ERNIE 5.0 Thinking est la famille de modèles de Baidu orientée vers le raisonnement pour les questions complexes, la rédaction, le suivi des instructions et les tâches connectées aux applications. Le profil nommé Thinking Preview du fabricant associe raisonnement approfondi et compréhension visuelle, avec prise en charge de la planification et de l’utilisation d’outils. Son processus fabricant de réponse textuelle est distinct d’un contrat de requête unique qui rendrait interchangeables les capacités de génération multimodale de l’ensemble de la famille de recherche ERNIE 5.0.
Énoncez la question, le contenu utilisable et les conditions auxquelles la réponse doit satisfaire. Une comparaison de recherche peut définir les critères et demander les éléments qui étayent chaque conclusion. Une tâche de rédaction peut fournir le public, les consignes factuelles et la structure souhaitée. Une question de programmation peut identifier le comportement à modifier et le fragment source pertinent. Gardez le livrable final suffisamment précis pour pouvoir l’inspecter.
Pour la compréhension visuelle, fournissez un contenu qui rende clairement visible l’élément pertinent et formulez la question à son sujet. Un graphique ou une image de document nécessite des libellés lisibles et le contexte qui permet de comprendre le sens des valeurs. Vérifiez les textes et les détails numériques importants à partir du contenu original. La vocation de compréhension visuelle du modèle ne dispense pas de conserver la source avec l’interprétation renvoyée.
Le tableau AI Studio de Baidu indique pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 tokens et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Respectez le rôle de chaque capacité : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.
Une grande capacité d’entrée peut accueillir des documents liés, mais la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments justificatifs et la conclusion qui en découle, plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil nommé Preview ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur mis à jour au fil du temps.
L’index des fonctionnalités du fabricant mentionne le profil Thinking Preview pour les appels de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction de l’application et les arguments dont elle a besoin, exécutez une requête renvoyée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent n’est pas en soi une preuve que les opérations prévues ont été menées à bien.
Une réponse fondée sur des sources doit conserver les éléments récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des informations manquantes, avec une vérification des valeurs renvoyées à partir de la source. Les détails du format natif de réponse et des outils relèvent de l’interface fabricant sélectionnée ; l’exigence pratique fondamentale est un résultat textuel traçable, plutôt qu’un champ rempli de façon plausible mais sans fondement.
Le livrable utile peut être une comparaison argumentée, un texte provisoire, une explication liée au code ou une réponse enrichie par les outils. Vérifiez les identifiants, les calculs et les interprétations importants à partir du contenu qui les établit. Gardez toute recherche inachevée ou source contradictoire visible dans la conclusion, au lieu d’employer une formulation fluide pour dissimuler une lacune.
La famille Thinking, le profil nommé Preview et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments issus des opérations d’outils effectuées et la réponse finale. Le tour suivant pourra ainsi apporter une correction précise ou prolonger la même investigation, plutôt que de reconstruire sans fondement le travail antérieur.
", "aboutText": "ERNIE 5.0 Thinking est la famille de modèles de Baidu orientée vers le raisonnement pour les questions complexes, la rédaction, le suivi des instructions et les tâches connectées aux applications. Le profil nommé Thinking Preview du fabricant associe raisonnement approfondi et compréhension visuelle, avec prise en charge de la planification et de l’utilisation d’outils. Son processus fabricant de réponse textuelle est distinct d’un contrat de requête unique qui rendrait interchangeables les capacités de génération multimodale de l’ensemble de la famille de recherche ERNIE 5.0.\n\n### Préparez les éléments nécessaires au résultat visé\n\nÉnoncez la question, le contenu utilisable et les conditions auxquelles la réponse doit satisfaire. Une comparaison de recherche peut définir les critères et demander les éléments qui étayent chaque conclusion. Une tâche de rédaction peut fournir le public, les consignes factuelles et la structure souhaitée. Une question de programmation peut identifier le comportement à modifier et le fragment source pertinent. Gardez le livrable final suffisamment précis pour pouvoir l’inspecter.\n\nPour la compréhension visuelle, fournissez un contenu qui rende clairement visible l’élément pertinent et formulez la question à son sujet. Un graphique ou une image de document nécessite des libellés lisibles et le contexte qui permet de comprendre le sens des valeurs. Vérifiez les textes et les détails numériques importants à partir du contenu original. La vocation de compréhension visuelle du modèle ne dispense pas de conserver la source avec l’interprétation renvoyée.\n\n### Les budgets documentés de Preview\n\nLe tableau AI Studio de Baidu indique pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 tokens et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Respectez le rôle de chaque capacité : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.