Tev1 4B Experimental est le modèle de classification de Together AI destiné aux questions dont l’ensemble de réponses est fixé. Le fabricant l’a affiné à partir de Qwen3.5 4B et indique 4,7 milliards de paramètres. Il recourt à une génération de texte sans raisonnement (non-thinking) pour sélectionner une option : l’entrée documentée comprend un état, une question unique et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Ce fonctionnement distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.
L’interface de l’éditeur représente la décision sous la forme d’un objet JSON comportant state, question et options. Chaque option contient une étiquette alphabétique de A à X, une clé sémantique et une description. Fournissez entre deux et 24 options et faites en sorte que chaque description explique dans quel cas cette réponse s’applique. La lettre est l’étiquette de sortie compacte ; la clé sémantique est la signification qu’exploite le logiciel environnant. Conservez la correspondance associée à la liste exacte d’options utilisée pour cette décision.
Pour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer une panne d’intégration signalée, un problème d’accès et une demande d’informations sur un produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent plutôt que d’attendre du modèle qu’il déduise la politique de routage de l’organisation à partir d’étiquettes abrégées.
L’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Les paramètres recommandés sont une température de 0, une allocation de génération de huit tokens et le mode de réflexion désactivé. Le concepteur précise explicitement que ces paramètres ne sont pas injectés automatiquement par le point de terminaison public ; la fonction utilitaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces paramètres pour obtenir la réponse de classification courte et sans raisonnement attendue.
L’allocation de huit tokens est un paramètre de sortie d’exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction utilitaire expose ensuite un objet associant étiquette et clé, distinguez cet objet interprété du contenu brut généré par le modèle. La sélection d’une catégorie ne met pas à jour par elle-même un ticket, n’approuve pas une opération et n’exécute pas l’action suivante.
Le concepteur décrit comme schémas de tâches pris en charge la détection d’intention, l’application de politiques, le routage de flux de travail, la catégorisation de documents, l’analyse de sentiment et la compréhension oui/non fondée sur un passage. Une tâche booléenne peut fournir deux options dont les clés signifient vrai et faux ; l’application interprète l’option sélectionnée en conséquence. Une tâche d’analyse de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne pondérée par les probabilités sur l’ensemble des niveaux, et une lettre renvoyée n’est pas une valeur de confiance numérique.
Pour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle elle-même plutôt que de demander au modèle d’inventer la politique. Par exemple, une consigne de routage de documents peut décrire les dossiers autorisés et le contenu qui relève de chacun. Une tâche de taxonomie de la recherche peut fournir le titre et le résumé d’un article accompagnés de descriptions des thématiques. Le résultat doit être interprété par rapport aux alternatives fournies, en conservant les éléments probants d’origine pour tout choix ambigu ou contesté.
La page du modèle mentionne 37 840 exemples d’entraînement couvrant l’implication textuelle, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, le routage et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’affinage d’un modèle de classification. Cela explique l’orientation du profil vers un ensemble de réponses fermé ; cela n’établit pas pour autant que chaque nouvelle politique, chaque nouveau domaine ou chaque nouvelle taxonomie sera traité correctement sans évaluation propre à la tâche.
Tev1 4B Experimental est le modèle Together ainsi nommé, et non le profil généraliste de base Qwen3.5 4B ni un checkpoint d’un autre concepteur de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage décisionnel courant ou une famille de base familière ne justifie pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de traitement de questions par lots.
La spécification du modèle publiée par Together indique une fenêtre de contexte de 32,8K tokens, avec du texte en entrée et du texte en sortie. Le contexte doit contenir les instructions, l’état, la question et les options utilisés dans la requête de classification. Préparez uniquement les éléments probants dont la question a besoin, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent tout en conservant les définitions des options.
L’éditeur présente cette version comme une publication expérimentale destinée à être évaluée sur des charges de travail décisionnelles réelles. Vérifiez que la réponse brute correspond à l’une des étiquettes fournies avant de l’associer à une clé sémantique, et comparez les classifications avec des données étiquetées représentatives de la tâche visée. Une lettre valide atteste une sélection bien formée, et non la justesse de son interprétation. Conservez ensemble l’entrée, les options, la lettre renvoyée et la clé associée afin que l’artefact final puisse servir au routage, à la catégorisation ou à la revue de politiques sans perdre la manière dont la décision a été définie.
