A Llama 3.2 1B Instruct a Meta kompakt, utasításokra finomhangolt szöveges modellje, a gyártó táblázata szerint 1,23 milliárd paraméterrel. Többnyelvű szöveget fogad, és szöveget vagy kódot ad vissza. A kiadás párbeszédhez, információ-visszakereséshez, összefoglaláshoz, mobil íróasszisztensekhez és keresőkérdések vagy promptok átírásához készült, nem a Llama külön képi kiadásainak képértelmezési feladataihoz.
Modellinformáció és kontextus
A modell autoregresszív Transformer-architektúrát használ csoportosított lekérdezéses figyelemmel és közös beágyazásokkal. A Meta megkülönbözteti az előtanított és az utasításokra finomhangolt 1B és 3B modelleket. Ez a bejegyzés az 1B Instruct ellenőrzőpont, amelynek feladata a felhasználói kérés követése egy beszélgetésben, nem az előtanított alapmodell szerepének betöltése.
A szokásos szöveges kiadás dokumentált kontextusa 128 ezer token. A gyártó a kvantált szöveges modellekhez külön 8 ezer tokenes kontextust ad meg. E konfigurációkat külön kell tartani: a kvantálás nem indokolja a szokásos kiadás kontextusának átvitelét minden kisebb formátumú ellenőrzőpontra vagy egy adott szolgáltatás beállított kapacitásának kikövetkeztetését.
A kontextust egy meghatározott művelethez releváns szövegrészekre és beszélgetésre használja. Egy hosszú dokumentumhoz is kérhető rövid összefoglaló, átírt keresőkérdés vagy forrásalapú válasz. Azonosítsa az eredményben megőrzendő anyagot, valamint a következő alkalmazáslépéshez szükséges hosszt vagy mezőket.
Visszakeresés, összefoglalók és átírás
Összefoglaláshoz adja meg a tényleges szövegrészt vagy beszélgetést, és határozza meg a célközönséget, a hosszt és a lényeges tényeket. Egy hasznos eredmény elkülönítheti a központi kérdést, a már kimondott döntéseket és a nyitott kérdéseket. Ha a forrás több témát tartalmaz, nevezze meg az összefoglalandó témát ahelyett, hogy minden válogatás nélküli rövidítését kérné.
Információ-visszakereséshez adja meg a kiválasztott forrásrészleteket vagy a visszakereső komponens által visszaadott információt. Kérje a kérdést megválaszoló állítást és az azt alátámasztó szövegrészt. A modell szöveges válasza megmagyarázhatja a visszakeresett információt, míg egy privát gyűjteményben való keresés továbbra is a csatlakoztatott alkalmazás feladata. A modell pusztán a visszakeresési felhasználás megnevezésétől nem fér hozzá a gyűjteményhez.
Keresőkérdés átírásához adja meg az eredeti kérdést és a keresés célját. Kérjen tömör újrafogalmazást, amely megőrzi az entitást, a feltételt és a kívánt információt. Egy támogatási kérdés átírható a fontos termékkifejezéssel és művelettel anélkül, hogy a felhasználói üzenetben nem szereplő tényt adna hozzá. Ha másik komponens közvetlenül használja, az átírt kérdést minden magyarázattól külön adja vissza.
Íróasszisztensnél a rövid levél vagy átdolgozott szövegrész kérése előtt határozza meg az olvasót, a hangnemet és a forrástényeket. Adatkinyerési feladathoz adja meg a mezőket és a hiányzó információ ábrázolásának módját. Ezek konkrét műveletek, amelyek a kompakt modell dokumentált szöveges fókuszát ellenőrizhető anyaghoz kapcsolják.
Támogatott nyelvek és tanítás
A hivatalosan támogatott nyelvek az angol, német, francia, olasz, portugál, hindi, spanyol és thai. A modell szélesebb nyelvi gyűjteményen tanult, ami különbözik a kártyán kifejezetten támogatott nyolc nyelvtől. Azonosítsa a végső nyelvet és minden változatlanul megőrzendő kifejezést vagy azonosítót.
