Llama 3.3 70B Instruct est le modèle linguistique de Meta à 70 milliards de paramètres, ajusté sur des instructions. Il accepte du texte et renvoie du texte ou du code. Meta conçoit cette édition pour le dialogue d’assistant multilingue, en utilisant un ajustement supervisé et un apprentissage par renforcement avec retour humain pour façonner sa réponse aux instructions.
Le fabricant cite l’anglais, l’allemand, le français, l’italien, le portugais, l’hindi, l’espagnol et le thaï comme langues prises en charge. Nommez la langue de la réponse finale et fournissez toute terminologie devant rester cohérente. Un assistant produit peut recevoir une conversation dans l’une de ces langues, identifier la demande du client et rédiger une réponse à partir des règles fournies.
Pour un travail de localisation, fournissez le passage d’origine, le public visé et un glossaire. Demandez le passage réécrit suivi d’une courte liste des choix qui modifient le sens ou le ton. Préservez explicitement les noms de produits, les identifiants et les quantités. Cela produit un contenu qu’un relecteur peut comparer à la source sans perdre les détails importants.
Meta annonce une fenêtre de contexte de 128K pour le modèle. Utilisez cet espace pour les passages sources pertinents, les décisions antérieures et la question actuelle. Identifiez chaque document ou extrait avant de demander au modèle de les comparer. Un dialogue documentaire peut demander une réponse étayée par des identifiants d’extraits, avec une liste distincte des points que les contenus fournis ne résolvent pas.
Pour une conversation plus longue, conservez les décisions qui influent sur la réponse suivante et retirez le contexte répété. Demandez un livrable particulier : un tableau comparatif, un passage révisé, une liste d’exigences ou l’explication d’un fragment de code nommé. Une forme de sortie précise donne à la relecture une cible concrète.
Les sorties documentées du modèle comprennent du code. Un prompt de programmation peut fournir une interface, des exemples d’entrée et les sorties attendues, puis demander une implémentation accompagnée de tests pour les cas limites nommés. Exécutez et examinez cette implémentation dans le projet cible avant de l’y intégrer.
Meta présente aussi des formats d’appels d’outils pour cette édition ajustée sur des instructions. Dans un tel workflow, l’application environnante expose des fonctions, exécute un appel demandé et renvoie le résultat à la conversation. Gardez ces résultats reliés à la demande pertinente afin que la réponse finale exploite les éléments réels. Ces formats décrivent le comportement d’intégration du fabricant ; les fonctions elles-mêmes appartiennent à l’application.
Llama 3.3 est un modèle statique entraîné sur un jeu de données hors ligne. Fournissez des chiffres, des règles ou des enregistrements actuels lorsque la réponse en dépend. Son entrée exclusivement textuelle fait des extraits lisibles les éléments probants appropriés pour cette édition.
", "aboutText": "Llama 3.3 70B Instruct est le modèle linguistique de Meta à 70 milliards de paramètres, ajusté sur des instructions. Il accepte du texte et renvoie du texte ou du code. Meta conçoit cette édition pour le dialogue d’assistant multilingue, en utilisant un ajustement supervisé et un apprentissage par renforcement avec retour humain pour façonner sa réponse aux instructions.\n\n### Construire une conversation multilingue\n\nLe fabricant cite l’anglais, l’allemand, le français, l’italien, le portugais, l’hindi, l’espagnol et le thaï comme langues prises en charge. Nommez la langue de la réponse finale et fournissez toute terminologie devant rester cohérente. Un assistant produit peut recevoir une conversation dans l’une de ces langues, identifier la demande du client et rédiger une réponse à partir des règles fournies.\n\nPour un travail de localisation, fournissez le passage d’origine, le public visé et un glossaire. Demandez le passage réécrit suivi d’une courte liste des choix qui modifient le sens ou le ton. Préservez explicitement les noms de produits, les identifiants et les quantités. Cela produit un contenu qu’un relecteur peut comparer à la source sans perdre les détails importants.\n\n### Travailler à partir d’une collection de textes\n\nMeta annonce une fenêtre de contexte de 128K pour le modèle. Utilisez cet espace pour les passages sources pertinents, les décisions antérieures et la question actuelle. Identifiez chaque document ou extrait avant de demander au modèle de les comparer. Un dialogue documentaire peut demander une réponse étayée par des identifiants d’extraits, avec une liste distincte des points que les contenus fournis ne résolvent pas.