v0 1.5 Large est le profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec des composants spécialisés de récupération et de modification de code. Le fabricant décrit ce profil comme utile pour le développement spécialisé et les tâches à plusieurs étapes, en donnant comme exemples un moteur physique dans three.js et les migrations de bases de données.
Décrivez le comportement, le projet existant et le résultat à produire. Pour une tâche de moteur physique, donnez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications qui établissent un résultat valide.
Décomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée; l’application environnante l’exécute et retourne le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.
L’architecture v0 du fabricant prépare la conversation et récupère du contenu spécialisé comme de la documentation, des exemples d’interface et des sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites modifications peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant sa diffusion et lors d’une passe finale.
Fournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche à plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles dans les suivis afin qu’une modification locale reste alignée sur le résultat visé.
Examinez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée selon les conditions de comportement et de données nommées dans le brief. Un suivi peut fournir une erreur ou un écart précis et demander une correction de la partie touchée.
AutoFix et l’analyse statique font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a préservé ses données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.
Le profil publié indique un contexte de travail de 512 000 jetons. Le fabricant distingue aussi ce contexte plus grand de la fenêtre du profil Medium. Organisez le contenu source autour de la tâche et laissez de la place pour la réponse demandée.
Le profil v0 désigne un flux de travail composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil de plus grande taille garantit une réponse sans erreur pour chaque tâche.
", "aboutText": "v0 1.5 Large est le profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec des composants spécialisés de récupération et de modification de code. Le fabricant décrit ce profil comme utile pour le développement spécialisé et les tâches à plusieurs étapes, en donnant comme exemples un moteur physique dans three.js et les migrations de bases de données.\n\n### Définir la tâche plus vaste et ses conditions\n\nDécrivez le comportement, le projet existant et le résultat à produire. Pour une tâche de moteur physique, donnez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications qui établissent un résultat valide.\n\nDécomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée; l’application environnante l’exécute et retourne le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.\n\n### Utiliser le contexte du modèle composite\n\nL’architecture v0 du fabricant prépare la conversation et récupère du contenu spécialisé comme de la documentation, des exemples d’interface et des sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites modifications peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant sa diffusion et lors d’une passe finale.\n\nFournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche à plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles dans les suivis afin qu’une modification locale reste alignée sur le résultat visé.\n\n### Vérifier le code et le comportement de l’application\n\nExaminez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée selon les conditions de comportement et de données nommées dans le brief. Un suivi peut fournir une erreur ou un écart précis et demander une correction de la partie touchée.\n\nAutoFix et l’analyse statique font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a préservé ses données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.\n\n### Distinguer le profil Large\n\nLe profil publié indique un contexte de travail de 512 000 jetons. Le fabricant distingue aussi ce contexte plus grand de la fenêtre du profil Medium. Organisez le contenu source autour de la tâche et laissez de la place pour la réponse demandée.\n\nLe profil v0 désigne un flux de travail composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil de plus grande taille garantit une réponse sans erreur pour chaque tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Propose a value-preserving migration\n\nPlan a PostgreSQL migration from orders(id, total_cents) to orders(id, amount_cents), preserving every row, identifier and nullable monetary value. Provide proposed migration SQL, the consumer update sequence and before/after checks for row count and values. No execution environment is supplied; distinguish the proposal from a completed migration and do not convert cents to another unit.A proposed migration artifact, coordinated consumer steps and explicit data-preservation checks.No row, null value or cent amount may be silently dropped, filled or rescaled.v0-1.5-lgv0 1.5 Large est le profil composite de plus grande taille de Vercel pour le code Web et les tâches de développement à plusieurs étapes. Son fabricant souligne le travail spécialisé, comme un moteur physique 3D ou une migration de base de données, avec la récupération, Quick Edit et AutoFix autour du modèle de base.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
v0 1.5 Large est le profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec des composants spécialisés de récupération et de modification de code. Le fabricant décrit ce profil comme utile pour le développement spécialisé et les tâches à plusieurs étapes, en donnant comme exemples un moteur physique dans three.js et les migrations de bases de données.
