v0 1.5 Large est un profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec une récupération spécialisée et des composants de modification de code. Le fabricant présente ce profil comme utile pour les travaux de développement spécialisés et les tâches en plusieurs étapes, en citant un moteur physique en three.js et les migrations de bases de données.
Décrivez le comportement, le projet existant et le résultat à produire. Pour un moteur physique, précisez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications établissant la validité du résultat.
Décomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée ; l’application environnante l’exécute et renvoie le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.
L’architecture v0 du fabricant prépare la conversation et récupère des contenus spécialisés tels que la documentation, des exemples d’interfaces et les sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites retouches peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant le streaming et lors d’une passe finale.
Fournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche en plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles lors des échanges de suivi afin qu’une modification locale reste alignée sur le résultat prévu.
Examinez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée par rapport aux conditions de comportement et de données nommées dans le brief. Un échange de suivi peut fournir une erreur ou un écart précis et demander une correction de la partie concernée.
AutoFix et le linting font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a conservé les données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.
Le profil publié indique un contexte de travail de 512 000 tokens. Le fabricant distingue aussi son contexte plus grand de la fenêtre du profil Medium. Organisez les sources autour de la tâche et réservez de la place à la réponse demandée.
Le profil v0 nomme un workflow composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil plus grand garantit une réponse sans erreur pour toute tâche.
", "aboutText": "v0 1.5 Large est un profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec une récupération spécialisée et des composants de modification de code. Le fabricant présente ce profil comme utile pour les travaux de développement spécialisés et les tâches en plusieurs étapes, en citant un moteur physique en three.js et les migrations de bases de données.\n\n### Définir la tâche plus vaste et ses conditions\n\nDécrivez le comportement, le projet existant et le résultat à produire. Pour un moteur physique, précisez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications établissant la validité du résultat.\n\nDécomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée ; l’application environnante l’exécute et renvoie le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.\n\n### Utiliser le contexte du modèle composite\n\nL’architecture v0 du fabricant prépare la conversation et récupère des contenus spécialisés tels que la documentation, des exemples d’interfaces et les sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites retouches peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant le streaming et lors d’une passe finale.\n\nFournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche en plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles lors des échanges de suivi afin qu’une modification locale reste alignée sur le résultat prévu.\n\n### Vérifier le code et le comportement de l’application\n\nExaminez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée par rapport aux conditions de comportement et de données nommées dans le brief. Un échange de suivi peut fournir une erreur ou un écart précis et demander une correction de la partie concernée.\n\nAutoFix et le linting font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a conservé les données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.\n\n### Distinguer le profil Large\n\nLe profil publié indique un contexte de travail de 512 000 tokens. Le fabricant distingue aussi son contexte plus grand de la fenêtre du profil Medium. Organisez les sources autour de la tâche et réservez de la place à la réponse demandée.\n\nLe profil v0 nomme un workflow composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil plus grand garantit une réponse sans erreur pour toute tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Propose a value-preserving migration\n\nPlan a PostgreSQL migration from orders(id, total_cents) to orders(id, amount_cents), preserving every row, identifier and nullable monetary value. Provide proposed migration SQL, the consumer update sequence and before/after checks for row count and values. No execution environment is supplied; distinguish the proposal from a completed migration and do not convert cents to another unit.A proposed migration artifact, coordinated consumer steps and explicit data-preservation checks.No row, null value or cent amount may be silently dropped, filled or rescaled.v0-1.5-lgv0 1.5 Large est un profil composite de plus grande taille proposé par Vercel pour le code Web et les tâches de développement en plusieurs étapes. Son fabricant met en avant des travaux spécialisés comme un moteur physique 3D ou une migration de base de données, avec récupération, Quick Edit et AutoFix autour du modèle de base.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
v0 1.5 Large est un profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec une récupération spécialisée et des composants de modification de code. Le fabricant présente ce profil comme utile pour les travaux de développement spécialisés et les tâches en plusieurs étapes, en citant un moteur physique en three.js et les migrations de bases de données.
Décrivez le comportement, le projet existant et le résultat à produire. Pour un moteur physique, précisez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications établissant la validité du résultat.
Décomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée ; l’application environnante l’exécute et renvoie le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.
L’architecture v0 du fabricant prépare la conversation et récupère des contenus spécialisés tels que la documentation, des exemples d’interfaces et les sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites retouches peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant le streaming et lors d’une passe finale.
Fournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche en plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles lors des échanges de suivi afin qu’une modification locale reste alignée sur le résultat prévu.