\n\nPour une conversation plus longue, conservez les décisions qui influent sur la réponse suivante et retirez le contexte répété. Demandez un livrable particulier : un tableau comparatif, un passage révisé, une liste d’exigences ou l’explication d’un fragment de code nommé. Une forme de sortie précise donne à la relecture une cible concrète.\n\n### Code et outils de l’application\n\nLes sorties documentées du modèle comprennent du code. Un prompt de programmation peut fournir une interface, des exemples d’entrée et les sorties attendues, puis demander une implémentation accompagnée de tests pour les cas limites nommés. Exécutez et examinez cette implémentation dans le projet cible avant de l’y intégrer.\n\nMeta présente aussi des formats d’appels d’outils pour cette édition ajustée sur des instructions. Dans un tel workflow, l’application environnante expose des fonctions, exécute un appel demandé et renvoie le résultat à la conversation. Gardez ces résultats reliés à la demande pertinente afin que la réponse finale exploite les éléments réels. Ces formats décrivent le comportement d’intégration du fabricant ; les fonctions elles-mêmes appartiennent à l’application.\n\nLlama 3.3 est un modèle statique entraîné sur un jeu de données hors ligne. Fournissez des chiffres, des règles ou des enregistrements actuels lorsque la réponse en dépend. Son entrée exclusivement textuelle fait des extraits lisibles les éléments probants appropriés pour cette édition.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.meta-llama/llama-3.3-70b-instructLlama 3.3 70B Instruct est le modèle textuel multilingue de Meta pour les conversations d’assistant. Il génère du texte et du code, avec un contexte de 128K annoncé par le fabricant et huit langues prises en charge, ce qui convient au dialogue documentaire, à la réécriture et aux explications fondées sur des sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama 3.3 70B Instruct est le modèle linguistique de Meta à 70 milliards de paramètres, ajusté sur des instructions. Il accepte du texte et renvoie du texte ou du code. Meta conçoit cette édition pour le dialogue d’assistant multilingue, en utilisant un ajustement supervisé et un apprentissage par renforcement avec retour humain pour façonner sa réponse aux instructions.
Le fabricant cite l’anglais, l’allemand, le français, l’italien, le portugais, l’hindi, l’espagnol et le thaï comme langues prises en charge. Nommez la langue de la réponse finale et fournissez toute terminologie devant rester cohérente. Un assistant produit peut recevoir une conversation dans l’une de ces langues, identifier la demande du client et rédiger une réponse à partir des règles fournies.
Pour un travail de localisation, fournissez le passage d’origine, le public visé et un glossaire. Demandez le passage réécrit suivi d’une courte liste des choix qui modifient le sens ou le ton. Préservez explicitement les noms de produits, les identifiants et les quantités. Cela produit un contenu qu’un relecteur peut comparer à la source sans perdre les détails importants.
Meta annonce une fenêtre de contexte de 128K pour le modèle. Utilisez cet espace pour les passages sources pertinents, les décisions antérieures et la question actuelle. Identifiez chaque document ou extrait avant de demander au modèle de les comparer. Un dialogue documentaire peut demander une réponse étayée par des identifiants d’extraits, avec une liste distincte des points que les contenus fournis ne résolvent pas.
Pour une conversation plus longue, conservez les décisions qui influent sur la réponse suivante et retirez le contexte répété. Demandez un livrable particulier : un tableau comparatif, un passage révisé, une liste d’exigences ou l’explication d’un fragment de code nommé. Une forme de sortie précise donne à la relecture une cible concrète.
Les sorties documentées du modèle comprennent du code. Un prompt de programmation peut fournir une interface, des exemples d’entrée et les sorties attendues, puis demander une implémentation accompagnée de tests pour les cas limites nommés. Exécutez et examinez cette implémentation dans le projet cible avant de l’y intégrer.
Meta présente aussi des formats d’appels d’outils pour cette édition ajustée sur des instructions. Dans un tel workflow, l’application environnante expose des fonctions, exécute un appel demandé et renvoie le résultat à la conversation. Gardez ces résultats reliés à la demande pertinente afin que la réponse finale exploite les éléments réels. Ces formats décrivent le comportement d’intégration du fabricant ; les fonctions elles-mêmes appartiennent à l’application.
