Inkling-Small est le modèle multimodal à poids ouverts de plus petite taille de Thinking Machines Lab pour le raisonnement, le code, la conversation et les applications utilisant des outils. Il accepte du texte, des images et de l’audio et produit du texte. Sa conception à mélange d’experts compte 276 milliards de paramètres au total, dont 12 milliards actifs, comparativement aux 975 milliards au total et aux 41 milliards actifs d’Inkling. Small est un modèle publié distinct avec un autre équilibre entre efficacité et capacités, et non un mode de sortie plus courte d’Inkling.
Pour une investigation de code, fournissez les fichiers touchés, le comportement observé et la modification nécessaire, puis demandez le chemin responsable et une correction ciblée. Un livrable final utile comprend la modification proposée et les éléments issus des vérifications réellement exécutées par l’application connectée. Pour un assistant de soutien, fournissez la politique pertinente et les faits de la conversation et demandez la prochaine réponse ou la question manquante. Les usages visés comprennent les assistants de code, les agents conversationnels, les réponses augmentées par récupération et les systèmes agentiques avec outils d’application.
La fenêtre de contexte atteint un million de jetons. Organisez un long dépôt ou un ensemble de documents avec des noms de fichiers, des étiquettes de sections et une question claire, en conservant les faits qu’une étape ultérieure devra utiliser. Une grande fenêtre est utile pour comparer des informations éloignées, mais le résultat demandé doit rester précis : une modification de code, une explication fondée sur des sources ou des champs extraits. L’information nouvelle ou privée doit figurer dans les éléments fournis ou les résultats de récupération retournés, plutôt que d’être supposée faire partie des connaissances apprises.
L’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclusivement à moins de 1.0, avec les préréglages none, minimal, low, medium, high et xhigh correspondant à 0.0, 0.1, 0.2, 0.7, 0.9 et 0.99. Le moteur de rendu du fournisseur utilise high par défaut. Un effort plus élevé peut favoriser plus de raisonnement et demander un budget de génération supérieur, mais ne garantit pas une réponse plus longue ou plus exacte. Une valeur de zéro oriente le modèle vers l’absence de raisonnement sans imposer son absence stricte. Choisissez l’effort selon la tâche et gardez l’exigence de sortie finale claire.
Les images peuvent servir aux questions visuelles, à l’interprétation de graphiques ou de diagrammes et au raisonnement mathématique à partir d’information visible. Pour de bonnes performances, utilisez des images dont les dimensions se situent entre 40 et 4 096 pixels. Préservez la lisibilité des étiquettes et expliquez le détail important. Avec un outil Python configuré, le modèle peut combiner le raisonnement visuel avec le recadrage, le zoom et l’examen par programmation d’un document ou d’un graphique. Ces opérations doivent être exécutées par l’environnement d’outils connecté; la réponse écrite doit utiliser les observations qu’il retourne.
L’entrée audio est WAV échantillonné à 16 kHz, avec des enregistrements idéalement de moins de deux minutes pour des performances optimales. C’est une recommandation de préparation, et non une garantie stricte de durée. Utilisez une question parlée pertinente ou un court clip et précisez si le résultat écrit doit transcrire la parole, répondre à une question sur l’enregistrement ou relier son contenu à d’autres éléments fournis. La réponse native est textuelle plutôt que vocale. La recommandation distincte d’Inkling pour l’audio plus long ne doit pas être transférée à l’édition Small.
Les flux utilisant des outils nécessitent des descriptions utiles des outils, des définitions d’arguments et les résultats des opérations exécutées par l’application. Gardez le résultat d’une consultation, d’un calcul ou d’une observation de fichier distinct de l’action proposée par le modèle. Pour un écart dans un graphique, identifiez les étiquettes pertinentes, examinez les valeurs fournies avec un outil de calcul et demandez une explication qui cite ces valeurs. Le modèle est entraîné pour divers environnements de code et d’agents; la tâche et les outils qui l’entourent doivent donc être décrits plutôt que laissés implicites.
Les poids ouverts permettent la recherche sur les modèles, l’ajustement fin et l’intégration à des produits en aval. La version Inkling-Small suit un point de contrôle preview antérieur et comprend de l’entraînement supplémentaire pour le code agentique; le modèle final et cette preview doivent conserver des identités distinctes. Pour une extraction ou un style de réponse spécialisé, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Une invite ordinaire fournit plutôt du contexte pour la requête actuelle; elle ne crée pas de modèle nouvellement entraîné et ne bascule pas vers un tel modèle.
