Command A adalah model teks Cohere yang dirilis pada Maret 2025 untuk agen perusahaan, jawaban yang diperkaya melalui pengambilan informasi, dan pekerjaan multibahasa. Edisi ini memiliki 111 miliar parameter, menerima teks, dan menghasilkan teks. Konteks model dari produsen adalah 256K token, dengan keluaran maksimum 8.000 token dalam profil layanan yang diterbitkan. Model ini terpisah dari Command A Vision, Command A Reasoning, dan edisi multimodal A+ yang hadir kemudian.
Produsen menjelaskan transformer autoregresif dengan perhatian lokal berjendela geser dan perhatian global berkala. Tiga lapisan lokal menggunakan jendela 4.096 token dengan pengodean posisi rotari; lapisan keempat menggunakan perhatian global tanpa embedding posisi. Fine-tuning terawasi dan pelatihan preferensi membentuk perilaku yang membantu dalam percakapan serta berfokus pada tugas. Model dilatih dalam 23 bahasa dan mendukung tugas lintas bahasa, seperti penerjemahan atau menjawab pertanyaan tentang materi yang ditulis dalam bahasa lain.
Tentukan bahasa jawaban dan pertahankan terminologi yang diperlukan. Untuk asisten pengetahuan multibahasa, beri nama tersendiri pada bagian-bagian sumber dan minta penjelasan yang mempertahankan nama produk, pengenal kode, dan kata-kata yang dikutip. Jawaban akhir yang berguna menunjukkan sumber di balik suatu kesimpulan, alih-alih menghilangkan perbedaan yang penting bagi tugas saat menerjemahkan.
Secara bawaan, Command A bersifat percakapan dan sering menambahkan pengantar, pertanyaan lanjutan, serta format Markdown atau matematika. Untuk ekstraksi, kategorisasi, peringkasan, atau penerjemahan, gunakan pendekatan instruksi sistem dari produsen untuk meminta hanya jawaban yang diperlukan serta tentukan apakah Markdown atau pagar kode perlu disertakan dalam keluaran. Hal ini mencegah pengantar percakapan yang ramah diperlakukan sebagai bagian dari catatan data untuk pemrosesan selanjutnya.
Kartu model menjelaskan mode keselamatan kontekstual dan ketat, dengan mode kontekstual sebagai bawaan produsen. Ini merupakan pengaturan perilaku yang terdokumentasi dalam profil produsen, terlepas dari format yang diminta oleh tugas. Definisikan konteks tugas yang relevan dan keluaran yang diinginkan secara jelas.
Command A dilatih untuk tahap pembuatan jawaban dalam retrieval-augmented generation. Masukannya memadukan percakapan dengan cuplikan dokumen yang diberikan, biasanya sekitar 100–400 kata per potongan, yang direpresentasikan dengan kunci deskriptif singkat serta nilai tekstual atau semiterstruktur. Produsen juga menganjurkan perbandingan format khusus ini dengan dokumen relevan yang ditempatkan langsung dalam pesan pengguna.
Untuk perbandingan kebijakan atau teknis, beri label pada setiap cuplikan dan minta kesimpulan yang didukung bagian relevan. Dalam format produsen yang mengaktifkan sitasi, keluaran mengaitkan rentang jawaban dengan sumber pendukung. Simpan pengenal dokumen yang diambil agar referensi tersebut tetap dapat dipahami. Sitasi menunjukkan materi yang diberikan mana yang mendukung rentang teks yang dihasilkan; sistem di sekelilingnya menyediakan proses pengambilan informasi yang sebenarnya.
Produsen melatih Command A untuk penggunaan alat dalam percakapan dengan deskripsi fungsi berbasis skema JSON. Model dapat menghasilkan rencana dan pemanggilan yang dipilih, aplikasi melakukan pemanggilan tersebut, lalu hasil dalam bentuk dictionary dikembalikan ke percakapan dengan pengenal pemanggilan alat yang sesuai. Model kemudian menggunakan pengamatan tersebut untuk menghasilkan jawaban, dengan opsi mengaitkan rentang sumber pada hasil alat.
