Magnum v4 72B est une version de Qwen2.5-72B-Instruct ajustée par Anthracite et centrée sur la prose. Le fournisseur le décrit comme le modèle expérimental fondé sur des instructions qui a lancé la famille v4. Il travaille à partir de prompts écrits et de conversations pour produire du texte, avec une attention particulière à la voix narrative et aux interactions entre personnages. Cette édition se distingue des autres tailles de la série Magnum v4.
Le checkpoint publié utilise une architecture de modèle de langage causal et une configuration de 80 couches, avec 64 têtes d’attention de requête et huit têtes clé/valeur. Son nombre maximal de positions est de 32 768, et la recette d’entraînement utilise également une longueur de séquence de 32 768. C’est la configuration de la version Magnum elle-même ; elle n’hérite pas d’un réglage de contexte étendu plus grand simplement parce que le modèle de base en prend un en charge.
Les exemples natifs de prompts d’Anthracite utilisent ChatML avec des tours system, user et assistant séparés. La partie system peut fournir la description du personnage, sa personnalité et le scénario, tandis que le tour user apporte la contribution suivante à l’échange. Le modèle de consigne narrative du fournisseur demande à l’assistant de conserver la personnalité tout en lui permettant d’évoluer, d’introduire des événements et des personnages secondaires, et d’inclure des dialogues, des actions et des pensées lorsque cela convient.
Ce même modèle de consigne laisse le personnage de l’utilisateur et ses choix à l’utilisateur. Il décourage également les sorties répétitives et la prose excessivement ornée, sauf si la personnalité appelle ce style. Une demande hors personnage fait passer la réponse à un texte brut neutre. Ce sont des choix concrets de consigne pour une tâche d’écriture interactive, plutôt que des modes automatiques distincts du modèle.
Pour une scène de personnage, préparez l’objectif du personnage, le cadre, la relation avec l’autre interlocuteur et le dernier échange. Demandez une seule suite avec un point d’arrêt clair pour laisser à l’utilisateur la possibilité de répondre. Pour une révision de prose, fournissez un paragraphe et identifiez le changement de ton ou de rythme, puis demandez le passage révisé en préservant les événements et l’intention de la personne qui parle. Une demande suivante peut apporter une nouvelle décision de personnage ou une note éditoriale sans remplacer la scène établie.
Le fournisseur publie une recette d’ajustement de tous les paramètres et un mélange de données de conversation et d’écriture. Utilisez la sortie terminée comme scène, tour de dialogue ou brouillon révisé, et gardez un relevé concis des faits de l’histoire que le tour suivant doit conserver. Le créateur met l’accent sur la prose et l’interaction narrative ; le nom du modèle de base n’établit pas à lui seul des fonctions supplémentaires de vision, de réglage du raisonnement ou d’exécution d’outils pour cette édition ajustée.
", "aboutText": "Magnum v4 72B est une version de Qwen2.5-72B-Instruct ajustée par Anthracite et centrée sur la prose. Le fournisseur le décrit comme le modèle expérimental fondé sur des instructions qui a lancé la famille v4. Il travaille à partir de prompts écrits et de conversations pour produire du texte, avec une attention particulière à la voix narrative et aux interactions entre personnages. Cette édition se distingue des autres tailles de la série Magnum v4.\n\nLe checkpoint publié utilise une architecture de modèle de langage causal et une configuration de 80 couches, avec 64 têtes d’attention de requête et huit têtes clé/valeur. Son nombre maximal de positions est de 32 768, et la recette d’entraînement utilise également une longueur de séquence de 32 768. C’est la configuration de la version Magnum elle-même ; elle n’hérite pas d’un réglage de contexte étendu plus grand simplement parce que le modèle de base en prend un en charge.\n\nLes exemples natifs de prompts d’Anthracite utilisent ChatML avec des tours system, user et assistant séparés. La partie system peut fournir la description du personnage, sa personnalité et le scénario, tandis que le tour user apporte la contribution suivante à l’échange. Le modèle de consigne narrative du fournisseur demande à l’assistant de conserver la personnalité tout en lui permettant d’évoluer, d’introduire des événements et des personnages secondaires, et d’inclure des dialogues, des actions et des pensées lorsque cela convient.