Step 3.5 Flash è il modello testuale mixture-of-experts sparso di StepFun per il ragionamento e il lavoro con agenti. La specifica pubblicata indica 196,81 miliardi di parametri totali, inclusa la testa di previsione, e circa 11 miliardi di parametri attivati per token. Elabora istruzioni scritte e conversazioni per generare testo, codice e interazioni proposte con strumenti.
L'architettura principale a 45 strati combina attenzione a finestra scorrevole e attenzione completa in un rapporto di tre a uno e supporta un contesto di 256K. Ogni strato di esperti ha 288 esperti instradati più un esperto condiviso, con otto esperti instradati selezionati per token. Una testa di previsione di più token fa parte della progettazione del produttore orientata all'efficienza. Queste scelte architetturali descrivono il modello; la velocità di una particolare applicazione dipende anche dalla configurazione del servizio di inferenza e dal carico di lavoro.
Le principali aree di impiego sono ragionamento, programmazione e flussi più lunghi con agenti. Per un incarico software, fornisci il comportamento atteso, le fonti pertinenti e un errore effettivo o la modifica richiesta. Chiedi l'artefatto proposto e i controlli necessari a valutarlo. In un'applicazione connessa, restituisci i risultati di comandi e controlli prima che il modello scelga il passaggio successivo.
Per l'analisi su contesti lunghi, definisci la domanda e le sezioni rilevanti del materiale. Un rapporto utile identifica la conclusione, le prove a sostegno e ogni osservazione mancante. Mantieni disponibili l'obiettivo corrente e i risultati precedenti confermati nei turni successivi, così il modello può proseguire dallo stato dell'attività anziché ricostruirlo da un prompt incompleto.
StepFun pubblica ricette di integrazione e distribuzione locale per applicazioni di programmazione e ricerca. L'esecuzione degli strumenti appartiene al flusso circostante: il modello fornisce l'azione proposta e l'applicazione la esegue e ne restituisce l'esito. Gli artefatti convertiti o quantizzati distinti hanno condizioni di distribuzione proprie; il nome generale del modello non ne seleziona uno.
I problemi noti del produttore sono concreti. Il modello può seguire percorsi di generazione lunghi e la stabilità può diminuire in ambiti specialistici o conversazioni estese a più turni. I sintomi segnalati comprendono ragionamento ripetitivo, output con lingue mescolate e incoerenze su tempo o identità. Specifica chiaramente la lingua della risposta e l'attività corrente, conserva le osservazioni pertinenti e verifica l'elaborato finale rispetto all'obiettivo dichiarato. Mantieni questa edizione testuale distinta da Step 3.7 Flash, che aggiunge un encoder visivo e l'input di immagini.
", "aboutText": "Step 3.5 Flash è il modello testuale mixture-of-experts sparso di StepFun per il ragionamento e il lavoro con agenti. La specifica pubblicata indica 196,81 miliardi di parametri totali, inclusa la testa di previsione, e circa 11 miliardi di parametri attivati per token. Elabora istruzioni scritte e conversazioni per generare testo, codice e interazioni proposte con strumenti.\n\nL'architettura principale a 45 strati combina attenzione a finestra scorrevole e attenzione completa in un rapporto di tre a uno e supporta un contesto di 256K. Ogni strato di esperti ha 288 esperti instradati più un esperto condiviso, con otto esperti instradati selezionati per token. Una testa di previsione di più token fa parte della progettazione del produttore orientata all'efficienza. Queste scelte architetturali descrivono il modello; la velocità di una particolare applicazione dipende anche dalla configurazione del servizio di inferenza e dal carico di lavoro.\n\nLe principali aree di impiego sono ragionamento, programmazione e flussi più lunghi con agenti. Per un incarico software, fornisci il comportamento atteso, le fonti pertinenti e un errore effettivo o la modifica richiesta. Chiedi l'artefatto proposto e i controlli necessari a valutarlo. In un'applicazione connessa, restituisci i risultati di comandi e controlli prima che il modello scelga il passaggio successivo.