Amazon Nova Premier adalah model pemahaman paling mumpuni dalam keluarga Nova generasi pertama Amazon, dirancang untuk pekerjaan kompleks yang memerlukan pemahaman mendalam, konteks dan perencanaan beberapa langkah. Model ini memproses teks, gambar dan video serta menghasilkan teks. Perannya meliputi penalaran atas laporan panjang, perbandingan bukti antardokumen, pemahaman grafik dan materi visual, serta koordinasi tugas agen. Premier terpisah dari model Micro, Lite dan Pro yang lebih ringan, serta dari model Nova yang membuat gambar, video atau ucapan percakapan.
Profil model tepat dari pembuatnya mencantumkan jendela konteks 1 juta token dan keluaran maksimal 25K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini membuat Premier berguna ketika tugas memerlukan banyak materi referensi bersama instruksi dan percakapan. Susun materi tersebut dengan nama dokumen, penanda bagian dan pertanyaan spesifik, alih-alih meminta analisis tanpa arah atas semuanya. Hasil yang berguna dapat berupa matriks perbandingan, laporan berbasis bukti atau usulan urutan tindakan. Anggaran konteks mencakup materi yang digunakan model; ini bukan janji setiap detail akan muncul dalam jawaban akhir.
Alur multimodal Premier yang didokumentasikan menangani gambar PNG, JPG/JPEG, GIF dan WebP serta wadah video umum seperti MP4, MOV, MKV dan WebM. Alur dokumen mencakup PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Berkas berorientasi teks menyediakan teks; PDF dan DOCX dapat menyediakan teks halaman beserta informasi visual. Untuk laporan dengan grafik, jaga label tetap terbaca dan minta model menjelaskan pengamatan relevan sebelum menafsirkannya. Jika hanya prosa yang dibutuhkan, menyediakan teks hasil ekstraksi menghindari keharusan ekstraksi visual untuk memahami dokumen. Media yang disematkan berbagi anggaran payload 25 MB, termasuk overhead base64. Satu permintaan memuat satu video, dibatasi hingga 1 GB melalui S3; gabungan media S3 dapat mencapai total 2 GB. Masukan PDF dan DOCX tetap dibatasi hingga lima dokumen, dengan jatah gabungan 25 MB untuk unggahan langsung atau 2 GB melalui S3.
Pemahaman video didasarkan pada bingkai visual yang disampel. Panduan generasi pertama secara khusus memberi Premier laju sampling satu bingkai per detik hingga 3.200 bingkai, jatah berbeda dari strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan dan pertanyaan tentang peristiwa sepanjang waktu, sementara aksi singkat di antara bingkai sampel mungkin luput dari pengamatan. Berikan klip atau rentang waktu relevan dan identifikasi detail yang harus dilacak. Untuk urutan panjang, analisis tersegmentasi yang diikuti ringkasan teks dapat mempertahankan fokus, meskipun pemisahan dapat kehilangan konteks di batas segmen. Modalitas model yang didokumentasikan tidak mencakup masukan audio, sehingga informasi lisan perlu disertakan sebagai teks.
Premier mendukung streaming respons, alur berorientasi alat dan berbantuan pengambilan informasi, serta 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. Berikan tugas, alat yang diizinkan dan deskripsi argumennya kepada agen, lalu biarkan aplikasi menjalankan tindakan yang diminta dan mengembalikan pengamatan sebelum langkah model berikutnya. Peran penalarannya tidak menyiratkan bahwa model dapat menjalankan sistem eksternal tanpa lapisan eksekusi tersebut. Panduan generasi pertama mendukung penjelasan solusi bertahap melalui prompt; kontrol pemikiran diperluas low, medium dan high Nova 2 Lite yang terpisah bukan bagian dari antarmuka edisi ini yang didokumentasikan. Untuk laporan atau hasil alat, minta bidang eksplisit dan contoh struktur yang diinginkan; bentuk JSON yang diminta berbeda dari keluaran terstruktur yang diberlakukan.
