Command A est le modèle textuel lancé par Cohere en mars 2025 pour les agents d’entreprise, les réponses enrichies par la recherche documentaire et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, reçoit du texte et produit du texte. Son contexte annoncé par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Elle est distincte de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.
Le fabricant décrit un Transformer autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif; une quatrième couche utilise une attention globale sans représentations vectorielles positionnelles. L’affinage supervisé et l’entraînement sur les préférences façonnent un comportement conversationnel utile et orienté vers les tâches. Le modèle est entraîné dans 23 langues et prend en charge des tâches interlingues comme la traduction ou la réponse à une question sur un document rédigé dans une autre langue.
Précisez la langue de réponse et conservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez un nom à chaque passage source et demandez une explication qui préserve les noms de produits, les identifiants du code et les formulations citées. Une réponse finale utile indique la source d’une conclusion au lieu d’effacer par la traduction une distinction importante pour la tâche.
Command A adopte par défaut un style conversationnel, souvent accompagné d’une introduction, de questions complémentaires et d’une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, la synthèse ou la traduction, utilisez l’approche par instruction système du producteur pour demander uniquement la réponse nécessaire et préciser si la sortie doit contenir du Markdown ou des blocs de code. Vous évitez ainsi qu’un préambule conversationnel aimable soit intégré à un enregistrement de données en aval.
La fiche du modèle décrit des modes de sécurité contextuel et strict, le mode contextuel étant celui du producteur par défaut. Ce sont des réglages de comportement documentés du profil du fabricant, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent et la sortie souhaitée.
Command A est entraîné pour l’étape de génération de réponses de la génération augmentée par récupération documentaire. L’entrée associe la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par segment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le fabricant encourage aussi à comparer ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.
Pour comparer des politiques ou des éléments techniques, étiquetez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format du producteur avec citations, la sortie associe des portions de réponse aux sources justificatives. Conservez les identifiants des documents retrouvés afin que ces références restent interprétables. Une citation indique quel document fourni étaye le passage généré; le système environnant effectue la recherche documentaire proprement dite.
Le fabricant entraîne Command A à utiliser des outils en conversation avec des descriptions de fonctions au format JSON Schema. Le modèle peut générer un plan et sélectionner des appels; l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle exploite ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats des outils.
Les tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou la réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Pour les consignes de génération de code, le producteur recommande une température basse, y compris le décodage glouton lorsque cela convient. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations de validation réelles lors de la révision du résultat.
La fiche du modèle relève une distinction pratique concernant le contexte: le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être adaptée. Conservez la configuration réelle du contexte du processus retenu et réservez de la place pour la réponse. Un résultat utile est le texte ou l’artefact de code demandé, avec des éléments probants que l’on peut relier aux sources fournies et aux observations des outils.
", "aboutText": "Command A est le modèle textuel lancé par Cohere en mars 2025 pour les agents d’entreprise, les réponses enrichies par la recherche documentaire et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, reçoit du texte et produit du texte. Son contexte annoncé par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Elle est distincte de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.\n\n### Détails du modèle et langues\n\nLe fabricant décrit un Transformer autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif; une quatrième couche utilise une attention globale sans représentations vectorielles positionnelles. L’affinage supervisé et l’entraînement sur les préférences façonnent un comportement conversationnel utile et orienté vers les tâches. Le modèle est entraîné dans 23 langues et prend en charge des tâches interlingues comme la traduction ou la réponse à une question sur un document rédigé dans une autre langue.\n\nPrécisez la langue de réponse et conservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez un nom à chaque passage source et demandez une explication qui préserve les noms de produits, les identifiants du code et les formulations citées. Une réponse finale utile indique la source d’une conclusion au lieu d’effacer par la traduction une distinction importante pour la tâche.\n\n### Conversation et sorties ciblées\n\nCommand A adopte par défaut un style conversationnel, souvent accompagné d’une introduction, de questions complémentaires et d’une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, la synthèse ou la traduction, utilisez l’approche par instruction système du producteur pour demander uniquement la réponse nécessaire et préciser si la sortie doit contenir du Markdown ou des blocs de code. Vous évitez ainsi qu’un préambule conversationnel aimable soit intégré à un enregistrement de données en aval.\n\nLa fiche du modèle décrit des modes de sécurité contextuel et strict, le mode contextuel étant celui du producteur par défaut. Ce sont des réglages de comportement documentés du profil du fabricant, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent et la sortie souhaitée.