Nex-N2.5-Pro est l’édition multimodale Pro nommée de Nex AGI pour les tâches de longue durée en environnement réel. Avec mini, elle prolonge les bases visuelles de Nex-N2, avec des améliorations ciblées sur l’utilisation de l’ordinateur, la navigation web et le travail agentique ancré dans les éléments visuels. Elle reste distincte du modèle Max purement textuel de la famille ; une tâche Pro peut utiliser des observations visuelles pour vérifier les changements et décider comment poursuivre.
Préparez une mission de productivité avec ses sources réelles et un résultat clair : comparaison achevée, modification de code ou état précis atteint dans une application. Donnez au modèle la capture d’écran pertinente ou le contexte documentaire et indiquez les actions autorisées. Une consigne pratique serait : « Utilisez ces sources et observations d’écran pour achever la comparaison, vérifier chaque champ requis et retourner l’enregistrement final avec les éléments qui l’étayent. »
Pour une tâche d’interface, préservez les libellés visibles et identifiez l’état établissant l’achèvement. Pour un programme, fournissez l’implémentation, l’échec observé et le comportement à préserver. Ces entrées relient les décisions de l’agent à l’objectif utilisateur plutôt que de laisser un plan devenir un résultat supposé achevé.
Le fabricant entraîne la famille à agir continuellement et à se corriger à partir des retours de l’environnement. Le modèle peut interpréter un écran et proposer une fonction ou une opération, tandis que l’application l’exécute et renvoie l’observation visuelle ou textuelle résultante. Comparez cette observation à l’objectif indiqué avant de décider si une action suivante est nécessaire.
Gardez les identifiants de sources et d’opérations avec leurs résultats. Si une tâche produit du code, l’application obtient les retours réels d’exécution ou de validation. Si une tâche de navigateur modifie un état, le nouvel écran constitue la preuve de ce qui s’est passé. Une instruction générée, une coordonnée proposée ou une commande écrite de validation reste distincte de son exécution.
Nex-N2.5 utilise reasoning_effort pour trois modes. None renvoie une réponse directe. Medium est le mode adaptatif par défaut, laissant le modèle décider s’il doit raisonner et dans quelle mesure. High active toujours la réflexion avant la réponse finale. Le producteur recommande temperature 0.7, top-p 0.95 et top-k 40 pour son profil de référence.
Définissez le livrable final indépendamment du mode de raisonnement, y compris sa langue, ses détails obligatoires et le traitement des informations manquantes. Le modèle de conversation natif utilise reasoning_effort ; l’indicateur thinking d’un autre modèle n’est pas un contrôle interchangeable sans traduction explicite par le processus environnant.
Le producteur documente des appels de fonctions structurés et l’analyse du raisonnement séparément de la réponse finale. Fournissez des fonctions aux objectifs et définitions de paramètres précis. Utilisez les observations retournées pour étayer la suite de la tâche et précisez quel résultat permet de l’achever. Pour la recherche ou le travail intellectuel, fournissez des passages faisant autorité ou des fonctions de recherche adaptées pour relier les conclusions à des éléments réels.
Le travail de longue durée accumule du contexte issu des sources, écrans, conversations, raisonnements et retours d’outils. Organisez les observations pertinentes et préservez le critère d’achèvement dans les échanges suivants. L’identité Pro du fabricant n’établit pas à elle seule un nombre de paramètres non documenté ni un plafond universel d’entrée ou de sortie.
Le livrable utile est une explication textuelle, du code ou un enregistrement analytique achevé, examinable par rapport aux sources et aux observations environnementales. Pro conserve sa propre édition multimodale et ses contrôles de mode, sans hériter de l’architecture purement textuelle de Max ni supposer que chaque opération proposée entre applications a déjà été exécutée.
