Decider V1.1 27B adalah checkpoint keputusan Perplexity yang diperbarui. Model mengevaluasi konten yang diberikan berdasarkan pertanyaan yang ditetapkan dan menghasilkan probabilitas untuk jawaban yang valid. Artefak bawaannya memiliki komponen pembacaan keputusan, bukan kepala pembangkitan bahasa dengan seluruh kosakata. Hasil yang berguna adalah distribusi keputusan yang dibatasi dan jawaban hasil penafsirannya, bukan penjelasan terbuka atau respons percakapan umum.
Perplexity mengidentifikasi model ini sebagai pembaruan Decider V1 27B yang mempertahankan backbone yang sama, dengan perubahan pengaturan atensi dan lebih banyak data pelatihan. Backbone-nya adalah Qwen3.8-27B. Edisi V1.1 harus mempertahankan nama dan konfigurasinya sendiri, bukan digambarkan sebagai salinan checkpoint sebelumnya yang dapat saling dipertukarkan.
Contoh yang diterbitkan menyediakan satu baris berisi keadaan dan pertanyaan choice bertipe. Pertanyaan mencakup instruksi dan kriteria yang kuncinya menjadi jawaban semantik, dengan deskripsi yang menentukan kapan masing-masing berlaku. Model memprediksi probabilitas, lalu fungsi bantu jawaban produsen menafsirkan probabilitas tersebut untuk pertanyaan. Contoh inferensi dapat memproses daftar baris, dengan satu keputusan yang terikat pada bukti dan pertanyaan setiap baris.
Untuk pengarahan permintaan, berikan pesan sebenarnya dan konteks yang relevan, lalu tetapkan departemen atau kategori yang tersedia. Contoh tugas dapat membedakan kegagalan integrasi, masalah akses, dan permintaan informasi produk. Buat setiap deskripsi cukup tepat untuk memutuskan kasus di dekat batas kategori, serta simpan definisi opsi bersama hasilnya. Distribusi kategori kemudian dapat mendukung keputusan pengarahan atau tahap peninjauan ketika alternatif memiliki nilai yang berdekatan. Hasil yang dipilih model tidak dengan sendirinya menjalankan tindakan alur kerja.
Implementasi bawaan menerima gambar bersama keadaan dan pertanyaan melalui masukan berkas gambar, gambar dalam memori, atau data gambar terenkode. Untuk gambar dokumen atau tangkapan layar, berikan bukti visual dan ajukan pertanyaan tertutup dengan opsi yang menjelaskan hasil yang relevan. Identifikasi ciri terlihat yang penting dan berikan konteks teks yang dibutuhkan untuk menafsirkannya. Misalnya, klasifikasikan apakah barang dalam gambar termasuk salah satu kategori produk yang diberikan, bukan meminta model keputusan menulis deskripsi produk lengkap.
Prosesor mempertahankan rasio aspek saat mengubah ukuran dan membulatkan panjang sisi gambar ke kelipatan 32 piksel. Luas hasil pemrosesan yang didokumentasikan dimulai pada 65.536 piksel dan dibatasi oleh maksimum yang dapat dikonfigurasi; nilai bawaannya 4.194.304 piksel, atau 2048 kali 2048. Setiap petak 32 kali 32 menyumbang satu token visual, sehingga nilai bawaan tersebut memungkinkan hingga 4.096 token visual untuk satu gambar. Angka ini menjelaskan persiapan gambar bawaan produsen, bukan kontrak unggah aplikasi umum.
Tahap prepare yang didokumentasikan mensyaratkan teks dan seluruh gambar dalam satu keputusan muat dalam 8.192 token. Masukan yang terlalu besar ditolak, bukan diam-diam dipotong. Beberapa gambar berbagi jatah tersebut dengan keadaan tertulis dan pertanyaan. Kurangi teks sumber yang tidak relevan atau batas ukuran gambar saat menyiapkan keputusan gabungan, sambil mempertahankan detail yang menentukan jawaban.
