d1 est le modèle de décision hébergé de Liquid AI pour les tâches délimitées de classification, d’orientation et de notation. Ce profil couvre son processus de décision textuelle : fournissez les éléments sous forme d’un état, définissez une ou plusieurs questions et recevez des réponses numériques typées portant sur des issues connues. Liquid décrit ces décisions comme des évaluations renvoyant directement des probabilités, avec zéro token de sortie généré. Le résultat utile est une décision définie et son incertitude, plutôt qu’un passage de texte nouvellement rédigé.
Fournissez le texte qui rend la décision possible, avec le contexte nécessaire à son interprétation. Gardez l’état séparé des instructions décrivant ce qu’il faut évaluer. Un message d’assistance peut nécessiter une description du produit ou du problème ; un passage documentaire peut nécessiter la question de recherche de l’utilisateur. Définissez l’ensemble des réponses avant de poser la question et donnez à chaque option un sens adapté au processus visé. Des libellés courts peuvent servir de clés de sortie stables, tandis que les descriptions expliquent leurs frontières.
Utilisez des questions nommées sur un état partagé. Un nom clair, tel que intent, urgency ou relevant, garde la sortie associée à la décision qu’elle représente. Par exemple, un message signalant qu’une page ne fonctionne pas peut servir à un choix d’intention, à une grille d’urgence et à une vérification oui/non d’un défaut signalé. Chaque question doit préserver son propre critère, plutôt que de réunir les trois jugements en un seul libellé ambigu.
Une question choice sélectionne un libellé dans un ensemble non ordonné et renvoie la distribution entre les options nommées. Définissez les options au moyen de descriptions de critères ; le résultat comprend le choix sélectionné, les probabilités et la confiance. Pour l’organisation documentaire, définissez les dossiers ou les sujets possibles et indiquez quel contenu appartient à chacun. Pour l’orientation des demandes, décrivez les destinations qui existent réellement. Une application peut utiliser le libellé obtenu pour choisir son étape suivante, tout en conservant les probabilités concurrentes pour vérification.
Une tâche illustrative de classement peut séparer une question produit, un problème d’intégration et un problème d’accès, avec une option « autre » pour le matériau extérieur à ces définitions. Gardez des frontières concrètes : un message signalant une impossibilité de s’authentifier diffère d’un message demandant comment configurer une fonctionnalité. Le libellé renvoyé sélectionne parmi les sens fournis ; il ne crée pas de destination manquante et n’exécute pas de modification dans un autre système.
Une question noul renvoie une probabilité de 0 à 1 que la condition oui/non définie soit satisfaite. Liquid présente des vérifications binaires pour l’examen de contenus et la pertinence de passages. Énoncez précisément la condition et choisissez l’usage de la probabilité obtenue : signaler une correspondance probable, filtrer un passage ou envoyer un cas incertain en vérification. Le seuil appartient à la tâche qui utilise le résultat, et une probabilité ne doit pas être traitée comme un verdict factuel garanti.
Pour le filtrage de pertinence, fournissez à la fois la requête et le passage candidat. Demandez si ce passage aide à répondre à la requête, puis conservez le passage d’origine avec sa probabilité. Cela peut aider à sélectionner des sources pour une réponse ultérieure sans demander à d1 de rédiger lui-même cette réponse. Si la pertinence nécessite plusieurs degrés plutôt qu’une condition oui/non, définissez une grille ordonnée et utilisez une question score.
Une question score situe l’état sur une grille comportant des niveaux ordonnés et décrits. Les indices des niveaux commencent à 0, et le score correspond à leur position pondérée par les probabilités, qui peut se situer entre des niveaux. Le résultat comprend aussi la distribution entre niveaux et la confiance. Pour l’urgence, définissez ce qui distingue un problème sans impact immédiat, une gêne importante et une tâche bloquée. Une grille à quatre niveaux possède donc les indices 0 à 3 ; son score attendu n’est pas automatiquement une catégorie numérotée de 1 à 4.
Utilisez le score fractionnaire pour le classement ou l’agrégation lorsque c’est le résultat visé, et conservez toute la distribution lorsque l’ambiguïté importe. Des catégories comme les services n’ont pas d’ordre naturel et relèvent d’une question choice. La confiance résume le caractère plus ou moins tranché de la réponse rapportée dans l’interface documentée ; elle doit rester distincte du score souhaité pour la tâche et d’une garantie supposée que la décision est correcte.