Peran khas Premier adalah mengajari model Nova lebih kecil melalui distilasi. Amazon menjelaskan penggunaan respons Premier sebagai contoh pelatihan untuk varian Nova Micro, Lite dan Pro khusus, lalu membandingkan perilaku model lebih kecil pada tugas sasaran. Ini adalah alur penyesuaian model, bukan perubahan identitas respons Premier biasa. Dalam penggunaan biasa, sertakan fakta otoritatif dan wajibkan jawaban memisahkan pengamatan, asumsi dan bukti yang hilang. Nova dapat menghasilkan klaim masuk akal yang bertentangan dengan sumber, dan kode yang dihasilkan tidak mencakup pemindaian keamanan otomatis, sehingga artefak yang berguna perlu membawa cukup bukti dan detail untuk diperiksa terhadap masukannya. Pembuatnya juga menyatakan bahwa model ini tidak mengidentifikasi atau menyebut nama orang dalam gambar, dokumen atau video.
", "aboutText": "Amazon Nova Premier adalah model pemahaman paling mumpuni dalam keluarga Nova generasi pertama Amazon, dirancang untuk pekerjaan kompleks yang memerlukan pemahaman mendalam, konteks dan perencanaan beberapa langkah. Model ini memproses teks, gambar dan video serta menghasilkan teks. Perannya meliputi penalaran atas laporan panjang, perbandingan bukti antardokumen, pemahaman grafik dan materi visual, serta koordinasi tugas agen. Premier terpisah dari model Micro, Lite dan Pro yang lebih ringan, serta dari model Nova yang membuat gambar, video atau ucapan percakapan.\n\nProfil model tepat dari pembuatnya mencantumkan jendela konteks 1 juta token dan keluaran maksimal 25K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini membuat Premier berguna ketika tugas memerlukan banyak materi referensi bersama instruksi dan percakapan. Susun materi tersebut dengan nama dokumen, penanda bagian dan pertanyaan spesifik, alih-alih meminta analisis tanpa arah atas semuanya. Hasil yang berguna dapat berupa matriks perbandingan, laporan berbasis bukti atau usulan urutan tindakan. Anggaran konteks mencakup materi yang digunakan model; ini bukan janji setiap detail akan muncul dalam jawaban akhir.\n\nAlur multimodal Premier yang didokumentasikan menangani gambar PNG, JPG/JPEG, GIF dan WebP serta wadah video umum seperti MP4, MOV, MKV dan WebM. Alur dokumen mencakup PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Berkas berorientasi teks menyediakan teks; PDF dan DOCX dapat menyediakan teks halaman beserta informasi visual. Untuk laporan dengan grafik, jaga label tetap terbaca dan minta model menjelaskan pengamatan relevan sebelum menafsirkannya. Jika hanya prosa yang dibutuhkan, menyediakan teks hasil ekstraksi menghindari keharusan ekstraksi visual untuk memahami dokumen. Media yang disematkan berbagi anggaran payload 25 MB, termasuk overhead base64. Satu permintaan memuat satu video, dibatasi hingga 1 GB melalui S3; gabungan media S3 dapat mencapai total 2 GB. Masukan PDF dan DOCX tetap dibatasi hingga lima dokumen, dengan jatah gabungan 25 MB untuk unggahan langsung atau 2 GB melalui S3.\n\nPemahaman video didasarkan pada bingkai visual yang disampel. Panduan generasi pertama secara khusus memberi Premier laju sampling satu bingkai per detik hingga 3.200 bingkai, jatah berbeda dari strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan dan pertanyaan tentang peristiwa sepanjang waktu, sementara aksi singkat di antara bingkai sampel mungkin luput dari pengamatan. Berikan klip atau rentang waktu relevan dan identifikasi detail yang harus dilacak. Untuk urutan panjang, analisis tersegmentasi yang diikuti ringkasan teks dapat mempertahankan fokus, meskipun pemisahan dapat kehilangan konteks di batas segmen. Modalitas model yang didokumentasikan tidak mencakup masukan audio, sehingga informasi lisan perlu disertakan sebagai teks.