Amazon Nova Micro adalah model Nova generasi pertama Amazon yang khusus teks, dirancang untuk respons berlatensi rendah dalam alur bahasa rutin. Model ini menerima teks dan mengembalikan teks. Contoh Amazon meliputi perangkuman informasi yang disediakan, terjemahan, klasifikasi teks, tanya jawab dan pembuatan konten tertulis ringkas. Micro berguna ketika aplikasi telah mengumpulkan fakta dan memerlukan transformasi terarah, seperti mengubah atribut produk menjadi paragraf katalog atau catatan rapat menjadi daftar tindakan.
Panduan Nova generasi pertama mencantumkan jendela konteks 128K token dan keluaran maksimal 10K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini merupakan konteks kerja lebih kecil daripada jendela 300K Nova Lite dan Pro atau jendela 1 juta token Premier. Gunakan ruang yang tersedia untuk teks yang benar-benar menjadi dasar jawaban: bagian sumber, contoh dan percakapan relevan. Tentukan apakah artefak yang diinginkan berupa balasan singkat, label kategori, terjemahan atau sekumpulan bidang hasil ekstraksi. Jatah konteks luas tidak memerlukan jawaban panjang; panjang dan struktur keluaran eksplisit menjaga hasil tetap berguna.
Cakupan Micro adalah teks, bukan pemahaman gambar, video atau audio secara asli. Untuk informasi yang awalnya disimpan dalam dokumen atau berkas media, sertakan teks hasil ekstraksi atau transkripnya. Brief konten produk dapat memuat nama produk, dimensi, bahan, varian dan gaya wajib, lalu meminta satu paragraf yang hanya menggunakan atribut tersebut. Contoh orisinal dapat meminta deskripsi netral dan daftar spesifikasi yang hilang secara terpisah. Ini menggunakan model sebagai penulis dan pengubah bukti yang disediakan, bukan memintanya menyimpulkan fitur produk yang tidak terlihat.
Amazon mendokumentasikan peran system, user dan assistant untuk prompt teks Nova. Instruksi system dapat menetapkan peran penulisan dan batasan berulang; pesan user menyertakan tugas dan materi sumber; beberapa contoh representatif dapat menunjukkan format yang diinginkan. Susun masukan padat dengan label jelas, dan pecah instruksi majemuk menjadi langkah terpisah jika model kesulitan dengan ketergantungannya. Untuk terjemahan, nyatakan bahasa sasaran, apakah nama diri dipertahankan dan istilah mana yang harus tetap sama. Keluarga version1 dilatih untuk lebih dari 200 bahasa, dengan optimasi untuk kelompok lebih kecil, sehingga jangan menganggap mutu identik di setiap dialek.
Micro mendukung streaming respons dan pemanggilan alat di sisi klien. Model juga mendukung cache prompt dalam profil penyajian yang didokumentasikan Amazon. Penyimpanan cache eksplisit memerlukan setidaknya 1K token per checkpoint dan mengizinkan hingga empat checkpoint dengan retensi lima menit. Pembuatnya membatasi cache prompt hingga 20K token, terutama untuk prompt teks; jatah cache tersebut berbeda dari jendela konteks penuh. Dalam asisten yang berlandaskan sumber, aplikasi dapat mengambil teks relevan atau menjalankan fungsi yang diminta, lalu mengirim kembali hasil pengamatan untuk jawaban akhir. Model sendiri bukan mesin pengambilan informasi langsung. Jika respons bergantung pada kebijakan terkini atau basis pengetahuan privat, sertakan sumber relevan sebenarnya. Format JSON yang diminta dapat berguna untuk klasifikasi atau ekstraksi, tetapi profil pembuatnya tidak mencantumkan keluaran terstruktur yang diberlakukan sebagai fitur didukung; tentukan perilaku nilai yang hilang dan periksa bidang yang dikembalikan.
