{ "aboutHtml": "

Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le positionne pour la bureautique quotidienne, l’ingénierie logicielle prolongée et les flux d’agents complexes. Son architecture à mélange d’experts compte environ 560 milliards de paramètres au total, dont environ 25 milliards actifs par token, associant une grande capacité de modèle à un volume de calcul actif plus réduit.

Son objectif de conception central est de maintenir l’état de la tâche et de corriger le déroulement des travaux longs. Dans un flux connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser la suivante lorsque les éléments changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, identifiez les causes non résolues et produisez un plan d’investigation priorisé. Pour chaque action, indiquez les preuves permettant de décider si elle a fonctionné. » Une demande vague devient ainsi un résultat examinable et poursuivable.

Pour la bureautique, les entrées utiles comprennent les notes sources, les textes extraits de documents, des tableaux aux colonnes clairement définies et le public visé par le rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit tel qu’une synthèse de direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les plus grandes variations, distinguez les valeurs observées des hypothèses et rédigez une synthèse terminée par les questions sans réponse. » Conservez les étiquettes des sources dans l’entrée pour relier chaque affirmation au bon document.

Pour le développement logiciel, le fabricant met en avant la refactorisation entre langages, l’optimisation des performances et l’analyse des parties souvent utilisées d’une base de code. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les erreurs ou mesures constatées. Une demande utile sollicite une modification proposée et les vérifications nécessaires pour l’évaluer : « Refactorisez cet analyseur en préservant le format de sortie documenté. Expliquez le comportement affecté, montrez le code révisé et identifiez les cas révélant une régression. » Pour les performances, fournissez des profils ou durées réels et demandez de relier chaque recommandation à un goulet d’étranglement mesuré.

Pour une analyse professionnelle, réunissez les règles, définitions et preuves pertinentes avant de demander une recommandation. Ling 3.1 Flash est destiné à synthétiser des informations dispersées, interpréter des indicateurs et élaborer des suggestions d’action. Demandez une comparaison qui nomme les hypothèses et les informations encore nécessaires, plutôt qu’un verdict sans fondement. Fournissez, par exemple, plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en distinguant les observations étayées par les sources des conséquences déduites. Si les preuves se contredisent, demandez les passages en conflit et la question permettant de les départager.

Le fabricant distingue un plafond de contexte du modèle de 1M tokens du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents selon la fenêtre applicable et réservez de la place à la réponse ; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant de données. Pour une tâche importante, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références. Délimitez explicitement documents et code pour éviter de confondre les éléments à analyser avec des instructions à suivre.

Préparez les tâches connectées aux outils avec des descriptions claires, des arguments attendus et des résultats utiles consignés. Réintroduisez les résultats réels dans la conversation pour fonder la proposition suivante sur des observations. Demandez au modèle d’expliquer ce que change un résultat retourné et quelles preuves manquent encore. La conception orientée agents du modèle soutient cette boucle de planification et de retour ; l’application exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposés sont surtout utiles lorsque leur statut est clair : suggérés, exécutés avec un résultat consigné ou encore en attente de vérification.

Ling 3.1 Flash appartient à la lignée des modèles de langage ; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez les sources sous forme de texte et conservez leur structure, leurs étiquettes et leur provenance. Précisez la langue et la forme de sortie : note concise, tableau de constats, explication de correctif ou plan numéroté. Demandez au modèle de signaler les informations manquantes et confrontez le livrable aux contraintes initiales. Les flux longs exigent toujours un examen des résultats intermédiaires : sinon, une hypothèse initiale erronée peut être propagée dans le raisonnement et devenir un rapport final convaincant.