\n\nUne grande capacité d’entrée peut accueillir des documents liés, mais la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments justificatifs et la conclusion qui en découle, plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil nommé Preview ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur mis à jour au fil du temps.\n\n### Outils, recherche et texte structuré\n\nL’index des fonctionnalités du fabricant mentionne le profil Thinking Preview pour les appels de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction de l’application et les arguments dont elle a besoin, exécutez une requête renvoyée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent n’est pas en soi une preuve que les opérations prévues ont été menées à bien.\n\nUne réponse fondée sur des sources doit conserver les éléments récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des informations manquantes, avec une vérification des valeurs renvoyées à partir de la source. Les détails du format natif de réponse et des outils relèvent de l’interface fabricant sélectionnée ; l’exigence pratique fondamentale est un résultat textuel traçable, plutôt qu’un champ rempli de façon plausible mais sans fondement.\n\n### Inspectez le résultat et poursuivez la tâche\n\nLe livrable utile peut être une comparaison argumentée, un texte provisoire, une explication liée au code ou une réponse enrichie par les outils. Vérifiez les identifiants, les calculs et les interprétations importants à partir du contenu qui les établit. Gardez toute recherche inachevée ou source contradictoire visible dans la conclusion, au lieu d’employer une formulation fluide pour dissimuler une lacune.\n\nLa famille Thinking, le profil nommé Preview et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments issus des opérations d’outils effectuées et la réponse finale. Le tour suivant pourra ainsi apporter une correction précise ou prolonger la même investigation, plutôt que de reconstruire sans fondement le travail antérieur.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "53bc9656b1dfd38fbd830d015512d7baef00ba86de6c6690939cd794e3aa3d18", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "ernie-5.0-thinking-latestERNIE 5.0 Thinking combine raisonnement approfondi, rédaction, compréhension visuelle et tâches reliées à des outils. Le profil Preview documenté propose un contexte de 128K, une entrée maximale de 119K et des réglages de sortie finale jusqu’à 65 536 tokens, avec un budget de réflexion distinct.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE 5.0 Thinking est la famille de modèles de Baidu orientée vers le raisonnement pour les questions complexes, la rédaction, le suivi des instructions et les tâches connectées aux applications. Le profil nommé Thinking Preview du fabricant associe raisonnement approfondi et compréhension visuelle, avec prise en charge de la planification et de l’utilisation d’outils. Son processus fabricant de réponse textuelle est distinct d’un contrat de requête unique qui rendrait interchangeables les capacités de génération multimodale de l’ensemble de la famille de recherche ERNIE 5.0.
Énoncez la question, le contenu utilisable et les conditions auxquelles la réponse doit satisfaire. Une comparaison de recherche peut définir les critères et demander les éléments qui étayent chaque conclusion. Une tâche de rédaction peut fournir le public, les consignes factuelles et la structure souhaitée. Une question de programmation peut identifier le comportement à modifier et le fragment source pertinent. Gardez le livrable final suffisamment précis pour pouvoir l’inspecter.
Pour la compréhension visuelle, fournissez un contenu qui rende clairement visible l’élément pertinent et formulez la question à son sujet. Un graphique ou une image de document nécessite des libellés lisibles et le contexte qui permet de comprendre le sens des valeurs. Vérifiez les textes et les détails numériques importants à partir du contenu original. La vocation de compréhension visuelle du modèle ne dispense pas de conserver la source avec l’interprétation renvoyée.
Le tableau AI Studio de Baidu indique pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 tokens et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Respectez le rôle de chaque capacité : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.
Une grande capacité d’entrée peut accueillir des documents liés, mais la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments justificatifs et la conclusion qui en découle, plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil nommé Preview ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur mis à jour au fil du temps.
L’index des fonctionnalités du fabricant mentionne le profil Thinking Preview pour les appels de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction de l’application et les arguments dont elle a besoin, exécutez une requête renvoyée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent n’est pas en soi une preuve que les opérations prévues ont été menées à bien.
Une réponse fondée sur des sources doit conserver les éléments récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des informations manquantes, avec une vérification des valeurs renvoyées à partir de la source. Les détails du format natif de réponse et des outils relèvent de l’interface fabricant sélectionnée ; l’exigence pratique fondamentale est un résultat textuel traçable, plutôt qu’un champ rempli de façon plausible mais sans fondement.
Le livrable utile peut être une comparaison argumentée, un texte provisoire, une explication liée au code ou une réponse enrichie par les outils. Vérifiez les identifiants, les calculs et les interprétations importants à partir du contenu qui les établit. Gardez toute recherche inachevée ou source contradictoire visible dans la conclusion, au lieu d’employer une formulation fluide pour dissimuler une lacune.