A család előtanítása legfeljebb kilencbillió tokenen történt, 2023. decemberi adathatárral. Az 1B és 3B modelleknél a gyártó a Llama 3.1 8B és 70B kimeneteit tokenszintű tanítási célként, a ritkítás után pedig tudásdesztillációt használ. Ez tanítási folyamat; nem jelenti azt, hogy a telepített 1B modell minden felhasználói kérdés megválaszolásához e nagyobb modellekhez fordul.
A kártya felügyelt finomhangolást és preferenciaalapú igazítást ír le, olyan utótanítási körökkel, amelyek felügyelt példákat, elutasításos mintavételezést és közvetlen preferenciaoptimalizálást tartalmaznak. Ezek a szakaszok hozzák létre az Instruct viselkedést a megnevezett ellenőrzőpont és a kizárólag szöveges modalitás megőrzésével.
Beszélgetés és kvantált kiadások
A gyártó külön rendszer- és felhasználói üzeneteket mutat be a megfelelő beszélgetési formátumban. Az asszisztens szerepét és válaszkövetelményeit a tényleges forrásszövegtől elkülönítve határozza meg. Őrizze meg a releváns korábbi választ, ha egy folytató kérés ugyanazon információ átdolgozását, pontosítását vagy más formáját kéri.
A kiadás külön kvantálástudatos és tanítás után kvantált változatokat is dokumentál. Pontosságuk és 8 ezer tokenes kontextusuk e változatokhoz tartozik, nem e szokásos Instruct bejegyzés általános specifikációja. Ismételt feladat összehasonlításakor vagy származtatott telepítés előkészítésekor a pontos ellenőrzőpontot és konfigurációt használja.
Tartalmi határok
Ez az 1B kiadás kizárólag szöveges. Nem szabad neki tulajdonítani a Llama 3.2 11B vagy 90B képi modelljeinek képbemenetét, a Llama 4 szöveges és képi képességeit vagy a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit. A kártya 256 tokenes generálási példája példabeállítás, nem önállóan megadott maximális válaszkapacitás.
Gyakorlati végső eredmény a kért összefoglaló, keresőkérdés, kinyert rekord vagy átírt szöveg, amely megőrzi a forrás releváns jelentését és azonosítóit. Az elolvasott források nem adnak meg külön szigorú kimenetitoken-maximumot. Tartsa célzottnak a feladatot, az adott művelethez teljesnek a bemeneti anyagot, és egyértelműnek a szokásos és kvantált kontextus közötti különbséget.
", "aboutText": "A Llama 3.2 1B Instruct a Meta kompakt, utasításokra finomhangolt szöveges modellje, a gyártó táblázata szerint 1,23 milliárd paraméterrel. Többnyelvű szöveget fogad, és szöveget vagy kódot ad vissza. A kiadás párbeszédhez, információ-visszakereséshez, összefoglaláshoz, mobil íróasszisztensekhez és keresőkérdések vagy promptok átírásához készült, nem a Llama külön képi kiadásainak képértelmezési feladataihoz.\n\nModellinformáció és kontextus\n\nA modell autoregresszív Transformer-architektúrát használ csoportosított lekérdezéses figyelemmel és közös beágyazásokkal. A Meta megkülönbözteti az előtanított és az utasításokra finomhangolt 1B és 3B modelleket. Ez a bejegyzés az 1B Instruct ellenőrzőpont, amelynek feladata a felhasználói kérés követése egy beszélgetésben, nem az előtanított alapmodell szerepének betöltése.\n\nA szokásos szöveges kiadás dokumentált kontextusa 128 ezer token. A gyártó a kvantált szöveges modellekhez külön 8 ezer tokenes kontextust ad meg. E konfigurációkat külön kell tartani: a kvantálás nem indokolja a szokásos kiadás kontextusának átvitelét minden kisebb formátumú ellenőrzőpontra vagy egy adott szolgáltatás beállított kapacitásának kikövetkeztetését.