Peran generasi pertama lainnya adalah penyesuaian: Amazon mendokumentasikan fine-tuning Micro pada contoh berlabel dan distilasi pengetahuan khusus tugas ke dalamnya dari Nova Pro atau Premier. Turunan yang disesuaikan merupakan alur terpisah, bukan kemampuan yang diam-diam mengubah edisi dasar. Untuk model biasa, nilai artefak jadi terhadap brief: fakta yang disediakan harus tetap utuh, atribut penting tidak boleh hilang dan prosa harus sesuai gaya yang diminta. Micro juga dapat menghasilkan kode, tetapi penyelesaian tersebut tidak mencakup pemindaian keamanan otomatis atau hasil eksekusi.
", "aboutText": "Amazon Nova Micro adalah model Nova generasi pertama Amazon yang khusus teks, dirancang untuk respons berlatensi rendah dalam alur bahasa rutin. Model ini menerima teks dan mengembalikan teks. Contoh Amazon meliputi perangkuman informasi yang disediakan, terjemahan, klasifikasi teks, tanya jawab dan pembuatan konten tertulis ringkas. Micro berguna ketika aplikasi telah mengumpulkan fakta dan memerlukan transformasi terarah, seperti mengubah atribut produk menjadi paragraf katalog atau catatan rapat menjadi daftar tindakan.\n\nPanduan Nova generasi pertama mencantumkan jendela konteks 128K token dan keluaran maksimal 10K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini merupakan konteks kerja lebih kecil daripada jendela 300K Nova Lite dan Pro atau jendela 1 juta token Premier. Gunakan ruang yang tersedia untuk teks yang benar-benar menjadi dasar jawaban: bagian sumber, contoh dan percakapan relevan. Tentukan apakah artefak yang diinginkan berupa balasan singkat, label kategori, terjemahan atau sekumpulan bidang hasil ekstraksi. Jatah konteks luas tidak memerlukan jawaban panjang; panjang dan struktur keluaran eksplisit menjaga hasil tetap berguna.\n\nCakupan Micro adalah teks, bukan pemahaman gambar, video atau audio secara asli. Untuk informasi yang awalnya disimpan dalam dokumen atau berkas media, sertakan teks hasil ekstraksi atau transkripnya. Brief konten produk dapat memuat nama produk, dimensi, bahan, varian dan gaya wajib, lalu meminta satu paragraf yang hanya menggunakan atribut tersebut. Contoh orisinal dapat meminta deskripsi netral dan daftar spesifikasi yang hilang secara terpisah. Ini menggunakan model sebagai penulis dan pengubah bukti yang disediakan, bukan memintanya menyimpulkan fitur produk yang tidak terlihat.\n\nAmazon mendokumentasikan peran system, user dan assistant untuk prompt teks Nova. Instruksi system dapat menetapkan peran penulisan dan batasan berulang; pesan user menyertakan tugas dan materi sumber; beberapa contoh representatif dapat menunjukkan format yang diinginkan. Susun masukan padat dengan label jelas, dan pecah instruksi majemuk menjadi langkah terpisah jika model kesulitan dengan ketergantungannya. Untuk terjemahan, nyatakan bahasa sasaran, apakah nama diri dipertahankan dan istilah mana yang harus tetap sama. Keluarga version1 dilatih untuk lebih dari 200 bahasa, dengan optimasi untuk kelompok lebih kecil, sehingga jangan menganggap mutu identik di setiap dialek.