Llama 3.3 est un modèle statique entraîné sur un jeu de données hors ligne. Fournissez des chiffres, des règles ou des enregistrements actuels lorsque la réponse en dépend. Son entrée exclusivement textuelle fait des extraits lisibles les éléments probants appropriés pour cette édition.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta-llama/llama-3.3-70b-instruct | 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 $0.0018 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00059 / 1K tokens Entrée · Écriture dans le cache $0 / 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 $0.0018 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00059 / 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": "meta-llama/llama-3.3-70b-instruct", "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='meta-llama/llama-3.3-70b-instruct',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='meta-llama/llama-3.3-70b-instruct',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 meta-llama/llama-3.3-70b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
meta-llama/llama-3.3-70b-instructLlama 3.3 70B Instruct est le modèle textuel multilingue de Meta pour les conversations d’assistant. Il génère du texte et du code, avec un contexte de 128K annoncé par le fabricant et huit langues prises en charge, ce qui convient au dialogue documentaire, à la réécriture et aux explications fondées sur des sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama 3.3 70B Instruct est le modèle linguistique de Meta à 70 milliards de paramètres, ajusté sur des instructions. Il accepte du texte et renvoie du texte ou du code. Meta conçoit cette édition pour le dialogue d’assistant multilingue, en utilisant un ajustement supervisé et un apprentissage par renforcement avec retour humain pour façonner sa réponse aux instructions.
Le fabricant cite l’anglais, l’allemand, le français, l’italien, le portugais, l’hindi, l’espagnol et le thaï comme langues prises en charge. Nommez la langue de la réponse finale et fournissez toute terminologie devant rester cohérente. Un assistant produit peut recevoir une conversation dans l’une de ces langues, identifier la demande du client et rédiger une réponse à partir des règles fournies.
Pour un travail de localisation, fournissez le passage d’origine, le public visé et un glossaire. Demandez le passage réécrit suivi d’une courte liste des choix qui modifient le sens ou le ton. Préservez explicitement les noms de produits, les identifiants et les quantités. Cela produit un contenu qu’un relecteur peut comparer à la source sans perdre les détails importants.
Meta annonce une fenêtre de contexte de 128K pour le modèle. Utilisez cet espace pour les passages sources pertinents, les décisions antérieures et la question actuelle. Identifiez chaque document ou extrait avant de demander au modèle de les comparer. Un dialogue documentaire peut demander une réponse étayée par des identifiants d’extraits, avec une liste distincte des points que les contenus fournis ne résolvent pas.
Pour une conversation plus longue, conservez les décisions qui influent sur la réponse suivante et retirez le contexte répété. Demandez un livrable particulier : un tableau comparatif, un passage révisé, une liste d’exigences ou l’explication d’un fragment de code nommé. Une forme de sortie précise donne à la relecture une cible concrète.
Les sorties documentées du modèle comprennent du code. Un prompt de programmation peut fournir une interface, des exemples d’entrée et les sorties attendues, puis demander une implémentation accompagnée de tests pour les cas limites nommés. Exécutez et examinez cette implémentation dans le projet cible avant de l’y intégrer.
Meta présente aussi des formats d’appels d’outils pour cette édition ajustée sur des instructions. Dans un tel workflow, l’application environnante expose des fonctions, exécute un appel demandé et renvoie le résultat à la conversation. Gardez ces résultats reliés à la demande pertinente afin que la réponse finale exploite les éléments réels. Ces formats décrivent le comportement d’intégration du fabricant ; les fonctions elles-mêmes appartiennent à l’application.
Llama 3.3 est un modèle statique entraîné sur un jeu de données hors ligne. Fournissez des chiffres, des règles ou des enregistrements actuels lorsque la réponse en dépend. Son entrée exclusivement textuelle fait des extraits lisibles les éléments probants appropriés pour cette édition.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta-llama/llama-3.3-70b-instruct | 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 $0.0018 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00059 / 1K tokens Entrée · Écriture dans le cache $0 / 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 $0.0018 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00059 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta-llama/llama-3.3-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.3-70b-instruct', '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': 'meta-llama/llama-3.3-70b-instruct', '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 meta-llama/llama-3.3-70b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.