Ling 3.1 Flash è il modello linguistico di ragionamento ibrido di inclusionAI per compiti che coinvolgono diverse fasi, anziché una singola risposta breve. Il produttore lo propone per il lavoro d’ufficio quotidiano, attività prolungate di ingegneria del software e flussi con agenti complessi. Usa un’architettura mixture-of-experts con circa 560 miliardi di parametri totali e circa 25 miliardi attivi per ogni token, bilanciando un’ampia capacità del modello con una quantità minore di calcolo attivo.
Il suo obiettivo progettuale centrale è mantenere lo stato del compito e correggere la direzione del lavoro più lungo. In un flusso collegato a strumenti, il modello può pianificare diversi passaggi, interpretare risultati intermedi e rivedere il passaggio successivo quando cambiano le prove. Fornisci un obiettivo preciso, i materiali disponibili e una definizione del completamento. Per esempio: «Esamina queste note sull’incidente, identifica le cause irrisolte e produci un piano di indagine in ordine di priorità. Per ogni azione, indica le prove necessarie per decidere se ha funzionato». Questo trasforma una richiesta vaga in un risultato che può essere esaminato e proseguito.
Per il lavoro d’ufficio, input utili comprendono note originali, testo estratto da documenti, tabelle con definizioni chiare delle colonne e il pubblico previsto per una relazione. Specifica il periodo, le unità e il confronto da usare. Chiedi un documento scritto come un resoconto per la direzione, la struttura di una relazione o una spiegazione dei cambiamenti importanti. Un esempio è: «Usando soltanto queste tabelle trimestrali, spiega i cambiamenti maggiori, distingui i valori osservati dalle ipotesi e prepara un resoconto con le domande senza risposta alla fine». Conserva le etichette delle fonti con l’input, così le affermazioni risultanti potranno essere ricondotte al materiale corretto.
Per lo sviluppo software, il produttore evidenzia il refactoring tra linguaggi, l’ottimizzazione delle prestazioni e l’analisi delle aree di una base di codice usate di frequente. Fornisci i file pertinenti come testo, il comportamento da conservare, le versioni delle dipendenze e qualsiasi output di errore o misurazione. Una richiesta utile chiede una modifica proposta e i controlli necessari per valutarla: «Rifattorizza questo parser conservando il formato di output documentato. Spiega il comportamento interessato, mostra il codice rivisto e identifica i casi che rivelerebbero una regressione». Per il lavoro sulle prestazioni, fornisci profili o tempi effettivi e chiedi di collegare ogni raccomandazione a un collo di bottiglia misurato.
Per l’analisi professionale, raccogli regole, definizioni e prove pertinenti prima di chiedere una raccomandazione. Ling 3.1 Flash è pensato per sintetizzare informazioni sparse, interpretare indicatori e sviluppare suggerimenti operativi. Chiedi un confronto che indichi le ipotesi e le informazioni ancora necessarie, anziché un verdetto senza supporto. Per esempio, fornisci diverse proposte di progetto e richiedi una nota decisionale che usi gli stessi criteri per ciascuna, separando le osservazioni sostenute dalle fonti dalle conseguenze dedotte. Quando le prove sono in conflitto, richiedi i passaggi contrastanti e la domanda che permetterebbe di risolverli.
Il produttore distingue un limite massimo di contesto del modello di 1M token dal contesto di 256K attualmente aperto dal suo servizio ufficiale. Queste cifre descrivono confini diversi. Organizza il materiale di lavoro attorno alla finestra applicabile e riserva spazio per la risposta; un limite a livello di modello non significa che ogni interfaccia accetti una quantità di input equivalente. Per un compito ampio, conserva insieme l’obiettivo, le decisioni completate, le domande irrisolte e i riferimenti alle fonti. Usa confini espliciti attorno a documenti e codice, così il materiale da analizzare non verrà confuso con istruzioni da seguire.
Prepara i compiti collegati a strumenti con descrizioni chiare degli strumenti, argomenti attesi e registrazioni utili dei risultati. Reinserisci i risultati effettivi nella conversazione, così la proposta successiva si baserà sulle osservazioni. Chiedi al modello di spiegare che cosa cambia con un risultato restituito e quali prove mancano ancora. Il design del modello orientato agli agenti supporta questo schema di pianificazione e riscontro; l’applicazione circostante esegue i passaggi degli strumenti e ne conserva i risultati. Un comando, una modifica di codice o una relazione proposti sono più utili quando il loro stato è chiaro: suggeriti, eseguiti con un risultato registrato oppure ancora da verificare.