Une vérification utile du résultat confirme que la modification de code proposée, la transcription, les faits extraits ou la réponse écrite correspondent aux éléments fournis. Précisez comment l’incertitude et l’information manquante doivent apparaître, surtout pour une prévision ou une réponse factuelle dont la source est incomplète. Le fabricant a entraîné Inkling-Small pour calibrer les prévisions par apprentissage par renforcement selon des règles de score propres sur des questions réelles, afin d’exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations des outils avec le livrable pour qu’un suivi puisse réviser un point sans perdre la tâche d’origine. Les capacités générales multilingues et multimodales d’Inkling-Small demeurent distinctes d’un générateur vocal dédié ou d’un service d’action externe garanti.
", "aboutText": "Inkling-Small est le modèle multimodal à poids ouverts de plus petite taille de Thinking Machines Lab pour le raisonnement, le code, la conversation et les applications utilisant des outils. Il accepte du texte, des images et de l’audio et produit du texte. Sa conception à mélange d’experts compte 276 milliards de paramètres au total, dont 12 milliards actifs, comparativement aux 975 milliards au total et aux 41 milliards actifs d’Inkling. Small est un modèle publié distinct avec un autre équilibre entre efficacité et capacités, et non un mode de sortie plus courte d’Inkling.\n\nPour une investigation de code, fournissez les fichiers touchés, le comportement observé et la modification nécessaire, puis demandez le chemin responsable et une correction ciblée. Un livrable final utile comprend la modification proposée et les éléments issus des vérifications réellement exécutées par l’application connectée. Pour un assistant de soutien, fournissez la politique pertinente et les faits de la conversation et demandez la prochaine réponse ou la question manquante. Les usages visés comprennent les assistants de code, les agents conversationnels, les réponses augmentées par récupération et les systèmes agentiques avec outils d’application.\n\nLa fenêtre de contexte atteint un million de jetons. Organisez un long dépôt ou un ensemble de documents avec des noms de fichiers, des étiquettes de sections et une question claire, en conservant les faits qu’une étape ultérieure devra utiliser. Une grande fenêtre est utile pour comparer des informations éloignées, mais le résultat demandé doit rester précis : une modification de code, une explication fondée sur des sources ou des champs extraits. L’information nouvelle ou privée doit figurer dans les éléments fournis ou les résultats de récupération retournés, plutôt que d’être supposée faire partie des connaissances apprises.\n\nL’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclusivement à moins de 1.0, avec les préréglages none, minimal, low, medium, high et xhigh correspondant à 0.0, 0.1, 0.2, 0.7, 0.9 et 0.99. Le moteur de rendu du fournisseur utilise high par défaut. Un effort plus élevé peut favoriser plus de raisonnement et demander un budget de génération supérieur, mais ne garantit pas une réponse plus longue ou plus exacte. Une valeur de zéro oriente le modèle vers l’absence de raisonnement sans imposer son absence stricte. Choisissez l’effort selon la tâche et gardez l’exigence de sortie finale claire.\n\nLes images peuvent servir aux questions visuelles, à l’interprétation de graphiques ou de diagrammes et au raisonnement mathématique à partir d’information visible. Pour de bonnes performances, utilisez des images dont les dimensions se situent entre 40 et 4 096 pixels. Préservez la lisibilité des étiquettes et expliquez le détail important. Avec un outil Python configuré, le modèle peut combiner le raisonnement visuel avec le recadrage, le zoom et l’examen par programmation d’un document ou d’un graphique. Ces opérations doivent être exécutées par l’environnement d’outils connecté; la réponse écrite doit utiliser les observations qu’il retourne.\n\nL’entrée audio est WAV échantillonné à 16 kHz, avec des enregistrements idéalement de moins de deux minutes pour des performances optimales. C’est une recommandation de préparation, et non une garantie stricte de durée. Utilisez une question parlée pertinente ou un court clip et précisez si le résultat écrit doit transcrire la parole, répondre à une question sur l’enregistrement ou relier son contenu à d’autres éléments fournis. La réponse native est textuelle plutôt que vocale. La recommandation distincte d’Inkling pour l’audio plus long ne doit pas être transférée à l’édition Small.