Trinity-Large-Thinking est la version optimisée pour le raisonnement de la famille Trinity Large d’Arcee AI. Il est conçu pour les agents qui planifient sur plusieurs étapes, appellent des outils et maintiennent une tâche cohérente au fil d’une longue conversation, tout en conservant des capacités générales de génération de texte. Le modèle accepte du texte et génère du texte, y compris du raisonnement explicite et des demandes d’outils. Son entraînement prolonge le modèle Trinity-Large-Base par un ajustement aux instructions et un apprentissage par renforcement sur des chaînes de raisonnement, des trajectoires d’appels d’outils et des tâches d’agents à plusieurs étapes.
La fiche du modèle décrit une architecture parcimonieuse de mélange d’experts avec environ 398 milliards de paramètres au total et 13 milliards de paramètres actifs par token. Elle indique 256 experts, un expert partagé, quatre experts actifs et une fenêtre de contexte de 512K après extension depuis un contexte de préentraînement de 8 192 tokens. Ce sont des propriétés du modèle publiées par le fabricant, pas une prédiction de la vitesse des réponses. Le point de contrôle Thinking est distinct de Trinity-Large-Preview, légèrement post-entraîné et prêt pour le chat, qui ne fournit pas reasoning_content, ainsi que des points de contrôle de préentraînement Base et TrueBase.
La réflexion explicite apparaît dans des blocs <think>...</think> avant la réponse finale. Dans la réponse structurée documentée, reasoning_content contient ce raisonnement séparément de content et de tool_calls. Conserver le tour complet de l’assistant fait partie intégrante de l’utilisation de ce modèle : renvoyez le raisonnement avec la réponse et les éventuels appels d’outils avant l’étape suivante. Son modèle de formatage du chat rétablit les blocs de réflexion lors de la construction de l’entrée suivante. S’il faut raccourcir l’historique, Arcee recommande de supprimer les anciens tours en entier plutôt que de retirer la réflexion des tours récents.
Le schéma de boucle d’agent du fabricant commence par la tâche utilisateur et les définitions d’outils, reçoit du raisonnement, une réponse ou des demandes d’outils, exécute les outils demandés hors du modèle, puis ajoute le tour de l’assistant et les résultats réels des outils avant de poursuivre. La boucle continue jusqu’à ce qu’une réponse finale soit renvoyée sans appel d’outil. Pour les tours de l’assistant contenant des appels d’outils mais aucun texte de réponse, le guide exige que content soit une chaîne vide plutôt que null. Le champ de raisonnement doit aussi correspondre à l’interface de service : le guide d’Arcee distingue reasoning_content des intégrations qui attendent reasoning.
Le modèle convient ainsi à un processus d’assistance qui commence par rechercher une fiche, applique la politique fournie puis demande l’action suivante appropriée, ou à un agent de programmation qui inspecte des fichiers, propose une modification et interprète un résultat d’exécution. Donnez-lui l’objectif réel, les noms des outils, les schémas d’arguments, les contraintes et une condition d’achèvement. Un exemple de brief peut demander de localiser un défaut, d’expliquer les éléments qui le prouvent et de proposer un correctif minimal, en séparant les résultats observés des outils des actions encore prévues. Les appels d’outils sont des demandes adressées à une couche d’exécution ; ils ne prouvent pas que le modèle a déjà modifié un fichier ou accompli une action externe.
La fiche recommande pour l’inférence une température de 0.45–0.6, top_p à 0.95 et top_k à 50. Ce sont des réglages recommandés, pas des limites fixes de sortie. Le principal mode d’échec décrit dans le guide du fabricant est une utilisation mal formée des outils sur plusieurs étapes lorsqu’un tour précédent perd son raisonnement ou présente une structure de message invalide : le balisage des appels d’outils peut apparaître dans le champ de raisonnement plutôt que dans la sortie structurée des appels d’outils. Préservez le tour complet, conservez un contenu de réponse non null et traitez le livrable final séparément de l’historique de raisonnement stocké. Cette édition convient particulièrement aux processus où la continuité entre observations, raisonnement et actions ultérieures compte.