Plusieurs questions peuvent évaluer le même état dans un seul appel au producteur, chacune conservant son type et ses probabilités. Les exemples textuels de Liquid comprennent le filtrage de tickets d’assistance, le classement de documents dans une taxonomie de dossiers, la sélection de chemins de recherche de code, le choix parmi les actions disponibles d’un agent et la décision de conserver ou non du matériau issu de sorties d’outils. Ces processus possèdent tous une prochaine décision délimitée. Une étape de recherche de code peut sélectionner un dossier prometteur à partir de ses descriptions ; une étape de sélection de contenu peut choisir keep, trim ou drop pour le matériau fourni. L’application environnante obtient néanmoins les données sources et effectue l’opération sélectionnée.
Les primitives documentées conviennent aux issues connues, aux notes sur grille et aux vérifications de conditions. De nouveaux textes, des résumés, du code et une conversation ouverte nécessitent un processus de génération, plutôt que d’être impliqués par le résultat de décision de d1. Préparez une question autour d’éléments observables et conservez ses définitions avec la sortie, afin qu’un libellé ou un score puisse être interprété ultérieurement.
Gardez chaque état centré sur les éléments qui répondent à ses questions définies et séparez les tâches de décision sans rapport, afin que leurs critères restent clairs. Gardez des sources pertinentes, définissez les sens de repli lorsque les catégories ne couvrent pas tous les cas et évaluez les seuils de probabilité à partir d’exemples annotés de la tâche. Un artefact utile consigne la catégorie sélectionnée ou le score attendu avec sa distribution, l’identité de la question et les éléments d’origine.
", "aboutText": "d1 est le modèle de décision hébergé de Liquid AI pour les tâches délimitées de classification, d’orientation et de notation. Ce profil couvre son processus de décision textuelle : fournissez les éléments sous forme d’un état, définissez une ou plusieurs questions et recevez des réponses numériques typées portant sur des issues connues. Liquid décrit ces décisions comme des évaluations renvoyant directement des probabilités, avec zéro token de sortie généré. Le résultat utile est une décision définie et son incertitude, plutôt qu’un passage de texte nouvellement rédigé.\n\n### Préparer ensemble les éléments et la question\n\nFournissez le texte qui rend la décision possible, avec le contexte nécessaire à son interprétation. Gardez l’état séparé des instructions décrivant ce qu’il faut évaluer. Un message d’assistance peut nécessiter une description du produit ou du problème ; un passage documentaire peut nécessiter la question de recherche de l’utilisateur. Définissez l’ensemble des réponses avant de poser la question et donnez à chaque option un sens adapté au processus visé. Des libellés courts peuvent servir de clés de sortie stables, tandis que les descriptions expliquent leurs frontières.\n\nUtilisez des questions nommées sur un état partagé. Un nom clair, tel que intent, urgency ou relevant, garde la sortie associée à la décision qu’elle représente. Par exemple, un message signalant qu’une page ne fonctionne pas peut servir à un choix d’intention, à une grille d’urgence et à une vérification oui/non d’un défaut signalé. Chaque question doit préserver son propre critère, plutôt que de réunir les trois jugements en un seul libellé ambigu.\n\n### Choice pour les catégories et l’orientation\n\nUne question choice sélectionne un libellé dans un ensemble non ordonné et renvoie la distribution entre les options nommées. Définissez les options au moyen de descriptions de critères ; le résultat comprend le choix sélectionné, les probabilités et la confiance. Pour l’organisation documentaire, définissez les dossiers ou les sujets possibles et indiquez quel contenu appartient à chacun. Pour l’orientation des demandes, décrivez les destinations qui existent réellement. Une application peut utiliser le libellé obtenu pour choisir son étape suivante, tout en conservant les probabilités concurrentes pour vérification.\n\nUne tâche illustrative de classement peut séparer une question produit, un problème d’intégration et un problème d’accès, avec une option « autre » pour le matériau extérieur à ces définitions. Gardez des frontières concrètes : un message signalant une impossibilité de s’authentifier diffère d’un message demandant comment configurer une fonctionnalité. Le libellé renvoyé sélectionne parmi les sens fournis ; il ne crée pas de destination manquante et n’exécute pas de modification dans un autre système.