery_date is null.nousresearch/hermes-4-405bHermes 4 405B est le modèle textuel à raisonnement hybride de Nous Research, fondé sur Llama 3.1 405B. Il associe dialogue orientable, réflexion explicite, JSON appris à partir de schémas et appels de fonctions intercalés pour les mathématiques, la programmation, l’analyse et la création littéraire encadrée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Hermes 4 405B est le modèle de raisonnement à mode hybride de Nous Research, fondé sur Llama 3.1 405B. Il accepte et produit du texte, notamment une réponse finale, du code, du JSON structuré ou le contenu d’un appel d’outil. Le producteur développe cette édition autour de traces de raisonnement vérifiées, d’une forte capacité d’orientation par l’utilisateur et de sorties respectant le format demandé, tout en conservant les tâches d’assistance générale et de création littéraire.
Le fabricant décrit un corpus de post-entraînement élargi à environ cinq millions d’exemples et soixante milliards de jetons, combinant données avec et sans raisonnement. Hermes 4 ajoute un mode explicite de raisonnement hybride, améliore le comportement visé en mathématiques, programmation, sciences, technologie, ingénierie et logique, et apprend à suivre des schémas JSON et à réparer des objets mal formés. Ces évolutions appartiennent à cette édition; la représentation des invites et les comportements antérieurs de Hermes 3 ne doivent pas s’y substituer.
Pour une tâche de raisonnement, fournissez le problème complet, ses définitions et ses contraintes. Demandez la solution finale ou le livrable de code séparément de l’analyse intermédiaire. Voici une consigne pratique : « Comparez ces conditions à la solution proposée, repérez l’étape non étayée et renvoyez une conclusion corrigée avec les hypothèses sur lesquelles elle repose. »
Hermes 4 utilise le format de dialogue Llama 3 avec des en-têtes de rôle. Le producteur peut activer le raisonnement au moyen de l’indicateur thinking du gabarit de dialogue ou d’une instruction système définissant ce comportement. Lorsque le modèle réfléchit, cette réflexion est encadrée par ses marqueurs réservés avant la réponse finale. Des instructions système supplémentaires peuvent préciser le rôle, le style et le format de réponse.
La référence propose aussi keep_cots pour conserver le contenu de réflexion. Il s’agit d’une option de gabarit, pas d’une affirmation de mémoire illimitée. Gardez les faits acceptés et les exigences de la tâche explicites afin de distinguer les idées intermédiaires des constats finaux. Pour la rédaction, précisez le point de vue, le ton et les éléments à conserver; pour l’extraction, définissez l’enregistrement souhaité plutôt que de compter sur un style d’assistance sans limites précises.
Hermes 4 prend en charge les appels de fonctions intercalés avec le raisonnement dans un même tour de l’assistant. Les outils possèdent des noms, des descriptions et des schémas de paramètres, fournis par la représentation système du fabricant ou par le champ tools interprété par le gabarit. Le modèle émet des objets JSON d’appel encadrés de balises. L’application analyse et exécute la fonction sélectionnée, puis renvoie une réponse d’outil; le modèle peut alors poursuivre l’analyse et donner la réponse.
Pour un résultat JSON, fournissez le schéma et le sens de chaque champ. L’entraînement au respect des schémas ou à la réparation des objets mal formés ne prouve pas que chaque valeur renvoyée est factuelle. Comparez l’objet à la source, conservez les éléments étayant les champs extraits et validez les arguments proposés avant d’appliquer un appel de fonction.
La configuration publiée du modèle fixe max_position_embeddings à 131 072. Répartissez les sources, la conversation, le raisonnement, les résultats d’outils et la réponse dans le contexte du processus choisi; ce champ de positions n’est pas une limite ferme indépendante de sortie. Nous recommande une température de 0.6, top-p à 0.95 et top-k à 20 pour son profil d’échantillonnage de référence.
Un résultat utile est une réponse appuyée sur des sources, une proposition de code, un enregistrement structuré ou un passage rédigé dont les contraintes peuvent être vérifiées. Examinez le code généré dans l’application visée et utilisez les observations réellement retournées pour tout suivi. Gardez cette édition exacte Hermes 4 405B, son format de dialogue Llama et son processus hybride avec outils distincts des variantes plus petites, du ChatML de Hermes 3 et des autres modèles dérivés de Llama.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nousresearch/hermes-4-405b | 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 $0.002 / 1K jetons Sortie · Jetons en sortie $0.006 / 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 requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.002 / 1K jetons Sortie · Jetons en sortie $0.006 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nousresearch/hermes-4-405b", "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='nousresearch/hermes-4-405b',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='nousresearch/hermes-4-405b',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 nousresearch/hermes-4-405b
Utilisez les chemins de méthode indiqués ci-dessus.
nousresearch/hermes-4-405bHermes 4 405B est le modèle textuel à raisonnement hybride de Nous Research, fondé sur Llama 3.1 405B. Il associe dialogue orientable, réflexion explicite, JSON appris à partir de schémas et appels de fonctions intercalés pour les mathématiques, la programmation, l’analyse et la création littéraire encadrée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Hermes 4 405B est le modèle de raisonnement à mode hybride de Nous Research, fondé sur Llama 3.1 405B. Il accepte et produit du texte, notamment une réponse finale, du code, du JSON structuré ou le contenu d’un appel d’outil. Le producteur développe cette édition autour de traces de raisonnement vérifiées, d’une forte capacité d’orientation par l’utilisateur et de sorties respectant le format demandé, tout en conservant les tâches d’assistance générale et de création littéraire.
