Poolside Laguna S 2.1 est un modèle linguistique à mélange d’experts conçu pour la programmation par agents et le travail de longue haleine. Il possède 118 milliards de paramètres au total et environ 8 milliards de paramètres actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.
Son architecture associe une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale dans ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand soutient les tâches qui accumulent fichiers sources, observations et décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, et réservez de la place pour le raisonnement ultérieur et la réponse finale dans la configuration applicable.
La vocation centrale du modèle est le travail logiciel qui exige persévérance, vérification et révision. Pour une tâche portant sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et les résultats réels en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un workflow connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.
Pour un travail d’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocations pour identifier un goulot d’étranglement. Propose une modification, explique l’effet attendu et compare-la à la référence après répétition de la même mesure. » Une affirmation de performance devient ainsi vérifiable. La publication de Poolside présente la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.
Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver dans l’historique ultérieur le contenu de raisonnement des messages antérieurs de l’assistant ; supprimer ces blocs peut interrompre le raisonnement dans les étapes suivantes. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à repartir de son état réel plutôt qu’à reconstruire sans cesse ce qui a déjà été tenté.
Les choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la publication ne présente pas de commandes d’effort distinctes low, medium et high. Pour la programmation par agents, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, et distinguez une longue séquence de raisonnement du résultat accompli. Le fabricant identifie l’excès de réflexion, notamment en mathématiques de compétition, comme une limite importante.
Les définitions des outils demandent une attention particulière. Poolside signale que S 2.1 peut initialement s’appuyer sur une interface d’outil familière plutôt que de suivre attentivement un schéma similaire mais différent. Il peut aussi produire du JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsqu’un appel ne correspond pas. Le fabricant décrit la correction au moyen de retours dans le contexte comme une façon de résoudre certaines de ces incompatibilités. Gardez l’observation d’outil obtenue disponible pour la décision suivante.
Le fabricant publie des variantes BF16 et quantifiées distinctes ainsi qu’un modèle brouillon DFlash optionnel. Ce sont des livrables et des recettes de mise en service distincts ; l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les résultats de commandes et les extraits de documents en texte lisible. La publication indique que le modèle ne dispose pas de capacités visuelles ; une capture d’écran nécessite une observation textuelle ou une inspection externe appropriée avant de pouvoir étayer l’analyse.
Demandez un livrable final qui identifie l’élément modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats aux sources pertinentes et montrez pourquoi chaque problème affecte le comportement. Pour une réparation, distinguez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. Conserver le raisonnement et l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.
", "aboutText": "Poolside Laguna S 2.1 est un modèle linguistique à mélange d’experts conçu pour la programmation par agents et le travail de longue haleine. Il possède 118 milliards de paramètres au total et environ 8 milliards de paramètres actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.\n\nSon architecture associe une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale dans ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand soutient les tâches qui accumulent fichiers sources, observations et décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, et réservez de la place pour le raisonnement ultérieur et la réponse finale dans la configuration applicable.\n\nLa vocation centrale du modèle est le travail logiciel qui exige persévérance, vérification et révision. Pour une tâche portant sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et les résultats réels en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un workflow connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.\n\nPour un travail d’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocations pour identifier un goulot d’étranglement. Propose une modification, explique l’effet attendu et compare-la à la référence après répétition de la même mesure. » Une affirmation de performance devient ainsi vérifiable. La publication de Poolside présente la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.\n\nLaguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver dans l’historique ultérieur le contenu de raisonnement des messages antérieurs de l’assistant ; supprimer ces blocs peut interrompre le raisonnement dans les étapes suivantes. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à repartir de son état réel plutôt qu’à reconstruire sans cesse ce qui a déjà été tenté.\n\nLes choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la publication ne présente pas de commandes d’effort distinctes low, medium et high. Pour la programmation par agents, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, et distinguez une longue séquence de raisonnement du résultat accompli. Le fabricant identifie l’excès de réflexion, notamment en mathématiques de compétition, comme une limite importante.\n\nLes définitions des outils demandent une attention particulière. Poolside signale que S 2.1 peut initialement s’appuyer sur une interface d’outil familière plutôt que de suivre attentivement un schéma similaire mais différent. Il peut aussi produire du JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsqu’un appel ne correspond pas. Le fabricant décrit la correction au moyen de retours dans le contexte comme une façon de résoudre certaines de ces incompatibilités. Gardez l’observation d’outil obtenue disponible pour la décision suivante.\n\nLe fabricant publie des variantes BF16 et quantifiées distinctes ainsi qu’un modèle brouillon DFlash optionnel. Ce sont des livrables et des recettes de mise en service distincts ; l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les résultats de commandes et les extraits de documents en texte lisible. La publication indique que le modèle ne dispose pas de capacités visuelles ; une capture d’écran nécessite une observation textuelle ou une inspection externe appropriée avant de pouvoir étayer l’analyse.\n\nDemandez un livrable final qui identifie l’élément modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats aux sources pertinentes et montrez pourquoi chaque problème affecte le comportement. Pour une réparation, distinguez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. Conserver le raisonnement et l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9f407be2b45d7c87c52b925eb7d035a4e1fbe9dc7163457933791ceaacb80664", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "poolside/laguna-s-2.1:freePoolside Laguna S 2.1 est un modèle textuel pour la programmation par agents et le travail de longue haleine, avec 118 milliards de paramètres au total et environ 8 milliards de paramètres actifs. Il associe un contexte modèle de 1 048 576 tokens à l’utilisation native d’outils et à un raisonnement intercalé ; conserver les réflexions précédentes l’aide à poursuivre efficacement entre les appels d’outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Poolside Laguna S 2.1 est un modèle linguistique à mélange d’experts conçu pour la programmation par agents et le travail de longue haleine. Il possède 118 milliards de paramètres au total et environ 8 milliards de paramètres actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.
