Ling Flash 2.0 est le modèle de langage d’inclusionAI appartenant à la famille d’architecture Ling 2.0. Son fabricant décrit le raisonnement complexe, la génération de code, le développement frontend et l’écriture créative comme des tâches caractéristiques. La fiche publiée indique 100 milliards de paramètres au total et 6,1 milliards de paramètres actifs, embeddings compris, pour ce modèle à mélange d’experts.
Fournissez les conditions, les documents sources et le livrable final. Une question de raisonnement peut demander une conclusion reliée aux faits qui l’étayent. Une tâche de programmation peut fournir les sources pertinentes, le comportement attendu et le cas à résoudre. Pour le frontend, nommez les commandes, les états et les relations entre données que l’interface doit implémenter.
Gardez le résultat proposé distinct des preuves d’exécution. Le modèle renvoie du texte ou du code ; l’application enregistre, exécute et examine le livrable dans l’environnement prévu. Un échange ultérieur peut fournir une erreur observée ou un écart précis et demander une correction ciblée.
Le fabricant présente une instruction système et une question utilisateur au moyen du gabarit de conversation de cette version. Donnez des libellés clairs aux documents sources et conservez les décisions de la tâche nécessaires aux tours suivants. Une demande plus longue doit préciser les passages ou les fichiers importants pour la réponse finale.
Pour un résultat structuré, définissez les sections ou les champs requis et le traitement des informations absentes. Vérifiez les valeurs renvoyées à partir des éléments fournis avant de les utiliser dans l’application.
Le tableau des modèles du fabricant indique un contexte de 32K étendu à 128K avec YaRN. Son guide de déploiement décrit une configuration de mise à l’échelle et une longueur maximale explicite du modèle pour cette extension. Le profil hébergé exact indique un contexte de travail de 128 000 tokens ; utilisez les limites réelles de l’interface sélectionnée au lieu d’appliquer une modification de déploiement local à une requête hébergée.
Le fabricant décrit un entraînement sur plus de 20 000 milliards de tokens, avec ajustement fin supervisé et apprentissage par renforcement en plusieurs étapes. Distinguez Ling Flash du modèle de langage Mini et de la famille de réflexion Ring, nommés séparément. La description de son architecture et de son entraînement n’établit ni une vitesse de réponse universelle ni un transport d’outils exposé par chaque interface.
", "aboutText": "Ling Flash 2.0 est le modèle de langage d’inclusionAI appartenant à la famille d’architecture Ling 2.0. Son fabricant décrit le raisonnement complexe, la génération de code, le développement frontend et l’écriture créative comme des tâches caractéristiques. La fiche publiée indique 100 milliards de paramètres au total et 6,1 milliards de paramètres actifs, embeddings compris, pour ce modèle à mélange d’experts.\n\n### Définir le résultat de raisonnement ou de programmation\n\nFournissez les conditions, les documents sources et le livrable final. Une question de raisonnement peut demander une conclusion reliée aux faits qui l’étayent. Une tâche de programmation peut fournir les sources pertinentes, le comportement attendu et le cas à résoudre. Pour le frontend, nommez les commandes, les états et les relations entre données que l’interface doit implémenter.\n\nGardez le résultat proposé distinct des preuves d’exécution. Le modèle renvoie du texte ou du code ; l’application enregistre, exécute et examine le livrable dans l’environnement prévu. Un échange ultérieur peut fournir une erreur observée ou un écart précis et demander une correction ciblée.\n\n### Organiser le contexte conversationnel\n\nLe fabricant présente une instruction système et une question utilisateur au moyen du gabarit de conversation de cette version. Donnez des libellés clairs aux documents sources et conservez les décisions de la tâche nécessaires aux tours suivants. Une demande plus longue doit préciser les passages ou les fichiers importants pour la réponse finale.\n\nPour un résultat structuré, définissez les sections ou les champs requis et le traitement des informations absentes. Vérifiez les valeurs renvoyées à partir des éléments fournis avant de les utiliser dans l’application.\n\n### Utiliser la configuration de contexte documentée\n\nLe tableau des modèles du fabricant indique un contexte de 32K étendu à 128K avec YaRN. Son guide de déploiement décrit une configuration de mise à l’échelle et une longueur maximale explicite du modèle pour cette extension. Le profil hébergé exact indique un contexte de travail de 128 000 tokens ; utilisez les limites réelles de l’interface sélectionnée au lieu d’appliquer une modification de déploiement local à une requête hébergée.\n\nLe fabricant décrit un entraînement sur plus de 20 000 milliards de tokens, avec ajustement fin supervisé et apprentissage par renforcement en plusieurs étapes. Distinguez Ling Flash du modèle de langage Mini et de la famille de réflexion Ring, nommés séparément. La description de son architecture et de son entraînement n’établit ni une vitesse de réponse universelle ni un transport d’outils exposé par chaque interface.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.inclusionAI/Ling-flash-2.0Ling Flash 2.0 est le modèle textuel d’inclusionAI pour le raisonnement complexe, la génération de code et le développement frontend. Son fabricant annonce 100 milliards de paramètres au total et 6,1 milliards de paramètres actifs, avec un contexte de 32K extensible à 128K grâce à YaRN.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ling Flash 2.0 est le modèle de langage d’inclusionAI appartenant à la famille d’architecture Ling 2.0. Son fabricant décrit le raisonnement complexe, la génération de code, le développement frontend et l’écriture créative comme des tâches caractéristiques. La fiche publiée indique 100 milliards de paramètres au total et 6,1 milliards de paramètres actifs, embeddings compris, pour ce modèle à mélange d’experts.