Pengaturan pelatihan dan evaluasi yang dilaporkan membatasi gambar hingga 512 kali 512, setara 262.144 piksel dan hingga 256 token visual. Batas inferensi yang dapat dikonfigurasi dapat mempertahankan lebih banyak detail, tetapi kartu model memperingatkan bahwa resolusi lebih tinggi berada di luar distribusi pelatihan tersebut dan menggunakan lebih banyak memori serta waktu pemrosesan. Karena itu, pengaturan gambar lebih besar bukan jaminan keputusan lebih baik. Jaga persiapan masukan selaras dengan pertanyaan dan periksa apakah ciri visual yang diperlukan terwakili dengan jelas.
Lapisan atensi penuh checkpoint bawaan menggunakan mode atensi nonkausal yang tersimpan, sedangkan lapisan atensi linearnya mempertahankan perilakunya sendiri. Pembuat menyatakan bahwa inferensi kausal bawaan tidak mereproduksi pengaturan yang dievaluasi. Implementasi prediksinya menerapkan suhu kalibrasi yang tersimpan; jika logit digunakan langsung, suhu tersebut diterapkan sekali dan probabilitas dinormalisasi terhadap kandidat valid saat ini. Detail ini milik profil keputusan yang tepat tersebut dan harus dipertahankan saat menafsirkan keluaran numeriknya.
Komponen pembacaan keputusan yang terpisah juga membedakan artefak ini dari ekspor generatif. Konversi ke antarmuka pembangkitan berbasis kosakata memerlukan pemetaan eksplisit dan harus mempertahankan perilaku atensi. Siapkan pertanyaan tertutup untuk profil keputusan bawaan; gunakan model pembangkitan yang sesuai ketika tugas membutuhkan percakapan, kode, penjelasan, atau permintaan alat.
Artefak akhir yang berguna menjaga hubungan keadaan, pertanyaan, jawaban yang diizinkan, dan distribusi hasilnya. Definisikan pertanyaan berdasarkan bukti yang benar-benar ada, tinjau kasus ambigu berdasarkan bukti tersebut, dan gunakan contoh berlabel dari tugas tujuan untuk menentukan bagaimana keluaran numerik memengaruhi pengarahan atau klasifikasi. Model memberikan probabilitas keputusan; kriteria dan aplikasi di sekelilingnya menentukan bagaimana probabilitas menjadi tindakan yang berguna atau label yang tercatat.
", "aboutText": "Decider V1.1 27B adalah checkpoint keputusan Perplexity yang diperbarui. Model mengevaluasi konten yang diberikan berdasarkan pertanyaan yang ditetapkan dan menghasilkan probabilitas untuk jawaban yang valid. Artefak bawaannya memiliki komponen pembacaan keputusan, bukan kepala pembangkitan bahasa dengan seluruh kosakata. Hasil yang berguna adalah distribusi keputusan yang dibatasi dan jawaban hasil penafsirannya, bukan penjelasan terbuka atau respons percakapan umum.\n\n### Perubahan pada edisi V1.1\n\nPerplexity mengidentifikasi model ini sebagai pembaruan Decider V1 27B yang mempertahankan backbone yang sama, dengan perubahan pengaturan atensi dan lebih banyak data pelatihan. Backbone-nya adalah Qwen3.8-27B. Edisi V1.1 harus mempertahankan nama dan konfigurasinya sendiri, bukan digambarkan sebagai salinan checkpoint sebelumnya yang dapat saling dipertukarkan.\n\n### Keadaan, pertanyaan, dan jawaban valid\n\nContoh yang diterbitkan menyediakan satu baris berisi keadaan dan pertanyaan choice bertipe. Pertanyaan mencakup instruksi dan kriteria yang kuncinya menjadi jawaban semantik, dengan deskripsi yang menentukan kapan masing-masing berlaku. Model memprediksi probabilitas, lalu fungsi bantu jawaban produsen menafsirkan probabilitas tersebut untuk pertanyaan. Contoh inferensi dapat memproses daftar baris, dengan satu keputusan yang terikat pada bukti dan pertanyaan setiap baris.