Ling 3.1 Flash adalah model bahasa penalaran hibrida inclusionAI untuk tugas yang melibatkan beberapa tahap, bukan satu jawaban singkat. Produsen memosisikannya untuk pekerjaan kantor sehari-hari, rekayasa perangkat lunak berkelanjutan, dan alur kerja agen kompleks. Model ini menggunakan arsitektur mixture-of-experts dengan sekitar 560 miliar parameter total dan sekitar 25 miliar parameter aktif untuk setiap token, menyeimbangkan kapasitas model besar dengan komputasi aktif yang lebih kecil.
Tujuan utama desainnya adalah mempertahankan status tugas dan memperbaiki arah pekerjaan yang lebih panjang. Dalam alur kerja yang terhubung ke alat, model dapat merencanakan beberapa langkah, menafsirkan hasil antara, dan merevisi langkah berikutnya ketika bukti berubah. Berikan tujuan yang tepat, materi yang tersedia, dan definisi penyelesaian. Contoh: “Tinjau catatan insiden ini, identifikasi penyebab yang belum terselesaikan, dan buat rencana investigasi berprioritas. Untuk setiap tindakan, sebutkan bukti yang diperlukan untuk menentukan apakah tindakan itu berhasil.” Ini mengubah permintaan samar menjadi hasil yang dapat diperiksa dan dilanjutkan.
Untuk pekerjaan kantor, masukan yang berguna meliputi catatan sumber, teks hasil ekstraksi dokumen, tabel dengan definisi kolom yang jelas, dan audiens laporan yang dituju. Nyatakan periode, satuan, dan perbandingan yang digunakan. Mintalah hasil tertulis seperti ringkasan pengarahan manajemen, kerangka laporan, atau penjelasan perubahan penting. Contohnya: “Hanya berdasarkan tabel triwulanan ini, jelaskan perubahan terbesar, bedakan nilai yang diamati dari asumsi, dan susun ringkasan pengarahan dengan pertanyaan yang belum terjawab di bagian akhir.” Pertahankan label sumber bersama masukan agar klaim hasil dapat ditelusuri ke materi yang tepat.
Untuk pengembangan perangkat lunak, produsen menonjolkan refactoring lintas bahasa, optimasi kinerja, dan analisis bagian basis kode yang sering digunakan. Berikan berkas relevan sebagai teks, perilaku yang harus dipertahankan, versi dependensi, serta keluaran gagal atau pengukuran yang tersedia. Permintaan yang berguna meminta usulan perubahan dan pemeriksaan untuk menilainya: “Lakukan refactoring parser ini sambil mempertahankan format keluaran yang didokumentasikan. Jelaskan perilaku yang terpengaruh, tampilkan kode revisi, dan identifikasi kasus yang dapat mengungkap regresi.” Untuk pekerjaan kinerja, berikan profil atau pengukuran waktu nyata dan minta setiap rekomendasi dihubungkan dengan hambatan yang terukur.
Untuk analisis profesional, kumpulkan aturan, definisi, dan bukti yang relevan sebelum meminta rekomendasi. Ling 3.1 Flash ditujukan untuk menyintesis informasi yang tersebar, menafsirkan indikator, dan mengembangkan saran tindakan. Mintalah perbandingan yang menyebut asumsi dan informasi tambahan yang masih dibutuhkan, bukan putusan tanpa dukungan. Misalnya, berikan beberapa proposal proyek dan minta memo keputusan dengan kriteria yang sama bagi masing-masing, serta pengamatan yang didukung sumber dipisahkan dari konsekuensi yang disimpulkan. Ketika bukti bertentangan, mintalah bagian teks yang bertentangan dan pertanyaan yang dapat menyelesaikannya.
Produsen membedakan batas konteks model sebesar 1M token dari konteks 256K yang saat ini dibuka oleh layanan resminya. Angka ini menggambarkan batas berbeda. Susun materi kerja berdasarkan jendela yang berlaku dan sisakan ruang bagi respons; batas tingkat model tidak berarti setiap antarmuka menerima masukan sebesar itu. Untuk tugas besar, simpan tujuan, keputusan yang sudah diselesaikan, pertanyaan terbuka, dan referensi sumber bersama. Gunakan batas eksplisit di sekitar dokumen dan kode agar materi yang perlu dianalisis tidak disalahartikan sebagai instruksi untuk diikuti.