\n\nPremier mendukung streaming respons, alur berorientasi alat dan berbantuan pengambilan informasi, serta 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. Berikan tugas, alat yang diizinkan dan deskripsi argumennya kepada agen, lalu biarkan aplikasi menjalankan tindakan yang diminta dan mengembalikan pengamatan sebelum langkah model berikutnya. Peran penalarannya tidak menyiratkan bahwa model dapat menjalankan sistem eksternal tanpa lapisan eksekusi tersebut. Panduan generasi pertama mendukung penjelasan solusi bertahap melalui prompt; kontrol pemikiran diperluas low, medium dan high Nova 2 Lite yang terpisah bukan bagian dari antarmuka edisi ini yang didokumentasikan. Untuk laporan atau hasil alat, minta bidang eksplisit dan contoh struktur yang diinginkan; bentuk JSON yang diminta berbeda dari keluaran terstruktur yang diberlakukan.\n\nPeran khas Premier adalah mengajari model Nova lebih kecil melalui distilasi. Amazon menjelaskan penggunaan respons Premier sebagai contoh pelatihan untuk varian Nova Micro, Lite dan Pro khusus, lalu membandingkan perilaku model lebih kecil pada tugas sasaran. Ini adalah alur penyesuaian model, bukan perubahan identitas respons Premier biasa. Dalam penggunaan biasa, sertakan fakta otoritatif dan wajibkan jawaban memisahkan pengamatan, asumsi dan bukti yang hilang. Nova dapat menghasilkan klaim masuk akal yang bertentangan dengan sumber, dan kode yang dihasilkan tidak mencakup pemindaian keamanan otomatis, sehingga artefak yang berguna perlu membawa cukup bukti dan detail untuk diperiksa terhadap masukannya. Pembuatnya juga menyatakan bahwa model ini tidak mengidentifikasi atau menyebut nama orang dalam gambar, dokumen atau video.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier adalah model Nova generasi pertama untuk penalaran multimodal kompleks, analisis dokumen panjang dan agen. Model ini menerima teks, gambar dan video, mengembalikan teks, serta berperan sebagai guru untuk mendistilasi model Nova khusus.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Amazon Nova Premier adalah model pemahaman paling mumpuni dalam keluarga Nova generasi pertama Amazon, dirancang untuk pekerjaan kompleks yang memerlukan pemahaman mendalam, konteks dan perencanaan beberapa langkah. Model ini memproses teks, gambar dan video serta menghasilkan teks. Perannya meliputi penalaran atas laporan panjang, perbandingan bukti antardokumen, pemahaman grafik dan materi visual, serta koordinasi tugas agen. Premier terpisah dari model Micro, Lite dan Pro yang lebih ringan, serta dari model Nova yang membuat gambar, video atau ucapan percakapan.
Profil model tepat dari pembuatnya mencantumkan jendela konteks 1 juta token dan keluaran maksimal 25K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini membuat Premier berguna ketika tugas memerlukan banyak materi referensi bersama instruksi dan percakapan. Susun materi tersebut dengan nama dokumen, penanda bagian dan pertanyaan spesifik, alih-alih meminta analisis tanpa arah atas semuanya. Hasil yang berguna dapat berupa matriks perbandingan, laporan berbasis bukti atau usulan urutan tindakan. Anggaran konteks mencakup materi yang digunakan model; ini bukan janji setiap detail akan muncul dalam jawaban akhir.
Alur multimodal Premier yang didokumentasikan menangani gambar PNG, JPG/JPEG, GIF dan WebP serta wadah video umum seperti MP4, MOV, MKV dan WebM. Alur dokumen mencakup PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Berkas berorientasi teks menyediakan teks; PDF dan DOCX dapat menyediakan teks halaman beserta informasi visual. Untuk laporan dengan grafik, jaga label tetap terbaca dan minta model menjelaskan pengamatan relevan sebelum menafsirkannya. Jika hanya prosa yang dibutuhkan, menyediakan teks hasil ekstraksi menghindari keharusan ekstraksi visual untuk memahami dokumen. Media yang disematkan berbagi anggaran payload 25 MB, termasuk overhead base64. Satu permintaan memuat satu video, dibatasi hingga 1 GB melalui S3; gabungan media S3 dapat mencapai total 2 GB. Masukan PDF dan DOCX tetap dibatasi hingga lima dokumen, dengan jatah gabungan 25 MB untuk unggahan langsung atau 2 GB melalui S3.