", "aboutText": "Tev1 4B Experimental est le modèle de classification de Together AI destiné aux questions dont l’ensemble de réponses est fixé. Le fabricant l’a affiné à partir de Qwen3.5 4B et indique 4,7 milliards de paramètres. Il recourt à une génération de texte sans raisonnement (non-thinking) pour sélectionner une option : l’entrée documentée comprend un état, une question unique et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Ce fonctionnement distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.\n\n### État, question et 2 à 24 options\n\nL’interface de l’éditeur représente la décision sous la forme d’un objet JSON comportant state, question et options. Chaque option contient une étiquette alphabétique de A à X, une clé sémantique et une description. Fournissez entre deux et 24 options et faites en sorte que chaque description explique dans quel cas cette réponse s’applique. La lettre est l’étiquette de sortie compacte ; la clé sémantique est la signification qu’exploite le logiciel environnant. Conservez la correspondance associée à la liste exacte d’options utilisée pour cette décision.\n\nPour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer une panne d’intégration signalée, un problème d’accès et une demande d’informations sur un produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent plutôt que d’attendre du modèle qu’il déduise la politique de routage de l’organisation à partir d’étiquettes abrégées.\n\n### Génération sans raisonnement et forme de réponse demandée\n\nL’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Les paramètres recommandés sont une température de 0, une allocation de génération de huit tokens et le mode de réflexion désactivé. Le concepteur précise explicitement que ces paramètres ne sont pas injectés automatiquement par le point de terminaison public ; la fonction utilitaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces paramètres pour obtenir la réponse de classification courte et sans raisonnement attendue.\n\nL’allocation de huit tokens est un paramètre de sortie d’exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction utilitaire expose ensuite un objet associant étiquette et clé, distinguez cet objet interprété du contenu brut généré par le modèle. La sélection d’une catégorie ne met pas à jour par elle-même un ticket, n’approuve pas une opération et n’exécute pas l’action suivante.\n\n### Classification, règles et évaluations catégorielles\n\nLe concepteur décrit comme schémas de tâches pris en charge la détection d’intention, l’application de politiques, le routage de flux de travail, la catégorisation de documents, l’analyse de sentiment et la compréhension oui/non fondée sur un passage. Une tâche booléenne peut fournir deux options dont les clés signifient vrai et faux ; l’application interprète l’option sélectionnée en conséquence. Une tâche d’analyse de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne pondérée par les probabilités sur l’ensemble des niveaux, et une lettre renvoyée n’est pas une valeur de confiance numérique.\n\nPour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle elle-même plutôt que de demander au modèle d’inventer la politique. Par exemple, une consigne de routage de documents peut décrire les dossiers autorisés et le contenu qui relève de chacun. Une tâche de taxonomie de la recherche peut fournir le titre et le résumé d’un article accompagnés de descriptions des thématiques. Le résultat doit être interprété par rapport aux alternatives fournies, en conservant les éléments probants d’origine pour tout choix ambigu ou contesté.\n\n### Périmètre d’entraînement et identité de l’édition\n\nLa page du modèle mentionne 37 840 exemples d’entraînement couvrant l’implication textuelle, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, le routage et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’affinage d’un modèle de classification. Cela explique l’orientation du profil vers un ensemble de réponses fermé ; cela n’établit pas pour autant que chaque nouvelle politique, chaque nouveau domaine ou chaque nouvelle taxonomie sera traité correctement sans évaluation propre à la tâche.\n\nTev1 4B Experimental est le modèle Together ainsi nommé, et non le profil généraliste de base Qwen3.5 4B ni un checkpoint d’un autre concepteur de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage décisionnel courant ou une famille de base familière ne justifie pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de traitement de questions par lots.\n\n### Contexte et revue du résultat\n\nLa spécification du modèle publiée par Together indique une fenêtre de contexte de 32,8K tokens, avec du texte en entrée et du texte en sortie. Le contexte doit contenir les instructions, l’état, la question et les options utilisés dans la requête de classification. Préparez uniquement les éléments probants dont la question a besoin, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent tout en conservant les définitions des options.\n\nL’éditeur présente cette version comme une publication expérimentale destinée à être évaluée sur des charges de travail décisionnelles réelles. Vérifiez que la réponse brute correspond à l’une des étiquettes fournies avant de l’associer à une clé sémantique, et comparez les classifications avec des données étiquetées représentatives de la tâche visée. Une lettre valide atteste une sélection bien formée, et non la justesse de son interprétation. Conservez ensemble l’entrée, les options, la lettre renvoyée et la clé associée afin que l’artefact final puisse servir au routage, à la catégorisation ou à la revue de politiques sans perdre la manière dont la décision a été définie.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0b22e661fc7374476934c4ca82efc568f611493657796f6f899a3c2a9e9bc2d5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "togethercomputer/tev1-4b-experimentalTev1 4B Experimental est le classifieur de texte de Together AI dédié aux décisions à choix fermé : fournissez-lui un état (state), une question et de 2 à 24 options étiquetées, et sa sortie documentée est une seule lettre. L’application associe cette lettre à une clé de catégorie ; il ne s’agit ni d’une distribution de probabilités native ni d’une réponse sous forme de score attendu.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Tev1 4B Experimental est le modèle de classification de Together AI destiné aux questions dont l’ensemble de réponses est fixé. Le fabricant l’a affiné à partir de Qwen3.5 4B et indique 4,7 milliards de paramètres. Il recourt à une génération de texte sans raisonnement (non-thinking) pour sélectionner une option : l’entrée documentée comprend un état, une question unique et des choix étiquetés, et la sortie demandée est exactement une lettre. L’application associe cette lettre à la clé sémantique de l’option. Ce fonctionnement distingue son processus de décision de celui d’un modèle qui renvoie directement des probabilités calibrées ou un score attendu sur une grille d’évaluation.
