Amazon Nova Premier est le modèle de compréhension le plus performant de la famille Nova de première génération d’Amazon, conçu pour les tâches complexes qui nécessitent une compréhension approfondie, du contexte et une planification en plusieurs étapes. Il traite du texte, des images et des vidéos et produit du texte. Son rôle comprend le raisonnement sur de longs rapports, la comparaison d’éléments entre documents, la compréhension de graphiques et de supports visuels et la coordination de tâches d’agents. Premier est distinct des modèles plus légers Micro, Lite et Pro, ainsi que des modèles Nova qui génèrent des images, des vidéos ou de la parole conversationnelle.
La fiche précise du modèle publiée par le fournisseur indique une fenêtre de contexte de 1 million de tokens et une sortie maximale de 25K tokens. Sa date limite de connaissances documentée est octobre 2024. Premier est donc utile lorsqu’une tâche exige un volume important de documents de référence en plus des instructions et de la conversation. Organisez ces documents avec leurs noms, des repères de sections et une question précise plutôt que de demander une analyse sans direction de l’ensemble. Un résultat utile peut être une matrice comparative, un rapport fondé sur des éléments de preuve ou une séquence d’actions proposée. Le budget de contexte couvre les données avec lesquelles le modèle travaille ; il ne promet pas que chaque détail figurera dans la réponse finale.
Le parcours multimodal documenté de Premier traite les images PNG, JPG/JPEG, GIF et WebP et les conteneurs vidéo courants comme MP4, MOV, MKV et WebM. Le parcours documentaire comprend PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT et Markdown. Les fichiers à dominante textuelle apportent du texte ; PDF et DOCX peuvent apporter du texte de page et des informations visuelles. Pour un rapport avec des graphiques, gardez les libellés lisibles et demandez au modèle de décrire les observations pertinentes avant de les interpréter. Si seule la prose est nécessaire, fournir le texte extrait évite que l’extraction visuelle soit un préalable à la compréhension du document. Les médias intégrés partagent un budget de charge utile de 25 MB, surcoût base64 compris. Une demande contient une vidéo, limitée à 1 GB via S3 ; l’ensemble des médias S3 peut totaliser 2 GB. Les entrées PDF et DOCX restent limitées à cinq documents, avec un total autorisé de 25 MB en téléversement direct ou de 2 GB via S3.
La compréhension vidéo repose sur des images visuelles échantillonnées. Le guide de première génération attribue spécifiquement à Premier un échantillonnage d’une image par seconde jusqu’à 3 200 images, un budget différent de la stratégie à 960 images de Nova Lite et Pro. Cela convient aux résumés de scènes et aux questions sur les événements dans le temps, tandis que de brèves actions entre les images échantillonnées peuvent échapper à l’observation. Fournissez un clip ou un intervalle pertinent et identifiez les détails à suivre. Pour une longue séquence, une analyse par segments suivie d’un résumé textuel peut préserver la concentration, même si le découpage peut faire perdre du contexte aux frontières des segments. Les modalités documentées du modèle n’incluent pas l’entrée audio : les informations parlées doivent donc être fournies en texte.
Premier prend en charge le streaming des réponses, les parcours orientés outils et enrichis par récupération de données, ainsi que la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite exige au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points avec une conservation de cinq minutes. Le fournisseur limite la mise en cache des prompts à 20K tokens, principalement pour les prompts textuels ; ce budget de cache est distinct de la fenêtre de contexte complète. Donnez à l’agent la tâche, les outils autorisés et la description de leurs arguments, puis laissez l’application exécuter les actions demandées et renvoyer les observations avant l’étape suivante du modèle. Son rôle de raisonnement n’implique pas qu’il puisse faire fonctionner un système externe sans cette couche d’exécution. Les consignes de première génération permettent d’expliquer une solution par étapes via le prompt ; les réglages séparés low, medium et high de réflexion étendue de Nova 2 Lite ne font pas partie de l’interface documentée de cette édition. Pour un rapport ou un résultat d’outil, demandez des champs explicites et des exemples de structure souhaitée ; une forme JSON demandée est distincte d’une sortie structurée imposée.