Siapkan tugas yang terhubung ke alat dengan deskripsi alat yang jelas, argumen yang diharapkan, dan catatan hasil yang berguna. Masukkan hasil nyata kembali ke percakapan agar usulan berikutnya berdasarkan pengamatan. Mintalah model menjelaskan perubahan yang ditimbulkan hasil tersebut dan bukti yang masih kurang. Desain model yang berorientasi agen mendukung pola perencanaan dan umpan balik ini; aplikasi yang mengelilinginya menjalankan langkah alat dan menyimpan hasilnya. Usulan perintah, perubahan kode, atau laporan paling berguna ketika statusnya jelas: diusulkan, dijalankan dengan hasil tercatat, atau masih menunggu verifikasi.
Ling 3.1 Flash termasuk dalam lini model bahasa; edisi terpisah Ling 3.0 Flash VL adalah model visual produsen. Untuk tugas teks ini, siapkan isi sumber tekstual dan pertahankan struktur, label, serta asal-usulnya. Tentukan bahasa dan bentuk keluaran, seperti memo ringkas, tabel temuan, penjelasan patch, atau rencana bernomor. Mintalah model menandai informasi yang kurang dan periksa hasil yang diminta terhadap batasan awal. Alur kerja panjang tetap memerlukan pemeriksaan hasil antara: asumsi keliru di awal dapat terbawa ke penalaran selanjutnya dan dipoles menjadi laporan akhir yang meyakinkan.
", "aboutText": "Ling 3.1 Flash adalah model bahasa penalaran hibrida inclusionAI untuk tugas yang melibatkan beberapa tahap, bukan satu jawaban singkat. Produsen memosisikannya untuk pekerjaan kantor sehari-hari, rekayasa perangkat lunak berkelanjutan, dan alur kerja agen kompleks. Model ini menggunakan arsitektur mixture-of-experts dengan sekitar 560 miliar parameter total dan sekitar 25 miliar parameter aktif untuk setiap token, menyeimbangkan kapasitas model besar dengan komputasi aktif yang lebih kecil.\n\nTujuan utama desainnya adalah mempertahankan status tugas dan memperbaiki arah pekerjaan yang lebih panjang. Dalam alur kerja yang terhubung ke alat, model dapat merencanakan beberapa langkah, menafsirkan hasil antara, dan merevisi langkah berikutnya ketika bukti berubah. Berikan tujuan yang tepat, materi yang tersedia, dan definisi penyelesaian. Contoh: “Tinjau catatan insiden ini, identifikasi penyebab yang belum terselesaikan, dan buat rencana investigasi berprioritas. Untuk setiap tindakan, sebutkan bukti yang diperlukan untuk menentukan apakah tindakan itu berhasil.” Ini mengubah permintaan samar menjadi hasil yang dapat diperiksa dan dilanjutkan.\n\nUntuk pekerjaan kantor, masukan yang berguna meliputi catatan sumber, teks hasil ekstraksi dokumen, tabel dengan definisi kolom yang jelas, dan audiens laporan yang dituju. Nyatakan periode, satuan, dan perbandingan yang digunakan. Mintalah hasil tertulis seperti ringkasan pengarahan manajemen, kerangka laporan, atau penjelasan perubahan penting. Contohnya: “Hanya berdasarkan tabel triwulanan ini, jelaskan perubahan terbesar, bedakan nilai yang diamati dari asumsi, dan susun ringkasan pengarahan dengan pertanyaan yang belum terjawab di bagian akhir.” Pertahankan label sumber bersama masukan agar klaim hasil dapat ditelusuri ke materi yang tepat.\n\nUntuk pengembangan perangkat lunak, produsen menonjolkan refactoring lintas bahasa, optimasi kinerja, dan analisis bagian basis kode yang sering digunakan. Berikan berkas relevan sebagai teks, perilaku yang harus dipertahankan, versi dependensi, serta keluaran gagal atau pengukuran yang tersedia. Permintaan yang berguna meminta usulan perubahan dan pemeriksaan untuk menilainya: “Lakukan refactoring parser ini sambil mempertahankan format keluaran yang didokumentasikan. Jelaskan perilaku yang terpengaruh, tampilkan kode revisi, dan identifikasi kasus yang dapat mengungkap regresi.” Untuk pekerjaan kinerja, berikan profil atau pengukuran waktu nyata dan minta setiap rekomendasi dihubungkan dengan hambatan yang terukur.