\n\nMicro mendukung streaming respons dan pemanggilan alat di sisi klien. Model juga mendukung cache prompt dalam profil penyajian yang didokumentasikan Amazon. Penyimpanan cache eksplisit memerlukan setidaknya 1K token per checkpoint dan mengizinkan hingga empat checkpoint dengan retensi lima menit. Pembuatnya membatasi cache prompt hingga 20K token, terutama untuk prompt teks; jatah cache tersebut berbeda dari jendela konteks penuh. Dalam asisten yang berlandaskan sumber, aplikasi dapat mengambil teks relevan atau menjalankan fungsi yang diminta, lalu mengirim kembali hasil pengamatan untuk jawaban akhir. Model sendiri bukan mesin pengambilan informasi langsung. Jika respons bergantung pada kebijakan terkini atau basis pengetahuan privat, sertakan sumber relevan sebenarnya. Format JSON yang diminta dapat berguna untuk klasifikasi atau ekstraksi, tetapi profil pembuatnya tidak mencantumkan keluaran terstruktur yang diberlakukan sebagai fitur didukung; tentukan perilaku nilai yang hilang dan periksa bidang yang dikembalikan.\n\nPeran generasi pertama lainnya adalah penyesuaian: Amazon mendokumentasikan fine-tuning Micro pada contoh berlabel dan distilasi pengetahuan khusus tugas ke dalamnya dari Nova Pro atau Premier. Turunan yang disesuaikan merupakan alur terpisah, bukan kemampuan yang diam-diam mengubah edisi dasar. Untuk model biasa, nilai artefak jadi terhadap brief: fakta yang disediakan harus tetap utuh, atribut penting tidak boleh hilang dan prosa harus sesuai gaya yang diminta. Micro juga dapat menghasilkan kode, tetapi penyelesaian tersebut tidak mencakup pemindaian keamanan otomatis atau hasil eksekusi.\n", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1Amazon Nova Micro adalah model khusus teks dalam keluarga Nova generasi pertama. Model ini dirancang untuk tugas bahasa berlatensi rendah seperti ringkasan, terjemahan, klasifikasi, tanya jawab dan pengubahan fakta yang disediakan menjadi konten ringkas.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Amazon Nova Micro adalah model Nova generasi pertama Amazon yang khusus teks, dirancang untuk respons berlatensi rendah dalam alur bahasa rutin. Model ini menerima teks dan mengembalikan teks. Contoh Amazon meliputi perangkuman informasi yang disediakan, terjemahan, klasifikasi teks, tanya jawab dan pembuatan konten tertulis ringkas. Micro berguna ketika aplikasi telah mengumpulkan fakta dan memerlukan transformasi terarah, seperti mengubah atribut produk menjadi paragraf katalog atau catatan rapat menjadi daftar tindakan.
Panduan Nova generasi pertama mencantumkan jendela konteks 128K token dan keluaran maksimal 10K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini merupakan konteks kerja lebih kecil daripada jendela 300K Nova Lite dan Pro atau jendela 1 juta token Premier. Gunakan ruang yang tersedia untuk teks yang benar-benar menjadi dasar jawaban: bagian sumber, contoh dan percakapan relevan. Tentukan apakah artefak yang diinginkan berupa balasan singkat, label kategori, terjemahan atau sekumpulan bidang hasil ekstraksi. Jatah konteks luas tidak memerlukan jawaban panjang; panjang dan struktur keluaran eksplisit menjaga hasil tetap berguna.
Cakupan Micro adalah teks, bukan pemahaman gambar, video atau audio secara asli. Untuk informasi yang awalnya disimpan dalam dokumen atau berkas media, sertakan teks hasil ekstraksi atau transkripnya. Brief konten produk dapat memuat nama produk, dimensi, bahan, varian dan gaya wajib, lalu meminta satu paragraf yang hanya menggunakan atribut tersebut. Contoh orisinal dapat meminta deskripsi netral dan daftar spesifikasi yang hilang secara terpisah. Ini menggunakan model sebagai penulis dan pengubah bukti yang disediakan, bukan memintanya menyimpulkan fitur produk yang tidak terlihat.