\n\n### Noul pour les vérifications de conditions et la pertinence\n\nUne question noul renvoie une probabilité de 0 à 1 que la condition oui/non définie soit satisfaite. Liquid présente des vérifications binaires pour l’examen de contenus et la pertinence de passages. Énoncez précisément la condition et choisissez l’usage de la probabilité obtenue : signaler une correspondance probable, filtrer un passage ou envoyer un cas incertain en vérification. Le seuil appartient à la tâche qui utilise le résultat, et une probabilité ne doit pas être traitée comme un verdict factuel garanti.\n\nPour le filtrage de pertinence, fournissez à la fois la requête et le passage candidat. Demandez si ce passage aide à répondre à la requête, puis conservez le passage d’origine avec sa probabilité. Cela peut aider à sélectionner des sources pour une réponse ultérieure sans demander à d1 de rédiger lui-même cette réponse. Si la pertinence nécessite plusieurs degrés plutôt qu’une condition oui/non, définissez une grille ordonnée et utilisez une question score.\n\n### Score pour les niveaux ordonnés\n\nUne question score situe l’état sur une grille comportant des niveaux ordonnés et décrits. Les indices des niveaux commencent à 0, et le score correspond à leur position pondérée par les probabilités, qui peut se situer entre des niveaux. Le résultat comprend aussi la distribution entre niveaux et la confiance. Pour l’urgence, définissez ce qui distingue un problème sans impact immédiat, une gêne importante et une tâche bloquée. Une grille à quatre niveaux possède donc les indices 0 à 3 ; son score attendu n’est pas automatiquement une catégorie numérotée de 1 à 4.\n\nUtilisez le score fractionnaire pour le classement ou l’agrégation lorsque c’est le résultat visé, et conservez toute la distribution lorsque l’ambiguïté importe. Des catégories comme les services n’ont pas d’ordre naturel et relèvent d’une question choice. La confiance résume le caractère plus ou moins tranché de la réponse rapportée dans l’interface documentée ; elle doit rester distincte du score souhaité pour la tâche et d’une garantie supposée que la décision est correcte.\n\n### Plusieurs questions et applications du producteur\n\nPlusieurs questions peuvent évaluer le même état dans un seul appel au producteur, chacune conservant son type et ses probabilités. Les exemples textuels de Liquid comprennent le filtrage de tickets d’assistance, le classement de documents dans une taxonomie de dossiers, la sélection de chemins de recherche de code, le choix parmi les actions disponibles d’un agent et la décision de conserver ou non du matériau issu de sorties d’outils. Ces processus possèdent tous une prochaine décision délimitée. Une étape de recherche de code peut sélectionner un dossier prometteur à partir de ses descriptions ; une étape de sélection de contenu peut choisir keep, trim ou drop pour le matériau fourni. L’application environnante obtient néanmoins les données sources et effectue l’opération sélectionnée.\n\n### Périmètre et artefact de décision utile\n\nLes primitives documentées conviennent aux issues connues, aux notes sur grille et aux vérifications de conditions. De nouveaux textes, des résumés, du code et une conversation ouverte nécessitent un processus de génération, plutôt que d’être impliqués par le résultat de décision de d1. Préparez une question autour d’éléments observables et conservez ses définitions avec la sortie, afin qu’un libellé ou un score puisse être interprété ultérieurement.\n\nGardez chaque état centré sur les éléments qui répondent à ses questions définies et séparez les tâches de décision sans rapport, afin que leurs critères restent clairs. Gardez des sources pertinentes, définissez les sens de repli lorsque les catégories ne couvrent pas tous les cas et évaluez les seuils de probabilité à partir d’exemples annotés de la tâche. Un artefact utile consigne la catégorie sélectionnée ou le score attendu avec sa distribution, l’identité de la question et les éléments d’origine.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "cae058e265600fce6e715315b71f958e1803b68710cd4504781beb4b7a4c7f46", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "liquid/d1Le processus de décision textuelle de Liquid AI d1 évalue les éléments fournis au regard d’issues fixes et renvoie des probabilités, un choix de catégorie ou un score sur une grille d’évaluation. Il sert à la classification, à l’orientation, au filtrage de pertinence et à la priorisation sans générer de réponse écrite.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
d1 est le modèle de décision hébergé de Liquid AI pour les tâches délimitées de classification, d’orientation et de notation. Ce profil couvre son processus de décision textuelle : fournissez les éléments sous forme d’un état, définissez une ou plusieurs questions et recevez des réponses numériques typées portant sur des issues connues. Liquid décrit ces décisions comme des évaluations renvoyant directement des probabilités, avec zéro token de sortie généré. Le résultat utile est une décision définie et son incertitude, plutôt qu’un passage de texte nouvellement rédigé.
