Amazon Nova Premier è il modello di comprensione più capace della famiglia Nova di prima generazione di Amazon, progettato per lavori complessi che richiedono comprensione profonda, contesto e pianificazione in più passaggi. Elabora testo, immagini e video e produce testo. Il suo ruolo comprende il ragionamento su rapporti lunghi, il confronto delle prove fra documenti, la comprensione di grafici e materiale visivo e il coordinamento dei compiti degli agenti. Premier è separato dai più leggeri modelli Micro, Lite e Pro e dai modelli Nova che generano immagini, video o voce conversazionale.
Il profilo specifico del modello del produttore indica una finestra di contesto di 1 milione di token e un output massimo di 25K token. Il termine documentato delle conoscenze è ottobre 2024. Questo rende Premier utile quando un compito richiede un ampio insieme di materiale di riferimento accanto a istruzioni e conversazione. Organizza tale materiale con nomi dei documenti, indicatori di sezione e una domanda specifica, anziché richiedere un'analisi indistinta di tutto. Un risultato utile può essere una matrice di confronto, un rapporto basato sulle prove o una sequenza proposta di azioni. Il budget di contesto comprende il materiale su cui il modello lavora; non è una promessa che ogni dettaglio compaia nella risposta finale.
Il flusso multimodale documentato di Premier gestisce immagini PNG, JPG/JPEG, GIF e WebP e contenitori video comuni come MP4, MOV, MKV e WebM. Il flusso documentale comprende PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT e Markdown. I file orientati al testo forniscono testo; PDF e DOCX possono fornire testo delle pagine con informazioni visive. Per un rapporto con grafici, mantieni leggibili le etichette e chiedi al modello di descrivere le osservazioni pertinenti prima di interpretarle. Se serve soltanto la prosa, fornire il testo estratto evita di rendere l'estrazione visiva un prerequisito per comprendere il documento. I media incorporati condividono un budget di payload di 25 MB, compreso il sovraccarico base64. Una richiesta contiene un video, limitato a 1 GB tramite S3; i media S3 combinati possono raggiungere in totale 2 GB. Gli input PDF e DOCX restano limitati a cinque documenti, con un budget combinato di 25 MB per il caricamento diretto o 2 GB tramite S3.
La comprensione dei video si basa su fotogrammi visivi campionati. La guida di prima generazione assegna specificamente a Premier una frequenza di un fotogramma al secondo fino a 3.200 fotogrammi, un budget diverso dalla strategia di 960 fotogrammi di Nova Lite e Pro. Questo è utile per riassunti di scene e domande su eventi nel tempo, mentre azioni brevi fra i fotogrammi campionati possono sfuggire all'osservazione. Fornisci una clip o un intervallo temporale pertinente e identifica i dettagli da seguire. Per una sequenza lunga, un'analisi segmentata seguita da una sintesi testuale può preservare l'attenzione, anche se la suddivisione può perdere contesto ai confini fra segmenti. Le modalità documentate del modello non comprendono input audio, quindi le informazioni parlate devono essere fornite come testo.
Premier supporta lo streaming delle risposte, i flussi orientati agli strumenti e arricchiti dal recupero di informazioni, e la cache dei prompt nel profilo di erogazione documentato da Amazon. La cache esplicita richiede almeno 1K token per checkpoint e consente fino a quattro checkpoint con una conservazione di cinque minuti. Il produttore limita la cache dei prompt a 20K token, principalmente per prompt testuali; tale budget di cache è distinto dall'intera finestra di contesto. Fornisci all'agente il compito, gli strumenti consentiti e le descrizioni dei loro argomenti, poi lascia che l'applicazione esegua le azioni richieste e restituisca osservazioni prima del passaggio successivo del modello. Il suo ruolo di ragionamento non implica che possa eseguire un sistema esterno senza quel livello di esecuzione. Le indicazioni di prima generazione supportano la spiegazione di una soluzione in fasi tramite prompting; i controlli separati low, medium e high del ragionamento esteso di Nova 2 Lite non fanno parte dell'interfaccia documentata di questa edizione. Per un rapporto o un risultato di uno strumento, richiedi campi espliciti ed esempi della struttura desiderata; una forma JSON richiesta è distinta da un output strutturato vincolato.
