Mercury 2.5 est le modèle de langage de raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir des retours de production et des cas d’échec, tout en conservant l’accent de la famille sur la génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite et son contexte textuel pertinent ; la sortie est du texte, du code, un enregistrement structuré ou un contenu d’appel d’outil proposé.
La famille Mercury génère le langage par affinements parallèles plutôt qu’en prédisant uniquement les tokens l’un après l’autre de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un flux interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final : la réponse peut devoir être courte même si le processus intermédiaire est plus élaboré.
Pour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Exemple d’instruction utile : « Transformez ces passages sources en un relevé des spécifications requises, préservez les unités et identifiez le passage qui étaye chaque valeur. » La sortie conforme au schéma fournit un résultat organisé à l’application ; sa concordance avec les sources exige toujours une révision.
Le fabricant décrit l’utilisation de Mercury pour planifier les recherches, reformuler les requêtes, structurer les faits, résumer les sources et vérifier les réponses. L’application peut donner un objectif précis à chaque étape et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation préserve les contraintes réelles de l’utilisateur et qu’un résumé conserve les faits nécessaires à la réponse finale au lieu de seulement raccourcir chaque passage.
Les appels d’outils parallèles de Mercury 2.5 sont utiles lorsque des opérations indépendantes peuvent obtenir différentes observations pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application exécute les appels choisis et renvoie leurs résultats. Gardez ensemble identifiants d’appels et étiquettes des sources pour que la réponse finale utilise des informations observées plutôt que l’hypothèse d’une exécution d’outil.
Le fabricant décrit aussi l’aide à la programmation et des opérations de soutien, comme la réduction d’une longue session ou la recherche d’un outil adapté. Pour une réduction de contexte, identifiez les besoins de la tâche suivante : exigences acceptées, échecs actuels, décisions et leurs preuves. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat terminé.
Pour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée défaillante ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape linguistique, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement ; reconnaissance vocale, synthèse vocale et rendu multimédia restent des composants distincts.
Le contexte de 260K est celui du profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble sources, historique, raisonnement et résultat final. Choisissez la forme de sortie avant le début de la tâche et gardez de la place pour une réponse contenant les détails obligatoires.
Un livrable final utile est une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état de la tâche. Vérifiez les faits dans les documents fournis et le code dans son environnement prévu. L’architecture par diffusion et le rôle dans les tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.
", "aboutText": "Mercury 2.5 est le modèle de langage de raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir des retours de production et des cas d’échec, tout en conservant l’accent de la famille sur la génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite et son contexte textuel pertinent ; la sortie est du texte, du code, un enregistrement structuré ou un contenu d’appel d’outil proposé.\n\n### Diffusion et raisonnement\n\nLa famille Mercury génère le langage par affinements parallèles plutôt qu’en prédisant uniquement les tokens l’un après l’autre de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un flux interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final : la réponse peut devoir être courte même si le processus intermédiaire est plus élaboré.\n\nPour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Exemple d’instruction utile : « Transformez ces passages sources en un relevé des spécifications requises, préservez les unités et identifiez le passage qui étaye chaque valeur. » La sortie conforme au schéma fournit un résultat organisé à l’application ; sa concordance avec les sources exige toujours une révision.\n\n### Flux de recherche et de récupération\n\nLe fabricant décrit l’utilisation de Mercury pour planifier les recherches, reformuler les requêtes, structurer les faits, résumer les sources et vérifier les réponses. L’application peut donner un objectif précis à chaque étape et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation préserve les contraintes réelles de l’utilisateur et qu’un résumé conserve les faits nécessaires à la réponse finale au lieu de seulement raccourcir chaque passage.