\n\nUntuk pengarahan permintaan, berikan pesan sebenarnya dan konteks yang relevan, lalu tetapkan departemen atau kategori yang tersedia. Contoh tugas dapat membedakan kegagalan integrasi, masalah akses, dan permintaan informasi produk. Buat setiap deskripsi cukup tepat untuk memutuskan kasus di dekat batas kategori, serta simpan definisi opsi bersama hasilnya. Distribusi kategori kemudian dapat mendukung keputusan pengarahan atau tahap peninjauan ketika alternatif memiliki nilai yang berdekatan. Hasil yang dipilih model tidak dengan sendirinya menjalankan tindakan alur kerja.\n\n### Bukti teks dan gambar\n\nImplementasi bawaan menerima gambar bersama keadaan dan pertanyaan melalui masukan berkas gambar, gambar dalam memori, atau data gambar terenkode. Untuk gambar dokumen atau tangkapan layar, berikan bukti visual dan ajukan pertanyaan tertutup dengan opsi yang menjelaskan hasil yang relevan. Identifikasi ciri terlihat yang penting dan berikan konteks teks yang dibutuhkan untuk menafsirkannya. Misalnya, klasifikasikan apakah barang dalam gambar termasuk salah satu kategori produk yang diberikan, bukan meminta model keputusan menulis deskripsi produk lengkap.\n\nProsesor mempertahankan rasio aspek saat mengubah ukuran dan membulatkan panjang sisi gambar ke kelipatan 32 piksel. Luas hasil pemrosesan yang didokumentasikan dimulai pada 65.536 piksel dan dibatasi oleh maksimum yang dapat dikonfigurasi; nilai bawaannya 4.194.304 piksel, atau 2048 kali 2048. Setiap petak 32 kali 32 menyumbang satu token visual, sehingga nilai bawaan tersebut memungkinkan hingga 4.096 token visual untuk satu gambar. Angka ini menjelaskan persiapan gambar bawaan produsen, bukan kontrak unggah aplikasi umum.\n\n### Batas masukan gabungan dan cakupan resolusi\n\nTahap prepare yang didokumentasikan mensyaratkan teks dan seluruh gambar dalam satu keputusan muat dalam 8.192 token. Masukan yang terlalu besar ditolak, bukan diam-diam dipotong. Beberapa gambar berbagi jatah tersebut dengan keadaan tertulis dan pertanyaan. Kurangi teks sumber yang tidak relevan atau batas ukuran gambar saat menyiapkan keputusan gabungan, sambil mempertahankan detail yang menentukan jawaban.\n\nPengaturan pelatihan dan evaluasi yang dilaporkan membatasi gambar hingga 512 kali 512, setara 262.144 piksel dan hingga 256 token visual. Batas inferensi yang dapat dikonfigurasi dapat mempertahankan lebih banyak detail, tetapi kartu model memperingatkan bahwa resolusi lebih tinggi berada di luar distribusi pelatihan tersebut dan menggunakan lebih banyak memori serta waktu pemrosesan. Karena itu, pengaturan gambar lebih besar bukan jaminan keputusan lebih baik. Jaga persiapan masukan selaras dengan pertanyaan dan periksa apakah ciri visual yang diperlukan terwakili dengan jelas.