\n\nUntuk analisis profesional, kumpulkan aturan, definisi, dan bukti yang relevan sebelum meminta rekomendasi. Ling 3.1 Flash ditujukan untuk menyintesis informasi yang tersebar, menafsirkan indikator, dan mengembangkan saran tindakan. Mintalah perbandingan yang menyebut asumsi dan informasi tambahan yang masih dibutuhkan, bukan putusan tanpa dukungan. Misalnya, berikan beberapa proposal proyek dan minta memo keputusan dengan kriteria yang sama bagi masing-masing, serta pengamatan yang didukung sumber dipisahkan dari konsekuensi yang disimpulkan. Ketika bukti bertentangan, mintalah bagian teks yang bertentangan dan pertanyaan yang dapat menyelesaikannya.\n\nProdusen membedakan batas konteks model sebesar 1M token dari konteks 256K yang saat ini dibuka oleh layanan resminya. Angka ini menggambarkan batas berbeda. Susun materi kerja berdasarkan jendela yang berlaku dan sisakan ruang bagi respons; batas tingkat model tidak berarti setiap antarmuka menerima masukan sebesar itu. Untuk tugas besar, simpan tujuan, keputusan yang sudah diselesaikan, pertanyaan terbuka, dan referensi sumber bersama. Gunakan batas eksplisit di sekitar dokumen dan kode agar materi yang perlu dianalisis tidak disalahartikan sebagai instruksi untuk diikuti.\n\nSiapkan tugas yang terhubung ke alat dengan deskripsi alat yang jelas, argumen yang diharapkan, dan catatan hasil yang berguna. Masukkan hasil nyata kembali ke percakapan agar usulan berikutnya berdasarkan pengamatan. Mintalah model menjelaskan perubahan yang ditimbulkan hasil tersebut dan bukti yang masih kurang. Desain model yang berorientasi agen mendukung pola perencanaan dan umpan balik ini; aplikasi yang mengelilinginya menjalankan langkah alat dan menyimpan hasilnya. Usulan perintah, perubahan kode, atau laporan paling berguna ketika statusnya jelas: diusulkan, dijalankan dengan hasil tercatat, atau masih menunggu verifikasi.\n\nLing 3.1 Flash termasuk dalam lini model bahasa; edisi terpisah Ling 3.0 Flash VL adalah model visual produsen. Untuk tugas teks ini, siapkan isi sumber tekstual dan pertahankan struktur, label, serta asal-usulnya. Tentukan bahasa dan bentuk keluaran, seperti memo ringkas, tabel temuan, penjelasan patch, atau rencana bernomor. Mintalah model menandai informasi yang kurang dan periksa hasil yang diminta terhadap batasan awal. Alur kerja panjang tetap memerlukan pemeriksaan hasil antara: asumsi keliru di awal dapat terbawa ke penalaran selanjutnya dan dipoles menjadi laporan akhir yang meyakinkan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "367e0f16a4d257852abbaee745c75ef740a9559c10dab10c61729ec13eec8b45", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash adalah model penalaran hibrida inclusionAI untuk pekerjaan kantor, pengembangan perangkat lunak berkelanjutan, dan agen kompleks. Arsitektur sparse dengan 560 miliar parameter mengaktifkan sekitar 25 miliar parameter per token, mendukung perencanaan beberapa langkah, interaksi alat, dan revisi berdasarkan hasil antara.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Ling 3.1 Flash adalah model bahasa penalaran hibrida inclusionAI untuk tugas yang melibatkan beberapa tahap, bukan satu jawaban singkat. Produsen memosisikannya untuk pekerjaan kantor sehari-hari, rekayasa perangkat lunak berkelanjutan, dan alur kerja agen kompleks. Model ini menggunakan arsitektur mixture-of-experts dengan sekitar 560 miliar parameter total dan sekitar 25 miliar parameter aktif untuk setiap token, menyeimbangkan kapasitas model besar dengan komputasi aktif yang lebih kecil.
