NVIDIA Nemotron 3.5 Lightning è un modello linguistico per il ragionamento, la conversazione e flussi di lavoro specializzati con agenti. Ha 30B parametri totali con 3B attivi e usa un’architettura ibrida che alterna strati Mamba-2, mixture-of-experts e di attenzione. Gli strati Multi-Token Prediction aggiungono segnali di addestramento per i token futuri e supportano le procedure di generazione ottimizzate del modello. Il modello elabora testo e produce testo, comprese spiegazioni, codice e risposte fondate sul materiale fornito.
Il produttore descrive applicazioni in chatbot, generazione aumentata dal recupero di informazioni, esecuzione di istruzioni e agenti. Per una risposta da una base di conoscenza, fornisci la domanda e i passaggi pertinenti con etichette delle fonti stabili. Chiedi al modello di rispondere a partire da quei passaggi, identificare quale sostiene ogni affermazione importante e indicare che cosa rimane sconosciuto. Per esempio: «Usando questi articoli di assistenza, spiega la differenza fra i due metodi di installazione e restituisci prerequisiti, passaggi e verifiche per ciascuno». Mantieni visibile un prerequisito mancante anziché invitare il modello a inventarlo.
Per la programmazione, fornisci il codice pertinente, il comportamento atteso e l’errore osservato. Una richiesta pratica domanda una revisione mirata e una spiegazione dei casi interessati. Se un agente collegato a strumenti esegue una verifica, restituiscine l’output effettivo prima di chiedere la modifica successiva. L’addestramento del modello comprende codice, uso di strumenti in più passaggi e attività con output strutturato, ma l’artefatto completato deve comunque corrispondere al requisito originale. Richiedi il codice rivisto, il motivo di ogni modifica sostanziale e le osservazioni necessarie per stabilire che il problema sia risolto.
Il produttore documenta il ragionamento abilitato per impostazione predefinita e una modalità di risposta diretta con ragionamento disabilitato tramite il template di chat. La modalità di ragionamento è utile per un’attività con diverse condizioni dipendenti; una risposta diretta può adattarsi a una trasformazione o estrazione semplice. Il produttore raccomanda temperature 1.0 e top-p 0.95 nei propri esempi di client. Considerali impostazioni della procedura del produttore e scegli esplicitamente la struttura della risposta finale, per esempio una spiegazione concisa, una tabella di confronto o una risposta seguita dalle evidenze che la sostengono.
Il modello supporta un contesto fino a 1M di token. Le procedure di distribuzione BF16 pubblicate distinguono inoltre questa capacità del modello dalle configurazioni che usano una finestra di 256K in presenza di vincoli di memoria. Prepara il materiale lungo per la finestra di lavoro applicabile, preservando la struttura dei documenti e lasciando spazio alla risposta. Un contesto lungo è particolarmente utile quando il prompt specifica la relazione da individuare: contraddizioni fra documenti, dipendenze fra file sorgente o evidenze a sostegno di una conclusione. Non è un motivo per includere una cronologia non pertinente o presumere che una risposta finale possa occupare l’intera finestra.
L’inglese e i linguaggi di programmazione sono l’ambito principale, con spagnolo, francese, tedesco, italiano e giapponese anch’essi elencati. Specifica la lingua di output richiesta e conserva nomi, identificatori e termini citati dalle fonti quando la grafia conta. Per il lavoro su documenti multilingue, specifica se tradurre, riassumere o confrontare i materiali; queste richieste producono artefatti diversi. Chiedi di segnalare la terminologia incerta, affinché una traduzione scorrevole non modifichi silenziosamente un significato tecnico.
NVIDIA pubblica una versione di riferimento BF16 principalmente per la personalizzazione e la ricerca a piena precisione, e una versione NVFP4 separata con procedure di inferenza ottimizzate. Questa distinzione conta nel confronto delle indicazioni di distribuzione: una configurazione hardware o un risultato di throughput di una versione non descrive automaticamente un’altra. Il nome del modello identifica la famiglia Lightning, mentre il checkpoint esatto e la configurazione di erogazione determinano la procedura. Mantieni le capacità del modello separate dalle prestazioni e dalle ipotesi sulla memoria proprie di una specifica procedura.