\n\n### Génération fondée sur des sources\n\nCommand A est entraîné pour l’étape de génération de réponses de la génération augmentée par récupération documentaire. L’entrée associe la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par segment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le fabricant encourage aussi à comparer ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.\n\nPour comparer des politiques ou des éléments techniques, étiquetez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format du producteur avec citations, la sortie associe des portions de réponse aux sources justificatives. Conservez les identifiants des documents retrouvés afin que ces références restent interprétables. Une citation indique quel document fourni étaye le passage généré; le système environnant effectue la recherche documentaire proprement dite.\n\n### Outils et code\n\nLe fabricant entraîne Command A à utiliser des outils en conversation avec des descriptions de fonctions au format JSON Schema. Le modèle peut générer un plan et sélectionner des appels; l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle exploite ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats des outils.\n\nLes tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou la réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Pour les consignes de génération de code, le producteur recommande une température basse, y compris le décodage glouton lorsque cela convient. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations de validation réelles lors de la révision du résultat.\n\nLa fiche du modèle relève une distinction pratique concernant le contexte: le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être adaptée. Conservez la configuration réelle du contexte du processus retenu et réservez de la place pour la réponse. Un résultat utile est le texte ou l’artefact de code demandé, avec des éléments probants que l’on peut relier aux sources fournies et aux observations des outils.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A est le modèle textuel de 111 milliards de paramètres de Cohere pour les agents d’entreprise multilingues, les réponses fondées sur des documents et le travail guidé par des outils. Il associe un contexte de 256K, des citations de sources, une aide au code et un entraînement dans 23 langues pour produire du texte à partir de consignes écrites et d’éléments fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Command A est le modèle textuel lancé par Cohere en mars 2025 pour les agents d’entreprise, les réponses enrichies par la recherche documentaire et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, reçoit du texte et produit du texte. Son contexte annoncé par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Elle est distincte de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.
Le fabricant décrit un Transformer autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif; une quatrième couche utilise une attention globale sans représentations vectorielles positionnelles. L’affinage supervisé et l’entraînement sur les préférences façonnent un comportement conversationnel utile et orienté vers les tâches. Le modèle est entraîné dans 23 langues et prend en charge des tâches interlingues comme la traduction ou la réponse à une question sur un document rédigé dans une autre langue.
Précisez la langue de réponse et conservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez un nom à chaque passage source et demandez une explication qui préserve les noms de produits, les identifiants du code et les formulations citées. Une réponse finale utile indique la source d’une conclusion au lieu d’effacer par la traduction une distinction importante pour la tâche.
Command A adopte par défaut un style conversationnel, souvent accompagné d’une introduction, de questions complémentaires et d’une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, la synthèse ou la traduction, utilisez l’approche par instruction système du producteur pour demander uniquement la réponse nécessaire et préciser si la sortie doit contenir du Markdown ou des blocs de code. Vous évitez ainsi qu’un préambule conversationnel aimable soit intégré à un enregistrement de données en aval.
La fiche du modèle décrit des modes de sécurité contextuel et strict, le mode contextuel étant celui du producteur par défaut. Ce sont des réglages de comportement documentés du profil du fabricant, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent et la sortie souhaitée.
Command A est entraîné pour l’étape de génération de réponses de la génération augmentée par récupération documentaire. L’entrée associe la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par segment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le fabricant encourage aussi à comparer ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.
Pour comparer des politiques ou des éléments techniques, étiquetez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format du producteur avec citations, la sortie associe des portions de réponse aux sources justificatives. Conservez les identifiants des documents retrouvés afin que ces références restent interprétables. Une citation indique quel document fourni étaye le passage généré; le système environnant effectue la recherche documentaire proprement dite.
Le fabricant entraîne Command A à utiliser des outils en conversation avec des descriptions de fonctions au format JSON Schema. Le modèle peut générer un plan et sélectionner des appels; l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle exploite ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats des outils.
Les tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou la réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Pour les consignes de génération de code, le producteur recommande une température basse, y compris le décodage glouton lorsque cela convient. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations de validation réelles lors de la révision du résultat.