Ling 3.1 Flash appartiene alla linea dei modelli linguistici; l’edizione separata Ling 3.0 Flash VL è il modello visivo del produttore. Per questo compito testuale, prepara contenuti di origine testuali e conservane struttura, etichette e provenienza. Specifica lingua e forma dell’output, per esempio una nota concisa, una tabella di conclusioni, una spiegazione della patch o un piano numerato. Chiedi al modello di segnalare le informazioni mancanti e verifica il risultato richiesto rispetto ai vincoli originali. I flussi lunghi richiedono comunque l’esame dei risultati intermedi: altrimenti un’ipotesi iniziale errata può essere trascinata nei ragionamenti successivi e rifinita fino a diventare una relazione finale convincente.
", "aboutText": "Ling 3.1 Flash è il modello linguistico di ragionamento ibrido di inclusionAI per compiti che coinvolgono diverse fasi, anziché una singola risposta breve. Il produttore lo propone per il lavoro d’ufficio quotidiano, attività prolungate di ingegneria del software e flussi con agenti complessi. Usa un’architettura mixture-of-experts con circa 560 miliardi di parametri totali e circa 25 miliardi attivi per ogni token, bilanciando un’ampia capacità del modello con una quantità minore di calcolo attivo.\n\nIl suo obiettivo progettuale centrale è mantenere lo stato del compito e correggere la direzione del lavoro più lungo. In un flusso collegato a strumenti, il modello può pianificare diversi passaggi, interpretare risultati intermedi e rivedere il passaggio successivo quando cambiano le prove. Fornisci un obiettivo preciso, i materiali disponibili e una definizione del completamento. Per esempio: «Esamina queste note sull’incidente, identifica le cause irrisolte e produci un piano di indagine in ordine di priorità. Per ogni azione, indica le prove necessarie per decidere se ha funzionato». Questo trasforma una richiesta vaga in un risultato che può essere esaminato e proseguito.\n\nPer il lavoro d’ufficio, input utili comprendono note originali, testo estratto da documenti, tabelle con definizioni chiare delle colonne e il pubblico previsto per una relazione. Specifica il periodo, le unità e il confronto da usare. Chiedi un documento scritto come un resoconto per la direzione, la struttura di una relazione o una spiegazione dei cambiamenti importanti. Un esempio è: «Usando soltanto queste tabelle trimestrali, spiega i cambiamenti maggiori, distingui i valori osservati dalle ipotesi e prepara un resoconto con le domande senza risposta alla fine». Conserva le etichette delle fonti con l’input, così le affermazioni risultanti potranno essere ricondotte al materiale corretto.\n\nPer lo sviluppo software, il produttore evidenzia il refactoring tra linguaggi, l’ottimizzazione delle prestazioni e l’analisi delle aree di una base di codice usate di frequente. Fornisci i file pertinenti come testo, il comportamento da conservare, le versioni delle dipendenze e qualsiasi output di errore o misurazione. Una richiesta utile chiede una modifica proposta e i controlli necessari per valutarla: «Rifattorizza questo parser conservando il formato di output documentato. Spiega il comportamento interessato, mostra il codice rivisto e identifica i casi che rivelerebbero una regressione». Per il lavoro sulle prestazioni, fornisci profili o tempi effettivi e chiedi di collegare ogni raccomandazione a un collo di bottiglia misurato.\n\nPer l’analisi professionale, raccogli regole, definizioni e prove pertinenti prima di chiedere una raccomandazione. Ling 3.1 Flash è pensato per sintetizzare informazioni sparse, interpretare indicatori e sviluppare suggerimenti operativi. Chiedi un confronto che indichi le ipotesi e le informazioni ancora necessarie, anziché un verdetto senza supporto. Per esempio, fornisci diverse proposte di progetto e richiedi una nota decisionale che usi gli stessi criteri per ciascuna, separando le osservazioni sostenute dalle fonti dalle conseguenze dedotte. Quando le prove sono in conflitto, richiedi i passaggi contrastanti e la domanda che permetterebbe di risolverli.\n\nIl produttore distingue un limite massimo di contesto del modello di 1M token dal contesto di 256K attualmente aperto dal suo servizio ufficiale. Queste cifre descrivono confini diversi. Organizza il materiale di lavoro attorno alla finestra applicabile e riserva spazio per la risposta; un limite a livello di modello non significa che ogni interfaccia accetti una quantità di input equivalente. Per un compito ampio, conserva insieme l’obiettivo, le decisioni completate, le domande irrisolte e i riferimenti alle fonti. Usa confini espliciti attorno a documenti e codice, così il materiale da analizzare non verrà confuso con istruzioni da seguire.