Un rôle distinctif de Premier consiste à enseigner à des modèles Nova plus petits par distillation. Amazon décrit l’utilisation des réponses de Premier comme exemples d’entraînement pour des variantes spécialisées de Nova Micro, Lite et Pro, suivie d’une comparaison du comportement du modèle plus petit sur la tâche cible. C’est un parcours de personnalisation de modèle, plutôt qu’un changement d’identité d’une réponse Premier ordinaire. En usage normal, fournissez les faits faisant autorité et exigez que la réponse distingue observations, hypothèses et éléments de preuve manquants. Nova peut générer des affirmations plausibles qui contredisent une source, et le code généré n’inclut pas d’analyse de sécurité automatique : le livrable utile doit donc contenir suffisamment d’éléments et de détails pour être vérifié à partir de ses entrées. Le fournisseur précise également que ce modèle n’identifie ni ne nomme les personnes dans les images, documents ou vidéos.
", "aboutText": "Amazon Nova Premier est le modèle de compréhension le plus performant de la famille Nova de première génération d’Amazon, conçu pour les tâches complexes qui nécessitent une compréhension approfondie, du contexte et une planification en plusieurs étapes. Il traite du texte, des images et des vidéos et produit du texte. Son rôle comprend le raisonnement sur de longs rapports, la comparaison d’éléments entre documents, la compréhension de graphiques et de supports visuels et la coordination de tâches d’agents. Premier est distinct des modèles plus légers Micro, Lite et Pro, ainsi que des modèles Nova qui génèrent des images, des vidéos ou de la parole conversationnelle.\n\nLa fiche précise du modèle publiée par le fournisseur indique une fenêtre de contexte de 1 million de tokens et une sortie maximale de 25K tokens. Sa date limite de connaissances documentée est octobre 2024. Premier est donc utile lorsqu’une tâche exige un volume important de documents de référence en plus des instructions et de la conversation. Organisez ces documents avec leurs noms, des repères de sections et une question précise plutôt que de demander une analyse sans direction de l’ensemble. Un résultat utile peut être une matrice comparative, un rapport fondé sur des éléments de preuve ou une séquence d’actions proposée. Le budget de contexte couvre les données avec lesquelles le modèle travaille ; il ne promet pas que chaque détail figurera dans la réponse finale.\n\nLe parcours multimodal documenté de Premier traite les images PNG, JPG/JPEG, GIF et WebP et les conteneurs vidéo courants comme MP4, MOV, MKV et WebM. Le parcours documentaire comprend PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT et Markdown. Les fichiers à dominante textuelle apportent du texte ; PDF et DOCX peuvent apporter du texte de page et des informations visuelles. Pour un rapport avec des graphiques, gardez les libellés lisibles et demandez au modèle de décrire les observations pertinentes avant de les interpréter. Si seule la prose est nécessaire, fournir le texte extrait évite que l’extraction visuelle soit un préalable à la compréhension du document. Les médias intégrés partagent un budget de charge utile de 25 MB, surcoût base64 compris. Une demande contient une vidéo, limitée à 1 GB via S3 ; l’ensemble des médias S3 peut totaliser 2 GB. Les entrées PDF et DOCX restent limitées à cinq documents, avec un total autorisé de 25 MB en téléversement direct ou de 2 GB via S3.\n\nLa compréhension vidéo repose sur des images visuelles échantillonnées. Le guide de première génération attribue spécifiquement à Premier un échantillonnage d’une image par seconde jusqu’à 3 200 images, un budget différent de la stratégie à 960 images de Nova Lite et Pro. Cela convient aux résumés de scènes et aux questions sur les événements dans le temps, tandis que de brèves actions entre les images échantillonnées peuvent échapper à l’observation. Fournissez un clip ou un intervalle pertinent et identifiez les détails à suivre. Pour une longue séquence, une analyse par segments suivie d’un résumé textuel peut préserver la concentration, même si le découpage peut faire perdre du contexte aux frontières des segments. Les modalités documentées du modèle n’incluent pas l’entrée audio : les informations parlées doivent donc être fournies en texte.