La famille Thinking, le profil nommé Preview et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments issus des opérations d’outils effectuées et la réponse finale. Le tour suivant pourra ainsi apporter une correction précise ou prolonger la même investigation, plutôt que de reconstruire sans fondement le travail antérieur.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-5.0-thinking-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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 $0.001892 / 1K tokens Sortie · Tokens en sortie $0.003146 / 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":"ernie-5.0-thinking-latest","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\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="ernie-5.0-thinking-latest", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 ernie-5.0-thinking-latest
/chat/completions
ernie-5.0-thinking-latestERNIE 5.0 Thinking combine raisonnement approfondi, rédaction, compréhension visuelle et tâches reliées à des outils. Le profil Preview documenté propose un contexte de 128K, une entrée maximale de 119K et des réglages de sortie finale jusqu’à 65 536 tokens, avec un budget de réflexion distinct.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
ERNIE 5.0 Thinking est la famille de modèles de Baidu orientée vers le raisonnement pour les questions complexes, la rédaction, le suivi des instructions et les tâches connectées aux applications. Le profil nommé Thinking Preview du fabricant associe raisonnement approfondi et compréhension visuelle, avec prise en charge de la planification et de l’utilisation d’outils. Son processus fabricant de réponse textuelle est distinct d’un contrat de requête unique qui rendrait interchangeables les capacités de génération multimodale de l’ensemble de la famille de recherche ERNIE 5.0.
Énoncez la question, le contenu utilisable et les conditions auxquelles la réponse doit satisfaire. Une comparaison de recherche peut définir les critères et demander les éléments qui étayent chaque conclusion. Une tâche de rédaction peut fournir le public, les consignes factuelles et la structure souhaitée. Une question de programmation peut identifier le comportement à modifier et le fragment source pertinent. Gardez le livrable final suffisamment précis pour pouvoir l’inspecter.
Pour la compréhension visuelle, fournissez un contenu qui rende clairement visible l’élément pertinent et formulez la question à son sujet. Un graphique ou une image de document nécessite des libellés lisibles et le contexte qui permet de comprendre le sens des valeurs. Vérifiez les textes et les détails numériques importants à partir du contenu original. La vocation de compréhension visuelle du modèle ne dispense pas de conserver la source avec l’interprétation renvoyée.
Le tableau AI Studio de Baidu indique pour le profil Thinking Preview un contexte de 128K et une entrée maximale de 119K. Le tableau chinois donne des réglages de sortie finale allant jusqu’à 65 536 tokens et une valeur par défaut de 2K, et indique séparément une longueur de réflexion de 60K. Respectez le rôle de chaque capacité : le contexte de la tâche, le raisonnement généré et la réponse finale demandée sont des parties différentes d’un résultat utile.
Une grande capacité d’entrée peut accueillir des documents liés, mais la réponse demandée doit toujours correspondre à la décision ou au livrable nécessaire. Pour une comparaison, demandez un tableau compact des éléments justificatifs et la conclusion qui en découle, plutôt que de répéter chaque passage fourni. Pour une réponse technique, conservez le cas d’entrée et le comportement attendu qui rendent le résultat vérifiable. La spécification du profil nommé Preview ne doit pas devenir une garantie sur la révision sous-jacente d’un sélecteur ultérieur mis à jour au fil du temps.
L’index des fonctionnalités du fabricant mentionne le profil Thinking Preview pour les appels de fonctions, l’enrichissement par la recherche et la sortie structurée. Définissez une fonction de l’application et les arguments dont elle a besoin, exécutez une requête renvoyée dans l’application et fournissez le résultat réel pour poursuivre. Un plan d’agent n’est pas en soi une preuve que les opérations prévues ont été menées à bien.
Une réponse fondée sur des sources doit conserver les éléments récupérés et les distinguer du contexte fourni ou d’une inférence. Un enregistrement structuré doit définir les champs requis et la représentation des informations manquantes, avec une vérification des valeurs renvoyées à partir de la source. Les détails du format natif de réponse et des outils relèvent de l’interface fabricant sélectionnée ; l’exigence pratique fondamentale est un résultat textuel traçable, plutôt qu’un champ rempli de façon plausible mais sans fondement.
Le livrable utile peut être une comparaison argumentée, un texte provisoire, une explication liée au code ou une réponse enrichie par les outils. Vérifiez les identifiants, les calculs et les interprétations importants à partir du contenu qui les établit. Gardez toute recherche inachevée ou source contradictoire visible dans la conclusion, au lieu d’employer une formulation fluide pour dissimuler une lacune.
La famille Thinking, le profil nommé Preview et les générations ERNIE ultérieures ont des sélecteurs et des conditions documentées distincts. Conservez ensemble la tâche, le contenu source, les éléments issus des opérations d’outils effectuées et la réponse finale. Le tour suivant pourra ainsi apporter une correction précise ou prolonger la même investigation, plutôt que de reconstruire sans fondement le travail antérieur.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ernie-5.0-thinking-latest | 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 $0.001892 / 1K tokens Sortie · Tokens en sortie $0.003146 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "ernie-5.0-thinking-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-5.0-thinking-latest', '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': 'ernie-5.0-thinking-latest', '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 ernie-5.0-thinking-latest
/chat/completions