Hunyuan A13B Instruct est le modèle de langue à mélange d’experts de Tencent, ajusté pour suivre des consignes, pour les tâches générales de texte et de raisonnement. Son fournisseur précise 80 milliards de paramètres au total, dont 13B actifs. L’attention à requêtes groupées et l’activation parcimonieuse contribuent à son efficacité. Il reste distinct de la base préentraînée et des éléments instruct quantifiés publiés séparément.
La réflexion hybride est une fonctionnalité explicite de cette édition. La réflexion lente est le mode par défaut et produit une étape de raisonnement avant la réponse finale. La réflexion rapide saute cette étape et retourne directement la réponse. Les conventions d’invite et de gabarit de conversation du fabricant sélectionnent ces comportements; elles ne définissent pas une échelle d’effort low, medium, high et xhigh.
Le fournisseur décrit un contexte complet de 256K, soit 262 144 jetons, tandis que sa configuration par défaut limite le contexte à 32K pour réduire la pression sur la mémoire. L’activation du contexte complet exige le modèle et la configuration de service appropriés. Son déploiement recommandé pour le contexte long utilise quatre appareils de 96 GB avec le modèle et le cache en bfloat16, et indique qu’un cache FP8 peut affecter la qualité de génération. Ce sont des conditions de déploiement du fournisseur, et non une promesse concernant une route de modèle donnée.
Pour le raisonnement sur un long document, fournissez le contenu pertinent et définissez la question, les contraintes et le rapport à retourner. Demandez des passages à l’appui et précisez comment traiter l’absence d’éléments de preuve. Pour le code ou les mathématiques, incluez l’implémentation ou les prémisses et demandez la réponse proposée avec les étapes ou les vérifications nécessaires à son évaluation.
Le modèle vise aussi les tâches d’agent et d’appel de fonctions. Le fabricant publie un analyseur dédié et un exemple d’agent pour ses appels d’outils générés. L’application fournit les définitions d’outils, exécute un appel proposé et retourne le résultat. Gardez l’appel et son observation ensemble pour que l’échange suivant puisse se poursuivre à partir de ce qui s’est produit.
Choisissez le mode de réflexion selon la tâche : une réponse directe peut servir une consigne ciblée, tandis qu’une étape de raisonnement peut appuyer une analyse à étapes dépendantes. Précisez le livrable final souhaité et conservez les contraintes actives au fil des suivis. Vérifiez le texte, le code ou l’appel proposé par rapport au travail initial et aux éléments fournis par l’application qui l’entoure.
", "aboutText": "Hunyuan A13B Instruct est le modèle de langue à mélange d’experts de Tencent, ajusté pour suivre des consignes, pour les tâches générales de texte et de raisonnement. Son fournisseur précise 80 milliards de paramètres au total, dont 13B actifs. L’attention à requêtes groupées et l’activation parcimonieuse contribuent à son efficacité. Il reste distinct de la base préentraînée et des éléments instruct quantifiés publiés séparément.\n\nLa réflexion hybride est une fonctionnalité explicite de cette édition. La réflexion lente est le mode par défaut et produit une étape de raisonnement avant la réponse finale. La réflexion rapide saute cette étape et retourne directement la réponse. Les conventions d’invite et de gabarit de conversation du fabricant sélectionnent ces comportements; elles ne définissent pas une échelle d’effort low, medium, high et xhigh.\n\nLe fournisseur décrit un contexte complet de 256K, soit 262 144 jetons, tandis que sa configuration par défaut limite le contexte à 32K pour réduire la pression sur la mémoire. L’activation du contexte complet exige le modèle et la configuration de service appropriés. Son déploiement recommandé pour le contexte long utilise quatre appareils de 96 GB avec le modèle et le cache en bfloat16, et indique qu’un cache FP8 peut affecter la qualité de génération. Ce sont des conditions de déploiement du fournisseur, et non une promesse concernant une route de modèle donnée.