\n\nPremier prend en charge le streaming des réponses, les parcours orientés outils et enrichis par récupération de données, ainsi que la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite exige au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points avec une conservation de cinq minutes. Le fournisseur limite la mise en cache des prompts à 20K tokens, principalement pour les prompts textuels ; ce budget de cache est distinct de la fenêtre de contexte complète. Donnez à l’agent la tâche, les outils autorisés et la description de leurs arguments, puis laissez l’application exécuter les actions demandées et renvoyer les observations avant l’étape suivante du modèle. Son rôle de raisonnement n’implique pas qu’il puisse faire fonctionner un système externe sans cette couche d’exécution. Les consignes de première génération permettent d’expliquer une solution par étapes via le prompt ; les réglages séparés low, medium et high de réflexion étendue de Nova 2 Lite ne font pas partie de l’interface documentée de cette édition. Pour un rapport ou un résultat d’outil, demandez des champs explicites et des exemples de structure souhaitée ; une forme JSON demandée est distincte d’une sortie structurée imposée.\n\nUn rôle distinctif de Premier consiste à enseigner à des modèles Nova plus petits par distillation. Amazon décrit l’utilisation des réponses de Premier comme exemples d’entraînement pour des variantes spécialisées de Nova Micro, Lite et Pro, suivie d’une comparaison du comportement du modèle plus petit sur la tâche cible. C’est un parcours de personnalisation de modèle, plutôt qu’un changement d’identité d’une réponse Premier ordinaire. En usage normal, fournissez les faits faisant autorité et exigez que la réponse distingue observations, hypothèses et éléments de preuve manquants. Nova peut générer des affirmations plausibles qui contredisent une source, et le code généré n’inclut pas d’analyse de sécurité automatique : le livrable utile doit donc contenir suffisamment d’éléments et de détails pour être vérifié à partir de ses entrées. Le fournisseur précise également que ce modèle n’identifie ni ne nomme les personnes dans les images, documents ou vidéos.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier est le modèle Nova de première génération pour le raisonnement multimodal complexe, l’analyse de documents longs et les agents. Il accepte du texte, des images et des vidéos, renvoie du texte et sert aussi de modèle enseignant pour distiller des modèles Nova spécialisés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Amazon Nova Premier est le modèle de compréhension le plus performant de la famille Nova de première génération d’Amazon, conçu pour les tâches complexes qui nécessitent une compréhension approfondie, du contexte et une planification en plusieurs étapes. Il traite du texte, des images et des vidéos et produit du texte. Son rôle comprend le raisonnement sur de longs rapports, la comparaison d’éléments entre documents, la compréhension de graphiques et de supports visuels et la coordination de tâches d’agents. Premier est distinct des modèles plus légers Micro, Lite et Pro, ainsi que des modèles Nova qui génèrent des images, des vidéos ou de la parole conversationnelle.
La fiche précise du modèle publiée par le fournisseur indique une fenêtre de contexte de 1 million de tokens et une sortie maximale de 25K tokens. Sa date limite de connaissances documentée est octobre 2024. Premier est donc utile lorsqu’une tâche exige un volume important de documents de référence en plus des instructions et de la conversation. Organisez ces documents avec leurs noms, des repères de sections et une question précise plutôt que de demander une analyse sans direction de l’ensemble. Un résultat utile peut être une matrice comparative, un rapport fondé sur des éléments de preuve ou une séquence d’actions proposée. Le budget de contexte couvre les données avec lesquelles le modèle travaille ; il ne promet pas que chaque détail figurera dans la réponse finale.
Le parcours multimodal documenté de Premier traite les images PNG, JPG/JPEG, GIF et WebP et les conteneurs vidéo courants comme MP4, MOV, MKV et WebM. Le parcours documentaire comprend PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT et Markdown. Les fichiers à dominante textuelle apportent du texte ; PDF et DOCX peuvent apporter du texte de page et des informations visuelles. Pour un rapport avec des graphiques, gardez les libellés lisibles et demandez au modèle de décrire les observations pertinentes avant de les interpréter. Si seule la prose est nécessaire, fournir le texte extrait évite que l’extraction visuelle soit un préalable à la compréhension du document. Les médias intégrés partagent un budget de charge utile de 25 MB, surcoût base64 compris. Une demande contient une vidéo, limitée à 1 GB via S3 ; l’ensemble des médias S3 peut totaliser 2 GB. Les entrées PDF et DOCX restent limitées à cinq documents, avec un total autorisé de 25 MB en téléversement direct ou de 2 GB via S3.