Fournissez le texte qui rend la décision possible, avec le contexte nécessaire à son interprétation. Gardez l’état séparé des instructions décrivant ce qu’il faut évaluer. Un message d’assistance peut nécessiter une description du produit ou du problème ; un passage documentaire peut nécessiter la question de recherche de l’utilisateur. Définissez l’ensemble des réponses avant de poser la question et donnez à chaque option un sens adapté au processus visé. Des libellés courts peuvent servir de clés de sortie stables, tandis que les descriptions expliquent leurs frontières.
Utilisez des questions nommées sur un état partagé. Un nom clair, tel que intent, urgency ou relevant, garde la sortie associée à la décision qu’elle représente. Par exemple, un message signalant qu’une page ne fonctionne pas peut servir à un choix d’intention, à une grille d’urgence et à une vérification oui/non d’un défaut signalé. Chaque question doit préserver son propre critère, plutôt que de réunir les trois jugements en un seul libellé ambigu.
Une question choice sélectionne un libellé dans un ensemble non ordonné et renvoie la distribution entre les options nommées. Définissez les options au moyen de descriptions de critères ; le résultat comprend le choix sélectionné, les probabilités et la confiance. Pour l’organisation documentaire, définissez les dossiers ou les sujets possibles et indiquez quel contenu appartient à chacun. Pour l’orientation des demandes, décrivez les destinations qui existent réellement. Une application peut utiliser le libellé obtenu pour choisir son étape suivante, tout en conservant les probabilités concurrentes pour vérification.
Une tâche illustrative de classement peut séparer une question produit, un problème d’intégration et un problème d’accès, avec une option « autre » pour le matériau extérieur à ces définitions. Gardez des frontières concrètes : un message signalant une impossibilité de s’authentifier diffère d’un message demandant comment configurer une fonctionnalité. Le libellé renvoyé sélectionne parmi les sens fournis ; il ne crée pas de destination manquante et n’exécute pas de modification dans un autre système.
Une question noul renvoie une probabilité de 0 à 1 que la condition oui/non définie soit satisfaite. Liquid présente des vérifications binaires pour l’examen de contenus et la pertinence de passages. Énoncez précisément la condition et choisissez l’usage de la probabilité obtenue : signaler une correspondance probable, filtrer un passage ou envoyer un cas incertain en vérification. Le seuil appartient à la tâche qui utilise le résultat, et une probabilité ne doit pas être traitée comme un verdict factuel garanti.
Pour le filtrage de pertinence, fournissez à la fois la requête et le passage candidat. Demandez si ce passage aide à répondre à la requête, puis conservez le passage d’origine avec sa probabilité. Cela peut aider à sélectionner des sources pour une réponse ultérieure sans demander à d1 de rédiger lui-même cette réponse. Si la pertinence nécessite plusieurs degrés plutôt qu’une condition oui/non, définissez une grille ordonnée et utilisez une question score.
Une question score situe l’état sur une grille comportant des niveaux ordonnés et décrits. Les indices des niveaux commencent à 0, et le score correspond à leur position pondérée par les probabilités, qui peut se situer entre des niveaux. Le résultat comprend aussi la distribution entre niveaux et la confiance. Pour l’urgence, définissez ce qui distingue un problème sans impact immédiat, une gêne importante et une tâche bloquée. Une grille à quatre niveaux possède donc les indices 0 à 3 ; son score attendu n’est pas automatiquement une catégorie numérotée de 1 à 4.
Utilisez le score fractionnaire pour le classement ou l’agrégation lorsque c’est le résultat visé, et conservez toute la distribution lorsque l’ambiguïté importe. Des catégories comme les services n’ont pas d’ordre naturel et relèvent d’une question choice. La confiance résume le caractère plus ou moins tranché de la réponse rapportée dans l’interface documentée ; elle doit rester distincte du score souhaité pour la tâche et d’une garantie supposée que la décision est correcte.