Amazon mendokumentasikan peran system, user dan assistant untuk prompt teks Nova. Instruksi system dapat menetapkan peran penulisan dan batasan berulang; pesan user menyertakan tugas dan materi sumber; beberapa contoh representatif dapat menunjukkan format yang diinginkan. Susun masukan padat dengan label jelas, dan pecah instruksi majemuk menjadi langkah terpisah jika model kesulitan dengan ketergantungannya. Untuk terjemahan, nyatakan bahasa sasaran, apakah nama diri dipertahankan dan istilah mana yang harus tetap sama. Keluarga version1 dilatih untuk lebih dari 200 bahasa, dengan optimasi untuk kelompok lebih kecil, sehingga jangan menganggap mutu identik di setiap dialek.
Micro mendukung streaming respons dan pemanggilan alat di sisi klien. Model juga mendukung cache prompt dalam profil penyajian yang didokumentasikan Amazon. Penyimpanan cache eksplisit memerlukan setidaknya 1K token per checkpoint dan mengizinkan hingga empat checkpoint dengan retensi lima menit. Pembuatnya membatasi cache prompt hingga 20K token, terutama untuk prompt teks; jatah cache tersebut berbeda dari jendela konteks penuh. Dalam asisten yang berlandaskan sumber, aplikasi dapat mengambil teks relevan atau menjalankan fungsi yang diminta, lalu mengirim kembali hasil pengamatan untuk jawaban akhir. Model sendiri bukan mesin pengambilan informasi langsung. Jika respons bergantung pada kebijakan terkini atau basis pengetahuan privat, sertakan sumber relevan sebenarnya. Format JSON yang diminta dapat berguna untuk klasifikasi atau ekstraksi, tetapi profil pembuatnya tidak mencantumkan keluaran terstruktur yang diberlakukan sebagai fitur didukung; tentukan perilaku nilai yang hilang dan periksa bidang yang dikembalikan.
Peran generasi pertama lainnya adalah penyesuaian: Amazon mendokumentasikan fine-tuning Micro pada contoh berlabel dan distilasi pengetahuan khusus tugas ke dalamnya dari Nova Pro atau Premier. Turunan yang disesuaikan merupakan alur terpisah, bukan kemampuan yang diam-diam mengubah edisi dasar. Untuk model biasa, nilai artefak jadi terhadap brief: fakta yang disediakan harus tetap utuh, atribut penting tidak boleh hilang dan prosa harus sesuai gaya yang diminta. Micro juga dapat menghasilkan kode, tetapi penyelesaian tersebut tidak mencakup pemindaian keamanan otomatis atau hasil eksekusi.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan amazon/nova-micro-v1 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00007 / 1K token Keluaran · Token keluaran $0.00028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00007 / 1K token Keluaran · Token keluaran $0.00028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-v1", "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='amazon/nova-micro-v1',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='amazon/nova-micro-v1',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra amazon/nova-micro-v1
Gunakan jalur metode yang ditampilkan di atas.
amazon/nova-micro-v1Amazon Nova Micro adalah model khusus teks dalam keluarga Nova generasi pertama. Model ini dirancang untuk tugas bahasa berlatensi rendah seperti ringkasan, terjemahan, klasifikasi, tanya jawab dan pengubahan fakta yang disediakan menjadi konten ringkas.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Amazon Nova Micro adalah model Nova generasi pertama Amazon yang khusus teks, dirancang untuk respons berlatensi rendah dalam alur bahasa rutin. Model ini menerima teks dan mengembalikan teks. Contoh Amazon meliputi perangkuman informasi yang disediakan, terjemahan, klasifikasi teks, tanya jawab dan pembuatan konten tertulis ringkas. Micro berguna ketika aplikasi telah mengumpulkan fakta dan memerlukan transformasi terarah, seperti mengubah atribut produk menjadi paragraf katalog atau catatan rapat menjadi daftar tindakan.