Pemahaman video didasarkan pada bingkai visual yang disampel. Panduan generasi pertama secara khusus memberi Premier laju sampling satu bingkai per detik hingga 3.200 bingkai, jatah berbeda dari strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan dan pertanyaan tentang peristiwa sepanjang waktu, sementara aksi singkat di antara bingkai sampel mungkin luput dari pengamatan. Berikan klip atau rentang waktu relevan dan identifikasi detail yang harus dilacak. Untuk urutan panjang, analisis tersegmentasi yang diikuti ringkasan teks dapat mempertahankan fokus, meskipun pemisahan dapat kehilangan konteks di batas segmen. Modalitas model yang didokumentasikan tidak mencakup masukan audio, sehingga informasi lisan perlu disertakan sebagai teks.
Premier mendukung streaming respons, alur berorientasi alat dan berbantuan pengambilan informasi, serta 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. Berikan tugas, alat yang diizinkan dan deskripsi argumennya kepada agen, lalu biarkan aplikasi menjalankan tindakan yang diminta dan mengembalikan pengamatan sebelum langkah model berikutnya. Peran penalarannya tidak menyiratkan bahwa model dapat menjalankan sistem eksternal tanpa lapisan eksekusi tersebut. Panduan generasi pertama mendukung penjelasan solusi bertahap melalui prompt; kontrol pemikiran diperluas low, medium dan high Nova 2 Lite yang terpisah bukan bagian dari antarmuka edisi ini yang didokumentasikan. Untuk laporan atau hasil alat, minta bidang eksplisit dan contoh struktur yang diinginkan; bentuk JSON yang diminta berbeda dari keluaran terstruktur yang diberlakukan.
Peran khas Premier adalah mengajari model Nova lebih kecil melalui distilasi. Amazon menjelaskan penggunaan respons Premier sebagai contoh pelatihan untuk varian Nova Micro, Lite dan Pro khusus, lalu membandingkan perilaku model lebih kecil pada tugas sasaran. Ini adalah alur penyesuaian model, bukan perubahan identitas respons Premier biasa. Dalam penggunaan biasa, sertakan fakta otoritatif dan wajibkan jawaban memisahkan pengamatan, asumsi dan bukti yang hilang. Nova dapat menghasilkan klaim masuk akal yang bertentangan dengan sumber, dan kode yang dihasilkan tidak mencakup pemindaian keamanan otomatis, sehingga artefak yang berguna perlu membawa cukup bukti dan detail untuk diperiksa terhadap masukannya. Pembuatnya juga menyatakan bahwa model ini tidak mengidentifikasi atau menyebut nama orang dalam gambar, dokumen atau video.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan amazon/nova-premier-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 $0.005 / 1K token Keluaran · Token keluaran $0.025 / 1K token Masukan · Pembacaan cache $0.00125 / 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 $0.005 / 1K token Keluaran · Token keluaran $0.025 / 1K token Masukan · Pembacaan cache $0.00125 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-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-premier-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-premier-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-premier-v1
Gunakan jalur metode yang ditampilkan di atas.
amazon/nova-premier-v1Amazon Nova Premier adalah model Nova generasi pertama untuk penalaran multimodal kompleks, analisis dokumen panjang dan agen. Model ini menerima teks, gambar dan video, mengembalikan teks, serta berperan sebagai guru untuk mendistilasi model Nova khusus.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Amazon Nova Premier adalah model pemahaman paling mumpuni dalam keluarga Nova generasi pertama Amazon, dirancang untuk pekerjaan kompleks yang memerlukan pemahaman mendalam, konteks dan perencanaan beberapa langkah. Model ini memproses teks, gambar dan video serta menghasilkan teks. Perannya meliputi penalaran atas laporan panjang, perbandingan bukti antardokumen, pemahaman grafik dan materi visual, serta koordinasi tugas agen. Premier terpisah dari model Micro, Lite dan Pro yang lebih ringan, serta dari model Nova yang membuat gambar, video atau ucapan percakapan.
Profil model tepat dari pembuatnya mencantumkan jendela konteks 1 juta token dan keluaran maksimal 25K token. Batas pengetahuan yang didokumentasikan adalah Oktober 2024. Ini membuat Premier berguna ketika tugas memerlukan banyak materi referensi bersama instruksi dan percakapan. Susun materi tersebut dengan nama dokumen, penanda bagian dan pertanyaan spesifik, alih-alih meminta analisis tanpa arah atas semuanya. Hasil yang berguna dapat berupa matriks perbandingan, laporan berbasis bukti atau usulan urutan tindakan. Anggaran konteks mencakup materi yang digunakan model; ini bukan janji setiap detail akan muncul dalam jawaban akhir.