Per il lavoro basato su strumenti, fornisci descrizioni chiare delle funzioni e restituisci il risultato effettivo di ogni passaggio eseguito. Un’operazione proposta diventa un’evidenza utilizzabile soltanto dopo che l’applicazione circostante l’ha eseguita e ha registrato che cosa è accaduto. Chiedi alla risposta finale di distinguere osservazioni dalle fonti, conclusioni derivate e verifiche incomplete. Quando un calcolo, un comando o un passaggio recuperato contraddice il risultato previsto, usa quel contrasto per rivedere la conclusione anziché produrre un riepilogo ben scritto di un’ipotesi non verificata.
", "aboutText": "NVIDIA Nemotron 3.5 Lightning è un modello linguistico per il ragionamento, la conversazione e flussi di lavoro specializzati con agenti. Ha 30B parametri totali con 3B attivi e usa un’architettura ibrida che alterna strati Mamba-2, mixture-of-experts e di attenzione. Gli strati Multi-Token Prediction aggiungono segnali di addestramento per i token futuri e supportano le procedure di generazione ottimizzate del modello. Il modello elabora testo e produce testo, comprese spiegazioni, codice e risposte fondate sul materiale fornito.\n\nIl produttore descrive applicazioni in chatbot, generazione aumentata dal recupero di informazioni, esecuzione di istruzioni e agenti. Per una risposta da una base di conoscenza, fornisci la domanda e i passaggi pertinenti con etichette delle fonti stabili. Chiedi al modello di rispondere a partire da quei passaggi, identificare quale sostiene ogni affermazione importante e indicare che cosa rimane sconosciuto. Per esempio: «Usando questi articoli di assistenza, spiega la differenza fra i due metodi di installazione e restituisci prerequisiti, passaggi e verifiche per ciascuno». Mantieni visibile un prerequisito mancante anziché invitare il modello a inventarlo.\n\nPer la programmazione, fornisci il codice pertinente, il comportamento atteso e l’errore osservato. Una richiesta pratica domanda una revisione mirata e una spiegazione dei casi interessati. Se un agente collegato a strumenti esegue una verifica, restituiscine l’output effettivo prima di chiedere la modifica successiva. L’addestramento del modello comprende codice, uso di strumenti in più passaggi e attività con output strutturato, ma l’artefatto completato deve comunque corrispondere al requisito originale. Richiedi il codice rivisto, il motivo di ogni modifica sostanziale e le osservazioni necessarie per stabilire che il problema sia risolto.\n\nIl produttore documenta il ragionamento abilitato per impostazione predefinita e una modalità di risposta diretta con ragionamento disabilitato tramite il template di chat. La modalità di ragionamento è utile per un’attività con diverse condizioni dipendenti; una risposta diretta può adattarsi a una trasformazione o estrazione semplice. Il produttore raccomanda temperature 1.0 e top-p 0.95 nei propri esempi di client. Considerali impostazioni della procedura del produttore e scegli esplicitamente la struttura della risposta finale, per esempio una spiegazione concisa, una tabella di confronto o una risposta seguita dalle evidenze che la sostengono.\n\nIl modello supporta un contesto fino a 1M di token. Le procedure di distribuzione BF16 pubblicate distinguono inoltre questa capacità del modello dalle configurazioni che usano una finestra di 256K in presenza di vincoli di memoria. Prepara il materiale lungo per la finestra di lavoro applicabile, preservando la struttura dei documenti e lasciando spazio alla risposta. Un contesto lungo è particolarmente utile quando il prompt specifica la relazione da individuare: contraddizioni fra documenti, dipendenze fra file sorgente o evidenze a sostegno di una conclusione. Non è un motivo per includere una cronologia non pertinente o presumere che una risposta finale possa occupare l’intera finestra.\n\nL’inglese e i linguaggi di programmazione sono l’ambito principale, con spagnolo, francese, tedesco, italiano e giapponese anch’essi elencati. Specifica la lingua di output richiesta e conserva nomi, identificatori e termini citati dalle fonti quando la grafia conta. Per il lavoro su documenti multilingue, specifica se tradurre, riassumere o confrontare i materiali; queste richieste producono artefatti diversi. Chiedi di segnalare la terminologia incerta, affinché una traduzione scorrevole non modifichi silenziosamente un significato tecnico.