Tugas pemrograman mencakup pembuatan SQL, penjelasan kode, serta penerjemahan atau penulisan ulang kode. Berikan skema atau implementasi yang relevan serta perilaku yang harus dipertahankan. Produsen merekomendasikan temperature rendah, termasuk greedy decoding jika sesuai, untuk instruksi pembuatan kode. Tinjau SQL atau kode yang dihasilkan sebelum menjalankannya dan kembalikan pengamatan validasi yang nyata saat merevisi hasil.
Kartu model mencatat perbedaan konteks yang praktis: model mendukung 256K, sedangkan konfigurasi Hugging Face yang diterbitkan ditetapkan pada 128K dan dapat disesuaikan. Pertahankan konfigurasi konteks aktual dari alur kerja yang dipilih dan sisakan ruang untuk jawaban. Hasil yang berguna adalah artefak teks atau kode yang diminta, disertai bukti yang dapat ditelusuri ke sumber dan pengamatan alat yang diberikan.
", "aboutText": "Command A adalah model teks Cohere yang dirilis pada Maret 2025 untuk agen perusahaan, jawaban yang diperkaya melalui pengambilan informasi, dan pekerjaan multibahasa. Edisi ini memiliki 111 miliar parameter, menerima teks, dan menghasilkan teks. Konteks model dari produsen adalah 256K token, dengan keluaran maksimum 8.000 token dalam profil layanan yang diterbitkan. Model ini terpisah dari Command A Vision, Command A Reasoning, dan edisi multimodal A+ yang hadir kemudian.\n\n### Detail model dan bahasa\n\nProdusen menjelaskan transformer autoregresif dengan perhatian lokal berjendela geser dan perhatian global berkala. Tiga lapisan lokal menggunakan jendela 4.096 token dengan pengodean posisi rotari; lapisan keempat menggunakan perhatian global tanpa embedding posisi. Fine-tuning terawasi dan pelatihan preferensi membentuk perilaku yang membantu dalam percakapan serta berfokus pada tugas. Model dilatih dalam 23 bahasa dan mendukung tugas lintas bahasa, seperti penerjemahan atau menjawab pertanyaan tentang materi yang ditulis dalam bahasa lain.\n\nTentukan bahasa jawaban dan pertahankan terminologi yang diperlukan. Untuk asisten pengetahuan multibahasa, beri nama tersendiri pada bagian-bagian sumber dan minta penjelasan yang mempertahankan nama produk, pengenal kode, dan kata-kata yang dikutip. Jawaban akhir yang berguna menunjukkan sumber di balik suatu kesimpulan, alih-alih menghilangkan perbedaan yang penting bagi tugas saat menerjemahkan.\n\n### Percakapan dan keluaran yang berfokus pada tugas\n\nSecara bawaan, Command A bersifat percakapan dan sering menambahkan pengantar, pertanyaan lanjutan, serta format Markdown atau matematika. Untuk ekstraksi, kategorisasi, peringkasan, atau penerjemahan, gunakan pendekatan instruksi sistem dari produsen untuk meminta hanya jawaban yang diperlukan serta tentukan apakah Markdown atau pagar kode perlu disertakan dalam keluaran. Hal ini mencegah pengantar percakapan yang ramah diperlakukan sebagai bagian dari catatan data untuk pemrosesan selanjutnya.\n\nKartu model menjelaskan mode keselamatan kontekstual dan ketat, dengan mode kontekstual sebagai bawaan produsen. Ini merupakan pengaturan perilaku yang terdokumentasi dalam profil produsen, terlepas dari format yang diminta oleh tugas. Definisikan konteks tugas yang relevan dan keluaran yang diinginkan secara jelas.\n\n### Generasi berdasarkan sumber\n\nCommand A dilatih untuk tahap pembuatan jawaban dalam retrieval-augmented generation. Masukannya memadukan percakapan dengan cuplikan dokumen yang diberikan, biasanya sekitar 100–400 kata per potongan, yang direpresentasikan dengan kunci deskriptif singkat serta nilai tekstual atau semiterstruktur. Produsen juga menganjurkan perbandingan format khusus ini dengan dokumen relevan yang ditempatkan langsung dalam pesan pengguna.