Panduan Nova generasi pertama mencantumkan jendela konteks 128K token dan keluaran maksimal 10K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini merupakan konteks kerja lebih kecil daripada jendela 300K Nova Lite dan Pro atau jendela 1 juta token Premier. Gunakan ruang yang tersedia untuk teks yang benar-benar menjadi dasar jawaban: bagian sumber, contoh dan percakapan relevan. Tentukan apakah artefak yang diinginkan berupa balasan singkat, label kategori, terjemahan atau sekumpulan bidang hasil ekstraksi. Jatah konteks luas tidak memerlukan jawaban panjang; panjang dan struktur keluaran eksplisit menjaga hasil tetap berguna.
Cakupan Micro adalah teks, bukan pemahaman gambar, video atau audio secara asli. Untuk informasi yang awalnya disimpan dalam dokumen atau berkas media, sertakan teks hasil ekstraksi atau transkripnya. Brief konten produk dapat memuat nama produk, dimensi, bahan, varian dan gaya wajib, lalu meminta satu paragraf yang hanya menggunakan atribut tersebut. Contoh orisinal dapat meminta deskripsi netral dan daftar spesifikasi yang hilang secara terpisah. Ini menggunakan model sebagai penulis dan pengubah bukti yang disediakan, bukan memintanya menyimpulkan fitur produk yang tidak terlihat.
Amazon mendokumentasikan peran system, user dan assistant untuk prompt teks Nova. Instruksi system dapat menetapkan peran penulisan dan batasan berulang; pesan user menyertakan tugas dan materi sumber; beberapa contoh representatif dapat menunjukkan format yang diinginkan. Susun masukan padat dengan label jelas, dan pecah instruksi majemuk menjadi langkah terpisah jika model kesulitan dengan ketergantungannya. Untuk terjemahan, nyatakan bahasa sasaran, apakah nama diri dipertahankan dan istilah mana yang harus tetap sama. Keluarga version1 dilatih untuk lebih dari 200 bahasa, dengan optimasi untuk kelompok lebih kecil, sehingga jangan menganggap mutu identik di setiap dialek.
Micro mendukung streaming respons dan pemanggilan alat di sisi klien. Model juga mendukung cache prompt dalam profil penyajian yang didokumentasikan Amazon. Penyimpanan cache eksplisit memerlukan setidaknya 1K token per checkpoint dan mengizinkan hingga empat checkpoint dengan retensi lima menit. Pembuatnya membatasi cache prompt hingga 20K token, terutama untuk prompt teks; jatah cache tersebut berbeda dari jendela konteks penuh. Dalam asisten yang berlandaskan sumber, aplikasi dapat mengambil teks relevan atau menjalankan fungsi yang diminta, lalu mengirim kembali hasil pengamatan untuk jawaban akhir. Model sendiri bukan mesin pengambilan informasi langsung. Jika respons bergantung pada kebijakan terkini atau basis pengetahuan privat, sertakan sumber relevan sebenarnya. Format JSON yang diminta dapat berguna untuk klasifikasi atau ekstraksi, tetapi profil pembuatnya tidak mencantumkan keluaran terstruktur yang diberlakukan sebagai fitur didukung; tentukan perilaku nilai yang hilang dan periksa bidang yang dikembalikan.
Peran generasi pertama lainnya adalah penyesuaian: Amazon mendokumentasikan fine-tuning Micro pada contoh berlabel dan distilasi pengetahuan khusus tugas ke dalamnya dari Nova Pro atau Premier. Turunan yang disesuaikan merupakan alur terpisah, bukan kemampuan yang diam-diam mengubah edisi dasar. Untuk model biasa, nilai artefak jadi terhadap brief: fakta yang disediakan harus tetap utuh, atribut penting tidak boleh hilang dan prosa harus sesuai gaya yang diminta. Micro juga dapat menghasilkan kode, tetapi penyelesaian tersebut tidak mencakup pemindaian keamanan otomatis atau hasil eksekusi.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan amazon/nova-micro-v1 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00007 / 1K token Keluaran · Token keluaran $0.00028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00007 / 1K token Keluaran · Token keluaran $0.00028 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-micro-v1', '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': 'amazon/nova-micro-v1', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra amazon/nova-micro-v1
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.