\n\nNVIDIA pubblica una versione di riferimento BF16 principalmente per la personalizzazione e la ricerca a piena precisione, e una versione NVFP4 separata con procedure di inferenza ottimizzate. Questa distinzione conta nel confronto delle indicazioni di distribuzione: una configurazione hardware o un risultato di throughput di una versione non descrive automaticamente un’altra. Il nome del modello identifica la famiglia Lightning, mentre il checkpoint esatto e la configurazione di erogazione determinano la procedura. Mantieni le capacità del modello separate dalle prestazioni e dalle ipotesi sulla memoria proprie di una specifica procedura.\n\nPer il lavoro basato su strumenti, fornisci descrizioni chiare delle funzioni e restituisci il risultato effettivo di ogni passaggio eseguito. Un’operazione proposta diventa un’evidenza utilizzabile soltanto dopo che l’applicazione circostante l’ha eseguita e ha registrato che cosa è accaduto. Chiedi alla risposta finale di distinguere osservazioni dalle fonti, conclusioni derivate e verifiche incomplete. Quando un calcolo, un comando o un passaggio recuperato contraddice il risultato previsto, usa quel contrasto per rivedere la conclusione anziché produrre un riepilogo ben scritto di un’ipotesi non verificata.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "994b75a04132299db93c89d7088f750f812a5cdaa7b3228350ae07244005ff5f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "nvidia/nemotron-3.5-lightning:freeNVIDIA Nemotron 3.5 Lightning è un modello testuale di ragionamento e chat con 30B parametri totali e 3B attivi. La sua architettura ibrida Mamba–MoE supporta analisi di contesti lunghi, programmazione e flussi di lavoro basati su strumenti, con modalità di ragionamento o risposta diretta documentate nel template di chat del produttore.
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.
NVIDIA Nemotron 3.5 Lightning è un modello linguistico per il ragionamento, la conversazione e flussi di lavoro specializzati con agenti. Ha 30B parametri totali con 3B attivi e usa un’architettura ibrida che alterna strati Mamba-2, mixture-of-experts e di attenzione. Gli strati Multi-Token Prediction aggiungono segnali di addestramento per i token futuri e supportano le procedure di generazione ottimizzate del modello. Il modello elabora testo e produce testo, comprese spiegazioni, codice e risposte fondate sul materiale fornito.
Il produttore descrive applicazioni in chatbot, generazione aumentata dal recupero di informazioni, esecuzione di istruzioni e agenti. Per una risposta da una base di conoscenza, fornisci la domanda e i passaggi pertinenti con etichette delle fonti stabili. Chiedi al modello di rispondere a partire da quei passaggi, identificare quale sostiene ogni affermazione importante e indicare che cosa rimane sconosciuto. Per esempio: «Usando questi articoli di assistenza, spiega la differenza fra i due metodi di installazione e restituisci prerequisiti, passaggi e verifiche per ciascuno». Mantieni visibile un prerequisito mancante anziché invitare il modello a inventarlo.
Per la programmazione, fornisci il codice pertinente, il comportamento atteso e l’errore osservato. Una richiesta pratica domanda una revisione mirata e una spiegazione dei casi interessati. Se un agente collegato a strumenti esegue una verifica, restituiscine l’output effettivo prima di chiedere la modifica successiva. L’addestramento del modello comprende codice, uso di strumenti in più passaggi e attività con output strutturato, ma l’artefatto completato deve comunque corrispondere al requisito originale. Richiedi il codice rivisto, il motivo di ogni modifica sostanziale e le osservazioni necessarie per stabilire che il problema sia risolto.
Il produttore documenta il ragionamento abilitato per impostazione predefinita e una modalità di risposta diretta con ragionamento disabilitato tramite il template di chat. La modalità di ragionamento è utile per un’attività con diverse condizioni dipendenti; una risposta diretta può adattarsi a una trasformazione o estrazione semplice. Il produttore raccomanda temperature 1.0 e top-p 0.95 nei propri esempi di client. Considerali impostazioni della procedura del produttore e scegli esplicitamente la struttura della risposta finale, per esempio una spiegazione concisa, una tabella di confronto o una risposta seguita dalle evidenze che la sostengono.