\n\nA kontextust egy meghatározott művelethez releváns szövegrészekre és beszélgetésre használja. Egy hosszú dokumentumhoz is kérhető rövid összefoglaló, átírt keresőkérdés vagy forrásalapú válasz. Azonosítsa az eredményben megőrzendő anyagot, valamint a következő alkalmazáslépéshez szükséges hosszt vagy mezőket.\n\nVisszakeresés, összefoglalók és átírás\n\nÖsszefoglaláshoz adja meg a tényleges szövegrészt vagy beszélgetést, és határozza meg a célközönséget, a hosszt és a lényeges tényeket. Egy hasznos eredmény elkülönítheti a központi kérdést, a már kimondott döntéseket és a nyitott kérdéseket. Ha a forrás több témát tartalmaz, nevezze meg az összefoglalandó témát ahelyett, hogy minden válogatás nélküli rövidítését kérné.\n\nInformáció-visszakereséshez adja meg a kiválasztott forrásrészleteket vagy a visszakereső komponens által visszaadott információt. Kérje a kérdést megválaszoló állítást és az azt alátámasztó szövegrészt. A modell szöveges válasza megmagyarázhatja a visszakeresett információt, míg egy privát gyűjteményben való keresés továbbra is a csatlakoztatott alkalmazás feladata. A modell pusztán a visszakeresési felhasználás megnevezésétől nem fér hozzá a gyűjteményhez.\n\nKeresőkérdés átírásához adja meg az eredeti kérdést és a keresés célját. Kérjen tömör újrafogalmazást, amely megőrzi az entitást, a feltételt és a kívánt információt. Egy támogatási kérdés átírható a fontos termékkifejezéssel és művelettel anélkül, hogy a felhasználói üzenetben nem szereplő tényt adna hozzá. Ha másik komponens közvetlenül használja, az átírt kérdést minden magyarázattól külön adja vissza.\n\nÍróasszisztensnél a rövid levél vagy átdolgozott szövegrész kérése előtt határozza meg az olvasót, a hangnemet és a forrástényeket. Adatkinyerési feladathoz adja meg a mezőket és a hiányzó információ ábrázolásának módját. Ezek konkrét műveletek, amelyek a kompakt modell dokumentált szöveges fókuszát ellenőrizhető anyaghoz kapcsolják.\n\nTámogatott nyelvek és tanítás\n\nA hivatalosan támogatott nyelvek az angol, német, francia, olasz, portugál, hindi, spanyol és thai. A modell szélesebb nyelvi gyűjteményen tanult, ami különbözik a kártyán kifejezetten támogatott nyolc nyelvtől. Azonosítsa a végső nyelvet és minden változatlanul megőrzendő kifejezést vagy azonosítót.\n\nA család előtanítása legfeljebb kilencbillió tokenen történt, 2023. decemberi adathatárral. Az 1B és 3B modelleknél a gyártó a Llama 3.1 8B és 70B kimeneteit tokenszintű tanítási célként, a ritkítás után pedig tudásdesztillációt használ. Ez tanítási folyamat; nem jelenti azt, hogy a telepített 1B modell minden felhasználói kérdés megválaszolásához e nagyobb modellekhez fordul.\n\nA kártya felügyelt finomhangolást és preferenciaalapú igazítást ír le, olyan utótanítási körökkel, amelyek felügyelt példákat, elutasításos mintavételezést és közvetlen preferenciaoptimalizálást tartalmaznak. Ezek a szakaszok hozzák létre az Instruct viselkedést a megnevezett ellenőrzőpont és a kizárólag szöveges modalitás megőrzésével.\n\nBeszélgetés és kvantált kiadások\n\nA gyártó külön rendszer- és felhasználói üzeneteket mutat be a megfelelő beszélgetési formátumban. Az asszisztens szerepét és válaszkövetelményeit a tényleges forrásszövegtől elkülönítve határozza meg. Őrizze meg a releváns korábbi választ, ha egy folytató kérés ugyanazon információ átdolgozását, pontosítását vagy más formáját kéri.