Tujuan utama desainnya adalah mempertahankan status tugas dan memperbaiki arah pekerjaan yang lebih panjang. Dalam alur kerja yang terhubung ke alat, model dapat merencanakan beberapa langkah, menafsirkan hasil antara, dan merevisi langkah berikutnya ketika bukti berubah. Berikan tujuan yang tepat, materi yang tersedia, dan definisi penyelesaian. Contoh: “Tinjau catatan insiden ini, identifikasi penyebab yang belum terselesaikan, dan buat rencana investigasi berprioritas. Untuk setiap tindakan, sebutkan bukti yang diperlukan untuk menentukan apakah tindakan itu berhasil.” Ini mengubah permintaan samar menjadi hasil yang dapat diperiksa dan dilanjutkan.
Untuk pekerjaan kantor, masukan yang berguna meliputi catatan sumber, teks hasil ekstraksi dokumen, tabel dengan definisi kolom yang jelas, dan audiens laporan yang dituju. Nyatakan periode, satuan, dan perbandingan yang digunakan. Mintalah hasil tertulis seperti ringkasan pengarahan manajemen, kerangka laporan, atau penjelasan perubahan penting. Contohnya: “Hanya berdasarkan tabel triwulanan ini, jelaskan perubahan terbesar, bedakan nilai yang diamati dari asumsi, dan susun ringkasan pengarahan dengan pertanyaan yang belum terjawab di bagian akhir.” Pertahankan label sumber bersama masukan agar klaim hasil dapat ditelusuri ke materi yang tepat.
Untuk pengembangan perangkat lunak, produsen menonjolkan refactoring lintas bahasa, optimasi kinerja, dan analisis bagian basis kode yang sering digunakan. Berikan berkas relevan sebagai teks, perilaku yang harus dipertahankan, versi dependensi, serta keluaran gagal atau pengukuran yang tersedia. Permintaan yang berguna meminta usulan perubahan dan pemeriksaan untuk menilainya: “Lakukan refactoring parser ini sambil mempertahankan format keluaran yang didokumentasikan. Jelaskan perilaku yang terpengaruh, tampilkan kode revisi, dan identifikasi kasus yang dapat mengungkap regresi.” Untuk pekerjaan kinerja, berikan profil atau pengukuran waktu nyata dan minta setiap rekomendasi dihubungkan dengan hambatan yang terukur.
Untuk analisis profesional, kumpulkan aturan, definisi, dan bukti yang relevan sebelum meminta rekomendasi. Ling 3.1 Flash ditujukan untuk menyintesis informasi yang tersebar, menafsirkan indikator, dan mengembangkan saran tindakan. Mintalah perbandingan yang menyebut asumsi dan informasi tambahan yang masih dibutuhkan, bukan putusan tanpa dukungan. Misalnya, berikan beberapa proposal proyek dan minta memo keputusan dengan kriteria yang sama bagi masing-masing, serta pengamatan yang didukung sumber dipisahkan dari konsekuensi yang disimpulkan. Ketika bukti bertentangan, mintalah bagian teks yang bertentangan dan pertanyaan yang dapat menyelesaikannya.
Produsen membedakan batas konteks model sebesar 1M token dari konteks 256K yang saat ini dibuka oleh layanan resminya. Angka ini menggambarkan batas berbeda. Susun materi kerja berdasarkan jendela yang berlaku dan sisakan ruang bagi respons; batas tingkat model tidak berarti setiap antarmuka menerima masukan sebesar itu. Untuk tugas besar, simpan tujuan, keputusan yang sudah diselesaikan, pertanyaan terbuka, dan referensi sumber bersama. Gunakan batas eksplisit di sekitar dokumen dan kode agar materi yang perlu dianalisis tidak disalahartikan sebagai instruksi untuk diikuti.