\n\nLes flux utilisant des outils nécessitent des descriptions utiles des outils, des définitions d’arguments et les résultats des opérations exécutées par l’application. Gardez le résultat d’une consultation, d’un calcul ou d’une observation de fichier distinct de l’action proposée par le modèle. Pour un écart dans un graphique, identifiez les étiquettes pertinentes, examinez les valeurs fournies avec un outil de calcul et demandez une explication qui cite ces valeurs. Le modèle est entraîné pour divers environnements de code et d’agents; la tâche et les outils qui l’entourent doivent donc être décrits plutôt que laissés implicites.\n\nLes poids ouverts permettent la recherche sur les modèles, l’ajustement fin et l’intégration à des produits en aval. La version Inkling-Small suit un point de contrôle preview antérieur et comprend de l’entraînement supplémentaire pour le code agentique; le modèle final et cette preview doivent conserver des identités distinctes. Pour une extraction ou un style de réponse spécialisé, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Une invite ordinaire fournit plutôt du contexte pour la requête actuelle; elle ne crée pas de modèle nouvellement entraîné et ne bascule pas vers un tel modèle.\n\nUne vérification utile du résultat confirme que la modification de code proposée, la transcription, les faits extraits ou la réponse écrite correspondent aux éléments fournis. Précisez comment l’incertitude et l’information manquante doivent apparaître, surtout pour une prévision ou une réponse factuelle dont la source est incomplète. Le fabricant a entraîné Inkling-Small pour calibrer les prévisions par apprentissage par renforcement selon des règles de score propres sur des questions réelles, afin d’exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations des outils avec le livrable pour qu’un suivi puisse réviser un point sans perdre la tâche d’origine. Les capacités générales multilingues et multimodales d’Inkling-Small demeurent distinctes d’un générateur vocal dédié ou d’un service d’action externe garanti.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8d441a68cc04d54c074862483125c75b92a825d489f163e5cba719113586f677", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "thinkingmachines/inkling-small:freeInkling-Small est un modèle multimodal à poids ouverts pour le code, l’utilisation d’outils et le raisonnement sur du texte, des images et du son. Son effort de raisonnement réglable et son grand contexte permettent des tâches applicatives ciblées avec des résultats écrits, à l’aide d’un modèle actif plus petit que celui d’Inkling.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Inkling-Small est le modèle multimodal à poids ouverts de plus petite taille de Thinking Machines Lab pour le raisonnement, le code, la conversation et les applications utilisant des outils. Il accepte du texte, des images et de l’audio et produit du texte. Sa conception à mélange d’experts compte 276 milliards de paramètres au total, dont 12 milliards actifs, comparativement aux 975 milliards au total et aux 41 milliards actifs d’Inkling. Small est un modèle publié distinct avec un autre équilibre entre efficacité et capacités, et non un mode de sortie plus courte d’Inkling.
Pour une investigation de code, fournissez les fichiers touchés, le comportement observé et la modification nécessaire, puis demandez le chemin responsable et une correction ciblée. Un livrable final utile comprend la modification proposée et les éléments issus des vérifications réellement exécutées par l’application connectée. Pour un assistant de soutien, fournissez la politique pertinente et les faits de la conversation et demandez la prochaine réponse ou la question manquante. Les usages visés comprennent les assistants de code, les agents conversationnels, les réponses augmentées par récupération et les systèmes agentiques avec outils d’application.
La fenêtre de contexte atteint un million de jetons. Organisez un long dépôt ou un ensemble de documents avec des noms de fichiers, des étiquettes de sections et une question claire, en conservant les faits qu’une étape ultérieure devra utiliser. Une grande fenêtre est utile pour comparer des informations éloignées, mais le résultat demandé doit rester précis : une modification de code, une explication fondée sur des sources ou des champs extraits. L’information nouvelle ou privée doit figurer dans les éléments fournis ou les résultats de récupération retournés, plutôt que d’être supposée faire partie des connaissances apprises.
L’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclusivement à moins de 1.0, avec les préréglages none, minimal, low, medium, high et xhigh correspondant à 0.0, 0.1, 0.2, 0.7, 0.9 et 0.99. Le moteur de rendu du fournisseur utilise high par défaut. Un effort plus élevé peut favoriser plus de raisonnement et demander un budget de génération supérieur, mais ne garantit pas une réponse plus longue ou plus exacte. Une valeur de zéro oriente le modèle vers l’absence de raisonnement sans imposer son absence stricte. Choisissez l’effort selon la tâche et gardez l’exigence de sortie finale claire.