L’interface de l’éditeur représente la décision sous la forme d’un objet JSON comportant state, question et options. Chaque option contient une étiquette alphabétique de A à X, une clé sémantique et une description. Fournissez entre deux et 24 options et faites en sorte que chaque description explique dans quel cas cette réponse s’applique. La lettre est l’étiquette de sortie compacte ; la clé sémantique est la signification qu’exploite le logiciel environnant. Conservez la correspondance associée à la liste exacte d’options utilisée pour cette décision.
Pour un message d’assistance, l’état doit contenir le message et le contexte pertinent, tandis que la question définit l’intention ou la destination à choisir. Une liste illustrative peut distinguer une panne d’intégration signalée, un problème d’accès et une demande d’informations sur un produit, avec une option none lorsque les intentions listées ne conviennent pas. Définissez les cas qui se recoupent plutôt que d’attendre du modèle qu’il déduise la politique de routage de l’organisation à partir d’étiquettes abrégées.
L’exemple publié par Together fournit une instruction système qui traite le contenu de state comme des données, sélectionne une option listée et demande uniquement sa lettre, sans explication. Les paramètres recommandés sont une température de 0, une allocation de génération de huit tokens et le mode de réflexion désactivé. Le concepteur précise explicitement que ces paramètres ne sont pas injectés automatiquement par le point de terminaison public ; la fonction utilitaire de l’exemple les fournit, tandis qu’une requête directe doit les spécifier. Utilisez ces paramètres pour obtenir la réponse de classification courte et sans raisonnement attendue.
L’allocation de huit tokens est un paramètre de sortie d’exemple pour ce processus à réponse courte, et non une spécification universelle de sortie maximale. La sortie utile visée reste la lettre sélectionnée. Si une fonction utilitaire expose ensuite un objet associant étiquette et clé, distinguez cet objet interprété du contenu brut généré par le modèle. La sélection d’une catégorie ne met pas à jour par elle-même un ticket, n’approuve pas une opération et n’exécute pas l’action suivante.
Le concepteur décrit comme schémas de tâches pris en charge la détection d’intention, l’application de politiques, le routage de flux de travail, la catégorisation de documents, l’analyse de sentiment et la compréhension oui/non fondée sur un passage. Une tâche booléenne peut fournir deux options dont les clés signifient vrai et faux ; l’application interprète l’option sélectionnée en conséquence. Une tâche d’analyse de sentiment peut fournir des niveaux décrits et renvoyer la clé d’une catégorie sélectionnée. Ce choix catégoriel n’est pas une moyenne pondérée par les probabilités sur l’ensemble des niveaux, et une lettre renvoyée n’est pas une valeur de confiance numérique.
Pour une décision fondée sur des règles, incluez dans la tâche les faits pertinents et la règle elle-même plutôt que de demander au modèle d’inventer la politique. Par exemple, une consigne de routage de documents peut décrire les dossiers autorisés et le contenu qui relève de chacun. Une tâche de taxonomie de la recherche peut fournir le titre et le résumé d’un article accompagnés de descriptions des thématiques. Le résultat doit être interprété par rapport aux alternatives fournies, en conservant les éléments probants d’origine pour tout choix ambigu ou contesté.