Un ruolo distintivo di Premier è insegnare a modelli Nova più piccoli tramite distillazione. Amazon descrive l'uso delle risposte di Premier come esempi di addestramento per varianti specializzate di Nova Micro, Lite e Pro, seguito dal confronto del comportamento del modello più piccolo sul compito obiettivo. Si tratta di un flusso di personalizzazione dei modelli, anziché di una modifica all'identità di una normale risposta di Premier. Nell'uso ordinario, fornisci i fatti autorevoli e richiedi che la risposta separi osservazioni, ipotesi e prove mancanti. Nova può generare affermazioni plausibili che contraddicono una fonte e il codice generato non comprende una scansione di sicurezza automatica; il risultato utile deve quindi includere prove e dettagli sufficienti per essere verificato rispetto agli input. Il produttore dichiara inoltre che questo modello non identifica né nomina le persone presenti in immagini, documenti o video.
", "aboutText": "Amazon Nova Premier è il modello di comprensione più capace della famiglia Nova di prima generazione di Amazon, progettato per lavori complessi che richiedono comprensione profonda, contesto e pianificazione in più passaggi. Elabora testo, immagini e video e produce testo. Il suo ruolo comprende il ragionamento su rapporti lunghi, il confronto delle prove fra documenti, la comprensione di grafici e materiale visivo e il coordinamento dei compiti degli agenti. Premier è separato dai più leggeri modelli Micro, Lite e Pro e dai modelli Nova che generano immagini, video o voce conversazionale.\n\nIl profilo specifico del modello del produttore indica una finestra di contesto di 1 milione di token e un output massimo di 25K token. Il termine documentato delle conoscenze è ottobre 2024. Questo rende Premier utile quando un compito richiede un ampio insieme di materiale di riferimento accanto a istruzioni e conversazione. Organizza tale materiale con nomi dei documenti, indicatori di sezione e una domanda specifica, anziché richiedere un'analisi indistinta di tutto. Un risultato utile può essere una matrice di confronto, un rapporto basato sulle prove o una sequenza proposta di azioni. Il budget di contesto comprende il materiale su cui il modello lavora; non è una promessa che ogni dettaglio compaia nella risposta finale.\n\nIl flusso multimodale documentato di Premier gestisce immagini PNG, JPG/JPEG, GIF e WebP e contenitori video comuni come MP4, MOV, MKV e WebM. Il flusso documentale comprende PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT e Markdown. I file orientati al testo forniscono testo; PDF e DOCX possono fornire testo delle pagine con informazioni visive. Per un rapporto con grafici, mantieni leggibili le etichette e chiedi al modello di descrivere le osservazioni pertinenti prima di interpretarle. Se serve soltanto la prosa, fornire il testo estratto evita di rendere l'estrazione visiva un prerequisito per comprendere il documento. I media incorporati condividono un budget di payload di 25 MB, compreso il sovraccarico base64. Una richiesta contiene un video, limitato a 1 GB tramite S3; i media S3 combinati possono raggiungere in totale 2 GB. Gli input PDF e DOCX restano limitati a cinque documenti, con un budget combinato di 25 MB per il caricamento diretto o 2 GB tramite S3.\n\nLa comprensione dei video si basa su fotogrammi visivi campionati. La guida di prima generazione assegna specificamente a Premier una frequenza di un fotogramma al secondo fino a 3.200 fotogrammi, un budget diverso dalla strategia di 960 fotogrammi di Nova Lite e Pro. Questo è utile per riassunti di scene e domande su eventi nel tempo, mentre azioni brevi fra i fotogrammi campionati possono sfuggire all'osservazione. Fornisci una clip o un intervallo temporale pertinente e identifica i dettagli da seguire. Per una sequenza lunga, un'analisi segmentata seguita da una sintesi testuale può preservare l'attenzione, anche se la suddivisione può perdere contesto ai confini fra segmenti. Le modalità documentate del modello non comprendono input audio, quindi le informazioni parlate devono essere fornite come testo.