\n\nLes appels d’outils parallèles de Mercury 2.5 sont utiles lorsque des opérations indépendantes peuvent obtenir différentes observations pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application exécute les appels choisis et renvoie leurs résultats. Gardez ensemble identifiants d’appels et étiquettes des sources pour que la réponse finale utilise des informations observées plutôt que l’hypothèse d’une exécution d’outil.\n\n### Programmation et gestion du contexte\n\nLe fabricant décrit aussi l’aide à la programmation et des opérations de soutien, comme la réduction d’une longue session ou la recherche d’un outil adapté. Pour une réduction de contexte, identifiez les besoins de la tâche suivante : exigences acceptées, échecs actuels, décisions et leurs preuves. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat terminé.\n\nPour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée défaillante ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape linguistique, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement ; reconnaissance vocale, synthèse vocale et rendu multimédia restent des composants distincts.\n\n### Limites et révision de la sortie\n\nLe contexte de 260K est celui du profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble sources, historique, raisonnement et résultat final. Choisissez la forme de sortie avant le début de la tâche et gardez de la place pour une réponse contenant les détails obligatoires.\n\nUn livrable final utile est une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état de la tâche. Vérifiez les faits dans les documents fournis et le code dans son environnement prévu. L’architecture par diffusion et le rôle dans les tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 est le modèle textuel de raisonnement par diffusion d’Inception, avec un contexte de 260K. Le raisonnement réglable, les appels d’outils parallèles et le JSON conforme au schéma servent la recherche, l’extraction, l’aide à la programmation et les étapes répétées d’agents exigeant un résultat clair et structuré.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mercury 2.5 est le modèle de langage de raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir des retours de production et des cas d’échec, tout en conservant l’accent de la famille sur la génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite et son contexte textuel pertinent ; la sortie est du texte, du code, un enregistrement structuré ou un contenu d’appel d’outil proposé.
La famille Mercury génère le langage par affinements parallèles plutôt qu’en prédisant uniquement les tokens l’un après l’autre de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un flux interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final : la réponse peut devoir être courte même si le processus intermédiaire est plus élaboré.
Pour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Exemple d’instruction utile : « Transformez ces passages sources en un relevé des spécifications requises, préservez les unités et identifiez le passage qui étaye chaque valeur. » La sortie conforme au schéma fournit un résultat organisé à l’application ; sa concordance avec les sources exige toujours une révision.
Le fabricant décrit l’utilisation de Mercury pour planifier les recherches, reformuler les requêtes, structurer les faits, résumer les sources et vérifier les réponses. L’application peut donner un objectif précis à chaque étape et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation préserve les contraintes réelles de l’utilisateur et qu’un résumé conserve les faits nécessaires à la réponse finale au lieu de seulement raccourcir chaque passage.
Les appels d’outils parallèles de Mercury 2.5 sont utiles lorsque des opérations indépendantes peuvent obtenir différentes observations pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application exécute les appels choisis et renvoie leurs résultats. Gardez ensemble identifiants d’appels et étiquettes des sources pour que la réponse finale utilise des informations observées plutôt que l’hypothèse d’une exécution d’outil.
Le fabricant décrit aussi l’aide à la programmation et des opérations de soutien, comme la réduction d’une longue session ou la recherche d’un outil adapté. Pour une réduction de contexte, identifiez les besoins de la tâche suivante : exigences acceptées, échecs actuels, décisions et leurs preuves. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat terminé.
Pour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée défaillante ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape linguistique, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement ; reconnaissance vocale, synthèse vocale et rendu multimédia restent des composants distincts.
Le contexte de 260K est celui du profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble sources, historique, raisonnement et résultat final. Choisissez la forme de sortie avant le début de la tâche et gardez de la place pour une réponse contenant les détails obligatoires.