Décrivez le comportement, le projet existant et le résultat à produire. Pour une tâche de moteur physique, donnez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications qui établissent un résultat valide.
Décomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée; l’application environnante l’exécute et retourne le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.
L’architecture v0 du fabricant prépare la conversation et récupère du contenu spécialisé comme de la documentation, des exemples d’interface et des sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites modifications peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant sa diffusion et lors d’une passe finale.
Fournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche à plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles dans les suivis afin qu’une modification locale reste alignée sur le résultat visé.
Examinez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée selon les conditions de comportement et de données nommées dans le brief. Un suivi peut fournir une erreur ou un écart précis et demander une correction de la partie touchée.
AutoFix et l’analyse statique font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a préservé ses données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.
Le profil publié indique un contexte de travail de 512 000 jetons. Le fabricant distingue aussi ce contexte plus grand de la fenêtre du profil Medium. Organisez le contenu source autour de la tâche et laissez de la place pour la réponse demandée.
Le profil v0 désigne un flux de travail composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil de plus grande taille garantit une réponse sans erreur pour chaque tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites v0-1.5-lg | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.033 / 1K jetons Sortie · Jetons en sortie $0.165 / 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": "v0-1.5-lg", "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='v0-1.5-lg',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='v0-1.5-lg',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 v0-1.5-lg
Utilisez les chemins de méthode indiqués ci-dessus.
v0-1.5-lgv0 1.5 Large est le profil composite de plus grande taille de Vercel pour le code Web et les tâches de développement à plusieurs étapes. Son fabricant souligne le travail spécialisé, comme un moteur physique 3D ou une migration de base de données, avec la récupération, Quick Edit et AutoFix autour du modèle de base.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
v0 1.5 Large est le profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec des composants spécialisés de récupération et de modification de code. Le fabricant décrit ce profil comme utile pour le développement spécialisé et les tâches à plusieurs étapes, en donnant comme exemples un moteur physique dans three.js et les migrations de bases de données.
Décrivez le comportement, le projet existant et le résultat à produire. Pour une tâche de moteur physique, donnez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications qui établissent un résultat valide.
Décomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée; l’application environnante l’exécute et retourne le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.
L’architecture v0 du fabricant prépare la conversation et récupère du contenu spécialisé comme de la documentation, des exemples d’interface et des sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites modifications peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant sa diffusion et lors d’une passe finale.
Fournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche à plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles dans les suivis afin qu’une modification locale reste alignée sur le résultat visé.
Examinez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée selon les conditions de comportement et de données nommées dans le brief. Un suivi peut fournir une erreur ou un écart précis et demander une correction de la partie touchée.
AutoFix et l’analyse statique font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a préservé ses données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.
Le profil publié indique un contexte de travail de 512 000 jetons. Le fabricant distingue aussi ce contexte plus grand de la fenêtre du profil Medium. Organisez le contenu source autour de la tâche et laissez de la place pour la réponse demandée.
Le profil v0 désigne un flux de travail composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil de plus grande taille garantit une réponse sans erreur pour chaque tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites v0-1.5-lg | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.033 / 1K jetons Sortie · Jetons en sortie $0.165 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "v0-1.5-lg",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'v0-1.5-lg', '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': 'v0-1.5-lg', '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 v0-1.5-lg
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Propose a value-preserving migration\n\nPlan a PostgreSQL migration from orders(id, total_cents) to orders(id, amount_cents), preserving every row, identifier and nullable monetary value. Provide proposed migration SQL, the consumer update sequence and before/after checks for row count and values. No execution environment is supplied; distinguish the proposal from a completed migration and do not convert cents to another unit.A proposed migration artifact, coordinated consumer steps and explicit data-preservation checks.No row, null value or cent amount may be silently dropped, filled or rescaled.