La page du modèle mentionne 37 840 exemples d’entraînement couvrant l’implication textuelle, les questions oui/non sur des passages, les intentions bancaires, les catégories d’actualités, les niveaux de sentiment, les politiques programmatiques, le routage et la taxonomie d’articles de recherche. Le guide associé documente la normalisation de ces tâches dans un format de décision commun et l’affinage d’un modèle de classification. Cela explique l’orientation du profil vers un ensemble de réponses fermé ; cela n’établit pas pour autant que chaque nouvelle politique, chaque nouveau domaine ou chaque nouvelle taxonomie sera traité correctement sans évaluation propre à la tâche.
Tev1 4B Experimental est le modèle Together ainsi nommé, et non le profil généraliste de base Qwen3.5 4B ni un checkpoint d’un autre concepteur de modèles de décision. Conservez la préparation de sortie et le contrat d’entrée propres à cette édition expérimentale. Un cas d’usage décisionnel courant ou une famille de base familière ne justifie pas d’emprunter à un autre modèle sa prise en charge des images, son calibrage des probabilités, ses appels d’outils ou ses limites de traitement de questions par lots.
La spécification du modèle publiée par Together indique une fenêtre de contexte de 32,8K tokens, avec du texte en entrée et du texte en sortie. Le contexte doit contenir les instructions, l’état, la question et les options utilisés dans la requête de classification. Préparez uniquement les éléments probants dont la question a besoin, tout en conservant les définitions qui distinguent les alternatives. Gardez le prompt de classification compact en supprimant le contexte non pertinent tout en conservant les définitions des options.
L’éditeur présente cette version comme une publication expérimentale destinée à être évaluée sur des charges de travail décisionnelles réelles. Vérifiez que la réponse brute correspond à l’une des étiquettes fournies avant de l’associer à une clé sémantique, et comparez les classifications avec des données étiquetées représentatives de la tâche visée. Une lettre valide atteste une sélection bien formée, et non la justesse de son interprétation. Conservez ensemble l’entrée, les options, la lettre renvoyée et la clé associée afin que l’artefact final puisse servir au routage, à la catégorisation ou à la revue de politiques sans perdre la manière dont la décision a été définie.
POST /v1/systemonetextdecisions| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites togethercomputer/tev1-4b-experimental | Par défaut— |
Champprovider | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquestions | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsession_id | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstate | Typeschema | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champtrace | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquestions.<id>.type | Typestring | ExigenceObligatoire | Valeurs et limites noul, choice, score | Par défaut— |
Champquestions.<id>.instructions | Typestring|object|array | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champquestions.<id>.criteria | Typeobject|array | ExigenceFacultatif | Valeurs et limites Conditions: choice/score : obligatoires ; noul : facultatif. Les critères de choice forment un objet ; score est un tableau avec minItems égal à 1. | Par défaut— |
Champquestions.<id>.criteria.true | Typestring|object|array | ExigenceObligatoire | Valeurs et limites S’applique lorsque: objet de critères noul fourni | Par défaut— |
Champquestions.<id>.criteria.false | Typestring|object|array | ExigenceObligatoire | Valeurs et limites S’applique lorsque: objet de critères noul fourni | Par défaut— |
noul · Obligatoire : state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obligatoire : state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obligatoire : state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, state, questions |
Paramètrematerial_types | Contrattext |
Paramètreoptional_controls | Contratprovider, session_id, trace, user |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous
Envoyez l’identifiant exact du modèle et conservez la réponse native complète.
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 $0.000084 / 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 |
| 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 $0.000084 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "togethercomputer/tev1-4b-experimental",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='togethercomputer/tev1-4b-experimental'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Chaque réponse fournie pour un identifiant de question est conservée avec son type exact, sa valeur noul/choice/score, son degré de confiance, ses probabilités et sa légende. L’intégralité du JSON d’origine est enregistrée et renvoyée uniquement après le règlement.
Conservez l’opération d’origine et la réponse complète ou partielle ; ne rejouez pas le POST.
| Champ | Type |
|---|---|
Champmodel | Typestring |
Champid | Typestring |
Champprovider | Typestring |
Champanswers.<id>.type | Typestring |
Champanswers.<id>.noul | Typenumber |
Champanswers.<id>.choice | Typestring |
Champanswers.<id>.score | Typenumber |
Champanswers.<id>.confidence | Typenumber |
Champanswers.<id>.probabilities | Typeobject |
Champanswers.<id>.legend | Typeobject |
Champusage.input_tokens | Typeinteger |
Champusage.output_tokens | Typeinteger |
Champusage.cost | Typenumber |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamp obligatoire, représentation ou valeur non valide | Étape suivanteCorrigez le champ de requête indiqué. |
Ailoot Ultra togethercomputer/tev1-4b-experimental
Utilisez les chemins de méthode indiqués ci-dessus.