\n\n### Atensi, pembacaan keputusan, dan kalibrasi probabilitas\n\nLapisan atensi penuh checkpoint bawaan menggunakan mode atensi nonkausal yang tersimpan, sedangkan lapisan atensi linearnya mempertahankan perilakunya sendiri. Pembuat menyatakan bahwa inferensi kausal bawaan tidak mereproduksi pengaturan yang dievaluasi. Implementasi prediksinya menerapkan suhu kalibrasi yang tersimpan; jika logit digunakan langsung, suhu tersebut diterapkan sekali dan probabilitas dinormalisasi terhadap kandidat valid saat ini. Detail ini milik profil keputusan yang tepat tersebut dan harus dipertahankan saat menafsirkan keluaran numeriknya.\n\nKomponen pembacaan keputusan yang terpisah juga membedakan artefak ini dari ekspor generatif. Konversi ke antarmuka pembangkitan berbasis kosakata memerlukan pemetaan eksplisit dan harus mempertahankan perilaku atensi. Siapkan pertanyaan tertutup untuk profil keputusan bawaan; gunakan model pembangkitan yang sesuai ketika tugas membutuhkan percakapan, kode, penjelasan, atau permintaan alat.\n\nArtefak akhir yang berguna menjaga hubungan keadaan, pertanyaan, jawaban yang diizinkan, dan distribusi hasilnya. Definisikan pertanyaan berdasarkan bukti yang benar-benar ada, tinjau kasus ambigu berdasarkan bukti tersebut, dan gunakan contoh berlabel dari tugas tujuan untuk menentukan bagaimana keluaran numerik memengaruhi pengarahan atau klasifikasi. Model memberikan probabilitas keputusan; kriteria dan aplikasi di sekelilingnya menentukan bagaimana probabilitas menjadi tindakan yang berguna atau label yang tercatat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bf2d87b50e9e9895cc7f4057381eea4a5b80d41def7da22ade6d77262fed3e66", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "perplexity/pplx-decider-v1.1-27bDecider V1.1 27B dari Perplexity mengevaluasi keadaan dan pertanyaan yang diberikan lalu mengembalikan probabilitas untuk jawaban yang diizinkan. Checkpoint keputusan bawaannya mendukung teks dan gambar, dengan komponen pembacaan keputusan khusus serta batas persiapan masukan yang didokumentasikan, bukan kontrak pembangkitan teks bebas.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Decider V1.1 27B adalah checkpoint keputusan Perplexity yang diperbarui. Model mengevaluasi konten yang diberikan berdasarkan pertanyaan yang ditetapkan dan menghasilkan probabilitas untuk jawaban yang valid. Artefak bawaannya memiliki komponen pembacaan keputusan, bukan kepala pembangkitan bahasa dengan seluruh kosakata. Hasil yang berguna adalah distribusi keputusan yang dibatasi dan jawaban hasil penafsirannya, bukan penjelasan terbuka atau respons percakapan umum.
Perplexity mengidentifikasi model ini sebagai pembaruan Decider V1 27B yang mempertahankan backbone yang sama, dengan perubahan pengaturan atensi dan lebih banyak data pelatihan. Backbone-nya adalah Qwen3.8-27B. Edisi V1.1 harus mempertahankan nama dan konfigurasinya sendiri, bukan digambarkan sebagai salinan checkpoint sebelumnya yang dapat saling dipertukarkan.
Contoh yang diterbitkan menyediakan satu baris berisi keadaan dan pertanyaan choice bertipe. Pertanyaan mencakup instruksi dan kriteria yang kuncinya menjadi jawaban semantik, dengan deskripsi yang menentukan kapan masing-masing berlaku. Model memprediksi probabilitas, lalu fungsi bantu jawaban produsen menafsirkan probabilitas tersebut untuk pertanyaan. Contoh inferensi dapat memproses daftar baris, dengan satu keputusan yang terikat pada bukti dan pertanyaan setiap baris.