\n\nPer l'analisi su contesti lunghi, definisci la domanda e le sezioni rilevanti del materiale. Un rapporto utile identifica la conclusione, le prove a sostegno e ogni osservazione mancante. Mantieni disponibili l'obiettivo corrente e i risultati precedenti confermati nei turni successivi, così il modello può proseguire dallo stato dell'attività anziché ricostruirlo da un prompt incompleto.\n\nStepFun pubblica ricette di integrazione e distribuzione locale per applicazioni di programmazione e ricerca. L'esecuzione degli strumenti appartiene al flusso circostante: il modello fornisce l'azione proposta e l'applicazione la esegue e ne restituisce l'esito. Gli artefatti convertiti o quantizzati distinti hanno condizioni di distribuzione proprie; il nome generale del modello non ne seleziona uno.\n\nI problemi noti del produttore sono concreti. Il modello può seguire percorsi di generazione lunghi e la stabilità può diminuire in ambiti specialistici o conversazioni estese a più turni. I sintomi segnalati comprendono ragionamento ripetitivo, output con lingue mescolate e incoerenze su tempo o identità. Specifica chiaramente la lingua della risposta e l'attività corrente, conserva le osservazioni pertinenti e verifica l'elaborato finale rispetto all'obiettivo dichiarato. Mantieni questa edizione testuale distinta da Step 3.7 Flash, che aggiunge un encoder visivo e l'input di immagini.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStep 3.5 Flash di StepFun è un modello testuale sparso per ragionamento, codice e flussi con agenti. Attiva circa 11 miliardi di parametri da un modello della classe 196B, combina attenzione a finestra scorrevole e attenzione completa e supporta un contesto di 256K.
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.
Step 3.5 Flash è il modello testuale mixture-of-experts sparso di StepFun per il ragionamento e il lavoro con agenti. La specifica pubblicata indica 196,81 miliardi di parametri totali, inclusa la testa di previsione, e circa 11 miliardi di parametri attivati per token. Elabora istruzioni scritte e conversazioni per generare testo, codice e interazioni proposte con strumenti.
L'architettura principale a 45 strati combina attenzione a finestra scorrevole e attenzione completa in un rapporto di tre a uno e supporta un contesto di 256K. Ogni strato di esperti ha 288 esperti instradati più un esperto condiviso, con otto esperti instradati selezionati per token. Una testa di previsione di più token fa parte della progettazione del produttore orientata all'efficienza. Queste scelte architetturali descrivono il modello; la velocità di una particolare applicazione dipende anche dalla configurazione del servizio di inferenza e dal carico di lavoro.
Le principali aree di impiego sono ragionamento, programmazione e flussi più lunghi con agenti. Per un incarico software, fornisci il comportamento atteso, le fonti pertinenti e un errore effettivo o la modifica richiesta. Chiedi l'artefatto proposto e i controlli necessari a valutarlo. In un'applicazione connessa, restituisci i risultati di comandi e controlli prima che il modello scelga il passaggio successivo.
Per l'analisi su contesti lunghi, definisci la domanda e le sezioni rilevanti del materiale. Un rapporto utile identifica la conclusione, le prove a sostegno e ogni osservazione mancante. Mantieni disponibili l'obiettivo corrente e i risultati precedenti confermati nei turni successivi, così il modello può proseguire dallo stato dell'attività anziché ricostruirlo da un prompt incompleto.
StepFun pubblica ricette di integrazione e distribuzione locale per applicazioni di programmazione e ricerca. L'esecuzione degli strumenti appartiene al flusso circostante: il modello fornisce l'azione proposta e l'applicazione la esegue e ne restituisce l'esito. Gli artefatti convertiti o quantizzati distinti hanno condizioni di distribuzione proprie; il nome generale del modello non ne seleziona uno.