\n\nPour le raisonnement sur un long document, fournissez le contenu pertinent et définissez la question, les contraintes et le rapport à retourner. Demandez des passages à l’appui et précisez comment traiter l’absence d’éléments de preuve. Pour le code ou les mathématiques, incluez l’implémentation ou les prémisses et demandez la réponse proposée avec les étapes ou les vérifications nécessaires à son évaluation.\n\nLe modèle vise aussi les tâches d’agent et d’appel de fonctions. Le fabricant publie un analyseur dédié et un exemple d’agent pour ses appels d’outils générés. L’application fournit les définitions d’outils, exécute un appel proposé et retourne le résultat. Gardez l’appel et son observation ensemble pour que l’échange suivant puisse se poursuivre à partir de ce qui s’est produit.\n\nChoisissez le mode de réflexion selon la tâche : une réponse directe peut servir une consigne ciblée, tandis qu’une étape de raisonnement peut appuyer une analyse à étapes dépendantes. Précisez le livrable final souhaité et conservez les contraintes actives au fil des suivis. Vérifiez le texte, le code ou l’appel proposé par rapport au travail initial et aux éléments fournis par l’application qui l’entoure.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Check a routing rule against cases\n\nA workshop rule says: route wooden items to bench W; route metal items to bench M; mixed-material items require supervisor review. A draft sends anything containing wood to W. Evaluate cases 'wood only', 'metal only' and 'wood plus metal'. Return the first rule conflict and a corrected decision sequence without adding new material categories.A case analysis and corrected routing sequence preserving the mixed-material exception.The wood-plus-metal item must go to supervisor review rather than directly to W.tencent/hunyuan-a13b-instructHunyuan A13B Instruct de Tencent est un modèle textuel MoE de 80B paramètres, dont 13B actifs, avec réflexion hybride. Il prend en charge un contexte étendu de 256K et les tâches orientées outils, avec une réflexion lente par défaut et un choix de réponse directe.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Hunyuan A13B Instruct est le modèle de langue à mélange d’experts de Tencent, ajusté pour suivre des consignes, pour les tâches générales de texte et de raisonnement. Son fournisseur précise 80 milliards de paramètres au total, dont 13B actifs. L’attention à requêtes groupées et l’activation parcimonieuse contribuent à son efficacité. Il reste distinct de la base préentraînée et des éléments instruct quantifiés publiés séparément.
La réflexion hybride est une fonctionnalité explicite de cette édition. La réflexion lente est le mode par défaut et produit une étape de raisonnement avant la réponse finale. La réflexion rapide saute cette étape et retourne directement la réponse. Les conventions d’invite et de gabarit de conversation du fabricant sélectionnent ces comportements; elles ne définissent pas une échelle d’effort low, medium, high et xhigh.
Le fournisseur décrit un contexte complet de 256K, soit 262 144 jetons, tandis que sa configuration par défaut limite le contexte à 32K pour réduire la pression sur la mémoire. L’activation du contexte complet exige le modèle et la configuration de service appropriés. Son déploiement recommandé pour le contexte long utilise quatre appareils de 96 GB avec le modèle et le cache en bfloat16, et indique qu’un cache FP8 peut affecter la qualité de génération. Ce sont des conditions de déploiement du fournisseur, et non une promesse concernant une route de modèle donnée.
Pour le raisonnement sur un long document, fournissez le contenu pertinent et définissez la question, les contraintes et le rapport à retourner. Demandez des passages à l’appui et précisez comment traiter l’absence d’éléments de preuve. Pour le code ou les mathématiques, incluez l’implémentation ou les prémisses et demandez la réponse proposée avec les étapes ou les vérifications nécessaires à son évaluation.
Le modèle vise aussi les tâches d’agent et d’appel de fonctions. Le fabricant publie un analyseur dédié et un exemple d’agent pour ses appels d’outils générés. L’application fournit les définitions d’outils, exécute un appel proposé et retourne le résultat. Gardez l’appel et son observation ensemble pour que l’échange suivant puisse se poursuivre à partir de ce qui s’est produit.