La compréhension vidéo repose sur des images visuelles échantillonnées. Le guide de première génération attribue spécifiquement à Premier un échantillonnage d’une image par seconde jusqu’à 3 200 images, un budget différent de la stratégie à 960 images de Nova Lite et Pro. Cela convient aux résumés de scènes et aux questions sur les événements dans le temps, tandis que de brèves actions entre les images échantillonnées peuvent échapper à l’observation. Fournissez un clip ou un intervalle pertinent et identifiez les détails à suivre. Pour une longue séquence, une analyse par segments suivie d’un résumé textuel peut préserver la concentration, même si le découpage peut faire perdre du contexte aux frontières des segments. Les modalités documentées du modèle n’incluent pas l’entrée audio : les informations parlées doivent donc être fournies en texte.
Premier prend en charge le streaming des réponses, les parcours orientés outils et enrichis par récupération de données, ainsi que la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite exige au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points avec une conservation de cinq minutes. Le fournisseur limite la mise en cache des prompts à 20K tokens, principalement pour les prompts textuels ; ce budget de cache est distinct de la fenêtre de contexte complète. Donnez à l’agent la tâche, les outils autorisés et la description de leurs arguments, puis laissez l’application exécuter les actions demandées et renvoyer les observations avant l’étape suivante du modèle. Son rôle de raisonnement n’implique pas qu’il puisse faire fonctionner un système externe sans cette couche d’exécution. Les consignes de première génération permettent d’expliquer une solution par étapes via le prompt ; les réglages séparés low, medium et high de réflexion étendue de Nova 2 Lite ne font pas partie de l’interface documentée de cette édition. Pour un rapport ou un résultat d’outil, demandez des champs explicites et des exemples de structure souhaitée ; une forme JSON demandée est distincte d’une sortie structurée imposée.
Un rôle distinctif de Premier consiste à enseigner à des modèles Nova plus petits par distillation. Amazon décrit l’utilisation des réponses de Premier comme exemples d’entraînement pour des variantes spécialisées de Nova Micro, Lite et Pro, suivie d’une comparaison du comportement du modèle plus petit sur la tâche cible. C’est un parcours de personnalisation de modèle, plutôt qu’un changement d’identité d’une réponse Premier ordinaire. En usage normal, fournissez les faits faisant autorité et exigez que la réponse distingue observations, hypothèses et éléments de preuve manquants. Nova peut générer des affirmations plausibles qui contredisent une source, et le code généré n’inclut pas d’analyse de sécurité automatique : le livrable utile doit donc contenir suffisamment d’éléments et de détails pour être vérifié à partir de ses entrées. Le fournisseur précise également que ce modèle n’identifie ni ne nomme les personnes dans les images, documents ou vidéos.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites amazon/nova-premier-v1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.005 / 1K tokens Sortie · Tokens en sortie $0.025 / 1K tokens Entrée · Lecture du cache $0.00125 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.005 / 1K tokens Sortie · Tokens en sortie $0.025 / 1K tokens Entrée · Lecture du cache $0.00125 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra amazon/nova-premier-v1
Utilisez les chemins de méthode indiqués ci-dessus.
amazon/nova-premier-v1Amazon Nova Premier est le modèle Nova de première génération pour le raisonnement multimodal complexe, l’analyse de documents longs et les agents. Il accepte du texte, des images et des vidéos, renvoie du texte et sert aussi de modèle enseignant pour distiller des modèles Nova spécialisés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Amazon Nova Premier est le modèle de compréhension le plus performant de la famille Nova de première génération d’Amazon, conçu pour les tâches complexes qui nécessitent une compréhension approfondie, du contexte et une planification en plusieurs étapes. Il traite du texte, des images et des vidéos et produit du texte. Son rôle comprend le raisonnement sur de longs rapports, la comparaison d’éléments entre documents, la compréhension de graphiques et de supports visuels et la coordination de tâches d’agents. Premier est distinct des modèles plus légers Micro, Lite et Pro, ainsi que des modèles Nova qui génèrent des images, des vidéos ou de la parole conversationnelle.
La fiche précise du modèle publiée par le fournisseur indique une fenêtre de contexte de 1 million de tokens et une sortie maximale de 25K tokens. Sa date limite de connaissances documentée est octobre 2024. Premier est donc utile lorsqu’une tâche exige un volume important de documents de référence en plus des instructions et de la conversation. Organisez ces documents avec leurs noms, des repères de sections et une question précise plutôt que de demander une analyse sans direction de l’ensemble. Un résultat utile peut être une matrice comparative, un rapport fondé sur des éléments de preuve ou une séquence d’actions proposée. Le budget de contexte couvre les données avec lesquelles le modèle travaille ; il ne promet pas que chaque détail figurera dans la réponse finale.