", "aboutText": "Trinity-Large-Thinking est la version optimisée pour le raisonnement de la famille Trinity Large d’Arcee AI. Il est conçu pour les agents qui planifient sur plusieurs étapes, appellent des outils et maintiennent une tâche cohérente au fil d’une longue conversation, tout en conservant des capacités générales de génération de texte. Le modèle accepte du texte et génère du texte, y compris du raisonnement explicite et des demandes d’outils. Son entraînement prolonge le modèle Trinity-Large-Base par un ajustement aux instructions et un apprentissage par renforcement sur des chaînes de raisonnement, des trajectoires d’appels d’outils et des tâches d’agents à plusieurs étapes.\n\nLa fiche du modèle décrit une architecture parcimonieuse de mélange d’experts avec environ 398 milliards de paramètres au total et 13 milliards de paramètres actifs par token. Elle indique 256 experts, un expert partagé, quatre experts actifs et une fenêtre de contexte de 512K après extension depuis un contexte de préentraînement de 8 192 tokens. Ce sont des propriétés du modèle publiées par le fabricant, pas une prédiction de la vitesse des réponses. Le point de contrôle Thinking est distinct de Trinity-Large-Preview, légèrement post-entraîné et prêt pour le chat, qui ne fournit pas reasoning_content, ainsi que des points de contrôle de préentraînement Base et TrueBase.\n\nLa réflexion explicite apparaît dans des blocsExemple technique en anglais
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingTrinity-Large-Thinking est le modèle de raisonnement d’Arcee AI pour les agents à plusieurs étapes et les appels d’outils. Il génère une réflexion explicite avant sa réponse et exige de la conserver entre les tours de conversation et dans les processus pilotés par des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Trinity-Large-Thinking est la version optimisée pour le raisonnement de la famille Trinity Large d’Arcee AI. Il est conçu pour les agents qui planifient sur plusieurs étapes, appellent des outils et maintiennent une tâche cohérente au fil d’une longue conversation, tout en conservant des capacités générales de génération de texte. Le modèle accepte du texte et génère du texte, y compris du raisonnement explicite et des demandes d’outils. Son entraînement prolonge le modèle Trinity-Large-Base par un ajustement aux instructions et un apprentissage par renforcement sur des chaînes de raisonnement, des trajectoires d’appels d’outils et des tâches d’agents à plusieurs étapes.
La fiche du modèle décrit une architecture parcimonieuse de mélange d’experts avec environ 398 milliards de paramètres au total et 13 milliards de paramètres actifs par token. Elle indique 256 experts, un expert partagé, quatre experts actifs et une fenêtre de contexte de 512K après extension depuis un contexte de préentraînement de 8 192 tokens. Ce sont des propriétés du modèle publiées par le fabricant, pas une prédiction de la vitesse des réponses. Le point de contrôle Thinking est distinct de Trinity-Large-Preview, légèrement post-entraîné et prêt pour le chat, qui ne fournit pas reasoning_content, ainsi que des points de contrôle de préentraînement Base et TrueBase.
La réflexion explicite apparaît dans des blocs <think>...</think> avant la réponse finale. Dans la réponse structurée documentée, reasoning_content contient ce raisonnement séparément de content et de tool_calls. Conserver le tour complet de l’assistant fait partie intégrante de l’utilisation de ce modèle : renvoyez le raisonnement avec la réponse et les éventuels appels d’outils avant l’étape suivante. Son modèle de formatage du chat rétablit les blocs de réflexion lors de la construction de l’entrée suivante. S’il faut raccourcir l’historique, Arcee recommande de supprimer les anciens tours en entier plutôt que de retirer la réflexion des tours récents.
Le schéma de boucle d’agent du fabricant commence par la tâche utilisateur et les définitions d’outils, reçoit du raisonnement, une réponse ou des demandes d’outils, exécute les outils demandés hors du modèle, puis ajoute le tour de l’assistant et les résultats réels des outils avant de poursuivre. La boucle continue jusqu’à ce qu’une réponse finale soit renvoyée sans appel d’outil. Pour les tours de l’assistant contenant des appels d’outils mais aucun texte de réponse, le guide exige que content soit une chaîne vide plutôt que null. Le champ de raisonnement doit aussi correspondre à l’interface de service : le guide d’Arcee distingue reasoning_content des intégrations qui attendent reasoning.
Le modèle convient ainsi à un processus d’assistance qui commence par rechercher une fiche, applique la politique fournie puis demande l’action suivante appropriée, ou à un agent de programmation qui inspecte des fichiers, propose une modification et interprète un résultat d’exécution. Donnez-lui l’objectif réel, les noms des outils, les schémas d’arguments, les contraintes et une condition d’achèvement. Un exemple de brief peut demander de localiser un défaut, d’expliquer les éléments qui le prouvent et de proposer un correctif minimal, en séparant les résultats observés des outils des actions encore prévues. Les appels d’outils sont des demandes adressées à une couche d’exécution ; ils ne prouvent pas que le modèle a déjà modifié un fichier ou accompli une action externe.