", "aboutText": "Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le positionne pour la bureautique quotidienne, l’ingénierie logicielle prolongée et les flux d’agents complexes. Son architecture à mélange d’experts compte environ 560 milliards de paramètres au total, dont environ 25 milliards actifs par token, associant une grande capacité de modèle à un volume de calcul actif plus réduit.\n\nSon objectif de conception central est de maintenir l’état de la tâche et de corriger le déroulement des travaux longs. Dans un flux connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser la suivante lorsque les éléments changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, identifiez les causes non résolues et produisez un plan d’investigation priorisé. Pour chaque action, indiquez les preuves permettant de décider si elle a fonctionné. » Une demande vague devient ainsi un résultat examinable et poursuivable.\n\nPour la bureautique, les entrées utiles comprennent les notes sources, les textes extraits de documents, des tableaux aux colonnes clairement définies et le public visé par le rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit tel qu’une synthèse de direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les plus grandes variations, distinguez les valeurs observées des hypothèses et rédigez une synthèse terminée par les questions sans réponse. » Conservez les étiquettes des sources dans l’entrée pour relier chaque affirmation au bon document.\n\nPour le développement logiciel, le fabricant met en avant la refactorisation entre langages, l’optimisation des performances et l’analyse des parties souvent utilisées d’une base de code. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les erreurs ou mesures constatées. Une demande utile sollicite une modification proposée et les vérifications nécessaires pour l’évaluer : « Refactorisez cet analyseur en préservant le format de sortie documenté. Expliquez le comportement affecté, montrez le code révisé et identifiez les cas révélant une régression. » Pour les performances, fournissez des profils ou durées réels et demandez de relier chaque recommandation à un goulet d’étranglement mesuré.\n\nPour une analyse professionnelle, réunissez les règles, définitions et preuves pertinentes avant de demander une recommandation. Ling 3.1 Flash est destiné à synthétiser des informations dispersées, interpréter des indicateurs et élaborer des suggestions d’action. Demandez une comparaison qui nomme les hypothèses et les informations encore nécessaires, plutôt qu’un verdict sans fondement. Fournissez, par exemple, plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en distinguant les observations étayées par les sources des conséquences déduites. Si les preuves se contredisent, demandez les passages en conflit et la question permettant de les départager.\n\nLe fabricant distingue un plafond de contexte du modèle de 1M tokens du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents selon la fenêtre applicable et réservez de la place à la réponse ; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant de données. Pour une tâche importante, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références. Délimitez explicitement documents et code pour éviter de confondre les éléments à analyser avec des instructions à suivre.\n\nPréparez les tâches connectées aux outils avec des descriptions claires, des arguments attendus et des résultats utiles consignés. Réintroduisez les résultats réels dans la conversation pour fonder la proposition suivante sur des observations. Demandez au modèle d’expliquer ce que change un résultat retourné et quelles preuves manquent encore. La conception orientée agents du modèle soutient cette boucle de planification et de retour ; l’application exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposés sont surtout utiles lorsque leur statut est clair : suggérés, exécutés avec un résultat consigné ou encore en attente de vérification.\n\nLing 3.1 Flash appartient à la lignée des modèles de langage ; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez les sources sous forme de texte et conservez leur structure, leurs étiquettes et leur provenance. Précisez la langue et la forme de sortie : note concise, tableau de constats, explication de correctif ou plan numéroté. Demandez au modèle de signaler les informations manquantes et confrontez le livrable aux contraintes initiales. Les flux longs exigent toujours un examen des résultats intermédiaires : sinon, une hypothèse initiale erronée peut être propagée dans le raisonnement et devenir un rapport final convaincant.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c839eb7c7a16bce2891ab155abb37d5c7c6c64251509f04f7a25a5e2bc2d2a6c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "

•

inclusionAI: Ling 3.1 Flash

inclusionAI /inclusionai/ling-3.1-flash

Premiers pas

Ling 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour la bureautique, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par token pour la planification en plusieurs étapes, les interactions avec les outils et les révisions fondées sur les résultats intermédiaires.

Entrées acceptées: Texte
Résultats: Texte

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le positionne pour la bureautique quotidienne, l’ingénierie logicielle prolongée et les flux d’agents complexes. Son architecture à mélange d’experts compte environ 560 milliards de paramètres au total, dont environ 25 milliards actifs par token, associant une grande capacité de modèle à un volume de calcul actif plus réduit.

Son objectif de conception central est de maintenir l’état de la tâche et de corriger le déroulement des travaux longs. Dans un flux connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser la suivante lorsque les éléments changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, identifiez les causes non résolues et produisez un plan d’investigation priorisé. Pour chaque action, indiquez les preuves permettant de décider si elle a fonctionné. » Une demande vague devient ainsi un résultat examinable et poursuivable.

Pour la bureautique, les entrées utiles comprennent les notes sources, les textes extraits de documents, des tableaux aux colonnes clairement définies et le public visé par le rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit tel qu’une synthèse de direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les plus grandes variations, distinguez les valeurs observées des hypothèses et rédigez une synthèse terminée par les questions sans réponse. » Conservez les étiquettes des sources dans l’entrée pour relier chaque affirmation au bon document.

Pour le développement logiciel, le fabricant met en avant la refactorisation entre langages, l’optimisation des performances et l’analyse des parties souvent utilisées d’une base de code. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les erreurs ou mesures constatées. Une demande utile sollicite une modification proposée et les vérifications nécessaires pour l’évaluer : « Refactorisez cet analyseur en préservant le format de sortie documenté. Expliquez le comportement affecté, montrez le code révisé et identifiez les cas révélant une régression. » Pour les performances, fournissez des profils ou durées réels et demandez de relier chaque recommandation à un goulet d’étranglement mesuré.