Les images peuvent servir aux questions visuelles, à l’interprétation de graphiques ou de diagrammes et au raisonnement mathématique à partir d’information visible. Pour de bonnes performances, utilisez des images dont les dimensions se situent entre 40 et 4 096 pixels. Préservez la lisibilité des étiquettes et expliquez le détail important. Avec un outil Python configuré, le modèle peut combiner le raisonnement visuel avec le recadrage, le zoom et l’examen par programmation d’un document ou d’un graphique. Ces opérations doivent être exécutées par l’environnement d’outils connecté; la réponse écrite doit utiliser les observations qu’il retourne.
L’entrée audio est WAV échantillonné à 16 kHz, avec des enregistrements idéalement de moins de deux minutes pour des performances optimales. C’est une recommandation de préparation, et non une garantie stricte de durée. Utilisez une question parlée pertinente ou un court clip et précisez si le résultat écrit doit transcrire la parole, répondre à une question sur l’enregistrement ou relier son contenu à d’autres éléments fournis. La réponse native est textuelle plutôt que vocale. La recommandation distincte d’Inkling pour l’audio plus long ne doit pas être transférée à l’édition Small.
Les flux utilisant des outils nécessitent des descriptions utiles des outils, des définitions d’arguments et les résultats des opérations exécutées par l’application. Gardez le résultat d’une consultation, d’un calcul ou d’une observation de fichier distinct de l’action proposée par le modèle. Pour un écart dans un graphique, identifiez les étiquettes pertinentes, examinez les valeurs fournies avec un outil de calcul et demandez une explication qui cite ces valeurs. Le modèle est entraîné pour divers environnements de code et d’agents; la tâche et les outils qui l’entourent doivent donc être décrits plutôt que laissés implicites.
Les poids ouverts permettent la recherche sur les modèles, l’ajustement fin et l’intégration à des produits en aval. La version Inkling-Small suit un point de contrôle preview antérieur et comprend de l’entraînement supplémentaire pour le code agentique; le modèle final et cette preview doivent conserver des identités distinctes. Pour une extraction ou un style de réponse spécialisé, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Une invite ordinaire fournit plutôt du contexte pour la requête actuelle; elle ne crée pas de modèle nouvellement entraîné et ne bascule pas vers un tel modèle.
Une vérification utile du résultat confirme que la modification de code proposée, la transcription, les faits extraits ou la réponse écrite correspondent aux éléments fournis. Précisez comment l’incertitude et l’information manquante doivent apparaître, surtout pour une prévision ou une réponse factuelle dont la source est incomplète. Le fabricant a entraîné Inkling-Small pour calibrer les prévisions par apprentissage par renforcement selon des règles de score propres sur des questions réelles, afin d’exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations des outils avec le livrable pour qu’un suivi puisse réviser un point sans perdre la tâche d’origine. Les capacités générales multilingues et multimodales d’Inkling-Small demeurent distinctes d’un générateur vocal dédié ou d’un service d’action externe garanti.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites thinkingmachines/inkling-small:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 262 144 | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 262 144 | Par défaut— |
Champn | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 128 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champseed | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop | Type | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champfrequency_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champpresence_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional | Contratstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Cycle de vie : synchronous_json
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0 / 1K jetons Sortie · Jetons en sortie $0 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Utilisez les chemins de méthode indiqués ci-dessus.
thinkingmachines/inkling-small:freeInkling-Small est un modèle multimodal à poids ouverts pour le code, l’utilisation d’outils et le raisonnement sur du texte, des images et du son. Son effort de raisonnement réglable et son grand contexte permettent des tâches applicatives ciblées avec des résultats écrits, à l’aide d’un modèle actif plus petit que celui d’Inkling.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Inkling-Small est le modèle multimodal à poids ouverts de plus petite taille de Thinking Machines Lab pour le raisonnement, le code, la conversation et les applications utilisant des outils. Il accepte du texte, des images et de l’audio et produit du texte. Sa conception à mélange d’experts compte 276 milliards de paramètres au total, dont 12 milliards actifs, comparativement aux 975 milliards au total et aux 41 milliards actifs d’Inkling. Small est un modèle publié distinct avec un autre équilibre entre efficacité et capacités, et non un mode de sortie plus courte d’Inkling.
Pour une investigation de code, fournissez les fichiers touchés, le comportement observé et la modification nécessaire, puis demandez le chemin responsable et une correction ciblée. Un livrable final utile comprend la modification proposée et les éléments issus des vérifications réellement exécutées par l’application connectée. Pour un assistant de soutien, fournissez la politique pertinente et les faits de la conversation et demandez la prochaine réponse ou la question manquante. Les usages visés comprennent les assistants de code, les agents conversationnels, les réponses augmentées par récupération et les systèmes agentiques avec outils d’application.