I problemi noti del produttore sono concreti. Il modello può seguire percorsi di generazione lunghi e la stabilità può diminuire in ambiti specialistici o conversazioni estese a più turni. I sintomi segnalati comprendono ragionamento ripetitivo, output con lingue mescolate e incoerenze su tempo o identità. Specifica chiaramente la lingua della risposta e l'attività corrente, conserva le osservazioni pertinenti e verifica l'elaborato finale rispetto all'obiettivo dichiarato. Mantieni questa edizione testuale distinta da Step 3.7 Flash, che aggiunge un encoder visivo e l'input di immagini.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti stepfun/step-3.5-flash | 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 $0.00022 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 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 $0.00022 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun/step-3.5-flash", "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='stepfun/step-3.5-flash',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='stepfun/step-3.5-flash',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 stepfun/step-3.5-flash
Usa i percorsi dei metodi indicati sopra.
stepfun/step-3.5-flashStep 3.5 Flash di StepFun è un modello testuale sparso per ragionamento, codice e flussi con agenti. Attiva circa 11 miliardi di parametri da un modello della classe 196B, combina attenzione a finestra scorrevole e attenzione completa e supporta un contesto di 256K.
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.
Step 3.5 Flash è il modello testuale mixture-of-experts sparso di StepFun per il ragionamento e il lavoro con agenti. La specifica pubblicata indica 196,81 miliardi di parametri totali, inclusa la testa di previsione, e circa 11 miliardi di parametri attivati per token. Elabora istruzioni scritte e conversazioni per generare testo, codice e interazioni proposte con strumenti.
L'architettura principale a 45 strati combina attenzione a finestra scorrevole e attenzione completa in un rapporto di tre a uno e supporta un contesto di 256K. Ogni strato di esperti ha 288 esperti instradati più un esperto condiviso, con otto esperti instradati selezionati per token. Una testa di previsione di più token fa parte della progettazione del produttore orientata all'efficienza. Queste scelte architetturali descrivono il modello; la velocità di una particolare applicazione dipende anche dalla configurazione del servizio di inferenza e dal carico di lavoro.
Le principali aree di impiego sono ragionamento, programmazione e flussi più lunghi con agenti. Per un incarico software, fornisci il comportamento atteso, le fonti pertinenti e un errore effettivo o la modifica richiesta. Chiedi l'artefatto proposto e i controlli necessari a valutarlo. In un'applicazione connessa, restituisci i risultati di comandi e controlli prima che il modello scelga il passaggio successivo.
Per l'analisi su contesti lunghi, definisci la domanda e le sezioni rilevanti del materiale. Un rapporto utile identifica la conclusione, le prove a sostegno e ogni osservazione mancante. Mantieni disponibili l'obiettivo corrente e i risultati precedenti confermati nei turni successivi, così il modello può proseguire dallo stato dell'attività anziché ricostruirlo da un prompt incompleto.
StepFun pubblica ricette di integrazione e distribuzione locale per applicazioni di programmazione e ricerca. L'esecuzione degli strumenti appartiene al flusso circostante: il modello fornisce l'azione proposta e l'applicazione la esegue e ne restituisce l'esito. Gli artefatti convertiti o quantizzati distinti hanno condizioni di distribuzione proprie; il nome generale del modello non ne seleziona uno.
I problemi noti del produttore sono concreti. Il modello può seguire percorsi di generazione lunghi e la stabilità può diminuire in ambiti specialistici o conversazioni estese a più turni. I sintomi segnalati comprendono ragionamento ripetitivo, output con lingue mescolate e incoerenze su tempo o identità. Specifica chiaramente la lingua della risposta e l'attività corrente, conserva le osservazioni pertinenti e verifica l'elaborato finale rispetto all'obiettivo dichiarato. Mantieni questa edizione testuale distinta da Step 3.7 Flash, che aggiunge un encoder visivo e l'input di immagini.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti stepfun/step-3.5-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 $0.00022 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 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 $0.00022 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun/step-3.5-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': 'stepfun/step-3.5-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 stepfun/step-3.5-flash
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.