\n\nPremier supporta lo streaming delle risposte, i flussi orientati agli strumenti e arricchiti dal recupero di informazioni, e la cache dei prompt nel profilo di erogazione documentato da Amazon. La cache esplicita richiede almeno 1K token per checkpoint e consente fino a quattro checkpoint con una conservazione di cinque minuti. Il produttore limita la cache dei prompt a 20K token, principalmente per prompt testuali; tale budget di cache è distinto dall'intera finestra di contesto. Fornisci all'agente il compito, gli strumenti consentiti e le descrizioni dei loro argomenti, poi lascia che l'applicazione esegua le azioni richieste e restituisca osservazioni prima del passaggio successivo del modello. Il suo ruolo di ragionamento non implica che possa eseguire un sistema esterno senza quel livello di esecuzione. Le indicazioni di prima generazione supportano la spiegazione di una soluzione in fasi tramite prompting; i controlli separati low, medium e high del ragionamento esteso di Nova 2 Lite non fanno parte dell'interfaccia documentata di questa edizione. Per un rapporto o un risultato di uno strumento, richiedi campi espliciti ed esempi della struttura desiderata; una forma JSON richiesta è distinta da un output strutturato vincolato.\n\nUn ruolo distintivo di Premier è insegnare a modelli Nova più piccoli tramite distillazione. Amazon descrive l'uso delle risposte di Premier come esempi di addestramento per varianti specializzate di Nova Micro, Lite e Pro, seguito dal confronto del comportamento del modello più piccolo sul compito obiettivo. Si tratta di un flusso di personalizzazione dei modelli, anziché di una modifica all'identità di una normale risposta di Premier. Nell'uso ordinario, fornisci i fatti autorevoli e richiedi che la risposta separi osservazioni, ipotesi e prove mancanti. Nova può generare affermazioni plausibili che contraddicono una fonte e il codice generato non comprende una scansione di sicurezza automatica; il risultato utile deve quindi includere prove e dettagli sufficienti per essere verificato rispetto agli input. Il produttore dichiara inoltre che questo modello non identifica né nomina le persone presenti in immagini, documenti o video.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier è il modello Nova di prima generazione per il ragionamento multimodale complesso, l'analisi di documenti lunghi e gli agenti. Accetta testo, immagini e video, restituisce testo e serve anche come insegnante per distillare modelli Nova specializzati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Amazon Nova Premier è il modello di comprensione più capace della famiglia Nova di prima generazione di Amazon, progettato per lavori complessi che richiedono comprensione profonda, contesto e pianificazione in più passaggi. Elabora testo, immagini e video e produce testo. Il suo ruolo comprende il ragionamento su rapporti lunghi, il confronto delle prove fra documenti, la comprensione di grafici e materiale visivo e il coordinamento dei compiti degli agenti. Premier è separato dai più leggeri modelli Micro, Lite e Pro e dai modelli Nova che generano immagini, video o voce conversazionale.
Il profilo specifico del modello del produttore indica una finestra di contesto di 1 milione di token e un output massimo di 25K token. Il termine documentato delle conoscenze è ottobre 2024. Questo rende Premier utile quando un compito richiede un ampio insieme di materiale di riferimento accanto a istruzioni e conversazione. Organizza tale materiale con nomi dei documenti, indicatori di sezione e una domanda specifica, anziché richiedere un'analisi indistinta di tutto. Un risultato utile può essere una matrice di confronto, un rapporto basato sulle prove o una sequenza proposta di azioni. Il budget di contesto comprende il materiale su cui il modello lavora; non è una promessa che ogni dettaglio compaia nella risposta finale.
Il flusso multimodale documentato di Premier gestisce immagini PNG, JPG/JPEG, GIF e WebP e contenitori video comuni come MP4, MOV, MKV e WebM. Il flusso documentale comprende PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT e Markdown. I file orientati al testo forniscono testo; PDF e DOCX possono fornire testo delle pagine con informazioni visive. Per un rapporto con grafici, mantieni leggibili le etichette e chiedi al modello di descrivere le osservazioni pertinenti prima di interpretarle. Se serve soltanto la prosa, fornire il testo estratto evita di rendere l'estrazione visiva un prerequisito per comprendere il documento. I media incorporati condividono un budget di payload di 25 MB, compreso il sovraccarico base64. Una richiesta contiene un video, limitato a 1 GB tramite S3; i media S3 combinati possono raggiungere in totale 2 GB. Gli input PDF e DOCX restano limitati a cinque documenti, con un budget combinato di 25 MB per il caricamento diretto o 2 GB tramite S3.