Examinez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée par rapport aux conditions de comportement et de données nommées dans le brief. Un échange de suivi peut fournir une erreur ou un écart précis et demander une correction de la partie concernée.
AutoFix et le linting font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a conservé les données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.
Le profil publié indique un contexte de travail de 512 000 tokens. Le fabricant distingue aussi son contexte plus grand de la fenêtre du profil Medium. Organisez les sources autour de la tâche et réservez de la place à la réponse demandée.
Le profil v0 nomme un workflow composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil plus grand garantit une réponse sans erreur pour toute tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites v0-1.5-lg | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.033 / 1K tokens Sortie · Tokens en sortie $0.165 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "v0-1.5-lg", "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='v0-1.5-lg',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='v0-1.5-lg',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 v0-1.5-lg
Utilisez les chemins de méthode indiqués ci-dessus.
v0-1.5-lgv0 1.5 Large est un profil composite de plus grande taille proposé par Vercel pour le code Web et les tâches de développement en plusieurs étapes. Son fabricant met en avant des travaux spécialisés comme un moteur physique 3D ou une migration de base de données, avec récupération, Quick Edit et AutoFix autour du modèle de base.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
v0 1.5 Large est un profil de plus grande taille dans la famille de modèles composites v0 de Vercel. Il combine un modèle de langue de base avec une récupération spécialisée et des composants de modification de code. Le fabricant présente ce profil comme utile pour les travaux de développement spécialisés et les tâches en plusieurs étapes, en citant un moteur physique en three.js et les migrations de bases de données.
Décrivez le comportement, le projet existant et le résultat à produire. Pour un moteur physique, précisez les règles de mouvement, les interactions et le comportement attendu à l’exécution. Pour une migration, fournissez les structures actuelle et cible, les données à conserver et les vérifications établissant la validité du résultat.
Décomposez le résultat demandé en conditions liées tout en gardant le livrable final explicite. Un modèle peut produire l’implémentation ou la migration proposée ; l’application environnante l’exécute et renvoie le comportement observé. Consignez ces observations avec le résultat lorsque vous comparez une révision.
L’architecture v0 du fabricant prépare la conversation et récupère des contenus spécialisés tels que la documentation, des exemples d’interfaces et les sources pertinentes du projet. Le modèle de base traite les nouvelles générations et les modifications substantielles. Les petites retouches peuvent utiliser un chemin Quick Edit dédié, tandis qu’AutoFix examine et corrige la sortie générée pendant le streaming et lors d’une passe finale.
Fournissez les fichiers existants pertinents et expliquez leur lien avec la modification. Pour une tâche en plusieurs étapes, gardez les décisions du projet et les conditions d’achèvement visibles lors des échanges de suivi afin qu’une modification locale reste alignée sur le résultat prévu.
Examinez le livrable généré dans l’environnement de développement réel. Une modification de code importante doit être vérifiée par rapport aux conditions de comportement et de données nommées dans le brief. Un échange de suivi peut fournir une erreur ou un écart précis et demander une correction de la partie concernée.
AutoFix et le linting font partie de la préparation du code. Ils n’établissent pas à eux seuls que l’application a fonctionné, qu’une migration a conservé les données ou qu’un site a été déployé. Ces résultats sont établis par l’exécution et les observations de l’application environnante.
Le profil publié indique un contexte de travail de 512 000 tokens. Le fabricant distingue aussi son contexte plus grand de la fenêtre du profil Medium. Organisez les sources autour de la tâche et réservez de la place à la réponse demandée.
Le profil v0 nomme un workflow composite dont le composant de base peut évoluer. Conservez l’identité exacte 1.5 Large avec chaque résultat et comparez les livrables terminés plutôt que de supposer que le profil plus grand garantit une réponse sans erreur pour toute tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites v0-1.5-lg | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.033 / 1K tokens Sortie · Tokens en sortie $0.165 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "v0-1.5-lg",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'v0-1.5-lg', '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': 'v0-1.5-lg', '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 v0-1.5-lg
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Propose a value-preserving migration\n\nPlan a PostgreSQL migration from orders(id, total_cents) to orders(id, amount_cents), preserving every row, identifier and nullable monetary value. Provide proposed migration SQL, the consumer update sequence and before/after checks for row count and values. No execution environment is supplied; distinguish the proposal from a completed migration and do not convert cents to another unit.A proposed migration artifact, coordinated consumer steps and explicit data-preservation checks.No row, null value or cent amount may be silently dropped, filled or rescaled.