La fenêtre de contexte atteint un million de jetons. Organisez un long dépôt ou un ensemble de documents avec des noms de fichiers, des étiquettes de sections et une question claire, en conservant les faits qu’une étape ultérieure devra utiliser. Une grande fenêtre est utile pour comparer des informations éloignées, mais le résultat demandé doit rester précis : une modification de code, une explication fondée sur des sources ou des champs extraits. L’information nouvelle ou privée doit figurer dans les éléments fournis ou les résultats de récupération retournés, plutôt que d’être supposée faire partie des connaissances apprises.
L’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclusivement à moins de 1.0, avec les préréglages none, minimal, low, medium, high et xhigh correspondant à 0.0, 0.1, 0.2, 0.7, 0.9 et 0.99. Le moteur de rendu du fournisseur utilise high par défaut. Un effort plus élevé peut favoriser plus de raisonnement et demander un budget de génération supérieur, mais ne garantit pas une réponse plus longue ou plus exacte. Une valeur de zéro oriente le modèle vers l’absence de raisonnement sans imposer son absence stricte. Choisissez l’effort selon la tâche et gardez l’exigence de sortie finale claire.
Les images peuvent servir aux questions visuelles, à l’interprétation de graphiques ou de diagrammes et au raisonnement mathématique à partir d’information visible. Pour de bonnes performances, utilisez des images dont les dimensions se situent entre 40 et 4 096 pixels. Préservez la lisibilité des étiquettes et expliquez le détail important. Avec un outil Python configuré, le modèle peut combiner le raisonnement visuel avec le recadrage, le zoom et l’examen par programmation d’un document ou d’un graphique. Ces opérations doivent être exécutées par l’environnement d’outils connecté; la réponse écrite doit utiliser les observations qu’il retourne.
L’entrée audio est WAV échantillonné à 16 kHz, avec des enregistrements idéalement de moins de deux minutes pour des performances optimales. C’est une recommandation de préparation, et non une garantie stricte de durée. Utilisez une question parlée pertinente ou un court clip et précisez si le résultat écrit doit transcrire la parole, répondre à une question sur l’enregistrement ou relier son contenu à d’autres éléments fournis. La réponse native est textuelle plutôt que vocale. La recommandation distincte d’Inkling pour l’audio plus long ne doit pas être transférée à l’édition Small.
Les flux utilisant des outils nécessitent des descriptions utiles des outils, des définitions d’arguments et les résultats des opérations exécutées par l’application. Gardez le résultat d’une consultation, d’un calcul ou d’une observation de fichier distinct de l’action proposée par le modèle. Pour un écart dans un graphique, identifiez les étiquettes pertinentes, examinez les valeurs fournies avec un outil de calcul et demandez une explication qui cite ces valeurs. Le modèle est entraîné pour divers environnements de code et d’agents; la tâche et les outils qui l’entourent doivent donc être décrits plutôt que laissés implicites.
Les poids ouverts permettent la recherche sur les modèles, l’ajustement fin et l’intégration à des produits en aval. La version Inkling-Small suit un point de contrôle preview antérieur et comprend de l’entraînement supplémentaire pour le code agentique; le modèle final et cette preview doivent conserver des identités distinctes. Pour une extraction ou un style de réponse spécialisé, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Une invite ordinaire fournit plutôt du contexte pour la requête actuelle; elle ne crée pas de modèle nouvellement entraîné et ne bascule pas vers un tel modèle.
Une vérification utile du résultat confirme que la modification de code proposée, la transcription, les faits extraits ou la réponse écrite correspondent aux éléments fournis. Précisez comment l’incertitude et l’information manquante doivent apparaître, surtout pour une prévision ou une réponse factuelle dont la source est incomplète. Le fabricant a entraîné Inkling-Small pour calibrer les prévisions par apprentissage par renforcement selon des règles de score propres sur des questions réelles, afin d’exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations des outils avec le livrable pour qu’un suivi puisse réviser un point sans perdre la tâche d’origine. Les capacités générales multilingues et multimodales d’Inkling-Small demeurent distinctes d’un générateur vocal dédié ou d’un service d’action externe garanti.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites thinkingmachines/inkling-small:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champsystem | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 Maximum: 262 144 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_k | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop_sequences | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional | Contratstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Cycle de vie : synchronous_json
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0 / 1K jetons Sortie · Jetons en sortie $0 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Utilisez les chemins de méthode indiqués ci-dessus.