Untuk pengarahan permintaan, berikan pesan sebenarnya dan konteks yang relevan, lalu tetapkan departemen atau kategori yang tersedia. Contoh tugas dapat membedakan kegagalan integrasi, masalah akses, dan permintaan informasi produk. Buat setiap deskripsi cukup tepat untuk memutuskan kasus di dekat batas kategori, serta simpan definisi opsi bersama hasilnya. Distribusi kategori kemudian dapat mendukung keputusan pengarahan atau tahap peninjauan ketika alternatif memiliki nilai yang berdekatan. Hasil yang dipilih model tidak dengan sendirinya menjalankan tindakan alur kerja.
Implementasi bawaan menerima gambar bersama keadaan dan pertanyaan melalui masukan berkas gambar, gambar dalam memori, atau data gambar terenkode. Untuk gambar dokumen atau tangkapan layar, berikan bukti visual dan ajukan pertanyaan tertutup dengan opsi yang menjelaskan hasil yang relevan. Identifikasi ciri terlihat yang penting dan berikan konteks teks yang dibutuhkan untuk menafsirkannya. Misalnya, klasifikasikan apakah barang dalam gambar termasuk salah satu kategori produk yang diberikan, bukan meminta model keputusan menulis deskripsi produk lengkap.
Prosesor mempertahankan rasio aspek saat mengubah ukuran dan membulatkan panjang sisi gambar ke kelipatan 32 piksel. Luas hasil pemrosesan yang didokumentasikan dimulai pada 65.536 piksel dan dibatasi oleh maksimum yang dapat dikonfigurasi; nilai bawaannya 4.194.304 piksel, atau 2048 kali 2048. Setiap petak 32 kali 32 menyumbang satu token visual, sehingga nilai bawaan tersebut memungkinkan hingga 4.096 token visual untuk satu gambar. Angka ini menjelaskan persiapan gambar bawaan produsen, bukan kontrak unggah aplikasi umum.
Tahap prepare yang didokumentasikan mensyaratkan teks dan seluruh gambar dalam satu keputusan muat dalam 8.192 token. Masukan yang terlalu besar ditolak, bukan diam-diam dipotong. Beberapa gambar berbagi jatah tersebut dengan keadaan tertulis dan pertanyaan. Kurangi teks sumber yang tidak relevan atau batas ukuran gambar saat menyiapkan keputusan gabungan, sambil mempertahankan detail yang menentukan jawaban.
Pengaturan pelatihan dan evaluasi yang dilaporkan membatasi gambar hingga 512 kali 512, setara 262.144 piksel dan hingga 256 token visual. Batas inferensi yang dapat dikonfigurasi dapat mempertahankan lebih banyak detail, tetapi kartu model memperingatkan bahwa resolusi lebih tinggi berada di luar distribusi pelatihan tersebut dan menggunakan lebih banyak memori serta waktu pemrosesan. Karena itu, pengaturan gambar lebih besar bukan jaminan keputusan lebih baik. Jaga persiapan masukan selaras dengan pertanyaan dan periksa apakah ciri visual yang diperlukan terwakili dengan jelas.
Lapisan atensi penuh checkpoint bawaan menggunakan mode atensi nonkausal yang tersimpan, sedangkan lapisan atensi linearnya mempertahankan perilakunya sendiri. Pembuat menyatakan bahwa inferensi kausal bawaan tidak mereproduksi pengaturan yang dievaluasi. Implementasi prediksinya menerapkan suhu kalibrasi yang tersimpan; jika logit digunakan langsung, suhu tersebut diterapkan sekali dan probabilitas dinormalisasi terhadap kandidat valid saat ini. Detail ini milik profil keputusan yang tepat tersebut dan harus dipertahankan saat menafsirkan keluaran numeriknya.
Komponen pembacaan keputusan yang terpisah juga membedakan artefak ini dari ekspor generatif. Konversi ke antarmuka pembangkitan berbasis kosakata memerlukan pemetaan eksplisit dan harus mempertahankan perilaku atensi. Siapkan pertanyaan tertutup untuk profil keputusan bawaan; gunakan model pembangkitan yang sesuai ketika tugas membutuhkan percakapan, kode, penjelasan, atau permintaan alat.