La comprensione dei video si basa su fotogrammi visivi campionati. La guida di prima generazione assegna specificamente a Premier una frequenza di un fotogramma al secondo fino a 3.200 fotogrammi, un budget diverso dalla strategia di 960 fotogrammi di Nova Lite e Pro. Questo è utile per riassunti di scene e domande su eventi nel tempo, mentre azioni brevi fra i fotogrammi campionati possono sfuggire all'osservazione. Fornisci una clip o un intervallo temporale pertinente e identifica i dettagli da seguire. Per una sequenza lunga, un'analisi segmentata seguita da una sintesi testuale può preservare l'attenzione, anche se la suddivisione può perdere contesto ai confini fra segmenti. Le modalità documentate del modello non comprendono input audio, quindi le informazioni parlate devono essere fornite come testo.
Premier supporta lo streaming delle risposte, i flussi orientati agli strumenti e arricchiti dal recupero di informazioni, e la cache dei prompt nel profilo di erogazione documentato da Amazon. La cache esplicita richiede almeno 1K token per checkpoint e consente fino a quattro checkpoint con una conservazione di cinque minuti. Il produttore limita la cache dei prompt a 20K token, principalmente per prompt testuali; tale budget di cache è distinto dall'intera finestra di contesto. Fornisci all'agente il compito, gli strumenti consentiti e le descrizioni dei loro argomenti, poi lascia che l'applicazione esegua le azioni richieste e restituisca osservazioni prima del passaggio successivo del modello. Il suo ruolo di ragionamento non implica che possa eseguire un sistema esterno senza quel livello di esecuzione. Le indicazioni di prima generazione supportano la spiegazione di una soluzione in fasi tramite prompting; i controlli separati low, medium e high del ragionamento esteso di Nova 2 Lite non fanno parte dell'interfaccia documentata di questa edizione. Per un rapporto o un risultato di uno strumento, richiedi campi espliciti ed esempi della struttura desiderata; una forma JSON richiesta è distinta da un output strutturato vincolato.
Un ruolo distintivo di Premier è insegnare a modelli Nova più piccoli tramite distillazione. Amazon descrive l'uso delle risposte di Premier come esempi di addestramento per varianti specializzate di Nova Micro, Lite e Pro, seguito dal confronto del comportamento del modello più piccolo sul compito obiettivo. Si tratta di un flusso di personalizzazione dei modelli, anziché di una modifica all'identità di una normale risposta di Premier. Nell'uso ordinario, fornisci i fatti autorevoli e richiedi che la risposta separi osservazioni, ipotesi e prove mancanti. Nova può generare affermazioni plausibili che contraddicono una fonte e il codice generato non comprende una scansione di sicurezza automatica; il risultato utile deve quindi includere prove e dettagli sufficienti per essere verificato rispetto agli input. Il produttore dichiara inoltre che questo modello non identifica né nomina le persone presenti in immagini, documenti o video.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti amazon/nova-premier-v1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.005 / 1K token Output · Token in output $0.025 / 1K token Input · Lettura dalla cache $0.00125 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.005 / 1K token Output · Token in output $0.025 / 1K token Input · Lettura dalla cache $0.00125 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra amazon/nova-premier-v1
Usa i percorsi dei metodi indicati sopra.
amazon/nova-premier-v1Amazon Nova Premier è il modello Nova di prima generazione per il ragionamento multimodale complesso, l'analisi di documenti lunghi e gli agenti. Accetta testo, immagini e video, restituisce testo e serve anche come insegnante per distillare modelli Nova specializzati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Amazon Nova Premier è il modello di comprensione più capace della famiglia Nova di prima generazione di Amazon, progettato per lavori complessi che richiedono comprensione profonda, contesto e pianificazione in più passaggi. Elabora testo, immagini e video e produce testo. Il suo ruolo comprende il ragionamento su rapporti lunghi, il confronto delle prove fra documenti, la comprensione di grafici e materiale visivo e il coordinamento dei compiti degli agenti. Premier è separato dai più leggeri modelli Micro, Lite e Pro e dai modelli Nova che generano immagini, video o voce conversazionale.
Il profilo specifico del modello del produttore indica una finestra di contesto di 1 milione di token e un output massimo di 25K token. Il termine documentato delle conoscenze è ottobre 2024. Questo rende Premier utile quando un compito richiede un ampio insieme di materiale di riferimento accanto a istruzioni e conversazione. Organizza tale materiale con nomi dei documenti, indicatori di sezione e una domanda specifica, anziché richiedere un'analisi indistinta di tutto. Un risultato utile può essere una matrice di confronto, un rapporto basato sulle prove o una sequenza proposta di azioni. Il budget di contesto comprende il materiale su cui il modello lavora; non è una promessa che ogni dettaglio compaia nella risposta finale.