Siapkan tugas yang terhubung ke alat dengan deskripsi alat yang jelas, argumen yang diharapkan, dan catatan hasil yang berguna. Masukkan hasil nyata kembali ke percakapan agar usulan berikutnya berdasarkan pengamatan. Mintalah model menjelaskan perubahan yang ditimbulkan hasil tersebut dan bukti yang masih kurang. Desain model yang berorientasi agen mendukung pola perencanaan dan umpan balik ini; aplikasi yang mengelilinginya menjalankan langkah alat dan menyimpan hasilnya. Usulan perintah, perubahan kode, atau laporan paling berguna ketika statusnya jelas: diusulkan, dijalankan dengan hasil tercatat, atau masih menunggu verifikasi.
Ling 3.1 Flash termasuk dalam lini model bahasa; edisi terpisah Ling 3.0 Flash VL adalah model visual produsen. Untuk tugas teks ini, siapkan isi sumber tekstual dan pertahankan struktur, label, serta asal-usulnya. Tentukan bahasa dan bentuk keluaran, seperti memo ringkas, tabel temuan, penjelasan patch, atau rencana bernomor. Mintalah model menandai informasi yang kurang dan periksa hasil yang diminta terhadap batasan awal. Alur kerja panjang tetap memerlukan pemeriksaan hasil antara: asumsi keliru di awal dapat terbawa ke penalaran selanjutnya dan dipoles menjadi laporan akhir yang meyakinkan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan inclusionai/ling-3.1-flash | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Percakapan teks | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
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 |
Parametercontrol_scope | KontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias metode: /chat/completions
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 $0.0006 / 1K token Keluaran · Token keluaran $0.0018 / 1K token Masukan · Pembacaan cache $0.00012 / 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 $0.0006 / 1K token Keluaran · Token keluaran $0.0018 / 1K token Masukan · Pembacaan cache $0.00012 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash adalah model penalaran hibrida inclusionAI untuk pekerjaan kantor, pengembangan perangkat lunak berkelanjutan, dan agen kompleks. Arsitektur sparse dengan 560 miliar parameter mengaktifkan sekitar 25 miliar parameter per token, mendukung perencanaan beberapa langkah, interaksi alat, dan revisi berdasarkan hasil antara.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Ling 3.1 Flash adalah model bahasa penalaran hibrida inclusionAI untuk tugas yang melibatkan beberapa tahap, bukan satu jawaban singkat. Produsen memosisikannya untuk pekerjaan kantor sehari-hari, rekayasa perangkat lunak berkelanjutan, dan alur kerja agen kompleks. Model ini menggunakan arsitektur mixture-of-experts dengan sekitar 560 miliar parameter total dan sekitar 25 miliar parameter aktif untuk setiap token, menyeimbangkan kapasitas model besar dengan komputasi aktif yang lebih kecil.
Tujuan utama desainnya adalah mempertahankan status tugas dan memperbaiki arah pekerjaan yang lebih panjang. Dalam alur kerja yang terhubung ke alat, model dapat merencanakan beberapa langkah, menafsirkan hasil antara, dan merevisi langkah berikutnya ketika bukti berubah. Berikan tujuan yang tepat, materi yang tersedia, dan definisi penyelesaian. Contoh: “Tinjau catatan insiden ini, identifikasi penyebab yang belum terselesaikan, dan buat rencana investigasi berprioritas. Untuk setiap tindakan, sebutkan bukti yang diperlukan untuk menentukan apakah tindakan itu berhasil.” Ini mengubah permintaan samar menjadi hasil yang dapat diperiksa dan dilanjutkan.
Untuk pekerjaan kantor, masukan yang berguna meliputi catatan sumber, teks hasil ekstraksi dokumen, tabel dengan definisi kolom yang jelas, dan audiens laporan yang dituju. Nyatakan periode, satuan, dan perbandingan yang digunakan. Mintalah hasil tertulis seperti ringkasan pengarahan manajemen, kerangka laporan, atau penjelasan perubahan penting. Contohnya: “Hanya berdasarkan tabel triwulanan ini, jelaskan perubahan terbesar, bedakan nilai yang diamati dari asumsi, dan susun ringkasan pengarahan dengan pertanyaan yang belum terjawab di bagian akhir.” Pertahankan label sumber bersama masukan agar klaim hasil dapat ditelusuri ke materi yang tepat.