Un livrable final utile est une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état de la tâche. Vérifiez les faits dans les documents fournis et le code dans son environnement prévu. L’architecture par diffusion et le rôle dans les tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inception/mercury-2.5 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00004 / 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Utilisez les chemins de méthode indiqués ci-dessus.
inception/mercury-2.5Mercury 2.5 est le modèle textuel de raisonnement par diffusion d’Inception, avec un contexte de 260K. Le raisonnement réglable, les appels d’outils parallèles et le JSON conforme au schéma servent la recherche, l’extraction, l’aide à la programmation et les étapes répétées d’agents exigeant un résultat clair et structuré.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mercury 2.5 est le modèle de langage de raisonnement par diffusion d’Inception. Il succède à Mercury 2 avec un entraînement mis à jour à partir des retours de production et des cas d’échec, tout en conservant l’accent de la famille sur la génération textuelle réactive. Son profil publié comprend un contexte de 260K, un raisonnement réglable, des appels d’outils parallèles et du JSON conforme au schéma. L’entrée est une tâche écrite et son contexte textuel pertinent ; la sortie est du texte, du code, un enregistrement structuré ou un contenu d’appel d’outil proposé.
La famille Mercury génère le langage par affinements parallèles plutôt qu’en prédisant uniquement les tokens l’un après l’autre de gauche à droite. Cette orientation architecturale vise à intégrer les étapes répétées du modèle dans un flux interactif. Le raisonnement réglable permet au profil du fabricant d’adapter la profondeur de l’analyse à la tâche. Définissez explicitement le livrable final : la réponse peut devoir être courte même si le processus intermédiaire est plus élaboré.
Pour une comparaison, fournissez les critères et les passages sources nommés. Pour une extraction, définissez les champs et leur sens. Exemple d’instruction utile : « Transformez ces passages sources en un relevé des spécifications requises, préservez les unités et identifiez le passage qui étaye chaque valeur. » La sortie conforme au schéma fournit un résultat organisé à l’application ; sa concordance avec les sources exige toujours une révision.
Le fabricant décrit l’utilisation de Mercury pour planifier les recherches, reformuler les requêtes, structurer les faits, résumer les sources et vérifier les réponses. L’application peut donner un objectif précis à chaque étape et transmettre les éléments pertinents à la suivante. Demandez qu’une reformulation préserve les contraintes réelles de l’utilisateur et qu’un résumé conserve les faits nécessaires à la réponse finale au lieu de seulement raccourcir chaque passage.
Les appels d’outils parallèles de Mercury 2.5 sont utiles lorsque des opérations indépendantes peuvent obtenir différentes observations pour une tâche. Fournissez des définitions de fonctions et des schémas de paramètres clairs. L’application exécute les appels choisis et renvoie leurs résultats. Gardez ensemble identifiants d’appels et étiquettes des sources pour que la réponse finale utilise des informations observées plutôt que l’hypothèse d’une exécution d’outil.
Le fabricant décrit aussi l’aide à la programmation et des opérations de soutien, comme la réduction d’une longue session ou la recherche d’un outil adapté. Pour une réduction de contexte, identifiez les besoins de la tâche suivante : exigences acceptées, échecs actuels, décisions et leurs preuves. Demandez au modèle de préserver ces éléments et de distinguer le travail incomplet d’un résultat terminé.
Pour une modification logicielle, fournissez le code pertinent, le comportement attendu et une entrée défaillante ou une erreur observée. Demandez une implémentation ciblée et son explication. Si une application visuelle ou vocale utilise Mercury comme étape linguistique, fournissez le texte ou l’observation d’outil que ce modèle consomme réellement ; reconnaissance vocale, synthèse vocale et rendu multimédia restent des composants distincts.
Le contexte de 260K est celui du profil 2.5 documenté, distinct du contexte de lancement de 128K de Mercury 2 et des modèles spécialisés Mercury Voice et Router. Budgétez ensemble sources, historique, raisonnement et résultat final. Choisissez la forme de sortie avant le début de la tâche et gardez de la place pour une réponse contenant les détails obligatoires.
Un livrable final utile est une extraction structurée, une explication fondée sur les sources, une proposition de code ou un résumé concis de l’état de la tâche. Vérifiez les faits dans les documents fournis et le code dans son environnement prévu. L’architecture par diffusion et le rôle dans les tâches réactives n’établissent pas à eux seuls l’exactitude, l’accès à une source externe ou l’exécution d’une action proposée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inception/mercury-2.5 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00004 / 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.