Choisissez le mode de réflexion selon la tâche : une réponse directe peut servir une consigne ciblée, tandis qu’une étape de raisonnement peut appuyer une analyse à étapes dépendantes. Précisez le livrable final souhaité et conservez les contraintes actives au fil des suivis. Vérifiez le texte, le code ou l’appel proposé par rapport au travail initial et aux éléments fournis par l’application qui l’entoure.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites tencent/hunyuan-a13b-instruct | 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 $0.00028 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 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 $0.00028 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "tencent/hunyuan-a13b-instruct", "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='tencent/hunyuan-a13b-instruct',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='tencent/hunyuan-a13b-instruct',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 tencent/hunyuan-a13b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
tencent/hunyuan-a13b-instructHunyuan A13B Instruct de Tencent est un modèle textuel MoE de 80B paramètres, dont 13B actifs, avec réflexion hybride. Il prend en charge un contexte étendu de 256K et les tâches orientées outils, avec une réflexion lente par défaut et un choix de réponse directe.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Hunyuan A13B Instruct est le modèle de langue à mélange d’experts de Tencent, ajusté pour suivre des consignes, pour les tâches générales de texte et de raisonnement. Son fournisseur précise 80 milliards de paramètres au total, dont 13B actifs. L’attention à requêtes groupées et l’activation parcimonieuse contribuent à son efficacité. Il reste distinct de la base préentraînée et des éléments instruct quantifiés publiés séparément.
La réflexion hybride est une fonctionnalité explicite de cette édition. La réflexion lente est le mode par défaut et produit une étape de raisonnement avant la réponse finale. La réflexion rapide saute cette étape et retourne directement la réponse. Les conventions d’invite et de gabarit de conversation du fabricant sélectionnent ces comportements; elles ne définissent pas une échelle d’effort low, medium, high et xhigh.
Le fournisseur décrit un contexte complet de 256K, soit 262 144 jetons, tandis que sa configuration par défaut limite le contexte à 32K pour réduire la pression sur la mémoire. L’activation du contexte complet exige le modèle et la configuration de service appropriés. Son déploiement recommandé pour le contexte long utilise quatre appareils de 96 GB avec le modèle et le cache en bfloat16, et indique qu’un cache FP8 peut affecter la qualité de génération. Ce sont des conditions de déploiement du fournisseur, et non une promesse concernant une route de modèle donnée.
Pour le raisonnement sur un long document, fournissez le contenu pertinent et définissez la question, les contraintes et le rapport à retourner. Demandez des passages à l’appui et précisez comment traiter l’absence d’éléments de preuve. Pour le code ou les mathématiques, incluez l’implémentation ou les prémisses et demandez la réponse proposée avec les étapes ou les vérifications nécessaires à son évaluation.
Le modèle vise aussi les tâches d’agent et d’appel de fonctions. Le fabricant publie un analyseur dédié et un exemple d’agent pour ses appels d’outils générés. L’application fournit les définitions d’outils, exécute un appel proposé et retourne le résultat. Gardez l’appel et son observation ensemble pour que l’échange suivant puisse se poursuivre à partir de ce qui s’est produit.
Choisissez le mode de réflexion selon la tâche : une réponse directe peut servir une consigne ciblée, tandis qu’une étape de raisonnement peut appuyer une analyse à étapes dépendantes. Précisez le livrable final souhaité et conservez les contraintes actives au fil des suivis. Vérifiez le texte, le code ou l’appel proposé par rapport au travail initial et aux éléments fournis par l’application qui l’entoure.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites tencent/hunyuan-a13b-instruct | 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 $0.00028 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 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 $0.00028 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "tencent/hunyuan-a13b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'tencent/hunyuan-a13b-instruct', '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': 'tencent/hunyuan-a13b-instruct', '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 tencent/hunyuan-a13b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Check a routing rule against cases\n\nA workshop rule says: route wooden items to bench W; route metal items to bench M; mixed-material items require supervisor review. A draft sends anything containing wood to W. Evaluate cases 'wood only', 'metal only' and 'wood plus metal'. Return the first rule conflict and a corrected decision sequence without adding new material categories.A case analysis and corrected routing sequence preserving the mixed-material exception.The wood-plus-metal item must go to supervisor review rather than directly to W.