Untuk pengembangan perangkat lunak, produsen menonjolkan refactoring lintas bahasa, optimasi kinerja, dan analisis bagian basis kode yang sering digunakan. Berikan berkas relevan sebagai teks, perilaku yang harus dipertahankan, versi dependensi, serta keluaran gagal atau pengukuran yang tersedia. Permintaan yang berguna meminta usulan perubahan dan pemeriksaan untuk menilainya: “Lakukan refactoring parser ini sambil mempertahankan format keluaran yang didokumentasikan. Jelaskan perilaku yang terpengaruh, tampilkan kode revisi, dan identifikasi kasus yang dapat mengungkap regresi.” Untuk pekerjaan kinerja, berikan profil atau pengukuran waktu nyata dan minta setiap rekomendasi dihubungkan dengan hambatan yang terukur.
Untuk analisis profesional, kumpulkan aturan, definisi, dan bukti yang relevan sebelum meminta rekomendasi. Ling 3.1 Flash ditujukan untuk menyintesis informasi yang tersebar, menafsirkan indikator, dan mengembangkan saran tindakan. Mintalah perbandingan yang menyebut asumsi dan informasi tambahan yang masih dibutuhkan, bukan putusan tanpa dukungan. Misalnya, berikan beberapa proposal proyek dan minta memo keputusan dengan kriteria yang sama bagi masing-masing, serta pengamatan yang didukung sumber dipisahkan dari konsekuensi yang disimpulkan. Ketika bukti bertentangan, mintalah bagian teks yang bertentangan dan pertanyaan yang dapat menyelesaikannya.
Produsen membedakan batas konteks model sebesar 1M token dari konteks 256K yang saat ini dibuka oleh layanan resminya. Angka ini menggambarkan batas berbeda. Susun materi kerja berdasarkan jendela yang berlaku dan sisakan ruang bagi respons; batas tingkat model tidak berarti setiap antarmuka menerima masukan sebesar itu. Untuk tugas besar, simpan tujuan, keputusan yang sudah diselesaikan, pertanyaan terbuka, dan referensi sumber bersama. Gunakan batas eksplisit di sekitar dokumen dan kode agar materi yang perlu dianalisis tidak disalahartikan sebagai instruksi untuk diikuti.
Siapkan tugas yang terhubung ke alat dengan deskripsi alat yang jelas, argumen yang diharapkan, dan catatan hasil yang berguna. Masukkan hasil nyata kembali ke percakapan agar usulan berikutnya berdasarkan pengamatan. Mintalah model menjelaskan perubahan yang ditimbulkan hasil tersebut dan bukti yang masih kurang. Desain model yang berorientasi agen mendukung pola perencanaan dan umpan balik ini; aplikasi yang mengelilinginya menjalankan langkah alat dan menyimpan hasilnya. Usulan perintah, perubahan kode, atau laporan paling berguna ketika statusnya jelas: diusulkan, dijalankan dengan hasil tercatat, atau masih menunggu verifikasi.
Ling 3.1 Flash termasuk dalam lini model bahasa; edisi terpisah Ling 3.0 Flash VL adalah model visual produsen. Untuk tugas teks ini, siapkan isi sumber tekstual dan pertahankan struktur, label, serta asal-usulnya. Tentukan bahasa dan bentuk keluaran, seperti memo ringkas, tabel temuan, penjelasan patch, atau rencana bernomor. Mintalah model menandai informasi yang kurang dan periksa hasil yang diminta terhadap batasan awal. Alur kerja panjang tetap memerlukan pemeriksaan hasil antara: asumsi keliru di awal dapat terbawa ke penalaran selanjutnya dan dipoles menjadi laporan akhir yang meyakinkan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan inclusionai/ling-3.1-flash | 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 $0.0006 / 1K token Keluaran · Token keluaran $0.0018 / 1K token Masukan · Pembacaan cache $0.00012 / 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 $0.0006 / 1K token Keluaran · Token keluaran $0.0018 / 1K token Masukan · Pembacaan cache $0.00012 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions