ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, en mettant l’accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Il ajoute aussi des capacités d’utilisation d’outils et de compréhension à long contexte. Le fabricant recommande expressément la version à réflexion plus longue pour les tâches de raisonnement très complexes.
Le modèle est un mélange d’experts post-entraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque token. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes de clé/valeur. Il possède 64 experts textuels, dont six sélectionnés à la fois, et deux experts partagés. La longueur de contexte est de 131 072 tokens. Son entrée et sa sortie sont textuelles, et le nom Thinking préserve une édition distincte plutôt qu’un réglage transformant automatiquement le modèle 21B-A3B ordinaire en cette même version.
Pour une tâche analytique exigeante, fournissez les conditions, les éléments de preuve et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une démonstration mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec des hypothèses explicites. Pour du code, incluez le fragment pertinent, le comportement attendu et un exemple d’entrée concret. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un bref fait isolé.
Le fabricant documente les appels de fonctions avec un outil décrit et un schéma de ses arguments. Cela prend en charge les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction apporte, les entrées qu’elle attend et la manière dont le résultat renvoyé sera utilisé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des éléments distincts de ce processus. Les outils connectés étendent les informations disponibles pour la tâche ; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.
Dans une tâche d’API Ailoot, sélectionnez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs qui l’étayent, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des contrôles nécessaires à sa validation. Gardez les éléments de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.
Baidu publie cette édition avec des poids de type Transformer et fournit des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation volontaire de la longueur de réflexion est une caractéristique propre à cette édition, et la fiche du modèle n’indique pas de limite maximale distincte de tokens de sortie. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.
", "aboutText": "ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, en mettant l’accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Il ajoute aussi des capacités d’utilisation d’outils et de compréhension à long contexte. Le fabricant recommande expressément la version à réflexion plus longue pour les tâches de raisonnement très complexes.\n\nLe modèle est un mélange d’experts post-entraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque token. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes de clé/valeur. Il possède 64 experts textuels, dont six sélectionnés à la fois, et deux experts partagés. La longueur de contexte est de 131 072 tokens. Son entrée et sa sortie sont textuelles, et le nom Thinking préserve une édition distincte plutôt qu’un réglage transformant automatiquement le modèle 21B-A3B ordinaire en cette même version.\n\nPour une tâche analytique exigeante, fournissez les conditions, les éléments de preuve et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une démonstration mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec des hypothèses explicites. Pour du code, incluez le fragment pertinent, le comportement attendu et un exemple d’entrée concret. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un bref fait isolé.\n\nLe fabricant documente les appels de fonctions avec un outil décrit et un schéma de ses arguments. Cela prend en charge les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction apporte, les entrées qu’elle attend et la manière dont le résultat renvoyé sera utilisé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des éléments distincts de ce processus. Les outils connectés étendent les informations disponibles pour la tâche ; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.\n\nDans une tâche d’API Ailoot, sélectionnez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs qui l’étayent, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des contrôles nécessaires à sa validation. Gardez les éléments de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.\n\nBaidu publie cette édition avec des poids de type Transformer et fournit des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation volontaire de la longueur de réflexion est une caractéristique propre à cette édition, et la fiche du modèle n’indique pas de limite maximale distincte de tokens de sortie. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Resolve a precedence constraint\n\nThree maintenance jobs A, B and C share one machine and last 2, 3 and 1 hours. B must follow A; C must finish by hour 3. Work starts at hour 0 with no interruptions. Find the feasible order with the earliest finish, give start and end times, and explain why other orders fail the constraints.A schedule table, the finish time and a short elimination of infeasible orders.Check each duration, the A-before-B constraint and the deadline for C directly against the table.baidu/ernie-4.5-21b-a3b-thinkingL’édition Thinking distincte d’ERNIE 4.5 de Baidu utilise un raisonnement plus long pour les tâches très complexes de logique, de mathématiques, de sciences et de code. Elle combine une architecture à mélange d’experts 21B/3B, un contexte de 131 072 tokens et la prise en charge des appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, en mettant l’accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Il ajoute aussi des capacités d’utilisation d’outils et de compréhension à long contexte. Le fabricant recommande expressément la version à réflexion plus longue pour les tâches de raisonnement très complexes.
Le modèle est un mélange d’experts post-entraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque token. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes de clé/valeur. Il possède 64 experts textuels, dont six sélectionnés à la fois, et deux experts partagés. La longueur de contexte est de 131 072 tokens. Son entrée et sa sortie sont textuelles, et le nom Thinking préserve une édition distincte plutôt qu’un réglage transformant automatiquement le modèle 21B-A3B ordinaire en cette même version.
Pour une tâche analytique exigeante, fournissez les conditions, les éléments de preuve et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une démonstration mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec des hypothèses explicites. Pour du code, incluez le fragment pertinent, le comportement attendu et un exemple d’entrée concret. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un bref fait isolé.
Le fabricant documente les appels de fonctions avec un outil décrit et un schéma de ses arguments. Cela prend en charge les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction apporte, les entrées qu’elle attend et la manière dont le résultat renvoyé sera utilisé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des éléments distincts de ce processus. Les outils connectés étendent les informations disponibles pour la tâche ; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.
Dans une tâche d’API Ailoot, sélectionnez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs qui l’étayent, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des contrôles nécessaires à sa validation. Gardez les éléments de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.
Baidu publie cette édition avec des poids de type Transformer et fournit des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation volontaire de la longueur de réflexion est une caractéristique propre à cette édition, et la fiche du modèle n’indique pas de limite maximale distincte de tokens de sortie. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites baidu/ernie-4.5-21b-a3b-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000144 / 1K tokens Sortie · Tokens en sortie $0.000572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-21b-a3b-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='baidu/ernie-4.5-21b-a3b-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='baidu/ernie-4.5-21b-a3b-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 baidu/ernie-4.5-21b-a3b-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
baidu/ernie-4.5-21b-a3b-thinkingL’édition Thinking distincte d’ERNIE 4.5 de Baidu utilise un raisonnement plus long pour les tâches très complexes de logique, de mathématiques, de sciences et de code. Elle combine une architecture à mélange d’experts 21B/3B, un contexte de 131 072 tokens et la prise en charge des appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE-4.5-21B-A3B-Thinking est l’édition de raisonnement textuel du modèle 21B-A3B publiée séparément par Baidu. Son développement étend la capacité de réflexion du modèle original, en mettant l’accent sur le raisonnement logique, les mathématiques, les questions scientifiques, la programmation et la génération de texte. Il ajoute aussi des capacités d’utilisation d’outils et de compréhension à long contexte. Le fabricant recommande expressément la version à réflexion plus longue pour les tâches de raisonnement très complexes.
Le modèle est un mélange d’experts post-entraîné avec 21 milliards de paramètres au total et 3 milliards activés pour chaque token. Sa configuration contient 28 couches, 20 têtes de requête et quatre têtes de clé/valeur. Il possède 64 experts textuels, dont six sélectionnés à la fois, et deux experts partagés. La longueur de contexte est de 131 072 tokens. Son entrée et sa sortie sont textuelles, et le nom Thinking préserve une édition distincte plutôt qu’un réglage transformant automatiquement le modèle 21B-A3B ordinaire en cette même version.
Pour une tâche analytique exigeante, fournissez les conditions, les éléments de preuve et le critère qui établira la validité d’une réponse. Demandez le résultat sous une forme vérifiable : une démonstration mathématique, une comparaison de cas, une proposition d’implémentation ou une séquence de décisions avec des hypothèses explicites. Pour du code, incluez le fragment pertinent, le comportement attendu et un exemple d’entrée concret. Un raisonnement plus long est utile lorsque la réponse dépend de plusieurs étapes liées plutôt que d’un bref fait isolé.
Le fabricant documente les appels de fonctions avec un outil décrit et un schéma de ses arguments. Cela prend en charge les tâches qui nécessitent des informations ou des actions fournies par l’application. Définissez ce que chaque fonction apporte, les entrées qu’elle attend et la manière dont le résultat renvoyé sera utilisé. Les arguments de fonction proposés par le modèle et le résultat d’exécution de l’application sont des éléments distincts de ce processus. Les outils connectés étendent les informations disponibles pour la tâche ; ils ne donnent pas au modèle un accès indépendant aux systèmes externes.
Dans une tâche d’API Ailoot, sélectionnez un livrable final et précisez sa structure. Un résultat de raisonnement peut séparer la conclusion, les calculs qui l’étayent, les hypothèses et les questions restantes. Un résultat de programmation peut séparer la modification proposée de sa justification et des contrôles nécessaires à sa validation. Gardez les éléments de la tâche ensemble pour que le contexte étendu serve un problème cohérent plutôt qu’un arrière-plan sans rapport.
Baidu publie cette édition avec des poids de type Transformer et fournit des exemples de génération de texte et d’appels de fonctions. La version est sous Apache 2.0. L’augmentation volontaire de la longueur de réflexion est une caractéristique propre à cette édition, et la fiche du modèle n’indique pas de limite maximale distincte de tokens de sortie. Gardez ce modèle Thinking distinct de l’édition textuelle ordinaire et de la branche VL lorsque vous choisissez les capacités du fabricant nécessaires à la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites baidu/ernie-4.5-21b-a3b-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000144 / 1K tokens Sortie · Tokens en sortie $0.000572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "baidu/ernie-4.5-21b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'baidu/ernie-4.5-21b-a3b-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': 'baidu/ernie-4.5-21b-a3b-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 baidu/ernie-4.5-21b-a3b-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Resolve a precedence constraint\n\nThree maintenance jobs A, B and C share one machine and last 2, 3 and 1 hours. B must follow A; C must finish by hour 3. Work starts at hour 0 with no interruptions. Find the feasible order with the earliest finish, give start and end times, and explain why other orders fail the constraints.A schedule table, the finish time and a short elimination of infeasible orders.Check each duration, the A-before-B constraint and the deadline for C directly against the table.