Pour une analyse professionnelle, réunissez les règles, définitions et preuves pertinentes avant de demander une recommandation. Ling 3.1 Flash est destiné à synthétiser des informations dispersées, interpréter des indicateurs et élaborer des suggestions d’action. Demandez une comparaison qui nomme les hypothèses et les informations encore nécessaires, plutôt qu’un verdict sans fondement. Fournissez, par exemple, plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en distinguant les observations étayées par les sources des conséquences déduites. Si les preuves se contredisent, demandez les passages en conflit et la question permettant de les départager.

Le fabricant distingue un plafond de contexte du modèle de 1M tokens du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents selon la fenêtre applicable et réservez de la place à la réponse ; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant de données. Pour une tâche importante, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références. Délimitez explicitement documents et code pour éviter de confondre les éléments à analyser avec des instructions à suivre.

Préparez les tâches connectées aux outils avec des descriptions claires, des arguments attendus et des résultats utiles consignés. Réintroduisez les résultats réels dans la conversation pour fonder la proposition suivante sur des observations. Demandez au modèle d’expliquer ce que change un résultat retourné et quelles preuves manquent encore. La conception orientée agents du modèle soutient cette boucle de planification et de retour ; l’application exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposés sont surtout utiles lorsque leur statut est clair : suggérés, exécutés avec un résultat consigné ou encore en attente de vérification.

Ling 3.1 Flash appartient à la lignée des modèles de langage ; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez les sources sous forme de texte et conservez leur structure, leurs étiquettes et leur provenance. Précisez la langue et la forme de sortie : note concise, tableau de constats, explication de correctif ou plan numéroté. Demandez au modèle de signaler les informations manquantes et confrontez le livrable aux contraintes initiales. Les flux longs exigent toujours un examen des résultats intermédiaires : sinon, une hypothèse initiale erronée peut être propagée dans le raisonnement et devenir un rapport final convaincant.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions

Entrée: text
Sortie: text
Format de sortie: json ou SSE

Champ	Type	Exigence	Valeurs et limites	Par défaut
Champ`model`	Type`string`	ExigenceObligatoire	Valeurs et limites inclusionai/ling-3.1-flash	Par défaut—
Champ`messages`	Type`message[]`	ExigenceObligatoire	Valeurs et limites Nombre minimal d’éléments: 1	Par défaut—
Champ`messages[].role`	Type`string`	ExigenceObligatoire	Valeurs et limites Selon le modèle	Par défaut—
Champ`messages[].content`	Type`string`	ExigenceFacultatif	Valeurs et limites S’applique lorsque: Conversation textuelle	Par défaut—
Champ`stream`	Type`boolean`	ExigenceFacultatif	Valeurs et limites	Par défautfalse

Combinaisons d’éléments d’entrée

Texte · Texte UTF8

messages[].content

Paramètres et cycle de vie de la méthode

Paramètre	Contrat
Paramètre`content_type`	Contratapplication/json
Paramètre`required`	Contratmodel, messages
Paramètre`material_types`	Contrattext
Paramètre`messages`	Contrattableau de messages avec une structure role/content
Paramètre`file_material`	Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit
Paramètre`optional_controls`	Contratstream
Paramètre`control_scope`	ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false.
Paramètre`output_modalities`	Contrattext
Paramètre`hosted_operations`	Contratfalse
Paramètre`multimodal_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.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide: Non précisé Lorsque le mode rapide est sélectionné
Mode Flex: Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal: Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

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 $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens
ConfigurationPalier 1 de longueur de requête	Barème tarifaire—	Tokens de contexte, plus de0	Tokens de contexte, jusqu’à la limite incluseSans borne supérieure	Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens

Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →

Exemples de requêtes

Ailoot Ultra · OpenAI Chat

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":"inclusionai/ling-3.1-flash","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\n

from 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="inclusionai/ling-3.1-flash", 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"))\n

Recevoir et enregistrer les résultats

Ailoot Ultra · OpenAI Chat

json ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.

Champs de la réponse

Champ	Type
Champ`choices[].index`	Typeinteger
Champ`choices[].message.content`	Typestring\|null
Champ`choices[].message.tool_calls`	Typetool_call[]
Champ`choices[].message.reasoning_content`	Typestring
Champ`choices[].message.reasoning_details`	Typeobject\|array
Champ`choices[].finish_reason`	Typestring\|null
Champ`usage`	Typeobject

Erreurs et étapes suivantes

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.

Alias

Alias du modèle

Ailoot Ultra inclusionai/ling-3.1-flash

Alias des chemins de méthode

/chat/completions

ID d’appel associés

inclusionai/ling-3.1-flash

", "method_identity": { "effective_request_model_id": "inclusionai/ling-3.1-flash", "fmt": "chat", "http": "POST", "path": "/v1/chat/completions", "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra" }, "method_key": "Ultra|chat|/v1/chat/completions|inclusionai%2Fling-3.1-flash", "ordinal": 0, "rawMethod": { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Texte UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json ou SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Conversation textuelle" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Conversation textuelle ; stream est un booléen dont la valeur par défaut est false.", "file_material": "document UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit", "hosted_operations": false, "material_types": [ "text" ], "messages": "tableau de messages avec une structure role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Palier 1 de longueur de requête", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\":\"inclusionai/ling-3.1-flash\",\"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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=\"inclusionai/ling-3.1-flash\", 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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.6, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 1.8, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "interval_boundary": "min_exclusive_max_inclusive", "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "null_rate_policy": "unknown or inherited; never zero", "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } }, { "html": "

•

inclusionAI: Ling 3.1 Flash

inclusionAI /inclusionai/ling-3.1-flash

Premiers pas

Ling 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour la bureautique, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par token pour la planification en plusieurs étapes, les interactions avec les outils et les révisions fondées sur les résultats intermédiaires.

Entrées acceptées: Texte
Résultats: json · sse

À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le positionne pour la bureautique quotidienne, l’ingénierie logicielle prolongée et les flux d’agents complexes. Son architecture à mélange d’experts compte environ 560 milliards de paramètres au total, dont environ 25 milliards actifs par token, associant une grande capacité de modèle à un volume de calcul actif plus réduit.

Son objectif de conception central est de maintenir l’état de la tâche et de corriger le déroulement des travaux longs. Dans un flux connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser la suivante lorsque les éléments changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, identifiez les causes non résolues et produisez un plan d’investigation priorisé. Pour chaque action, indiquez les preuves permettant de décider si elle a fonctionné. » Une demande vague devient ainsi un résultat examinable et poursuivable.

Pour la bureautique, les entrées utiles comprennent les notes sources, les textes extraits de documents, des tableaux aux colonnes clairement définies et le public visé par le rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit tel qu’une synthèse de direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les plus grandes variations, distinguez les valeurs observées des hypothèses et rédigez une synthèse terminée par les questions sans réponse. » Conservez les étiquettes des sources dans l’entrée pour relier chaque affirmation au bon document.

Pour le développement logiciel, le fabricant met en avant la refactorisation entre langages, l’optimisation des performances et l’analyse des parties souvent utilisées d’une base de code. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les erreurs ou mesures constatées. Une demande utile sollicite une modification proposée et les vérifications nécessaires pour l’évaluer : « Refactorisez cet analyseur en préservant le format de sortie documenté. Expliquez le comportement affecté, montrez le code révisé et identifiez les cas révélant une régression. » Pour les performances, fournissez des profils ou durées réels et demandez de relier chaque recommandation à un goulet d’étranglement mesuré.

Pour une analyse professionnelle, réunissez les règles, définitions et preuves pertinentes avant de demander une recommandation. Ling 3.1 Flash est destiné à synthétiser des informations dispersées, interpréter des indicateurs et élaborer des suggestions d’action. Demandez une comparaison qui nomme les hypothèses et les informations encore nécessaires, plutôt qu’un verdict sans fondement. Fournissez, par exemple, plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en distinguant les observations étayées par les sources des conséquences déduites. Si les preuves se contredisent, demandez les passages en conflit et la question permettant de les départager.

Le fabricant distingue un plafond de contexte du modèle de 1M tokens du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents selon la fenêtre applicable et réservez de la place à la réponse ; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant de données. Pour une tâche importante, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références. Délimitez explicitement documents et code pour éviter de confondre les éléments à analyser avec des instructions à suivre.

Préparez les tâches connectées aux outils avec des descriptions claires, des arguments attendus et des résultats utiles consignés. Réintroduisez les résultats réels dans la conversation pour fonder la proposition suivante sur des observations. Demandez au modèle d’expliquer ce que change un résultat retourné et quelles preuves manquent encore. La conception orientée agents du modèle soutient cette boucle de planification et de retour ; l’application exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposés sont surtout utiles lorsque leur statut est clair : suggérés, exécutés avec un résultat consigné ou encore en attente de vérification.

Ling 3.1 Flash appartient à la lignée des modèles de langage ; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez les sources sous forme de texte et conservez leur structure, leurs étiquettes et leur provenance. Précisez la langue et la forme de sortie : note concise, tableau de constats, explication de correctif ou plan numéroté. Demandez au modèle de signaler les informations manquantes et confrontez le livrable aux contraintes initiales. Les flux longs exigent toujours un examen des résultats intermédiaires : sinon, une hypothèse initiale erronée peut être propagée dans le raisonnement et devenir un rapport final convaincant.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Anthropic Messages POST /v1/messages

Entrée: text
Sortie: json, sse
Format de sortie: JSON ou SSE

Champ	Type	Exigence	Valeurs et limites	Par défaut
Champ`model`	Type`string`	ExigenceObligatoire	Valeurs et limites inclusionai/ling-3.1-flash	Par défaut—
Champ`messages`	Type`message[]`	ExigenceObligatoire	Valeurs et limites	Par défaut—
Champ`messages[].role`	Type`string`	ExigenceObligatoire	Valeurs et limites user, assistant	Par défaut—
Champ`messages[].content`	Type`string`	ExigenceObligatoire	Valeurs et limites	Par défaut—
Champ`max_tokens`	Type`integer`	ExigenceObligatoire	Valeurs et limites	Par défaut—
Champ`stream`	Type`boolean`	ExigenceFacultatif	Valeurs et limites	Par défautfalse

Combinaisons d’éléments d’entrée

Texte · Texte UTF-8

chaîne messages[].content

Paramètres et cycle de vie de la méthode

Paramètre	Contrat
Paramètre`content_type`	Contratapplication/json
Paramètre`required`	Contratmodel, messages, max_tokens
Paramètre`optional_controls`	Contratstream
Paramètre`material_types`	Contrattext
Paramètre`text_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

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide: Non précisé Lorsque le mode rapide est sélectionné
Mode Flex: Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal: Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

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 $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens
ConfigurationPalier 1 de longueur de requête	Barème tarifaire—	Tokens de contexte, plus de0	Tokens de contexte, jusqu’à la limite incluseSans borne supérieure	Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00012 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens

Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →

Exemples de requêtes

Ailoot Ultra · Anthropic Messages

{\n  "model": "inclusionai/ling-3.1-flash",\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': 'inclusionai/ling-3.1-flash', '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\n

import 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': 'inclusionai/ling-3.1-flash', '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))\n

Recevoir et enregistrer les résultats

Ailoot Ultra · Anthropic Messages

JSON ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.

Champs de la réponse

Champ	Type
Champ`id`	Typestring
Champ`model`	Typestring
Champ`content[]`	Typetext\|thinking\|tool_use\|other content block
Champ`stop_reason`	Typestring\|null
Champ`usage`	Typeobject

Erreurs et étapes suivantes

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.