\n\nUntuk perbandingan kebijakan atau teknis, beri label pada setiap cuplikan dan minta kesimpulan yang didukung bagian relevan. Dalam format produsen yang mengaktifkan sitasi, keluaran mengaitkan rentang jawaban dengan sumber pendukung. Simpan pengenal dokumen yang diambil agar referensi tersebut tetap dapat dipahami. Sitasi menunjukkan materi yang diberikan mana yang mendukung rentang teks yang dihasilkan; sistem di sekelilingnya menyediakan proses pengambilan informasi yang sebenarnya.\n\n### Alat dan kode\n\nProdusen melatih Command A untuk penggunaan alat dalam percakapan dengan deskripsi fungsi berbasis skema JSON. Model dapat menghasilkan rencana dan pemanggilan yang dipilih, aplikasi melakukan pemanggilan tersebut, lalu hasil dalam bentuk dictionary dikembalikan ke percakapan dengan pengenal pemanggilan alat yang sesuai. Model kemudian menggunakan pengamatan tersebut untuk menghasilkan jawaban, dengan opsi mengaitkan rentang sumber pada hasil alat.\n\nTugas pemrograman mencakup pembuatan SQL, penjelasan kode, serta penerjemahan atau penulisan ulang kode. Berikan skema atau implementasi yang relevan serta perilaku yang harus dipertahankan. Produsen merekomendasikan temperature rendah, termasuk greedy decoding jika sesuai, untuk instruksi pembuatan kode. Tinjau SQL atau kode yang dihasilkan sebelum menjalankannya dan kembalikan pengamatan validasi yang nyata saat merevisi hasil.\n\nKartu model mencatat perbedaan konteks yang praktis: model mendukung 256K, sedangkan konfigurasi Hugging Face yang diterbitkan ditetapkan pada 128K dan dapat disesuaikan. Pertahankan konfigurasi konteks aktual dari alur kerja yang dipilih dan sisakan ruang untuk jawaban. Hasil yang berguna adalah artefak teks atau kode yang diminta, disertai bukti yang dapat ditelusuri ke sumber dan pengamatan alat yang diberikan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A adalah model teks 111B Cohere untuk agen perusahaan multibahasa, jawaban berdasarkan dokumen, dan pekerjaan dengan panduan alat. Model ini memadukan konteks 256K dengan sitasi sumber, bantuan pemrograman, dan pelatihan dalam 23 bahasa, serta menghasilkan teks dari instruksi tertulis dan bukti yang diberikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Command A adalah model teks Cohere yang dirilis pada Maret 2025 untuk agen perusahaan, jawaban yang diperkaya melalui pengambilan informasi, dan pekerjaan multibahasa. Edisi ini memiliki 111 miliar parameter, menerima teks, dan menghasilkan teks. Konteks model dari produsen adalah 256K token, dengan keluaran maksimum 8.000 token dalam profil layanan yang diterbitkan. Model ini terpisah dari Command A Vision, Command A Reasoning, dan edisi multimodal A+ yang hadir kemudian.
Produsen menjelaskan transformer autoregresif dengan perhatian lokal berjendela geser dan perhatian global berkala. Tiga lapisan lokal menggunakan jendela 4.096 token dengan pengodean posisi rotari; lapisan keempat menggunakan perhatian global tanpa embedding posisi. Fine-tuning terawasi dan pelatihan preferensi membentuk perilaku yang membantu dalam percakapan serta berfokus pada tugas. Model dilatih dalam 23 bahasa dan mendukung tugas lintas bahasa, seperti penerjemahan atau menjawab pertanyaan tentang materi yang ditulis dalam bahasa lain.
Tentukan bahasa jawaban dan pertahankan terminologi yang diperlukan. Untuk asisten pengetahuan multibahasa, beri nama tersendiri pada bagian-bagian sumber dan minta penjelasan yang mempertahankan nama produk, pengenal kode, dan kata-kata yang dikutip. Jawaban akhir yang berguna menunjukkan sumber di balik suatu kesimpulan, alih-alih menghilangkan perbedaan yang penting bagi tugas saat menerjemahkan.
Secara bawaan, Command A bersifat percakapan dan sering menambahkan pengantar, pertanyaan lanjutan, serta format Markdown atau matematika. Untuk ekstraksi, kategorisasi, peringkasan, atau penerjemahan, gunakan pendekatan instruksi sistem dari produsen untuk meminta hanya jawaban yang diperlukan serta tentukan apakah Markdown atau pagar kode perlu disertakan dalam keluaran. Hal ini mencegah pengantar percakapan yang ramah diperlakukan sebagai bagian dari catatan data untuk pemrosesan selanjutnya.