", "aboutText": "Nex-N2.5-Pro est l’édition multimodale Pro nommée de Nex AGI pour les tâches de longue durée en environnement réel. Avec mini, elle prolonge les bases visuelles de Nex-N2, avec des améliorations ciblées sur l’utilisation de l’ordinateur, la navigation web et le travail agentique ancré dans les éléments visuels. Elle reste distincte du modèle Max purement textuel de la famille ; une tâche Pro peut utiliser des observations visuelles pour vérifier les changements et décider comment poursuivre.\n\n### Objectif, source et environnement\n\nPréparez une mission de productivité avec ses sources réelles et un résultat clair : comparaison achevée, modification de code ou état précis atteint dans une application. Donnez au modèle la capture d’écran pertinente ou le contexte documentaire et indiquez les actions autorisées. Une consigne pratique serait : « Utilisez ces sources et observations d’écran pour achever la comparaison, vérifier chaque champ requis et retourner l’enregistrement final avec les éléments qui l’étayent. »\n\nPour une tâche d’interface, préservez les libellés visibles et identifiez l’état établissant l’achèvement. Pour un programme, fournissez l’implémentation, l’échec observé et le comportement à préserver. Ces entrées relient les décisions de l’agent à l’objectif utilisateur plutôt que de laisser un plan devenir un résultat supposé achevé.\n\n### Retours visuels et autocorrection\n\nLe fabricant entraîne la famille à agir continuellement et à se corriger à partir des retours de l’environnement. Le modèle peut interpréter un écran et proposer une fonction ou une opération, tandis que l’application l’exécute et renvoie l’observation visuelle ou textuelle résultante. Comparez cette observation à l’objectif indiqué avant de décider si une action suivante est nécessaire.\n\nGardez les identifiants de sources et d’opérations avec leurs résultats. Si une tâche produit du code, l’application obtient les retours réels d’exécution ou de validation. Si une tâche de navigateur modifie un état, le nouvel écran constitue la preuve de ce qui s’est passé. Une instruction générée, une coordonnée proposée ou une commande écrite de validation reste distincte de son exécution.\n\n### Modes de réflexion et recommandations du producteur\n\nNex-N2.5 utilise reasoning_effort pour trois modes. None renvoie une réponse directe. Medium est le mode adaptatif par défaut, laissant le modèle décider s’il doit raisonner et dans quelle mesure. High active toujours la réflexion avant la réponse finale. Le producteur recommande temperature 0.7, top-p 0.95 et top-k 40 pour son profil de référence.\n\nDéfinissez le livrable final indépendamment du mode de raisonnement, y compris sa langue, ses détails obligatoires et le traitement des informations manquantes. Le modèle de conversation natif utilise reasoning_effort ; l’indicateur thinking d’un autre modèle n’est pas un contrôle interchangeable sans traduction explicite par le processus environnant.\n\n### Appels de fonctions et livrables utiles\n\nLe producteur documente des appels de fonctions structurés et l’analyse du raisonnement séparément de la réponse finale. Fournissez des fonctions aux objectifs et définitions de paramètres précis. Utilisez les observations retournées pour étayer la suite de la tâche et précisez quel résultat permet de l’achever. Pour la recherche ou le travail intellectuel, fournissez des passages faisant autorité ou des fonctions de recherche adaptées pour relier les conclusions à des éléments réels.\n\nLe travail de longue durée accumule du contexte issu des sources, écrans, conversations, raisonnements et retours d’outils. Organisez les observations pertinentes et préservez le critère d’achèvement dans les échanges suivants. L’identité Pro du fabricant n’établit pas à elle seule un nombre de paramètres non documenté ni un plafond universel d’entrée ou de sortie.\n\nLe livrable utile est une explication textuelle, du code ou un enregistrement analytique achevé, examinable par rapport aux sources et aux observations environnementales. Pro conserve sa propre édition multimodale et ses contrôles de mode, sans hériter de l’architecture purement textuelle de Max ni supposer que chaque opération proposée entre applications a déjà été exécutée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.nex-agi/nex-n2.5-proNex-N2.5-Pro est l’édition d’agent multimodal de Nex AGI pour l’utilisation de l’ordinateur, la navigation et les tâches de productivité de longue durée. Elle utilise des retours visuels, des appels de fonctions et des modes direct, adaptatif ou de réflexion pour relier un objectif défini à du texte, du code et des propositions d’actions applicatives.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Nex-N2.5-Pro est l’édition multimodale Pro nommée de Nex AGI pour les tâches de longue durée en environnement réel. Avec mini, elle prolonge les bases visuelles de Nex-N2, avec des améliorations ciblées sur l’utilisation de l’ordinateur, la navigation web et le travail agentique ancré dans les éléments visuels. Elle reste distincte du modèle Max purement textuel de la famille ; une tâche Pro peut utiliser des observations visuelles pour vérifier les changements et décider comment poursuivre.