Il modello supporta un contesto fino a 1M di token. Le procedure di distribuzione BF16 pubblicate distinguono inoltre questa capacità del modello dalle configurazioni che usano una finestra di 256K in presenza di vincoli di memoria. Prepara il materiale lungo per la finestra di lavoro applicabile, preservando la struttura dei documenti e lasciando spazio alla risposta. Un contesto lungo è particolarmente utile quando il prompt specifica la relazione da individuare: contraddizioni fra documenti, dipendenze fra file sorgente o evidenze a sostegno di una conclusione. Non è un motivo per includere una cronologia non pertinente o presumere che una risposta finale possa occupare l’intera finestra.
L’inglese e i linguaggi di programmazione sono l’ambito principale, con spagnolo, francese, tedesco, italiano e giapponese anch’essi elencati. Specifica la lingua di output richiesta e conserva nomi, identificatori e termini citati dalle fonti quando la grafia conta. Per il lavoro su documenti multilingue, specifica se tradurre, riassumere o confrontare i materiali; queste richieste producono artefatti diversi. Chiedi di segnalare la terminologia incerta, affinché una traduzione scorrevole non modifichi silenziosamente un significato tecnico.
NVIDIA pubblica una versione di riferimento BF16 principalmente per la personalizzazione e la ricerca a piena precisione, e una versione NVFP4 separata con procedure di inferenza ottimizzate. Questa distinzione conta nel confronto delle indicazioni di distribuzione: una configurazione hardware o un risultato di throughput di una versione non descrive automaticamente un’altra. Il nome del modello identifica la famiglia Lightning, mentre il checkpoint esatto e la configurazione di erogazione determinano la procedura. Mantieni le capacità del modello separate dalle prestazioni e dalle ipotesi sulla memoria proprie di una specifica procedura.
Per il lavoro basato su strumenti, fornisci descrizioni chiare delle funzioni e restituisci il risultato effettivo di ogni passaggio eseguito. Un’operazione proposta diventa un’evidenza utilizzabile soltanto dopo che l’applicazione circostante l’ha eseguita e ha registrato che cosa è accaduto. Chiedi alla risposta finale di distinguere osservazioni dalle fonti, conclusioni derivate e verifiche incomplete. Quando un calcolo, un comando o un passaggio recuperato contraddice il risultato previsto, usa quel contrasto per rivedere la conclusione anziché produrre un riepilogo ben scritto di un’ipotesi non verificata.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3.5-lightning:free | Predefinito— |
Campomessages | Tipoarray | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti false | Predefinitofalse |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 65.536 | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 65.536 | Predefinito— |
Campon | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 128 | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Camposeed | Tipointeger | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campostop | Tipo | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campofrequency_penalty | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campopresence_penalty | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campouser | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametrooptional | Contrattostream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametromaterial_types | Contrattotext |
Parametroconditions | ContrattoUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1000000 bytes. |
Ciclo di vita: synchronous_json
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3.5-lightning:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra nvidia/nemotron-3.5-lightning:free
Usa i percorsi dei metodi indicati sopra.
nvidia/nemotron-3.5-lightning:freeNVIDIA Nemotron 3.5 Lightning è un modello testuale di ragionamento e chat con 30B parametri totali e 3B attivi. La sua architettura ibrida Mamba–MoE supporta analisi di contesti lunghi, programmazione e flussi di lavoro basati su strumenti, con modalità di ragionamento o risposta diretta documentate nel template di chat del produttore.
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.
NVIDIA Nemotron 3.5 Lightning è un modello linguistico per il ragionamento, la conversazione e flussi di lavoro specializzati con agenti. Ha 30B parametri totali con 3B attivi e usa un’architettura ibrida che alterna strati Mamba-2, mixture-of-experts e di attenzione. Gli strati Multi-Token Prediction aggiungono segnali di addestramento per i token futuri e supportano le procedure di generazione ottimizzate del modello. Il modello elabora testo e produce testo, comprese spiegazioni, codice e risposte fondate sul materiale fornito.
Il produttore descrive applicazioni in chatbot, generazione aumentata dal recupero di informazioni, esecuzione di istruzioni e agenti. Per una risposta da una base di conoscenza, fornisci la domanda e i passaggi pertinenti con etichette delle fonti stabili. Chiedi al modello di rispondere a partire da quei passaggi, identificare quale sostiene ogni affermazione importante e indicare che cosa rimane sconosciuto. Per esempio: «Usando questi articoli di assistenza, spiega la differenza fra i due metodi di installazione e restituisci prerequisiti, passaggi e verifiche per ciascuno». Mantieni visibile un prerequisito mancante anziché invitare il modello a inventarlo.