Alias

Alias du modèle

Ailoot Ultra inclusionai/ling-3.1-flash

Alias des chemins de méthode

/chat/completions

ID d’appel associés

inclusionai/ling-3.1-flash

", "method_identity": { "effective_request_model_id": "inclusionai/ling-3.1-flash", "fmt": "messages", "http": "POST", "path": "/v1/messages", "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra" }, "method_key": "Ultra|messages|/v1/messages|inclusionai%2Fling-3.1-flash", "ordinal": 1, "rawMethod": { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "authentication": { "api_key_source": "AILOOT_API_KEY", "headers": [ "Authorization: Bearer", "x-api-key", "anthropic-version" ], "version_example": "2023-06-01" }, "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "example_body": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie." }, "material_combinations": [ { "mode": "text", "representation": "chaîne messages[].content", "required_material": "Texte UTF-8" } ], "operation_modes": [ "synchronous_json", "streamed_SSE" ], "outputs": { "all_results": "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.", "family": "protocol", "fields": [ { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "content[]", "type": "text|thinking|tool_use|other content block" }, { "description": null, "name": "stop_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "JSON ou SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages", "required": true, "type": "message[]" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "user", "assistant" ], "enum_known": true, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "max_tokens", "required": true, "type": "integer" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Documented current stock Messages bridge; optional model capabilities are separate from this minimal text request.", "request_schema": { "additionalProperties": false, "properties": { "max_tokens": { "minimum": 1, "type": "integer" }, "messages": { "items": { "additionalProperties": false, "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "source": { "oneOf": [ { "properties": { "type": { "const": "url" }, "url": { "type": "string" } }, "required": [ "type", "url" ], "type": "object" }, { "properties": { "data": { "type": "string" }, "media_type": { "type": "string" }, "type": { "const": "base64" } }, "required": [ "type", "media_type", "data" ], "type": "object" } ] }, "type": { "const": "image" } }, "required": [ "type", "source" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "enum": [ "user", "assistant" ], "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "type": "array" }, "model": { "enum": [ "inclusionai/ling-3.1-flash" ], "type": "string" }, "stream": { "default": false, "type": "boolean" } }, "required": [ "model", "messages", "max_tokens" ], "type": "object" }, "schema_template": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "unsupported": [ "No query API key.", "Hosted/server-side tools and model-specific optional controls are not part of this minimal family example." ] }, "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": [ "stream" ], "required": [ "model", "messages", "max_tokens" ], "text_file_material": "Lisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message." }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Keep request/response IDs and headers. No generic text job retrieval URL is supplied." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/messages" }, "output": { "all_results": "Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.", "family": "protocol", "format": "JSON or SSE" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Palier 1 de longueur de requête", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "{\n \"model\": \"inclusionai/ling-3.1-flash\",\n \"max_tokens\": 128,\n \"messages\": [\n {\n \"role\": \"user\",\n \"content\": \"Summarize the incident report.\"\n }\n ],\n \"stream\": false\n}", "label": "Complete minimal JSON body", "language": "json" }, { "code": "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': 'inclusionai/ling-3.1-flash', '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\n", "label": "curl · use your UTF-8 document", "language": "bash" }, { "code": "import 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': 'inclusionai/ling-3.1-flash', '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))\n", "label": "Python · save the complete result", "language": "python" } ], "family": "anthropic", "fast_multiplier": null, "flex_multiplier": null, "fmt": "messages", "http": "POST", "in": 0.6, "input": [ "text" ], "label": "Anthropic Messages", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 1.8, "output": [ "json", "sse" ], "path": "/v1/messages", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "inclusionai/ling-3.1-flash", "nativeProvenance": { "input_facts_canonical_sha256": "412d80771374988d5f4415f183b2818fb15ea60322462d1a093ff132800e2d07", "input_html_sha256": "8d5fb853c298b5a888289ecd57d52923c244d8a72d8685b3ed727191dba77a98", "private_audit_sha256": "753edd7315964631b9d216ea7ac497877d64aac62144932d6f5a183931efc92a", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr-ch/inclusionai-ling-3-1-flash/", "description": "Ling 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour la bureautique, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par token pour la planification en plusieurs étapes, les interactions avec les outils et les révisions fondées sur les résultats intermédiaires.", "locale": "fr-ch", "md_url": "https://ailoot.ai/models/fr-ch/inclusionai-ling-3-1-flash/index.md", "title": "inclusionAI: Ling 3.1 Flash — Ailoot", "url": "https://ailoot.ai/models/fr-ch/inclusionai-ling-3-1-flash/" }, "rawModel": { "about": "Ling 3.1 Flash est le modèle de langage à raisonnement hybride d’inclusionAI pour les tâches comportant plusieurs étapes plutôt qu’une seule réponse courte. Le fabricant le positionne pour la bureautique quotidienne, l’ingénierie logicielle prolongée et les flux d’agents complexes. Son architecture à mélange d’experts compte environ 560 milliards de paramètres au total, dont environ 25 milliards actifs par token, associant une grande capacité de modèle à un volume de calcul actif plus réduit.\n\nSon objectif de conception central est de maintenir l’état de la tâche et de corriger le déroulement des travaux longs. Dans un flux connecté à des outils, le modèle peut planifier plusieurs étapes, interpréter les résultats intermédiaires et réviser la suivante lorsque les éléments changent. Donnez-lui un objectif précis, les documents disponibles et une définition de l’achèvement. Par exemple : « Examinez ces notes d’incident, identifiez les causes non résolues et produisez un plan d’investigation priorisé. Pour chaque action, indiquez les preuves permettant de décider si elle a fonctionné. » Une demande vague devient ainsi un résultat examinable et poursuivable.