Préparez une mission de productivité avec ses sources réelles et un résultat clair : comparaison achevée, modification de code ou état précis atteint dans une application. Donnez au modèle la capture d’écran pertinente ou le contexte documentaire et indiquez les actions autorisées. Une consigne pratique serait : « Utilisez ces sources et observations d’écran pour achever la comparaison, vérifier chaque champ requis et retourner l’enregistrement final avec les éléments qui l’étayent. »
Pour une tâche d’interface, préservez les libellés visibles et identifiez l’état établissant l’achèvement. Pour un programme, fournissez l’implémentation, l’échec observé et le comportement à préserver. Ces entrées relient les décisions de l’agent à l’objectif utilisateur plutôt que de laisser un plan devenir un résultat supposé achevé.
Le fabricant entraîne la famille à agir continuellement et à se corriger à partir des retours de l’environnement. Le modèle peut interpréter un écran et proposer une fonction ou une opération, tandis que l’application l’exécute et renvoie l’observation visuelle ou textuelle résultante. Comparez cette observation à l’objectif indiqué avant de décider si une action suivante est nécessaire.
Gardez les identifiants de sources et d’opérations avec leurs résultats. Si une tâche produit du code, l’application obtient les retours réels d’exécution ou de validation. Si une tâche de navigateur modifie un état, le nouvel écran constitue la preuve de ce qui s’est passé. Une instruction générée, une coordonnée proposée ou une commande écrite de validation reste distincte de son exécution.
Nex-N2.5 utilise reasoning_effort pour trois modes. None renvoie une réponse directe. Medium est le mode adaptatif par défaut, laissant le modèle décider s’il doit raisonner et dans quelle mesure. High active toujours la réflexion avant la réponse finale. Le producteur recommande temperature 0.7, top-p 0.95 et top-k 40 pour son profil de référence.
Définissez le livrable final indépendamment du mode de raisonnement, y compris sa langue, ses détails obligatoires et le traitement des informations manquantes. Le modèle de conversation natif utilise reasoning_effort ; l’indicateur thinking d’un autre modèle n’est pas un contrôle interchangeable sans traduction explicite par le processus environnant.
Le producteur documente des appels de fonctions structurés et l’analyse du raisonnement séparément de la réponse finale. Fournissez des fonctions aux objectifs et définitions de paramètres précis. Utilisez les observations retournées pour étayer la suite de la tâche et précisez quel résultat permet de l’achever. Pour la recherche ou le travail intellectuel, fournissez des passages faisant autorité ou des fonctions de recherche adaptées pour relier les conclusions à des éléments réels.
Le travail de longue durée accumule du contexte issu des sources, écrans, conversations, raisonnements et retours d’outils. Organisez les observations pertinentes et préservez le critère d’achèvement dans les échanges suivants. L’identité Pro du fabricant n’établit pas à elle seule un nombre de paramètres non documenté ni un plafond universel d’entrée ou de sortie.
Le livrable utile est une explication textuelle, du code ou un enregistrement analytique achevé, examinable par rapport aux sources et aux observations environnementales. Pro conserve sa propre édition multimodale et ses contrôles de mode, sans hériter de l’architecture purement textuelle de Max ni supposer que chaque opération proposée entre applications a déjà été exécutée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0005 / 1K tokens Entrée · Lecture du cache $0.00003 / 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 $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0005 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nex-agi/nex-n2.5-pro", "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='nex-agi/nex-n2.5-pro',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='nex-agi/nex-n2.5-pro',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 nex-agi/nex-n2.5-pro
Utilisez les chemins de méthode indiqués ci-dessus.