Per la programmazione, fornisci il codice pertinente, il comportamento atteso e l’errore osservato. Una richiesta pratica domanda una revisione mirata e una spiegazione dei casi interessati. Se un agente collegato a strumenti esegue una verifica, restituiscine l’output effettivo prima di chiedere la modifica successiva. L’addestramento del modello comprende codice, uso di strumenti in più passaggi e attività con output strutturato, ma l’artefatto completato deve comunque corrispondere al requisito originale. Richiedi il codice rivisto, il motivo di ogni modifica sostanziale e le osservazioni necessarie per stabilire che il problema sia risolto.
Il produttore documenta il ragionamento abilitato per impostazione predefinita e una modalità di risposta diretta con ragionamento disabilitato tramite il template di chat. La modalità di ragionamento è utile per un’attività con diverse condizioni dipendenti; una risposta diretta può adattarsi a una trasformazione o estrazione semplice. Il produttore raccomanda temperature 1.0 e top-p 0.95 nei propri esempi di client. Considerali impostazioni della procedura del produttore e scegli esplicitamente la struttura della risposta finale, per esempio una spiegazione concisa, una tabella di confronto o una risposta seguita dalle evidenze che la sostengono.
Il modello supporta un contesto fino a 1M di token. Le procedure di distribuzione BF16 pubblicate distinguono inoltre questa capacità del modello dalle configurazioni che usano una finestra di 256K in presenza di vincoli di memoria. Prepara il materiale lungo per la finestra di lavoro applicabile, preservando la struttura dei documenti e lasciando spazio alla risposta. Un contesto lungo è particolarmente utile quando il prompt specifica la relazione da individuare: contraddizioni fra documenti, dipendenze fra file sorgente o evidenze a sostegno di una conclusione. Non è un motivo per includere una cronologia non pertinente o presumere che una risposta finale possa occupare l’intera finestra.
L’inglese e i linguaggi di programmazione sono l’ambito principale, con spagnolo, francese, tedesco, italiano e giapponese anch’essi elencati. Specifica la lingua di output richiesta e conserva nomi, identificatori e termini citati dalle fonti quando la grafia conta. Per il lavoro su documenti multilingue, specifica se tradurre, riassumere o confrontare i materiali; queste richieste producono artefatti diversi. Chiedi di segnalare la terminologia incerta, affinché una traduzione scorrevole non modifichi silenziosamente un significato tecnico.
NVIDIA pubblica una versione di riferimento BF16 principalmente per la personalizzazione e la ricerca a piena precisione, e una versione NVFP4 separata con procedure di inferenza ottimizzate. Questa distinzione conta nel confronto delle indicazioni di distribuzione: una configurazione hardware o un risultato di throughput di una versione non descrive automaticamente un’altra. Il nome del modello identifica la famiglia Lightning, mentre il checkpoint esatto e la configurazione di erogazione determinano la procedura. Mantieni le capacità del modello separate dalle prestazioni e dalle ipotesi sulla memoria proprie di una specifica procedura.
Per il lavoro basato su strumenti, fornisci descrizioni chiare delle funzioni e restituisci il risultato effettivo di ogni passaggio eseguito. Un’operazione proposta diventa un’evidenza utilizzabile soltanto dopo che l’applicazione circostante l’ha eseguita e ha registrato che cosa è accaduto. Chiedi alla risposta finale di distinguere osservazioni dalle fonti, conclusioni derivate e verifiche incomplete. Quando un calcolo, un comando o un passaggio recuperato contraddice il risultato previsto, usa quel contrasto per rivedere la conclusione anziché produrre un riepilogo ben scritto di un’ipotesi non verificata.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti nvidia/nemotron-3.5-lightning:free | Predefinito— |
Campomessages | Tipoarray | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti false | Predefinitofalse |
Camposystem | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti Minimo: 1 Massimo: 65.536 | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotop_k | Tipointeger | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campostop_sequences | Tipoarray | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campometadata | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional | Contrattostream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametromaterial_types | Contrattotext |
Parametroconditions | ContrattoUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1000000 bytes. |
Ciclo di vita: synchronous_json
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/nemotron-3.5-lightning:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra nvidia/nemotron-3.5-lightning:free
Usa i percorsi dei metodi indicati sopra.