\n\nPour la bureautique, les entrées utiles comprennent les notes sources, les textes extraits de documents, des tableaux aux colonnes clairement définies et le public visé par le rapport. Précisez la période, les unités et la comparaison à utiliser. Demandez un livrable écrit tel qu’une synthèse de direction, un plan de rapport ou une explication des changements importants. Exemple : « En utilisant uniquement ces tableaux trimestriels, expliquez les plus grandes variations, distinguez les valeurs observées des hypothèses et rédigez une synthèse terminée par les questions sans réponse. » Conservez les étiquettes des sources dans l’entrée pour relier chaque affirmation au bon document.\n\nPour le développement logiciel, le fabricant met en avant la refactorisation entre langages, l’optimisation des performances et l’analyse des parties souvent utilisées d’une base de code. Fournissez les fichiers pertinents sous forme de texte, le comportement à préserver, les versions des dépendances et les erreurs ou mesures constatées. Une demande utile sollicite une modification proposée et les vérifications nécessaires pour l’évaluer : « Refactorisez cet analyseur en préservant le format de sortie documenté. Expliquez le comportement affecté, montrez le code révisé et identifiez les cas révélant une régression. » Pour les performances, fournissez des profils ou durées réels et demandez de relier chaque recommandation à un goulet d’étranglement mesuré.\n\nPour une analyse professionnelle, réunissez les règles, définitions et preuves pertinentes avant de demander une recommandation. Ling 3.1 Flash est destiné à synthétiser des informations dispersées, interpréter des indicateurs et élaborer des suggestions d’action. Demandez une comparaison qui nomme les hypothèses et les informations encore nécessaires, plutôt qu’un verdict sans fondement. Fournissez, par exemple, plusieurs propositions de projet et demandez une note de décision appliquant les mêmes critères à chacune, en distinguant les observations étayées par les sources des conséquences déduites. Si les preuves se contredisent, demandez les passages en conflit et la question permettant de les départager.\n\nLe fabricant distingue un plafond de contexte du modèle de 1M tokens du contexte de 256K actuellement ouvert par son service officiel. Ces chiffres décrivent des limites différentes. Organisez les documents selon la fenêtre applicable et réservez de la place à la réponse ; un plafond au niveau du modèle ne signifie pas que toutes les interfaces acceptent autant de données. Pour une tâche importante, gardez ensemble l’objectif, les décisions prises, les questions ouvertes et les références. Délimitez explicitement documents et code pour éviter de confondre les éléments à analyser avec des instructions à suivre.\n\nPréparez les tâches connectées aux outils avec des descriptions claires, des arguments attendus et des résultats utiles consignés. Réintroduisez les résultats réels dans la conversation pour fonder la proposition suivante sur des observations. Demandez au modèle d’expliquer ce que change un résultat retourné et quelles preuves manquent encore. La conception orientée agents du modèle soutient cette boucle de planification et de retour ; l’application exécute les étapes d’outils et en conserve les résultats. Une commande, une modification de code ou un rapport proposés sont surtout utiles lorsque leur statut est clair : suggérés, exécutés avec un résultat consigné ou encore en attente de vérification.\n\nLing 3.1 Flash appartient à la lignée des modèles de langage ; l’édition distincte Ling 3.0 Flash VL est le modèle visuel du fabricant. Pour cette tâche textuelle, préparez les sources sous forme de texte et conservez leur structure, leurs étiquettes et leur provenance. Précisez la langue et la forme de sortie : note concise, tableau de constats, explication de correctif ou plan numéroté. Demandez au modèle de signaler les informations manquantes et confrontez le livrable aux contraintes initiales. Les flux longs exigent toujours un examen des résultats intermédiaires : sinon, une hypothèse initiale erronée peut être propagée dans le raisonnement et devenir un rapport final convaincant.", "alias_of": null, "aliases": [], "author": "inclusionAI", "capabilities": { "context_length": 262144, "manufacturer_input": [ "text" ], "manufacturer_output": [ "text" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "La tarification complète de la configuration figure dans les détails." } ], "ctx": null, "formats": [ "chat", "messages" ], "id": "inclusionai/ling-3.1-flash", "input": [ "text" ], "kind": "text", "max_out": null, "methods": [ { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Texte UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json ou SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Conversation textuelle" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Conversation textuelle ; stream est un booléen dont la valeur par défaut est false.", "file_material": "document UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit", "hosted_operations": false, "material_types": [ "text" ], "messages": "tableau de messages avec une structure role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Palier 1 de longueur de requête", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\":\"inclusionai/ling-3.1-flash\",\"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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=\"inclusionai/ling-3.1-flash\", 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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.6, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 1.8, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "interval_boundary": "min_exclusive_max_inclusive", "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "null_rate_policy": "unknown or inherited; never zero", "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "available": null, "cache_read": 0.12, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "authentication": { "api_key_source": "AILOOT_API_KEY", "headers": [ "Authorization: Bearer", "x-api-key", "anthropic-version" ], "version_example": "2023-06-01" }, "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "example_body": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie." }, "material_combinations": [ { "mode": "text", "representation": "chaîne messages[].content", "required_material": "Texte