Son architecture associe une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale dans ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand soutient les tâches qui accumulent fichiers sources, observations et décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, et réservez de la place pour le raisonnement ultérieur et la réponse finale dans la configuration applicable.
La vocation centrale du modèle est le travail logiciel qui exige persévérance, vérification et révision. Pour une tâche portant sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et les résultats réels en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un workflow connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.
Pour un travail d’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocations pour identifier un goulot d’étranglement. Propose une modification, explique l’effet attendu et compare-la à la référence après répétition de la même mesure. » Une affirmation de performance devient ainsi vérifiable. La publication de Poolside présente la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.
Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver dans l’historique ultérieur le contenu de raisonnement des messages antérieurs de l’assistant ; supprimer ces blocs peut interrompre le raisonnement dans les étapes suivantes. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à repartir de son état réel plutôt qu’à reconstruire sans cesse ce qui a déjà été tenté.
Les choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la publication ne présente pas de commandes d’effort distinctes low, medium et high. Pour la programmation par agents, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, et distinguez une longue séquence de raisonnement du résultat accompli. Le fabricant identifie l’excès de réflexion, notamment en mathématiques de compétition, comme une limite importante.
Les définitions des outils demandent une attention particulière. Poolside signale que S 2.1 peut initialement s’appuyer sur une interface d’outil familière plutôt que de suivre attentivement un schéma similaire mais différent. Il peut aussi produire du JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsqu’un appel ne correspond pas. Le fabricant décrit la correction au moyen de retours dans le contexte comme une façon de résoudre certaines de ces incompatibilités. Gardez l’observation d’outil obtenue disponible pour la décision suivante.
Le fabricant publie des variantes BF16 et quantifiées distinctes ainsi qu’un modèle brouillon DFlash optionnel. Ce sont des livrables et des recettes de mise en service distincts ; l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les résultats de commandes et les extraits de documents en texte lisible. La publication indique que le modèle ne dispose pas de capacités visuelles ; une capture d’écran nécessite une observation textuelle ou une inspection externe appropriée avant de pouvoir étayer l’analyse.
Demandez un livrable final qui identifie l’élément modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats aux sources pertinentes et montrez pourquoi chaque problème affecte le comportement. Pour une réparation, distinguez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. Conserver le raisonnement et l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites poolside/laguna-s-2.1:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 32 768 | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 32 768 | Par défaut— |
Champn | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 128 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champseed | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop | Type | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champfrequency_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champpresence_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional | Contratstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 262144 bytes. |
Cycle de vie : synchronous_json
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 par jeton | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-s-2.1:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra poolside/laguna-s-2.1:free
Utilisez les chemins de méthode indiqués ci-dessus.
poolside/laguna-s-2.1:freePoolside Laguna S 2.1 est un modèle textuel pour la programmation par agents et le travail de longue haleine, avec 118 milliards de paramètres au total et environ 8 milliards de paramètres actifs. Il associe un contexte modèle de 1 048 576 tokens à l’utilisation native d’outils et à un raisonnement intercalé ; conserver les réflexions précédentes l’aide à poursuivre efficacement entre les appels d’outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Poolside Laguna S 2.1 est un modèle linguistique à mélange d’experts conçu pour la programmation par agents et le travail de longue haleine. Il possède 118 milliards de paramètres au total et environ 8 milliards de paramètres actifs par token, ce qui le place entre le plus petit Laguna XS 2.1 et le plus grand Laguna M.1 dans la série du fabricant. Le modèle traite du texte et produit du texte, du code, du raisonnement et des demandes d’appels d’outils dans une application connectée à des outils.