Il flusso multimodale documentato di Premier gestisce immagini PNG, JPG/JPEG, GIF e WebP e contenitori video comuni come MP4, MOV, MKV e WebM. Il flusso documentale comprende PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT e Markdown. I file orientati al testo forniscono testo; PDF e DOCX possono fornire testo delle pagine con informazioni visive. Per un rapporto con grafici, mantieni leggibili le etichette e chiedi al modello di descrivere le osservazioni pertinenti prima di interpretarle. Se serve soltanto la prosa, fornire il testo estratto evita di rendere l'estrazione visiva un prerequisito per comprendere il documento. I media incorporati condividono un budget di payload di 25 MB, compreso il sovraccarico base64. Una richiesta contiene un video, limitato a 1 GB tramite S3; i media S3 combinati possono raggiungere in totale 2 GB. Gli input PDF e DOCX restano limitati a cinque documenti, con un budget combinato di 25 MB per il caricamento diretto o 2 GB tramite S3.
La comprensione dei video si basa su fotogrammi visivi campionati. La guida di prima generazione assegna specificamente a Premier una frequenza di un fotogramma al secondo fino a 3.200 fotogrammi, un budget diverso dalla strategia di 960 fotogrammi di Nova Lite e Pro. Questo è utile per riassunti di scene e domande su eventi nel tempo, mentre azioni brevi fra i fotogrammi campionati possono sfuggire all'osservazione. Fornisci una clip o un intervallo temporale pertinente e identifica i dettagli da seguire. Per una sequenza lunga, un'analisi segmentata seguita da una sintesi testuale può preservare l'attenzione, anche se la suddivisione può perdere contesto ai confini fra segmenti. Le modalità documentate del modello non comprendono input audio, quindi le informazioni parlate devono essere fornite come testo.
Premier supporta lo streaming delle risposte, i flussi orientati agli strumenti e arricchiti dal recupero di informazioni, e la cache dei prompt nel profilo di erogazione documentato da Amazon. La cache esplicita richiede almeno 1K token per checkpoint e consente fino a quattro checkpoint con una conservazione di cinque minuti. Il produttore limita la cache dei prompt a 20K token, principalmente per prompt testuali; tale budget di cache è distinto dall'intera finestra di contesto. Fornisci all'agente il compito, gli strumenti consentiti e le descrizioni dei loro argomenti, poi lascia che l'applicazione esegua le azioni richieste e restituisca osservazioni prima del passaggio successivo del modello. Il suo ruolo di ragionamento non implica che possa eseguire un sistema esterno senza quel livello di esecuzione. Le indicazioni di prima generazione supportano la spiegazione di una soluzione in fasi tramite prompting; i controlli separati low, medium e high del ragionamento esteso di Nova 2 Lite non fanno parte dell'interfaccia documentata di questa edizione. Per un rapporto o un risultato di uno strumento, richiedi campi espliciti ed esempi della struttura desiderata; una forma JSON richiesta è distinta da un output strutturato vincolato.
Un ruolo distintivo di Premier è insegnare a modelli Nova più piccoli tramite distillazione. Amazon descrive l'uso delle risposte di Premier come esempi di addestramento per varianti specializzate di Nova Micro, Lite e Pro, seguito dal confronto del comportamento del modello più piccolo sul compito obiettivo. Si tratta di un flusso di personalizzazione dei modelli, anziché di una modifica all'identità di una normale risposta di Premier. Nell'uso ordinario, fornisci i fatti autorevoli e richiedi che la risposta separi osservazioni, ipotesi e prove mancanti. Nova può generare affermazioni plausibili che contraddicono una fonte e il codice generato non comprende una scansione di sicurezza automatica; il risultato utile deve quindi includere prove e dettagli sufficienti per essere verificato rispetto agli input. Il produttore dichiara inoltre che questo modello non identifica né nomina le persone presenti in immagini, documenti o video.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti amazon/nova-premier-v1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.005 / 1K token Output · Token in output $0.025 / 1K token Input · Lettura dalla cache $0.00125 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.005 / 1K token Output · Token in output $0.025 / 1K token Input · Lettura dalla cache $0.00125 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra amazon/nova-premier-v1
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.