\n\nPrepara i compiti collegati a strumenti con descrizioni chiare degli strumenti, argomenti attesi e registrazioni utili dei risultati. Reinserisci i risultati effettivi nella conversazione, così la proposta successiva si baserà sulle osservazioni. Chiedi al modello di spiegare che cosa cambia con un risultato restituito e quali prove mancano ancora. Il design del modello orientato agli agenti supporta questo schema di pianificazione e riscontro; l’applicazione circostante esegue i passaggi degli strumenti e ne conserva i risultati. Un comando, una modifica di codice o una relazione proposti sono più utili quando il loro stato è chiaro: suggeriti, eseguiti con un risultato registrato oppure ancora da verificare.\n\nLing 3.1 Flash appartiene alla linea dei modelli linguistici; l’edizione separata Ling 3.0 Flash VL è il modello visivo del produttore. Per questo compito testuale, prepara contenuti di origine testuali e conservane struttura, etichette e provenienza. Specifica lingua e forma dell’output, per esempio una nota concisa, una tabella di conclusioni, una spiegazione della patch o un piano numerato. Chiedi al modello di segnalare le informazioni mancanti e verifica il risultato richiesto rispetto ai vincoli originali. I flussi lunghi richiedono comunque l’esame dei risultati intermedi: altrimenti un’ipotesi iniziale errata può essere trascinata nei ragionamenti successivi e rifinita fino a diventare una relazione finale convincente.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3174720a0028ca3b63204db038829a701615c215658a62ff1a6db31951bf6a8a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash è il modello di ragionamento ibrido di inclusionAI per lavoro d’ufficio, sviluppo software prolungato e agenti complessi. La sua architettura sparsa da 560 miliardi di parametri ne attiva circa 25 miliardi per token, supportando pianificazione in più passaggi, interazione con strumenti e revisioni basate sui risultati intermedi.
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.
Ling 3.1 Flash è il modello linguistico di ragionamento ibrido di inclusionAI per compiti che coinvolgono diverse fasi, anziché una singola risposta breve. Il produttore lo propone per il lavoro d’ufficio quotidiano, attività prolungate di ingegneria del software e flussi con agenti complessi. Usa un’architettura mixture-of-experts con circa 560 miliardi di parametri totali e circa 25 miliardi attivi per ogni token, bilanciando un’ampia capacità del modello con una quantità minore di calcolo attivo.
Il suo obiettivo progettuale centrale è mantenere lo stato del compito e correggere la direzione del lavoro più lungo. In un flusso collegato a strumenti, il modello può pianificare diversi passaggi, interpretare risultati intermedi e rivedere il passaggio successivo quando cambiano le prove. Fornisci un obiettivo preciso, i materiali disponibili e una definizione del completamento. Per esempio: «Esamina queste note sull’incidente, identifica le cause irrisolte e produci un piano di indagine in ordine di priorità. Per ogni azione, indica le prove necessarie per decidere se ha funzionato». Questo trasforma una richiesta vaga in un risultato che può essere esaminato e proseguito.
Per il lavoro d’ufficio, input utili comprendono note originali, testo estratto da documenti, tabelle con definizioni chiare delle colonne e il pubblico previsto per una relazione. Specifica il periodo, le unità e il confronto da usare. Chiedi un documento scritto come un resoconto per la direzione, la struttura di una relazione o una spiegazione dei cambiamenti importanti. Un esempio è: «Usando soltanto queste tabelle trimestrali, spiega i cambiamenti maggiori, distingui i valori osservati dalle ipotesi e prepara un resoconto con le domande senza risposta alla fine». Conserva le etichette delle fonti con l’input, così le affermazioni risultanti potranno essere ricondotte al materiale corretto.
Per lo sviluppo software, il produttore evidenzia il refactoring tra linguaggi, l’ottimizzazione delle prestazioni e l’analisi delle aree di una base di codice usate di frequente. Fornisci i file pertinenti come testo, il comportamento da conservare, le versioni delle dipendenze e qualsiasi output di errore o misurazione. Una richiesta utile chiede una modifica proposta e i controlli necessari per valutarla: «Rifattorizza questo parser conservando il formato di output documentato. Spiega il comportamento interessato, mostra il codice rivisto e identifica i casi che rivelerebbero una regressione». Per il lavoro sulle prestazioni, fornisci profili o tempi effettivi e chiedi di collegare ogni raccomandazione a un collo di bottiglia misurato.