\n\nA kiadás külön kvantálástudatos és tanítás után kvantált változatokat is dokumentál. Pontosságuk és 8 ezer tokenes kontextusuk e változatokhoz tartozik, nem e szokásos Instruct bejegyzés általános specifikációja. Ismételt feladat összehasonlításakor vagy származtatott telepítés előkészítésekor a pontos ellenőrzőpontot és konfigurációt használja.\n\nTartalmi határok\n\nEz az 1B kiadás kizárólag szöveges. Nem szabad neki tulajdonítani a Llama 3.2 11B vagy 90B képi modelljeinek képbemenetét, a Llama 4 szöveges és képi képességeit vagy a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit. A kártya 256 tokenes generálási példája példabeállítás, nem önállóan megadott maximális válaszkapacitás.\n\nGyakorlati végső eredmény a kért összefoglaló, keresőkérdés, kinyert rekord vagy átírt szöveg, amely megőrzi a forrás releváns jelentését és azonosítóit. Az elolvasott források nem adnak meg külön szigorú kimenetitoken-maximumot. Tartsa célzottnak a feladatot, az adott művelethez teljesnek a bemeneti anyagot, és egyértelműnek a szokásos és kvantált kontextus közötti különbséget.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.meta-llama/llama-3.2-1b-instructA Llama 3.2 1B Instruct a Meta kompakt, 1,23 milliárd paraméteres szöveges modellje párbeszédhez, összefoglaláshoz, információ-visszakereséshez és keresőkérdések átírásához. A gyártó a szokásos kiadáshoz 128 ezer, a külön kvantált változatokhoz 8 ezer tokenes kontextust ad meg, többnyelvű szöveges és kódkimenettel.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama 3.2 1B Instruct a Meta kompakt, utasításokra finomhangolt szöveges modellje, a gyártó táblázata szerint 1,23 milliárd paraméterrel. Többnyelvű szöveget fogad, és szöveget vagy kódot ad vissza. A kiadás párbeszédhez, információ-visszakereséshez, összefoglaláshoz, mobil íróasszisztensekhez és keresőkérdések vagy promptok átírásához készült, nem a Llama külön képi kiadásainak képértelmezési feladataihoz.
Modellinformáció és kontextus
A modell autoregresszív Transformer-architektúrát használ csoportosított lekérdezéses figyelemmel és közös beágyazásokkal. A Meta megkülönbözteti az előtanított és az utasításokra finomhangolt 1B és 3B modelleket. Ez a bejegyzés az 1B Instruct ellenőrzőpont, amelynek feladata a felhasználói kérés követése egy beszélgetésben, nem az előtanított alapmodell szerepének betöltése.
A szokásos szöveges kiadás dokumentált kontextusa 128 ezer token. A gyártó a kvantált szöveges modellekhez külön 8 ezer tokenes kontextust ad meg. E konfigurációkat külön kell tartani: a kvantálás nem indokolja a szokásos kiadás kontextusának átvitelét minden kisebb formátumú ellenőrzőpontra vagy egy adott szolgáltatás beállított kapacitásának kikövetkeztetését.
A kontextust egy meghatározott művelethez releváns szövegrészekre és beszélgetésre használja. Egy hosszú dokumentumhoz is kérhető rövid összefoglaló, átírt keresőkérdés vagy forrásalapú válasz. Azonosítsa az eredményben megőrzendő anyagot, valamint a következő alkalmazáslépéshez szükséges hosszt vagy mezőket.
Visszakeresés, összefoglalók és átírás
Összefoglaláshoz adja meg a tényleges szövegrészt vagy beszélgetést, és határozza meg a célközönséget, a hosszt és a lényeges tényeket. Egy hasznos eredmény elkülönítheti a központi kérdést, a már kimondott döntéseket és a nyitott kérdéseket. Ha a forrás több témát tartalmaz, nevezze meg az összefoglalandó témát ahelyett, hogy minden válogatás nélküli rövidítését kérné.