UTF-8" } ], "operation_modes": [ "synchronous_json", "streamed_SSE" ], "outputs": { "all_results": "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.", "family": "protocol", "fields": [ { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "content[]", "type": "text|thinking|tool_use|other content block" }, { "description": null, "name": "stop_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "JSON ou SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "inclusionai/ling-3.1-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages", "required": true, "type": "message[]" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "user", "assistant" ], "enum_known": true, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "max_tokens", "required": true, "type": "integer" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Documented current stock Messages bridge; optional model capabilities are separate from this minimal text request.", "request_schema": { "additionalProperties": false, "properties": { "max_tokens": { "minimum": 1, "type": "integer" }, "messages": { "items": { "additionalProperties": false, "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "source": { "oneOf": [ { "properties": { "type": { "const": "url" }, "url": { "type": "string" } }, "required": [ "type", "url" ], "type": "object" }, { "properties": { "data": { "type": "string" }, "media_type": { "type": "string" }, "type": { "const": "base64" } }, "required": [ "type", "media_type", "data" ], "type": "object" } ] }, "type": { "const": "image" } }, "required": [ "type", "source" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "enum": [ "user", "assistant" ], "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "type": "array" }, "model": { "enum": [ "inclusionai/ling-3.1-flash" ], "type": "string" }, "stream": { "default": false, "type": "boolean" } }, "required": [ "model", "messages", "max_tokens" ], "type": "object" }, "schema_template": { "max_tokens": 128, "messages": [ { "content": "Summarize the incident report.", "role": "user" } ], "model": "inclusionai/ling-3.1-flash", "stream": false }, "unsupported": [ "No query API key.", "Hosted/server-side tools and model-specific optional controls are not part of this minimal family example." ] }, "input": { "content_type": "application/json", "material_types": [ "text" ], "optional_controls": [ "stream" ], "required": [ "model", "messages", "max_tokens" ], "text_file_material": "Lisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message." }, "lifecycle": { "create": { "http": "POST", "path": "/v1/messages" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Keep request/response IDs and headers. No generic text job retrieval URL is supplied." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/messages" }, "output": { "all_results": "Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.", "family": "protocol", "format": "JSON or SSE" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Palier 1 de longueur de requête", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "{\n \"model\": \"inclusionai/ling-3.1-flash\",\n \"max_tokens\": 128,\n \"messages\": [\n {\n \"role\": \"user\",\n \"content\": \"Summarize the incident report.\"\n }\n ],\n \"stream\": false\n}", "label": "Complete minimal JSON body", "language": "json" }, { "code": "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': 'inclusionai/ling-3.1-flash', '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\n", "label": "curl · use your UTF-8 document", "language": "bash" }, { "code": "import 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': 'inclusionai/ling-3.1-flash', '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))\n", "label": "Python · save the complete result", "language": "python" } ], "family": "anthropic", "fast_multiplier": null, "flex_multiplier": null, "fmt": "messages", "http": "POST", "in": 0.6, "input": [ "text" ], "label": "Anthropic Messages", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 1.8, "output": [ "json", "sse" ], "path": "/v1/messages", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "max_context_tokens_inclusive": null, "min_context_tokens_exclusive": 0 }, "label": "Request-length tier 1", "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra", "status_reads": [], "tiers": [ { "cache_read": 0.12, "cache_read_multiplier": null, "cache_write": null, "cache_write_1h": null, "cache_write_multiplier": null, "created_at": "0001-01-01T00:00:00Z", "in": 0.6, "input_multiplier": null, "max": null, "max_tokens": null, "min": 0, "min_tokens": 0, "out": 1.8, "output_multiplier": null, "per_request_price": null, "sort_order": 0, "tier_label": "", "updated_at": "0001-01-01T00:00:00Z" } ], "units": [ { "amount": "0.0006000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000006", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.0018000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.0000018", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0.00012000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0.00000012", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "inclusionai/ling-3.1-flash", "request_model_id": "inclusionai/ling-3.1-flash", "route_label": "Ultra" } ], "name": "inclusionAI: Ling 3.1 Flash", "price": { "in": 0.6, "in_label": null, "out": 1.8, "out_label": null, "scope_label": "Token rates", "sort_in": 0.6, "sort_out": 1.8, "varies": true }, "short": "Ling 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour la bureautique, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par token pour la planification en plusieurs étapes, les interactions avec les outils et les révisions fondées sur les résultats intermédiaires." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 }, { "contract_json_pointer": "/methods/1/rawMethod/contract", "html_json_pointer": "/methods/1/html", "method_ordinal": 1 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod", "/methods/1/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Ling 3.1 Flash est le modèle de raisonnement hybride d’inclusionAI pour la bureautique, le développement logiciel prolongé et les agents complexes. Son architecture parcimonieuse de 560 milliards de paramètres en active environ 25 milliards par token pour la planification en plusieurs étapes, les interactions avec les outils et les révisions fondées sur les résultats intermédiaires.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "4138ed15cb374750f0e9240b83c5bce5de53f84e684efc0ef7a0c392ce3231d7", "renderer_sha256": "4d2f3bfcbf0fa5c616c87aa9524d00d7cff227d8dfa2446ff47c8e0220325dc9" }, "sourceRevision": "ac9447686c7767c9668b5ba992e01cfa716a9296ce4c3a51bd7d9511dacad962" }