Per l’analisi professionale, raccogli regole, definizioni e prove pertinenti prima di chiedere una raccomandazione. Ling 3.1 Flash è pensato per sintetizzare informazioni sparse, interpretare indicatori e sviluppare suggerimenti operativi. Chiedi un confronto che indichi le ipotesi e le informazioni ancora necessarie, anziché un verdetto senza supporto. Per esempio, fornisci diverse proposte di progetto e richiedi una nota decisionale che usi gli stessi criteri per ciascuna, separando le osservazioni sostenute dalle fonti dalle conseguenze dedotte. Quando le prove sono in conflitto, richiedi i passaggi contrastanti e la domanda che permetterebbe di risolverli.
Il produttore distingue un limite massimo di contesto del modello di 1M token dal contesto di 256K attualmente aperto dal suo servizio ufficiale. Queste cifre descrivono confini diversi. Organizza il materiale di lavoro attorno alla finestra applicabile e riserva spazio per la risposta; un limite a livello di modello non significa che ogni interfaccia accetti una quantità di input equivalente. Per un compito ampio, conserva insieme l’obiettivo, le decisioni completate, le domande irrisolte e i riferimenti alle fonti. Usa confini espliciti attorno a documenti e codice, così il materiale da analizzare non verrà confuso con istruzioni da seguire.
Prepara i compiti collegati a strumenti con descrizioni chiare degli strumenti, argomenti attesi e registrazioni utili dei risultati. Reinserisci i risultati effettivi nella conversazione, così la proposta successiva si baserà sulle osservazioni. Chiedi al modello di spiegare che cosa cambia con un risultato restituito e quali prove mancano ancora. Il design del modello orientato agli agenti supporta questo schema di pianificazione e riscontro; l’applicazione circostante esegue i passaggi degli strumenti e ne conserva i risultati. Un comando, una modifica di codice o una relazione proposti sono più utili quando il loro stato è chiaro: suggeriti, eseguiti con un risultato registrato oppure ancora da verificare.
Ling 3.1 Flash appartiene alla linea dei modelli linguistici; l’edizione separata Ling 3.0 Flash VL è il modello visivo del produttore. Per questo compito testuale, prepara contenuti di origine testuali e conservane struttura, etichette e provenienza. Specifica lingua e forma dell’output, per esempio una nota concisa, una tabella di conclusioni, una spiegazione della patch o un piano numerato. Chiedi al modello di segnalare le informazioni mancanti e verifica il risultato richiesto rispetto ai vincoli originali. I flussi lunghi richiedono comunque l’esame dei risultati intermedi: altrimenti un’ipotesi iniziale errata può essere trascinata nei ragionamenti successivi e rifinita fino a diventare una relazione finale convincente.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti inclusionai/ling-3.1-flash | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
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 |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
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 $0.0006 / 1K token Output · Token in output $0.0018 / 1K token Input · Lettura dalla cache $0.00012 / 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 $0.0006 / 1K token Output · Token in output $0.0018 / 1K token Input · Lettura dalla cache $0.00012 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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 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 inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash è il modello di ragionamento ibrido di inclusionAI per lavoro d’ufficio, sviluppo software prolungato e agenti complessi. La sua architettura sparsa da 560 miliardi di parametri ne attiva circa 25 miliardi per token, supportando pianificazione in più passaggi, interazione con strumenti e revisioni basate sui risultati intermedi.
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.
Ling 3.1 Flash è il modello linguistico di ragionamento ibrido di inclusionAI per compiti che coinvolgono diverse fasi, anziché una singola risposta breve. Il produttore lo propone per il lavoro d’ufficio quotidiano, attività prolungate di ingegneria del software e flussi con agenti complessi. Usa un’architettura mixture-of-experts con circa 560 miliardi di parametri totali e circa 25 miliardi attivi per ogni token, bilanciando un’ampia capacità del modello con una quantità minore di calcolo attivo.
Il suo obiettivo progettuale centrale è mantenere lo stato del compito e correggere la direzione del lavoro più lungo. In un flusso collegato a strumenti, il modello può pianificare diversi passaggi, interpretare risultati intermedi e rivedere il passaggio successivo quando cambiano le prove. Fornisci un obiettivo preciso, i materiali disponibili e una definizione del completamento. Per esempio: «Esamina queste note sull’incidente, identifica le cause irrisolte e produci un piano di indagine in ordine di priorità. Per ogni azione, indica le prove necessarie per decidere se ha funzionato». Questo trasforma una richiesta vaga in un risultato che può essere esaminato e proseguito.