Információ-visszakereséshez adja meg a kiválasztott forrásrészleteket vagy a visszakereső komponens által visszaadott információt. Kérje a kérdést megválaszoló állítást és az azt alátámasztó szövegrészt. A modell szöveges válasza megmagyarázhatja a visszakeresett információt, míg egy privát gyűjteményben való keresés továbbra is a csatlakoztatott alkalmazás feladata. A modell pusztán a visszakeresési felhasználás megnevezésétől nem fér hozzá a gyűjteményhez.
Keresőkérdés átírásához adja meg az eredeti kérdést és a keresés célját. Kérjen tömör újrafogalmazást, amely megőrzi az entitást, a feltételt és a kívánt információt. Egy támogatási kérdés átírható a fontos termékkifejezéssel és művelettel anélkül, hogy a felhasználói üzenetben nem szereplő tényt adna hozzá. Ha másik komponens közvetlenül használja, az átírt kérdést minden magyarázattól külön adja vissza.
Íróasszisztensnél a rövid levél vagy átdolgozott szövegrész kérése előtt határozza meg az olvasót, a hangnemet és a forrástényeket. Adatkinyerési feladathoz adja meg a mezőket és a hiányzó információ ábrázolásának módját. Ezek konkrét műveletek, amelyek a kompakt modell dokumentált szöveges fókuszát ellenőrizhető anyaghoz kapcsolják.
Támogatott nyelvek és tanítás
A hivatalosan támogatott nyelvek az angol, német, francia, olasz, portugál, hindi, spanyol és thai. A modell szélesebb nyelvi gyűjteményen tanult, ami különbözik a kártyán kifejezetten támogatott nyolc nyelvtől. Azonosítsa a végső nyelvet és minden változatlanul megőrzendő kifejezést vagy azonosítót.
A család előtanítása legfeljebb kilencbillió tokenen történt, 2023. decemberi adathatárral. Az 1B és 3B modelleknél a gyártó a Llama 3.1 8B és 70B kimeneteit tokenszintű tanítási célként, a ritkítás után pedig tudásdesztillációt használ. Ez tanítási folyamat; nem jelenti azt, hogy a telepített 1B modell minden felhasználói kérdés megválaszolásához e nagyobb modellekhez fordul.
A kártya felügyelt finomhangolást és preferenciaalapú igazítást ír le, olyan utótanítási körökkel, amelyek felügyelt példákat, elutasításos mintavételezést és közvetlen preferenciaoptimalizálást tartalmaznak. Ezek a szakaszok hozzák létre az Instruct viselkedést a megnevezett ellenőrzőpont és a kizárólag szöveges modalitás megőrzésével.
Beszélgetés és kvantált kiadások
A gyártó külön rendszer- és felhasználói üzeneteket mutat be a megfelelő beszélgetési formátumban. Az asszisztens szerepét és válaszkövetelményeit a tényleges forrásszövegtől elkülönítve határozza meg. Őrizze meg a releváns korábbi választ, ha egy folytató kérés ugyanazon információ átdolgozását, pontosítását vagy más formáját kéri.
A kiadás külön kvantálástudatos és tanítás után kvantált változatokat is dokumentál. Pontosságuk és 8 ezer tokenes kontextusuk e változatokhoz tartozik, nem e szokásos Instruct bejegyzés általános specifikációja. Ismételt feladat összehasonlításakor vagy származtatott telepítés előkészítésekor a pontos ellenőrzőpontot és konfigurációt használja.
Tartalmi határok
Ez az 1B kiadás kizárólag szöveges. Nem szabad neki tulajdonítani a Llama 3.2 11B vagy 90B képi modelljeinek képbemenetét, a Llama 4 szöveges és képi képességeit vagy a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit. A kártya 256 tokenes generálási példája példabeállítás, nem önállóan megadott maximális válaszkapacitás.