Fournissez les conditions, les documents sources et le livrable final. Une question de raisonnement peut demander une conclusion reliée aux faits qui l’étayent. Une tâche de programmation peut fournir les sources pertinentes, le comportement attendu et le cas à résoudre. Pour le frontend, nommez les commandes, les états et les relations entre données que l’interface doit implémenter.
Gardez le résultat proposé distinct des preuves d’exécution. Le modèle renvoie du texte ou du code ; l’application enregistre, exécute et examine le livrable dans l’environnement prévu. Un échange ultérieur peut fournir une erreur observée ou un écart précis et demander une correction ciblée.
Le fabricant présente une instruction système et une question utilisateur au moyen du gabarit de conversation de cette version. Donnez des libellés clairs aux documents sources et conservez les décisions de la tâche nécessaires aux tours suivants. Une demande plus longue doit préciser les passages ou les fichiers importants pour la réponse finale.
Pour un résultat structuré, définissez les sections ou les champs requis et le traitement des informations absentes. Vérifiez les valeurs renvoyées à partir des éléments fournis avant de les utiliser dans l’application.
Le tableau des modèles du fabricant indique un contexte de 32K étendu à 128K avec YaRN. Son guide de déploiement décrit une configuration de mise à l’échelle et une longueur maximale explicite du modèle pour cette extension. Le profil hébergé exact indique un contexte de travail de 128 000 tokens ; utilisez les limites réelles de l’interface sélectionnée au lieu d’appliquer une modification de déploiement local à une requête hébergée.
Le fabricant décrit un entraînement sur plus de 20 000 milliards de tokens, avec ajustement fin supervisé et apprentissage par renforcement en plusieurs étapes. Distinguez Ling Flash du modèle de langage Mini et de la famille de réflexion Ring, nommés séparément. La description de son architecture et de son entraînement n’établit ni une vitesse de réponse universelle ni un transport d’outils exposé par chaque interface.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inclusionAI/Ling-flash-2.0 | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000286 / 1K tokens Sortie · Tokens en sortie $0.001144 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inclusionAI/Ling-flash-2.0", "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='inclusionAI/Ling-flash-2.0',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='inclusionAI/Ling-flash-2.0',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 inclusionAI/Ling-flash-2.0
Utilisez les chemins de méthode indiqués ci-dessus.
inclusionAI/Ling-flash-2.0Ling Flash 2.0 est le modèle textuel d’inclusionAI pour le raisonnement complexe, la génération de code et le développement frontend. Son fabricant annonce 100 milliards de paramètres au total et 6,1 milliards de paramètres actifs, avec un contexte de 32K extensible à 128K grâce à YaRN.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ling Flash 2.0 est le modèle de langage d’inclusionAI appartenant à la famille d’architecture Ling 2.0. Son fabricant décrit le raisonnement complexe, la génération de code, le développement frontend et l’écriture créative comme des tâches caractéristiques. La fiche publiée indique 100 milliards de paramètres au total et 6,1 milliards de paramètres actifs, embeddings compris, pour ce modèle à mélange d’experts.
Fournissez les conditions, les documents sources et le livrable final. Une question de raisonnement peut demander une conclusion reliée aux faits qui l’étayent. Une tâche de programmation peut fournir les sources pertinentes, le comportement attendu et le cas à résoudre. Pour le frontend, nommez les commandes, les états et les relations entre données que l’interface doit implémenter.
Gardez le résultat proposé distinct des preuves d’exécution. Le modèle renvoie du texte ou du code ; l’application enregistre, exécute et examine le livrable dans l’environnement prévu. Un échange ultérieur peut fournir une erreur observée ou un écart précis et demander une correction ciblée.
Le fabricant présente une instruction système et une question utilisateur au moyen du gabarit de conversation de cette version. Donnez des libellés clairs aux documents sources et conservez les décisions de la tâche nécessaires aux tours suivants. Une demande plus longue doit préciser les passages ou les fichiers importants pour la réponse finale.
Pour un résultat structuré, définissez les sections ou les champs requis et le traitement des informations absentes. Vérifiez les valeurs renvoyées à partir des éléments fournis avant de les utiliser dans l’application.
Le tableau des modèles du fabricant indique un contexte de 32K étendu à 128K avec YaRN. Son guide de déploiement décrit une configuration de mise à l’échelle et une longueur maximale explicite du modèle pour cette extension. Le profil hébergé exact indique un contexte de travail de 128 000 tokens ; utilisez les limites réelles de l’interface sélectionnée au lieu d’appliquer une modification de déploiement local à une requête hébergée.
Le fabricant décrit un entraînement sur plus de 20 000 milliards de tokens, avec ajustement fin supervisé et apprentissage par renforcement en plusieurs étapes. Distinguez Ling Flash du modèle de langage Mini et de la famille de réflexion Ring, nommés séparément. La description de son architecture et de son entraînement n’établit ni une vitesse de réponse universelle ni un transport d’outils exposé par chaque interface.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inclusionAI/Ling-flash-2.0 | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000286 / 1K tokens Sortie · Tokens en sortie $0.001144 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inclusionAI/Ling-flash-2.0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inclusionAI/Ling-flash-2.0', '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': 'inclusionAI/Ling-flash-2.0', '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 inclusionAI/Ling-flash-2.0
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.