Per il lavoro d’ufficio, input utili comprendono note originali, testo estratto da documenti, tabelle con definizioni chiare delle colonne e il pubblico previsto per una relazione. Specifica il periodo, le unità e il confronto da usare. Chiedi un documento scritto come un resoconto per la direzione, la struttura di una relazione o una spiegazione dei cambiamenti importanti. Un esempio è: «Usando soltanto queste tabelle trimestrali, spiega i cambiamenti maggiori, distingui i valori osservati dalle ipotesi e prepara un resoconto con le domande senza risposta alla fine». Conserva le etichette delle fonti con l’input, così le affermazioni risultanti potranno essere ricondotte al materiale corretto.
Per lo sviluppo software, il produttore evidenzia il refactoring tra linguaggi, l’ottimizzazione delle prestazioni e l’analisi delle aree di una base di codice usate di frequente. Fornisci i file pertinenti come testo, il comportamento da conservare, le versioni delle dipendenze e qualsiasi output di errore o misurazione. Una richiesta utile chiede una modifica proposta e i controlli necessari per valutarla: «Rifattorizza questo parser conservando il formato di output documentato. Spiega il comportamento interessato, mostra il codice rivisto e identifica i casi che rivelerebbero una regressione». Per il lavoro sulle prestazioni, fornisci profili o tempi effettivi e chiedi di collegare ogni raccomandazione a un collo di bottiglia misurato.
Per l’analisi professionale, raccogli regole, definizioni e prove pertinenti prima di chiedere una raccomandazione. Ling 3.1 Flash è pensato per sintetizzare informazioni sparse, interpretare indicatori e sviluppare suggerimenti operativi. Chiedi un confronto che indichi le ipotesi e le informazioni ancora necessarie, anziché un verdetto senza supporto. Per esempio, fornisci diverse proposte di progetto e richiedi una nota decisionale che usi gli stessi criteri per ciascuna, separando le osservazioni sostenute dalle fonti dalle conseguenze dedotte. Quando le prove sono in conflitto, richiedi i passaggi contrastanti e la domanda che permetterebbe di risolverli.
Il produttore distingue un limite massimo di contesto del modello di 1M token dal contesto di 256K attualmente aperto dal suo servizio ufficiale. Queste cifre descrivono confini diversi. Organizza il materiale di lavoro attorno alla finestra applicabile e riserva spazio per la risposta; un limite a livello di modello non significa che ogni interfaccia accetti una quantità di input equivalente. Per un compito ampio, conserva insieme l’obiettivo, le decisioni completate, le domande irrisolte e i riferimenti alle fonti. Usa confini espliciti attorno a documenti e codice, così il materiale da analizzare non verrà confuso con istruzioni da seguire.
Prepara i compiti collegati a strumenti con descrizioni chiare degli strumenti, argomenti attesi e registrazioni utili dei risultati. Reinserisci i risultati effettivi nella conversazione, così la proposta successiva si baserà sulle osservazioni. Chiedi al modello di spiegare che cosa cambia con un risultato restituito e quali prove mancano ancora. Il design del modello orientato agli agenti supporta questo schema di pianificazione e riscontro; l’applicazione circostante esegue i passaggi degli strumenti e ne conserva i risultati. Un comando, una modifica di codice o una relazione proposti sono più utili quando il loro stato è chiaro: suggeriti, eseguiti con un risultato registrato oppure ancora da verificare.
Ling 3.1 Flash appartiene alla linea dei modelli linguistici; l’edizione separata Ling 3.0 Flash VL è il modello visivo del produttore. Per questo compito testuale, prepara contenuti di origine testuali e conservane struttura, etichette e provenienza. Specifica lingua e forma dell’output, per esempio una nota concisa, una tabella di conclusioni, una spiegazione della patch o un piano numerato. Chiedi al modello di segnalare le informazioni mancanti e verifica il risultato richiesto rispetto ai vincoli originali. I flussi lunghi richiedono comunque l’esame dei risultati intermedi: altrimenti un’ipotesi iniziale errata può essere trascinata nei ragionamenti successivi e rifinita fino a diventare una relazione finale convincente.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti inclusionai/ling-3.1-flash | 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 $0.0006 / 1K token Output · Token in output $0.0018 / 1K token Input · Lettura dalla cache $0.00012 / 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 $0.0006 / 1K token Output · Token in output $0.0018 / 1K token Input · Lettura dalla cache $0.00012 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 inclusionai/ling-3.1-flash
/chat/completions