Gyakorlati végső eredmény a kért összefoglaló, keresőkérdés, kinyert rekord vagy átírt szöveg, amely megőrzi a forrás releváns jelentését és azonosítóit. Az elolvasott források nem adnak meg külön szigorú kimenetitoken-maximumot. Tartsa célzottnak a feladatot, az adott művelethez teljesnek a bemeneti anyagot, és egyértelműnek a szokásos és kvantált kontextus közötti különbséget.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok meta-llama/llama-3.2-1b-instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.000054 / 1K token Kimenet · Kimeneti tokenek $0.000402 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.000054 / 1K token Kimenet · Kimeneti tokenek $0.000402 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.2-1b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-3.2-1b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-3.2-1b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra meta-llama/llama-3.2-1b-instruct
Használja a fent látható metódusútvonalakat.
meta-llama/llama-3.2-1b-instructA Llama 3.2 1B Instruct a Meta kompakt, 1,23 milliárd paraméteres szöveges modellje párbeszédhez, összefoglaláshoz, információ-visszakereséshez és keresőkérdések átírásához. A gyártó a szokásos kiadáshoz 128 ezer, a külön kvantált változatokhoz 8 ezer tokenes kontextust ad meg, többnyelvű szöveges és kódkimenettel.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama 3.2 1B Instruct a Meta kompakt, utasításokra finomhangolt szöveges modellje, a gyártó táblázata szerint 1,23 milliárd paraméterrel. Többnyelvű szöveget fogad, és szöveget vagy kódot ad vissza. A kiadás párbeszédhez, információ-visszakereséshez, összefoglaláshoz, mobil íróasszisztensekhez és keresőkérdések vagy promptok átírásához készült, nem a Llama külön képi kiadásainak képértelmezési feladataihoz.
Modellinformáció és kontextus
A modell autoregresszív Transformer-architektúrát használ csoportosított lekérdezéses figyelemmel és közös beágyazásokkal. A Meta megkülönbözteti az előtanított és az utasításokra finomhangolt 1B és 3B modelleket. Ez a bejegyzés az 1B Instruct ellenőrzőpont, amelynek feladata a felhasználói kérés követése egy beszélgetésben, nem az előtanított alapmodell szerepének betöltése.
A szokásos szöveges kiadás dokumentált kontextusa 128 ezer token. A gyártó a kvantált szöveges modellekhez külön 8 ezer tokenes kontextust ad meg. E konfigurációkat külön kell tartani: a kvantálás nem indokolja a szokásos kiadás kontextusának átvitelét minden kisebb formátumú ellenőrzőpontra vagy egy adott szolgáltatás beállított kapacitásának kikövetkeztetését.
A kontextust egy meghatározott művelethez releváns szövegrészekre és beszélgetésre használja. Egy hosszú dokumentumhoz is kérhető rövid összefoglaló, átírt keresőkérdés vagy forrásalapú válasz. Azonosítsa az eredményben megőrzendő anyagot, valamint a következő alkalmazáslépéshez szükséges hosszt vagy mezőket.
Visszakeresés, összefoglalók és átírás
Összefoglaláshoz adja meg a tényleges szövegrészt vagy beszélgetést, és határozza meg a célközönséget, a hosszt és a lényeges tényeket. Egy hasznos eredmény elkülönítheti a központi kérdést, a már kimondott döntéseket és a nyitott kérdéseket. Ha a forrás több témát tartalmaz, nevezze meg az összefoglalandó témát ahelyett, hogy minden válogatás nélküli rövidítését kérné.
Információ-visszakereséshez adja meg a kiválasztott forrásrészleteket vagy a visszakereső komponens által visszaadott információt. Kérje a kérdést megválaszoló állítást és az azt alátámasztó szövegrészt. A modell szöveges válasza megmagyarázhatja a visszakeresett információt, míg egy privát gyűjteményben való keresés továbbra is a csatlakoztatott alkalmazás feladata. A modell pusztán a visszakeresési felhasználás megnevezésétől nem fér hozzá a gyűjteményhez.