La fiche recommande pour l’inférence une température de 0.45–0.6, top_p à 0.95 et top_k à 50. Ce sont des réglages recommandés, pas des limites fixes de sortie. Le principal mode d’échec décrit dans le guide du fabricant est une utilisation mal formée des outils sur plusieurs étapes lorsqu’un tour précédent perd son raisonnement ou présente une structure de message invalide : le balisage des appels d’outils peut apparaître dans le champ de raisonnement plutôt que dans la sortie structurée des appels d’outils. Préservez le tour complet, conservez un contenu de réponse non null et traitez le livrable final séparément de l’historique de raisonnement stocké. Cette édition convient particulièrement aux processus où la continuité entre observations, raisonnement et actions ultérieures compte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites arcee-ai/trinity-large-thinking | 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "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='arcee-ai/trinity-large-thinking',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='arcee-ai/trinity-large-thinking',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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra arcee-ai/trinity-large-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
arcee-ai/trinity-large-thinkingTrinity-Large-Thinking est le modèle de raisonnement d’Arcee AI pour les agents à plusieurs étapes et les appels d’outils. Il génère une réflexion explicite avant sa réponse et exige de la conserver entre les tours de conversation et dans les processus pilotés par des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Trinity-Large-Thinking est la version optimisée pour le raisonnement de la famille Trinity Large d’Arcee AI. Il est conçu pour les agents qui planifient sur plusieurs étapes, appellent des outils et maintiennent une tâche cohérente au fil d’une longue conversation, tout en conservant des capacités générales de génération de texte. Le modèle accepte du texte et génère du texte, y compris du raisonnement explicite et des demandes d’outils. Son entraînement prolonge le modèle Trinity-Large-Base par un ajustement aux instructions et un apprentissage par renforcement sur des chaînes de raisonnement, des trajectoires d’appels d’outils et des tâches d’agents à plusieurs étapes.
La fiche du modèle décrit une architecture parcimonieuse de mélange d’experts avec environ 398 milliards de paramètres au total et 13 milliards de paramètres actifs par token. Elle indique 256 experts, un expert partagé, quatre experts actifs et une fenêtre de contexte de 512K après extension depuis un contexte de préentraînement de 8 192 tokens. Ce sont des propriétés du modèle publiées par le fabricant, pas une prédiction de la vitesse des réponses. Le point de contrôle Thinking est distinct de Trinity-Large-Preview, légèrement post-entraîné et prêt pour le chat, qui ne fournit pas reasoning_content, ainsi que des points de contrôle de préentraînement Base et TrueBase.
La réflexion explicite apparaît dans des blocs <think>...</think> avant la réponse finale. Dans la réponse structurée documentée, reasoning_content contient ce raisonnement séparément de content et de tool_calls. Conserver le tour complet de l’assistant fait partie intégrante de l’utilisation de ce modèle : renvoyez le raisonnement avec la réponse et les éventuels appels d’outils avant l’étape suivante. Son modèle de formatage du chat rétablit les blocs de réflexion lors de la construction de l’entrée suivante. S’il faut raccourcir l’historique, Arcee recommande de supprimer les anciens tours en entier plutôt que de retirer la réflexion des tours récents.
Le schéma de boucle d’agent du fabricant commence par la tâche utilisateur et les définitions d’outils, reçoit du raisonnement, une réponse ou des demandes d’outils, exécute les outils demandés hors du modèle, puis ajoute le tour de l’assistant et les résultats réels des outils avant de poursuivre. La boucle continue jusqu’à ce qu’une réponse finale soit renvoyée sans appel d’outil. Pour les tours de l’assistant contenant des appels d’outils mais aucun texte de réponse, le guide exige que content soit une chaîne vide plutôt que null. Le champ de raisonnement doit aussi correspondre à l’interface de service : le guide d’Arcee distingue reasoning_content des intégrations qui attendent reasoning.
Le modèle convient ainsi à un processus d’assistance qui commence par rechercher une fiche, applique la politique fournie puis demande l’action suivante appropriée, ou à un agent de programmation qui inspecte des fichiers, propose une modification et interprète un résultat d’exécution. Donnez-lui l’objectif réel, les noms des outils, les schémas d’arguments, les contraintes et une condition d’achèvement. Un exemple de brief peut demander de localiser un défaut, d’expliquer les éléments qui le prouvent et de proposer un correctif minimal, en séparant les résultats observés des outils des actions encore prévues. Les appels d’outils sont des demandes adressées à une couche d’exécution ; ils ne prouvent pas que le modèle a déjà modifié un fichier ou accompli une action externe.
La fiche recommande pour l’inférence une température de 0.45–0.6, top_p à 0.95 et top_k à 50. Ce sont des réglages recommandés, pas des limites fixes de sortie. Le principal mode d’échec décrit dans le guide du fabricant est une utilisation mal formée des outils sur plusieurs étapes lorsqu’un tour précédent perd son raisonnement ou présente une structure de message invalide : le balisage des appels d’outils peut apparaître dans le champ de raisonnement plutôt que dans la sortie structurée des appels d’outils. Préservez le tour complet, conservez un contenu de réponse non null et traitez le livrable final séparément de l’historique de raisonnement stocké. Cette édition convient particulièrement aux processus où la continuité entre observations, raisonnement et actions ultérieures compte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites arcee-ai/trinity-large-thinking | 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra arcee-ai/trinity-large-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.