Artefak akhir yang berguna menjaga hubungan keadaan, pertanyaan, jawaban yang diizinkan, dan distribusi hasilnya. Definisikan pertanyaan berdasarkan bukti yang benar-benar ada, tinjau kasus ambigu berdasarkan bukti tersebut, dan gunakan contoh berlabel dari tugas tujuan untuk menentukan bagaimana keluaran numerik memengaruhi pengarahan atau klasifikasi. Model memberikan probabilitas keputusan; kriteria dan aplikasi di sekelilingnya menentukan bagaimana probabilitas menjadi tindakan yang berguna atau label yang tercatat.
POST /v1/systemonetext, imagedecisions| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan perplexity/pplx-decider-v1.1-27b | Bawaan— |
Kolomprovider | Jenisschema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomquestions | Jenisobject | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomsession_id | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomstate | Jenisschema | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomtrace | Jenisschema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomuser | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomquestions.<id>.type | Jenisstring | PersyaratanWajib | Nilai & batasan noul, choice, score | Bawaan— |
Kolomquestions.<id>.instructions | Jenisstring|object|array | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomquestions.<id>.criteria | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Kondisi: choice/score: wajib; noul: opsional. Kriteria choice berupa objek; score berupa array dengan minItems1. | Bawaan— |
Kolomquestions.<id>.criteria.true | Jenisstring|object|array | PersyaratanWajib | Nilai & batasan Berlaku jika: Objek criteria noul disertakan | Bawaan— |
Kolomquestions.<id>.criteria.false | Jenisstring|object|array | PersyaratanWajib | Nilai & batasan Berlaku jika: Objek criteria noul disertakan | Bawaan— |
noul · Wajib: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Wajib: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Wajib: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, state, questions |
Parametermaterial_types | Kontraktext, image |
Parameteroptional_controls | Kontrakprovider, session_id, trace, user |
Parametermultimodal_input_binding | KontrakGunakan hanya representasi state/dokumen persis yang dideklarasikan. Kemampuan gambar dari pembuat model saja tidak menetapkan bentuk pengiriman gambar yang diterima untuk model tertentu. |
Siklus hidup: synchronous
Kirim ID model yang persis dan simpan respons native secara utuh.
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 $0.00004 / 1K token Keluaran · Token keluaran $0 / 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 $0.00004 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "perplexity/pplx-decider-v1.1-27b",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='perplexity/pplx-decider-v1.1-27b'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Setiap jawaban berdasarkan ID pertanyaan yang diberikan dipertahankan beserta tipe persisnya, nilai noul/pilihan/skor, tingkat keyakinan, probabilitas, dan legenda. Seluruh JSON asli disimpan dan hanya dikembalikan setelah penyelesaian tagihan.
Simpan operasi awal dan balasan lengkap/sebagian; jangan ulangi POST.
| Kolom | Jenis |
|---|---|
Kolommodel | Jenisstring |
Kolomid | Jenisstring |
Kolomprovider | Jenisstring |
Kolomanswers.<id>.type | Jenisstring |
Kolomanswers.<id>.noul | Jenisnumber |
Kolomanswers.<id>.choice | Jenisstring |
Kolomanswers.<id>.score | Jenisnumber |
Kolomanswers.<id>.confidence | Jenisnumber |
Kolomanswers.<id>.probabilities | Jenisobject |
Kolomanswers.<id>.legend | Jenisobject |
Kolomusage.input_tokens | Jenisinteger |
Kolomusage.output_tokens | Jenisinteger |
Kolomusage.cost | Jenisnumber |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi, atau nilai tidak valid | Langkah berikutnyaPerbaiki bidang permintaan yang ditunjukkan. |
Ailoot Ultra perplexity/pplx-decider-v1.1-27b
Gunakan jalur metode yang ditampilkan di atas.