Alur multimodal Premier yang didokumentasikan menangani gambar PNG, JPG/JPEG, GIF dan WebP serta wadah video umum seperti MP4, MOV, MKV dan WebM. Alur dokumen mencakup PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Berkas berorientasi teks menyediakan teks; PDF dan DOCX dapat menyediakan teks halaman beserta informasi visual. Untuk laporan dengan grafik, jaga label tetap terbaca dan minta model menjelaskan pengamatan relevan sebelum menafsirkannya. Jika hanya prosa yang dibutuhkan, menyediakan teks hasil ekstraksi menghindari keharusan ekstraksi visual untuk memahami dokumen. Media yang disematkan berbagi anggaran payload 25 MB, termasuk overhead base64. Satu permintaan memuat satu video, dibatasi hingga 1 GB melalui S3; gabungan media S3 dapat mencapai total 2 GB. Masukan PDF dan DOCX tetap dibatasi hingga lima dokumen, dengan jatah gabungan 25 MB untuk unggahan langsung atau 2 GB melalui S3.
Pemahaman video didasarkan pada bingkai visual yang disampel. Panduan generasi pertama secara khusus memberi Premier laju sampling satu bingkai per detik hingga 3.200 bingkai, jatah berbeda dari strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan dan pertanyaan tentang peristiwa sepanjang waktu, sementara aksi singkat di antara bingkai sampel mungkin luput dari pengamatan. Berikan klip atau rentang waktu relevan dan identifikasi detail yang harus dilacak. Untuk urutan panjang, analisis tersegmentasi yang diikuti ringkasan teks dapat mempertahankan fokus, meskipun pemisahan dapat kehilangan konteks di batas segmen. Modalitas model yang didokumentasikan tidak mencakup masukan audio, sehingga informasi lisan perlu disertakan sebagai teks.
Premier mendukung streaming respons, alur berorientasi alat dan berbantuan pengambilan informasi, serta 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. Berikan tugas, alat yang diizinkan dan deskripsi argumennya kepada agen, lalu biarkan aplikasi menjalankan tindakan yang diminta dan mengembalikan pengamatan sebelum langkah model berikutnya. Peran penalarannya tidak menyiratkan bahwa model dapat menjalankan sistem eksternal tanpa lapisan eksekusi tersebut. Panduan generasi pertama mendukung penjelasan solusi bertahap melalui prompt; kontrol pemikiran diperluas low, medium dan high Nova 2 Lite yang terpisah bukan bagian dari antarmuka edisi ini yang didokumentasikan. Untuk laporan atau hasil alat, minta bidang eksplisit dan contoh struktur yang diinginkan; bentuk JSON yang diminta berbeda dari keluaran terstruktur yang diberlakukan.
Peran khas Premier adalah mengajari model Nova lebih kecil melalui distilasi. Amazon menjelaskan penggunaan respons Premier sebagai contoh pelatihan untuk varian Nova Micro, Lite dan Pro khusus, lalu membandingkan perilaku model lebih kecil pada tugas sasaran. Ini adalah alur penyesuaian model, bukan perubahan identitas respons Premier biasa. Dalam penggunaan biasa, sertakan fakta otoritatif dan wajibkan jawaban memisahkan pengamatan, asumsi dan bukti yang hilang. Nova dapat menghasilkan klaim masuk akal yang bertentangan dengan sumber, dan kode yang dihasilkan tidak mencakup pemindaian keamanan otomatis, sehingga artefak yang berguna perlu membawa cukup bukti dan detail untuk diperiksa terhadap masukannya. Pembuatnya juga menyatakan bahwa model ini tidak mengidentifikasi atau menyebut nama orang dalam gambar, dokumen atau video.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan amazon/nova-premier-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 $0.005 / 1K token Keluaran · Token keluaran $0.025 / 1K token Masukan · Pembacaan cache $0.00125 / 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 $0.005 / 1K token Keluaran · Token keluaran $0.025 / 1K token Masukan · Pembacaan cache $0.00125 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-premier-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-premier-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-premier-v1
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.