La fiche du modèle relève une distinction pratique concernant le contexte: le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être adaptée. Conservez la configuration réelle du contexte du processus retenu et réservez de la place pour la réponse. Un résultat utile est le texte ou l’artefact de code demandé, avec des éléments probants que l’on peut relier aux sources fournies et aux observations des outils.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/command-a | 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache — / 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Utilisez les chemins de méthode indiqués ci-dessus.
cohere/command-aCommand A est le modèle textuel de 111 milliards de paramètres de Cohere pour les agents d’entreprise multilingues, les réponses fondées sur des documents et le travail guidé par des outils. Il associe un contexte de 256K, des citations de sources, une aide au code et un entraînement dans 23 langues pour produire du texte à partir de consignes écrites et d’éléments fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Command A est le modèle textuel lancé par Cohere en mars 2025 pour les agents d’entreprise, les réponses enrichies par la recherche documentaire et le travail multilingue. Cette édition précise possède 111 milliards de paramètres, reçoit du texte et produit du texte. Son contexte annoncé par le producteur est de 256K tokens, avec une sortie maximale de 8 000 tokens dans le profil de service publié. Elle est distincte de Command A Vision, de Command A Reasoning et de l’édition multimodale A+ ultérieure.
Le fabricant décrit un Transformer autorégressif avec une attention locale à fenêtre glissante et une attention globale périodique. Trois couches locales utilisent une fenêtre de 4 096 tokens avec encodage positionnel rotatif; une quatrième couche utilise une attention globale sans représentations vectorielles positionnelles. L’affinage supervisé et l’entraînement sur les préférences façonnent un comportement conversationnel utile et orienté vers les tâches. Le modèle est entraîné dans 23 langues et prend en charge des tâches interlingues comme la traduction ou la réponse à une question sur un document rédigé dans une autre langue.
Précisez la langue de réponse et conservez la terminologie requise. Pour un assistant de connaissances multilingue, donnez un nom à chaque passage source et demandez une explication qui préserve les noms de produits, les identifiants du code et les formulations citées. Une réponse finale utile indique la source d’une conclusion au lieu d’effacer par la traduction une distinction importante pour la tâche.
Command A adopte par défaut un style conversationnel, souvent accompagné d’une introduction, de questions complémentaires et d’une mise en forme Markdown ou mathématique. Pour l’extraction, la catégorisation, la synthèse ou la traduction, utilisez l’approche par instruction système du producteur pour demander uniquement la réponse nécessaire et préciser si la sortie doit contenir du Markdown ou des blocs de code. Vous évitez ainsi qu’un préambule conversationnel aimable soit intégré à un enregistrement de données en aval.
La fiche du modèle décrit des modes de sécurité contextuel et strict, le mode contextuel étant celui du producteur par défaut. Ce sont des réglages de comportement documentés du profil du fabricant, indépendants du format demandé pour la tâche. Définissez clairement le contexte pertinent et la sortie souhaitée.
Command A est entraîné pour l’étape de génération de réponses de la génération augmentée par récupération documentaire. L’entrée associe la conversation à des extraits de documents fournis, généralement d’environ 100 à 400 mots par segment, représentés par de courtes clés descriptives et des valeurs textuelles ou semi-structurées. Le fabricant encourage aussi à comparer ce format spécialisé avec des documents pertinents placés directement dans le message utilisateur.
Pour comparer des politiques ou des éléments techniques, étiquetez chaque extrait et demandez une conclusion étayée par le passage pertinent. Dans le format du producteur avec citations, la sortie associe des portions de réponse aux sources justificatives. Conservez les identifiants des documents retrouvés afin que ces références restent interprétables. Une citation indique quel document fourni étaye le passage généré; le système environnant effectue la recherche documentaire proprement dite.
Le fabricant entraîne Command A à utiliser des outils en conversation avec des descriptions de fonctions au format JSON Schema. Le modèle peut générer un plan et sélectionner des appels; l’application les exécute, puis leurs résultats sous forme de dictionnaires reviennent dans la conversation avec l’identifiant d’appel d’outil correspondant. Le modèle exploite ensuite ces observations pour produire une réponse, éventuellement avec des passages sources liés aux résultats des outils.
Les tâches de programmation comprennent la génération SQL, l’explication de code et la traduction ou la réécriture de code. Fournissez le schéma ou l’implémentation pertinente ainsi que le comportement à préserver. Pour les consignes de génération de code, le producteur recommande une température basse, y compris le décodage glouton lorsque cela convient. Examinez le SQL ou le code généré avant de l’exécuter et renvoyez les observations de validation réelles lors de la révision du résultat.
La fiche du modèle relève une distinction pratique concernant le contexte: le modèle prend en charge 256K, tandis que la configuration Hugging Face publiée est réglée sur 128K et peut être adaptée. Conservez la configuration réelle du contexte du processus retenu et réservez de la place pour la réponse. Un résultat utile est le texte ou l’artefact de code demandé, avec des éléments probants que l’on peut relier aux sources fournies et aux observations des outils.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/command-a | 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache — / 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 $0.005 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.