nex-agi/nex-n2.5-proNex-N2.5-Pro est l’édition d’agent multimodal de Nex AGI pour l’utilisation de l’ordinateur, la navigation et les tâches de productivité de longue durée. Elle utilise des retours visuels, des appels de fonctions et des modes direct, adaptatif ou de réflexion pour relier un objectif défini à du texte, du code et des propositions d’actions applicatives.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Nex-N2.5-Pro est l’édition multimodale Pro nommée de Nex AGI pour les tâches de longue durée en environnement réel. Avec mini, elle prolonge les bases visuelles de Nex-N2, avec des améliorations ciblées sur l’utilisation de l’ordinateur, la navigation web et le travail agentique ancré dans les éléments visuels. Elle reste distincte du modèle Max purement textuel de la famille ; une tâche Pro peut utiliser des observations visuelles pour vérifier les changements et décider comment poursuivre.
Préparez une mission de productivité avec ses sources réelles et un résultat clair : comparaison achevée, modification de code ou état précis atteint dans une application. Donnez au modèle la capture d’écran pertinente ou le contexte documentaire et indiquez les actions autorisées. Une consigne pratique serait : « Utilisez ces sources et observations d’écran pour achever la comparaison, vérifier chaque champ requis et retourner l’enregistrement final avec les éléments qui l’étayent. »
Pour une tâche d’interface, préservez les libellés visibles et identifiez l’état établissant l’achèvement. Pour un programme, fournissez l’implémentation, l’échec observé et le comportement à préserver. Ces entrées relient les décisions de l’agent à l’objectif utilisateur plutôt que de laisser un plan devenir un résultat supposé achevé.
Le fabricant entraîne la famille à agir continuellement et à se corriger à partir des retours de l’environnement. Le modèle peut interpréter un écran et proposer une fonction ou une opération, tandis que l’application l’exécute et renvoie l’observation visuelle ou textuelle résultante. Comparez cette observation à l’objectif indiqué avant de décider si une action suivante est nécessaire.
Gardez les identifiants de sources et d’opérations avec leurs résultats. Si une tâche produit du code, l’application obtient les retours réels d’exécution ou de validation. Si une tâche de navigateur modifie un état, le nouvel écran constitue la preuve de ce qui s’est passé. Une instruction générée, une coordonnée proposée ou une commande écrite de validation reste distincte de son exécution.
Nex-N2.5 utilise reasoning_effort pour trois modes. None renvoie une réponse directe. Medium est le mode adaptatif par défaut, laissant le modèle décider s’il doit raisonner et dans quelle mesure. High active toujours la réflexion avant la réponse finale. Le producteur recommande temperature 0.7, top-p 0.95 et top-k 40 pour son profil de référence.
Définissez le livrable final indépendamment du mode de raisonnement, y compris sa langue, ses détails obligatoires et le traitement des informations manquantes. Le modèle de conversation natif utilise reasoning_effort ; l’indicateur thinking d’un autre modèle n’est pas un contrôle interchangeable sans traduction explicite par le processus environnant.
Le producteur documente des appels de fonctions structurés et l’analyse du raisonnement séparément de la réponse finale. Fournissez des fonctions aux objectifs et définitions de paramètres précis. Utilisez les observations retournées pour étayer la suite de la tâche et précisez quel résultat permet de l’achever. Pour la recherche ou le travail intellectuel, fournissez des passages faisant autorité ou des fonctions de recherche adaptées pour relier les conclusions à des éléments réels.
Le travail de longue durée accumule du contexte issu des sources, écrans, conversations, raisonnements et retours d’outils. Organisez les observations pertinentes et préservez le critère d’achèvement dans les échanges suivants. L’identité Pro du fabricant n’établit pas à elle seule un nombre de paramètres non documenté ni un plafond universel d’entrée ou de sortie.
Le livrable utile est une explication textuelle, du code ou un enregistrement analytique achevé, examinable par rapport aux sources et aux observations environnementales. Pro conserve sa propre édition multimodale et ses contrôles de mode, sans hériter de l’architecture purement textuelle de Max ni supposer que chaque opération proposée entre applications a déjà été exécutée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0005 / 1K tokens Entrée · Lecture du cache $0.00003 / 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 $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0005 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "nex-agi/nex-n2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nex-agi/nex-n2.5-pro', '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': 'nex-agi/nex-n2.5-pro', '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 nex-agi/nex-n2.5-pro
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.