Plusieurs questions peuvent évaluer le même état dans un seul appel au producteur, chacune conservant son type et ses probabilités. Les exemples textuels de Liquid comprennent le filtrage de tickets d’assistance, le classement de documents dans une taxonomie de dossiers, la sélection de chemins de recherche de code, le choix parmi les actions disponibles d’un agent et la décision de conserver ou non du matériau issu de sorties d’outils. Ces processus possèdent tous une prochaine décision délimitée. Une étape de recherche de code peut sélectionner un dossier prometteur à partir de ses descriptions ; une étape de sélection de contenu peut choisir keep, trim ou drop pour le matériau fourni. L’application environnante obtient néanmoins les données sources et effectue l’opération sélectionnée.
Les primitives documentées conviennent aux issues connues, aux notes sur grille et aux vérifications de conditions. De nouveaux textes, des résumés, du code et une conversation ouverte nécessitent un processus de génération, plutôt que d’être impliqués par le résultat de décision de d1. Préparez une question autour d’éléments observables et conservez ses définitions avec la sortie, afin qu’un libellé ou un score puisse être interprété ultérieurement.
Gardez chaque état centré sur les éléments qui répondent à ses questions définies et séparez les tâches de décision sans rapport, afin que leurs critères restent clairs. Gardez des sources pertinentes, définissez les sens de repli lorsque les catégories ne couvrent pas tous les cas et évaluez les seuils de probabilité à partir d’exemples annotés de la tâche. Un artefact utile consigne la catégorie sélectionnée ou le score attendu avec sa distribution, l’identité de la question et les éléments d’origine.
POST /v1/systemonetextdecisions| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites liquid/d1 | Par défaut— |
Champprovider | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquestions | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsession_id | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstate | Typeschema | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champtrace | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquestions.<id>.type | Typestring | ExigenceObligatoire | Valeurs et limites noul, choice, score | Par défaut— |
Champquestions.<id>.instructions | Typestring|object|array | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champquestions.<id>.criteria | Typeobject|array | ExigenceFacultatif | Valeurs et limites Conditions: choice/score : obligatoire ; noul : facultatif. Les critères de choice forment un objet ; score est un tableau avec minItems1. | Par défaut— |
Champquestions.<id>.criteria.true | Typestring|object|array | ExigenceObligatoire | Valeurs et limites S’applique lorsque: objet de critères noul fourni | Par défaut— |
Champquestions.<id>.criteria.false | Typestring|object|array | ExigenceObligatoire | Valeurs et limites S’applique lorsque: objet de critères noul fourni | Par défaut— |
noul · Obligatoire : state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obligatoire : state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obligatoire : state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, state, questions |
Paramètrematerial_types | Contrattext |
Paramètreoptional_controls | Contratprovider, session_id, trace, user |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous
Envoyez l’identifiant exact du modèle et conservez la réponse native complète.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00008 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache $0.00008 / 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 $0.00008 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache $0.00008 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "liquid/d1",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='liquid/d1'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Chaque réponse fournie pour un identifiant de question est conservée avec son type exact, sa valeur noul/choice/score, son niveau de confiance, ses probabilités et sa légende. L’intégralité du JSON d’origine est enregistrée et renvoyée uniquement après la facturation définitive.
Conservez l’opération d’origine et la réponse complète ou partielle ; ne répétez pas le POST.
| Champ | Type |
|---|---|
Champmodel | Typestring |
Champid | Typestring |
Champprovider | Typestring |
Champanswers.<id>.type | Typestring |
Champanswers.<id>.noul | Typenumber |
Champanswers.<id>.choice | Typestring |
Champanswers.<id>.score | Typenumber |
Champanswers.<id>.confidence | Typenumber |
Champanswers.<id>.probabilities | Typeobject |
Champanswers.<id>.legend | Typeobject |
Champusage.input_tokens | Typeinteger |
Champusage.output_tokens | Typeinteger |
Champusage.cost | Typenumber |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamp obligatoire, représentation ou valeur invalide | Étape suivanteCorrigez le champ indiqué dans la requête. |
Ailoot Ultra liquid/d1
Utilisez les chemins de méthode indiqués ci-dessus.