Kartu model menjelaskan mode keselamatan kontekstual dan ketat, dengan mode kontekstual sebagai bawaan produsen. Ini merupakan pengaturan perilaku yang terdokumentasi dalam profil produsen, terlepas dari format yang diminta oleh tugas. Definisikan konteks tugas yang relevan dan keluaran yang diinginkan secara jelas.
Command A dilatih untuk tahap pembuatan jawaban dalam retrieval-augmented generation. Masukannya memadukan percakapan dengan cuplikan dokumen yang diberikan, biasanya sekitar 100–400 kata per potongan, yang direpresentasikan dengan kunci deskriptif singkat serta nilai tekstual atau semiterstruktur. Produsen juga menganjurkan perbandingan format khusus ini dengan dokumen relevan yang ditempatkan langsung dalam pesan pengguna.
Untuk perbandingan kebijakan atau teknis, beri label pada setiap cuplikan dan minta kesimpulan yang didukung bagian relevan. Dalam format produsen yang mengaktifkan sitasi, keluaran mengaitkan rentang jawaban dengan sumber pendukung. Simpan pengenal dokumen yang diambil agar referensi tersebut tetap dapat dipahami. Sitasi menunjukkan materi yang diberikan mana yang mendukung rentang teks yang dihasilkan; sistem di sekelilingnya menyediakan proses pengambilan informasi yang sebenarnya.
Produsen melatih Command A untuk penggunaan alat dalam percakapan dengan deskripsi fungsi berbasis skema JSON. Model dapat menghasilkan rencana dan pemanggilan yang dipilih, aplikasi melakukan pemanggilan tersebut, lalu hasil dalam bentuk dictionary dikembalikan ke percakapan dengan pengenal pemanggilan alat yang sesuai. Model kemudian menggunakan pengamatan tersebut untuk menghasilkan jawaban, dengan opsi mengaitkan rentang sumber pada hasil alat.
Tugas pemrograman mencakup pembuatan SQL, penjelasan kode, serta penerjemahan atau penulisan ulang kode. Berikan skema atau implementasi yang relevan serta perilaku yang harus dipertahankan. Produsen merekomendasikan temperature rendah, termasuk greedy decoding jika sesuai, untuk instruksi pembuatan kode. Tinjau SQL atau kode yang dihasilkan sebelum menjalankannya dan kembalikan pengamatan validasi yang nyata saat merevisi hasil.
Kartu model mencatat perbedaan konteks yang praktis: model mendukung 256K, sedangkan konfigurasi Hugging Face yang diterbitkan ditetapkan pada 128K dan dapat disesuaikan. Pertahankan konfigurasi konteks aktual dari alur kerja yang dipilih dan sisakan ruang untuk jawaban. Hasil yang berguna adalah artefak teks atau kode yang diminta, disertai bukti yang dapat ditelusuri ke sumber dan pengamatan alat yang diberikan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan cohere/command-a | 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 $0.02 / 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 $0.005 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Gunakan jalur metode yang ditampilkan di atas.
cohere/command-aCommand A adalah model teks 111B Cohere untuk agen perusahaan multibahasa, jawaban berdasarkan dokumen, dan pekerjaan dengan panduan alat. Model ini memadukan konteks 256K dengan sitasi sumber, bantuan pemrograman, dan pelatihan dalam 23 bahasa, serta menghasilkan teks dari instruksi tertulis dan bukti yang diberikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Command A adalah model teks Cohere yang dirilis pada Maret 2025 untuk agen perusahaan, jawaban yang diperkaya melalui pengambilan informasi, dan pekerjaan multibahasa. Edisi ini memiliki 111 miliar parameter, menerima teks, dan menghasilkan teks. Konteks model dari produsen adalah 256K token, dengan keluaran maksimum 8.000 token dalam profil layanan yang diterbitkan. Model ini terpisah dari Command A Vision, Command A Reasoning, dan edisi multimodal A+ yang hadir kemudian.