Le parcours multimodal documenté de Premier traite les images PNG, JPG/JPEG, GIF et WebP et les conteneurs vidéo courants comme MP4, MOV, MKV et WebM. Le parcours documentaire comprend PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT et Markdown. Les fichiers à dominante textuelle apportent du texte ; PDF et DOCX peuvent apporter du texte de page et des informations visuelles. Pour un rapport avec des graphiques, gardez les libellés lisibles et demandez au modèle de décrire les observations pertinentes avant de les interpréter. Si seule la prose est nécessaire, fournir le texte extrait évite que l’extraction visuelle soit un préalable à la compréhension du document. Les médias intégrés partagent un budget de charge utile de 25 MB, surcoût base64 compris. Une demande contient une vidéo, limitée à 1 GB via S3 ; l’ensemble des médias S3 peut totaliser 2 GB. Les entrées PDF et DOCX restent limitées à cinq documents, avec un total autorisé de 25 MB en téléversement direct ou de 2 GB via S3.
La compréhension vidéo repose sur des images visuelles échantillonnées. Le guide de première génération attribue spécifiquement à Premier un échantillonnage d’une image par seconde jusqu’à 3 200 images, un budget différent de la stratégie à 960 images de Nova Lite et Pro. Cela convient aux résumés de scènes et aux questions sur les événements dans le temps, tandis que de brèves actions entre les images échantillonnées peuvent échapper à l’observation. Fournissez un clip ou un intervalle pertinent et identifiez les détails à suivre. Pour une longue séquence, une analyse par segments suivie d’un résumé textuel peut préserver la concentration, même si le découpage peut faire perdre du contexte aux frontières des segments. Les modalités documentées du modèle n’incluent pas l’entrée audio : les informations parlées doivent donc être fournies en texte.
Premier prend en charge le streaming des réponses, les parcours orientés outils et enrichis par récupération de données, ainsi que la mise en cache des prompts dans le profil de service documenté d’Amazon. La mise en cache explicite exige au moins 1K tokens par point de contrôle et autorise jusqu’à quatre points avec une conservation de cinq minutes. Le fournisseur limite la mise en cache des prompts à 20K tokens, principalement pour les prompts textuels ; ce budget de cache est distinct de la fenêtre de contexte complète. Donnez à l’agent la tâche, les outils autorisés et la description de leurs arguments, puis laissez l’application exécuter les actions demandées et renvoyer les observations avant l’étape suivante du modèle. Son rôle de raisonnement n’implique pas qu’il puisse faire fonctionner un système externe sans cette couche d’exécution. Les consignes de première génération permettent d’expliquer une solution par étapes via le prompt ; les réglages séparés low, medium et high de réflexion étendue de Nova 2 Lite ne font pas partie de l’interface documentée de cette édition. Pour un rapport ou un résultat d’outil, demandez des champs explicites et des exemples de structure souhaitée ; une forme JSON demandée est distincte d’une sortie structurée imposée.
Un rôle distinctif de Premier consiste à enseigner à des modèles Nova plus petits par distillation. Amazon décrit l’utilisation des réponses de Premier comme exemples d’entraînement pour des variantes spécialisées de Nova Micro, Lite et Pro, suivie d’une comparaison du comportement du modèle plus petit sur la tâche cible. C’est un parcours de personnalisation de modèle, plutôt qu’un changement d’identité d’une réponse Premier ordinaire. En usage normal, fournissez les faits faisant autorité et exigez que la réponse distingue observations, hypothèses et éléments de preuve manquants. Nova peut générer des affirmations plausibles qui contredisent une source, et le code généré n’inclut pas d’analyse de sécurité automatique : le livrable utile doit donc contenir suffisamment d’éléments et de détails pour être vérifié à partir de ses entrées. Le fournisseur précise également que ce modèle n’identifie ni ne nomme les personnes dans les images, documents ou vidéos.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites amazon/nova-premier-v1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.005 / 1K tokens Sortie · Tokens en sortie $0.025 / 1K tokens Entrée · Lecture du cache $0.00125 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.005 / 1K tokens Sortie · Tokens en sortie $0.025 / 1K tokens Entrée · Lecture du cache $0.00125 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra amazon/nova-premier-v1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.