\n\nCe même modèle de consigne laisse le personnage de l’utilisateur et ses choix à l’utilisateur. Il décourage également les sorties répétitives et la prose excessivement ornée, sauf si la personnalité appelle ce style. Une demande hors personnage fait passer la réponse à un texte brut neutre. Ce sont des choix concrets de consigne pour une tâche d’écriture interactive, plutôt que des modes automatiques distincts du modèle.\n\nPour une scène de personnage, préparez l’objectif du personnage, le cadre, la relation avec l’autre interlocuteur et le dernier échange. Demandez une seule suite avec un point d’arrêt clair pour laisser à l’utilisateur la possibilité de répondre. Pour une révision de prose, fournissez un paragraphe et identifiez le changement de ton ou de rythme, puis demandez le passage révisé en préservant les événements et l’intention de la personne qui parle. Une demande suivante peut apporter une nouvelle décision de personnage ou une note éditoriale sans remplacer la scène établie.\n\nLe fournisseur publie une recette d’ajustement de tous les paramètres et un mélange de données de conversation et d’écriture. Utilisez la sortie terminée comme scène, tour de dialogue ou brouillon révisé, et gardez un relevé concis des faits de l’histoire que le tour suivant doit conserver. Le créateur met l’accent sur la prose et l’interaction narrative ; le nom du modèle de base n’établit pas à lui seul des fonctions supplémentaires de vision, de réglage du raisonnement ou d’exécution d’outils pour cette édition ajustée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.anthracite-org/magnum-v4-72bMagnum v4 72B d’Anthracite est un modèle de texte fondé sur Qwen2.5, ajusté pour la prose expressive et les conversations de personnages. Ses modèles ChatML publiés guident les échanges narratifs, les dialogues et les réponses hors personnage, avec une configuration de 32 768 positions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Magnum v4 72B est une version de Qwen2.5-72B-Instruct ajustée par Anthracite et centrée sur la prose. Le fournisseur le décrit comme le modèle expérimental fondé sur des instructions qui a lancé la famille v4. Il travaille à partir de prompts écrits et de conversations pour produire du texte, avec une attention particulière à la voix narrative et aux interactions entre personnages. Cette édition se distingue des autres tailles de la série Magnum v4.
Le checkpoint publié utilise une architecture de modèle de langage causal et une configuration de 80 couches, avec 64 têtes d’attention de requête et huit têtes clé/valeur. Son nombre maximal de positions est de 32 768, et la recette d’entraînement utilise également une longueur de séquence de 32 768. C’est la configuration de la version Magnum elle-même ; elle n’hérite pas d’un réglage de contexte étendu plus grand simplement parce que le modèle de base en prend un en charge.
Les exemples natifs de prompts d’Anthracite utilisent ChatML avec des tours system, user et assistant séparés. La partie system peut fournir la description du personnage, sa personnalité et le scénario, tandis que le tour user apporte la contribution suivante à l’échange. Le modèle de consigne narrative du fournisseur demande à l’assistant de conserver la personnalité tout en lui permettant d’évoluer, d’introduire des événements et des personnages secondaires, et d’inclure des dialogues, des actions et des pensées lorsque cela convient.
Ce même modèle de consigne laisse le personnage de l’utilisateur et ses choix à l’utilisateur. Il décourage également les sorties répétitives et la prose excessivement ornée, sauf si la personnalité appelle ce style. Une demande hors personnage fait passer la réponse à un texte brut neutre. Ce sont des choix concrets de consigne pour une tâche d’écriture interactive, plutôt que des modes automatiques distincts du modèle.
Pour une scène de personnage, préparez l’objectif du personnage, le cadre, la relation avec l’autre interlocuteur et le dernier échange. Demandez une seule suite avec un point d’arrêt clair pour laisser à l’utilisateur la possibilité de répondre. Pour une révision de prose, fournissez un paragraphe et identifiez le changement de ton ou de rythme, puis demandez le passage révisé en préservant les événements et l’intention de la personne qui parle. Une demande suivante peut apporter une nouvelle décision de personnage ou une note éditoriale sans remplacer la scène établie.