Son architecture associe une attention globale et une attention à fenêtre glissante sur 48 couches : 12 couches globales et 36 couches à fenêtre glissante. La fenêtre glissante de 512 tokens décrit l’attention locale dans ces couches, tandis que le contexte documenté du modèle est de 1 048 576 tokens. Ce sont des mesures différentes. Le contexte plus grand soutient les tâches qui accumulent fichiers sources, observations et décisions sur de nombreuses étapes. Gardez ensemble l’objectif de travail et les éléments probants significatifs, et réservez de la place pour le raisonnement ultérieur et la réponse finale dans la configuration applicable.
La vocation centrale du modèle est le travail logiciel qui exige persévérance, vérification et révision. Pour une tâche portant sur un dépôt, fournissez le comportement attendu, les fichiers pertinents sous forme de texte, les informations de dépendances et les résultats réels en échec. Demandez un résultat ciblé : « Retrace la cause de cette régression, propose une modification qui préserve l’interface documentée et identifie les vérifications qui distingueraient une correction d’une modification sans rapport. » Dans un workflow connecté à des outils, donnez au modèle le résultat de chaque vérification exécutée avant qu’il choisisse l’étape suivante.
Pour un travail d’optimisation, fournissez des mesures et un objectif explicite. Par exemple : « Utilise ce profil et ce rapport d’allocations pour identifier un goulot d’étranglement. Propose une modification, explique l’effet attendu et compare-la à la référence après répétition de la même mesure. » Une affirmation de performance devient ainsi vérifiable. La publication de Poolside présente la vérification et la progression continue comme des comportements importants, mais une explication convaincante ne prouve pas à elle seule qu’une révision est plus rapide, correcte ou complète. Conservez les observations qui justifient de garder ou de rejeter la modification.
Laguna S 2.1 prend en charge une réflexion intercalée avant et entre les appels d’outils. Le fabricant recommande de conserver dans l’historique ultérieur le contenu de raisonnement des messages antérieurs de l’assistant ; supprimer ces blocs peut interrompre le raisonnement dans les étapes suivantes. Gardez ensemble la réponse de l’assistant, les informations d’appel d’outil et le résultat correspondant. Cela aide une tâche plus longue à repartir de son état réel plutôt qu’à reconstruire sans cesse ce qui a déjà été tenté.
Les choix de réflexion documentés sont off et max, avec max activé par défaut dans la configuration décrite par le fabricant. Le modèle détermine son budget de réflexion dans ce mode ; la publication ne présente pas de commandes d’effort distinctes low, medium et high. Pour la programmation par agents, Poolside recommande d’activer la réflexion et de la conserver entre les étapes. Précisez explicitement le livrable final et les critères d’achèvement, et distinguez une longue séquence de raisonnement du résultat accompli. Le fabricant identifie l’excès de réflexion, notamment en mathématiques de compétition, comme une limite importante.
Les définitions des outils demandent une attention particulière. Poolside signale que S 2.1 peut initialement s’appuyer sur une interface d’outil familière plutôt que de suivre attentivement un schéma similaire mais différent. Il peut aussi produire du JSON mal formé ou incorrectement échappé lorsqu’un argument d’outil contient un tableau imbriqué. Fournissez les définitions réelles des arguments, validez les appels proposés et renvoyez une erreur précise lorsqu’un appel ne correspond pas. Le fabricant décrit la correction au moyen de retours dans le contexte comme une façon de résoudre certaines de ces incompatibilités. Gardez l’observation d’outil obtenue disponible pour la décision suivante.
Le fabricant publie des variantes BF16 et quantifiées distinctes ainsi qu’un modèle brouillon DFlash optionnel. Ce sont des livrables et des recettes de mise en service distincts ; l’utilisation mémoire ou les performances de décodage spéculatif d’un checkpoint quantifié ne doivent donc pas être supposées à partir du nom général du modèle. Pour le travail textuel ordinaire, préparez le code source, les résultats de commandes et les extraits de documents en texte lisible. La publication indique que le modèle ne dispose pas de capacités visuelles ; une capture d’écran nécessite une observation textuelle ou une inspection externe appropriée avant de pouvoir étayer l’analyse.
Demandez un livrable final qui identifie l’élément modifié, les décisions importantes, les vérifications observées et toute condition non résolue. Pour une revue de code, reliez les constats aux sources pertinentes et montrez pourquoi chaque problème affecte le comportement. Pour une réparation, distinguez le correctif proposé d’un correctif dont le comportement a réellement été vérifié. Conserver le raisonnement et l’historique des outils aide le modèle à mener la tâche, tandis que le livrable final et les résultats consignés établissent ce qui a été accompli.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites poolside/laguna-s-2.1:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champsystem | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 Maximum: 32 768 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_k | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop_sequences | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional | Contratstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 262144 bytes. |
Cycle de vie : synchronous_json
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 par jeton | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "poolside/laguna-s-2.1:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra poolside/laguna-s-2.1:free
Utilisez les chemins de méthode indiqués ci-dessus.