Le fabricant décrit un corpus de post-entraînement élargi à environ cinq millions d’exemples et soixante milliards de jetons, combinant données avec et sans raisonnement. Hermes 4 ajoute un mode explicite de raisonnement hybride, améliore le comportement visé en mathématiques, programmation, sciences, technologie, ingénierie et logique, et apprend à suivre des schémas JSON et à réparer des objets mal formés. Ces évolutions appartiennent à cette édition; la représentation des invites et les comportements antérieurs de Hermes 3 ne doivent pas s’y substituer.
Pour une tâche de raisonnement, fournissez le problème complet, ses définitions et ses contraintes. Demandez la solution finale ou le livrable de code séparément de l’analyse intermédiaire. Voici une consigne pratique : « Comparez ces conditions à la solution proposée, repérez l’étape non étayée et renvoyez une conclusion corrigée avec les hypothèses sur lesquelles elle repose. »
Hermes 4 utilise le format de dialogue Llama 3 avec des en-têtes de rôle. Le producteur peut activer le raisonnement au moyen de l’indicateur thinking du gabarit de dialogue ou d’une instruction système définissant ce comportement. Lorsque le modèle réfléchit, cette réflexion est encadrée par ses marqueurs réservés avant la réponse finale. Des instructions système supplémentaires peuvent préciser le rôle, le style et le format de réponse.
La référence propose aussi keep_cots pour conserver le contenu de réflexion. Il s’agit d’une option de gabarit, pas d’une affirmation de mémoire illimitée. Gardez les faits acceptés et les exigences de la tâche explicites afin de distinguer les idées intermédiaires des constats finaux. Pour la rédaction, précisez le point de vue, le ton et les éléments à conserver; pour l’extraction, définissez l’enregistrement souhaité plutôt que de compter sur un style d’assistance sans limites précises.
Hermes 4 prend en charge les appels de fonctions intercalés avec le raisonnement dans un même tour de l’assistant. Les outils possèdent des noms, des descriptions et des schémas de paramètres, fournis par la représentation système du fabricant ou par le champ tools interprété par le gabarit. Le modèle émet des objets JSON d’appel encadrés de balises. L’application analyse et exécute la fonction sélectionnée, puis renvoie une réponse d’outil; le modèle peut alors poursuivre l’analyse et donner la réponse.
Pour un résultat JSON, fournissez le schéma et le sens de chaque champ. L’entraînement au respect des schémas ou à la réparation des objets mal formés ne prouve pas que chaque valeur renvoyée est factuelle. Comparez l’objet à la source, conservez les éléments étayant les champs extraits et validez les arguments proposés avant d’appliquer un appel de fonction.
La configuration publiée du modèle fixe max_position_embeddings à 131 072. Répartissez les sources, la conversation, le raisonnement, les résultats d’outils et la réponse dans le contexte du processus choisi; ce champ de positions n’est pas une limite ferme indépendante de sortie. Nous recommande une température de 0.6, top-p à 0.95 et top-k à 20 pour son profil d’échantillonnage de référence.
Un résultat utile est une réponse appuyée sur des sources, une proposition de code, un enregistrement structuré ou un passage rédigé dont les contraintes peuvent être vérifiées. Examinez le code généré dans l’application visée et utilisez les observations réellement retournées pour tout suivi. Gardez cette édition exacte Hermes 4 405B, son format de dialogue Llama et son processus hybride avec outils distincts des variantes plus petites, du ChatML de Hermes 3 et des autres modèles dérivés de Llama.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nousresearch/hermes-4-405b | 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 $0.002 / 1K jetons Sortie · Jetons en sortie $0.006 / 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 requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.002 / 1K jetons Sortie · Jetons en sortie $0.006 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "nousresearch/hermes-4-405b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nousresearch/hermes-4-405b', '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': 'nousresearch/hermes-4-405b', '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 nousresearch/hermes-4-405b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair an extracted record\n\nRepair this draft record using only the source sentence. Source: 'Shipment R18 contains 14 blue lamps; delivery date is not yet agreed.' Draft: {shipment: 'R18', quantity: '41', colour: 'blue', delivery_date: 'Friday'}. Return valid JSON with shipment, quantity, colour and delivery_date; quantity must be an integer and an unknown date must be null. Briefly list the corrected fields afterward.A requested JSON object with corrected quantity and unknown date, followed by a brief correction list.Parsing succeeds and no field contradicts the source; quantity is 14 and delivery_date is null.