Keresőkérdés átírásához adja meg az eredeti kérdést és a keresés célját. Kérjen tömör újrafogalmazást, amely megőrzi az entitást, a feltételt és a kívánt információt. Egy támogatási kérdés átírható a fontos termékkifejezéssel és művelettel anélkül, hogy a felhasználói üzenetben nem szereplő tényt adna hozzá. Ha másik komponens közvetlenül használja, az átírt kérdést minden magyarázattól külön adja vissza.
Íróasszisztensnél a rövid levél vagy átdolgozott szövegrész kérése előtt határozza meg az olvasót, a hangnemet és a forrástényeket. Adatkinyerési feladathoz adja meg a mezőket és a hiányzó információ ábrázolásának módját. Ezek konkrét műveletek, amelyek a kompakt modell dokumentált szöveges fókuszát ellenőrizhető anyaghoz kapcsolják.
Támogatott nyelvek és tanítás
A hivatalosan támogatott nyelvek az angol, német, francia, olasz, portugál, hindi, spanyol és thai. A modell szélesebb nyelvi gyűjteményen tanult, ami különbözik a kártyán kifejezetten támogatott nyolc nyelvtől. Azonosítsa a végső nyelvet és minden változatlanul megőrzendő kifejezést vagy azonosítót.
A család előtanítása legfeljebb kilencbillió tokenen történt, 2023. decemberi adathatárral. Az 1B és 3B modelleknél a gyártó a Llama 3.1 8B és 70B kimeneteit tokenszintű tanítási célként, a ritkítás után pedig tudásdesztillációt használ. Ez tanítási folyamat; nem jelenti azt, hogy a telepített 1B modell minden felhasználói kérdés megválaszolásához e nagyobb modellekhez fordul.
A kártya felügyelt finomhangolást és preferenciaalapú igazítást ír le, olyan utótanítási körökkel, amelyek felügyelt példákat, elutasításos mintavételezést és közvetlen preferenciaoptimalizálást tartalmaznak. Ezek a szakaszok hozzák létre az Instruct viselkedést a megnevezett ellenőrzőpont és a kizárólag szöveges modalitás megőrzésével.
Beszélgetés és kvantált kiadások
A gyártó külön rendszer- és felhasználói üzeneteket mutat be a megfelelő beszélgetési formátumban. Az asszisztens szerepét és válaszkövetelményeit a tényleges forrásszövegtől elkülönítve határozza meg. Őrizze meg a releváns korábbi választ, ha egy folytató kérés ugyanazon információ átdolgozását, pontosítását vagy más formáját kéri.
A kiadás külön kvantálástudatos és tanítás után kvantált változatokat is dokumentál. Pontosságuk és 8 ezer tokenes kontextusuk e változatokhoz tartozik, nem e szokásos Instruct bejegyzés általános specifikációja. Ismételt feladat összehasonlításakor vagy származtatott telepítés előkészítésekor a pontos ellenőrzőpontot és konfigurációt használja.
Tartalmi határok
Ez az 1B kiadás kizárólag szöveges. Nem szabad neki tulajdonítani a Llama 3.2 11B vagy 90B képi modelljeinek képbemenetét, a Llama 4 szöveges és képi képességeit vagy a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit. A kártya 256 tokenes generálási példája példabeállítás, nem önállóan megadott maximális válaszkapacitás.
Gyakorlati végső eredmény a kért összefoglaló, keresőkérdés, kinyert rekord vagy átírt szöveg, amely megőrzi a forrás releváns jelentését és azonosítóit. Az elolvasott források nem adnak meg külön szigorú kimenetitoken-maximumot. Tartsa célzottnak a feladatot, az adott művelethez teljesnek a bemeneti anyagot, és egyértelműnek a szokásos és kvantált kontextus közötti különbséget.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok meta-llama/llama-3.2-1b-instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.000054 / 1K token Kimenet · Kimeneti tokenek $0.000402 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.000054 / 1K token Kimenet · Kimeneti tokenek $0.000402 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "meta-llama/llama-3.2-1b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-3.2-1b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-3.2-1b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra meta-llama/llama-3.2-1b-instruct
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.