Le fournisseur publie une recette d’ajustement de tous les paramètres et un mélange de données de conversation et d’écriture. Utilisez la sortie terminée comme scène, tour de dialogue ou brouillon révisé, et gardez un relevé concis des faits de l’histoire que le tour suivant doit conserver. Le créateur met l’accent sur la prose et l’interaction narrative ; le nom du modèle de base n’établit pas à lui seul des fonctions supplémentaires de vision, de réglage du raisonnement ou d’exécution d’outils pour cette édition ajustée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites anthracite-org/magnum-v4-72b | 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 $0.01 / 1K tokens Entrée · Lecture du cache — / 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 $0.01 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthracite-org/magnum-v4-72b", "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='anthracite-org/magnum-v4-72b',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='anthracite-org/magnum-v4-72b',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 anthracite-org/magnum-v4-72b
Utilisez les chemins de méthode indiqués ci-dessus.
anthracite-org/magnum-v4-72bMagnum v4 72B d’Anthracite est un modèle de texte fondé sur Qwen2.5, ajusté pour la prose expressive et les conversations de personnages. Ses modèles ChatML publiés guident les échanges narratifs, les dialogues et les réponses hors personnage, avec une configuration de 32 768 positions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Magnum v4 72B est une version de Qwen2.5-72B-Instruct ajustée par Anthracite et centrée sur la prose. Le fournisseur le décrit comme le modèle expérimental fondé sur des instructions qui a lancé la famille v4. Il travaille à partir de prompts écrits et de conversations pour produire du texte, avec une attention particulière à la voix narrative et aux interactions entre personnages. Cette édition se distingue des autres tailles de la série Magnum v4.
Le checkpoint publié utilise une architecture de modèle de langage causal et une configuration de 80 couches, avec 64 têtes d’attention de requête et huit têtes clé/valeur. Son nombre maximal de positions est de 32 768, et la recette d’entraînement utilise également une longueur de séquence de 32 768. C’est la configuration de la version Magnum elle-même ; elle n’hérite pas d’un réglage de contexte étendu plus grand simplement parce que le modèle de base en prend un en charge.
Les exemples natifs de prompts d’Anthracite utilisent ChatML avec des tours system, user et assistant séparés. La partie system peut fournir la description du personnage, sa personnalité et le scénario, tandis que le tour user apporte la contribution suivante à l’échange. Le modèle de consigne narrative du fournisseur demande à l’assistant de conserver la personnalité tout en lui permettant d’évoluer, d’introduire des événements et des personnages secondaires, et d’inclure des dialogues, des actions et des pensées lorsque cela convient.
Ce même modèle de consigne laisse le personnage de l’utilisateur et ses choix à l’utilisateur. Il décourage également les sorties répétitives et la prose excessivement ornée, sauf si la personnalité appelle ce style. Une demande hors personnage fait passer la réponse à un texte brut neutre. Ce sont des choix concrets de consigne pour une tâche d’écriture interactive, plutôt que des modes automatiques distincts du modèle.
Pour une scène de personnage, préparez l’objectif du personnage, le cadre, la relation avec l’autre interlocuteur et le dernier échange. Demandez une seule suite avec un point d’arrêt clair pour laisser à l’utilisateur la possibilité de répondre. Pour une révision de prose, fournissez un paragraphe et identifiez le changement de ton ou de rythme, puis demandez le passage révisé en préservant les événements et l’intention de la personne qui parle. Une demande suivante peut apporter une nouvelle décision de personnage ou une note éditoriale sans remplacer la scène établie.
Le fournisseur publie une recette d’ajustement de tous les paramètres et un mélange de données de conversation et d’écriture. Utilisez la sortie terminée comme scène, tour de dialogue ou brouillon révisé, et gardez un relevé concis des faits de l’histoire que le tour suivant doit conserver. Le créateur met l’accent sur la prose et l’interaction narrative ; le nom du modèle de base n’établit pas à lui seul des fonctions supplémentaires de vision, de réglage du raisonnement ou d’exécution d’outils pour cette édition ajustée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites anthracite-org/magnum-v4-72b | 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 $0.01 / 1K tokens Entrée · Lecture du cache — / 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 $0.01 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "anthracite-org/magnum-v4-72b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthracite-org/magnum-v4-72b', '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': 'anthracite-org/magnum-v4-72b', '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 anthracite-org/magnum-v4-72b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.