Produsen menjelaskan transformer autoregresif dengan perhatian lokal berjendela geser dan perhatian global berkala. Tiga lapisan lokal menggunakan jendela 4.096 token dengan pengodean posisi rotari; lapisan keempat menggunakan perhatian global tanpa embedding posisi. Fine-tuning terawasi dan pelatihan preferensi membentuk perilaku yang membantu dalam percakapan serta berfokus pada tugas. Model dilatih dalam 23 bahasa dan mendukung tugas lintas bahasa, seperti penerjemahan atau menjawab pertanyaan tentang materi yang ditulis dalam bahasa lain.
Tentukan bahasa jawaban dan pertahankan terminologi yang diperlukan. Untuk asisten pengetahuan multibahasa, beri nama tersendiri pada bagian-bagian sumber dan minta penjelasan yang mempertahankan nama produk, pengenal kode, dan kata-kata yang dikutip. Jawaban akhir yang berguna menunjukkan sumber di balik suatu kesimpulan, alih-alih menghilangkan perbedaan yang penting bagi tugas saat menerjemahkan.
Secara bawaan, Command A bersifat percakapan dan sering menambahkan pengantar, pertanyaan lanjutan, serta format Markdown atau matematika. Untuk ekstraksi, kategorisasi, peringkasan, atau penerjemahan, gunakan pendekatan instruksi sistem dari produsen untuk meminta hanya jawaban yang diperlukan serta tentukan apakah Markdown atau pagar kode perlu disertakan dalam keluaran. Hal ini mencegah pengantar percakapan yang ramah diperlakukan sebagai bagian dari catatan data untuk pemrosesan selanjutnya.
Kartu model menjelaskan mode keselamatan kontekstual dan ketat, dengan mode kontekstual sebagai bawaan produsen. Ini merupakan pengaturan perilaku yang terdokumentasi dalam profil produsen, terlepas dari format yang diminta oleh tugas. Definisikan konteks tugas yang relevan dan keluaran yang diinginkan secara jelas.
Command A dilatih untuk tahap pembuatan jawaban dalam retrieval-augmented generation. Masukannya memadukan percakapan dengan cuplikan dokumen yang diberikan, biasanya sekitar 100–400 kata per potongan, yang direpresentasikan dengan kunci deskriptif singkat serta nilai tekstual atau semiterstruktur. Produsen juga menganjurkan perbandingan format khusus ini dengan dokumen relevan yang ditempatkan langsung dalam pesan pengguna.
Untuk perbandingan kebijakan atau teknis, beri label pada setiap cuplikan dan minta kesimpulan yang didukung bagian relevan. Dalam format produsen yang mengaktifkan sitasi, keluaran mengaitkan rentang jawaban dengan sumber pendukung. Simpan pengenal dokumen yang diambil agar referensi tersebut tetap dapat dipahami. Sitasi menunjukkan materi yang diberikan mana yang mendukung rentang teks yang dihasilkan; sistem di sekelilingnya menyediakan proses pengambilan informasi yang sebenarnya.
Produsen melatih Command A untuk penggunaan alat dalam percakapan dengan deskripsi fungsi berbasis skema JSON. Model dapat menghasilkan rencana dan pemanggilan yang dipilih, aplikasi melakukan pemanggilan tersebut, lalu hasil dalam bentuk dictionary dikembalikan ke percakapan dengan pengenal pemanggilan alat yang sesuai. Model kemudian menggunakan pengamatan tersebut untuk menghasilkan jawaban, dengan opsi mengaitkan rentang sumber pada hasil alat.
Tugas pemrograman mencakup pembuatan SQL, penjelasan kode, serta penerjemahan atau penulisan ulang kode. Berikan skema atau implementasi yang relevan serta perilaku yang harus dipertahankan. Produsen merekomendasikan temperature rendah, termasuk greedy decoding jika sesuai, untuk instruksi pembuatan kode. Tinjau SQL atau kode yang dihasilkan sebelum menjalankannya dan kembalikan pengamatan validasi yang nyata saat merevisi hasil.
Kartu model mencatat perbedaan konteks yang praktis: model mendukung 256K, sedangkan konfigurasi Hugging Face yang diterbitkan ditetapkan pada 128K dan dapat disesuaikan. Pertahankan konfigurasi konteks aktual dari alur kerja yang dipilih dan sisakan ruang untuk jawaban. Hasil yang berguna adalah artefak teks atau kode yang diminta, disertai bukti yang dapat ditelusuri ke sumber dan pengamatan alat yang diberikan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan cohere/command-a | 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 $0.02 / 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 $0.005 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.