Inkling-Small è il modello multimodale più piccolo a pesi aperti di Thinking Machines Lab per ragionamento, programmazione, conversazione e applicazioni che usano strumenti. Accetta testo, immagini e audio e produce testo. La sua architettura Mixture-of-Experts ha 276 miliardi di parametri totali, di cui 12 miliardi attivi, rispetto ai 975 miliardi totali e 41 miliardi attivi di Inkling. Small è un modello rilasciato separatamente, con un diverso equilibrio tra efficienza e capacità, non una modalità di Inkling che produce risposte più brevi.
Per un'indagine sul codice, fornisci i file interessati, il comportamento osservato e la modifica necessaria, poi chiedi il percorso responsabile e una correzione mirata. Un elaborato finale utile comprende la modifica proposta e le prove di ogni controllo effettivamente eseguito dall'applicazione connessa. Per un assistente di supporto, fornisci la policy pertinente e i fatti della conversazione e chiedi la risposta successiva o la domanda mancante. Gli usi previsti del modello comprendono assistenti di programmazione, chatbot, risposte aumentate dal recupero di informazioni e sistemi con agenti e strumenti dell'applicazione.
La finestra di contesto arriva a un milione di token. Organizza un repository lungo o una raccolta di documenti con nomi dei file, etichette delle sezioni e una domanda chiara, conservando i fatti che una fase successiva deve usare. Una finestra ampia è utile per confrontare informazioni distanti, ma il risultato richiesto deve restare specifico: una modifica al codice, una spiegazione basata su fonti o campi estratti. Le informazioni nuove o private appartengono alle prove fornite o ai risultati di recupero restituiti, anziché essere presunte parte della conoscenza appresa.
Lo sforzo di ragionamento è controllabile. La guida della famiglia del produttore usa valori continui da 0.0 incluso a meno di 1.0, con preset iniziali none, minimal, low, medium, high e xhigh corrispondenti a 0.0, 0.1, 0.2, 0.7, 0.9 e 0.99. Il renderer del produttore usa high come valore predefinito. Uno sforzo maggiore può favorire più ragionamento e richiedere un budget di generazione più ampio, ma non garantisce una risposta più lunga o accurata. Il valore zero orienta il modello verso l'assenza di ragionamento, senza imporne un'assenza rigida. Scegli lo sforzo in base all'attività e mantieni chiaro il requisito dell'output finale.
Le immagini possono supportare domande visive, interpretazione di grafici o diagrammi e ragionamento matematico su informazioni visibili. Per buone prestazioni, usa immagini con dimensioni comprese tra 40 e 4.096 pixel. Conserva etichette leggibili e spiega il dettaglio rilevante. Con uno strumento Python configurato, il modello può combinare ragionamento visivo, ritaglio, ingrandimento ed esame tramite codice di un documento o grafico. Queste operazioni richiedono l'esecuzione da parte dell'ambiente di strumenti connesso; la risposta scritta deve usare le osservazioni restituite.
L'input audio è WAV campionato a 16 kHz, con registrazioni idealmente inferiori a due minuti per prestazioni ottimali. È una raccomandazione di preparazione, non una garanzia rigida sulla durata. Usa una domanda parlata pertinente o una breve clip e indica se il risultato scritto deve trascrivere il parlato, rispondere a una domanda sulla registrazione o collegarne il contenuto ad altro materiale fornito. La risposta nativa è testo, non parlato generato. La raccomandazione separata di Inkling per audio più lunghi non va trasferita all'edizione Small.
I flussi che usano strumenti richiedono descrizioni significative degli strumenti, definizioni degli argomenti e risultati delle operazioni eseguite dall'applicazione. Mantieni distinti un risultato di consultazione, un calcolo o un'osservazione su file dall'azione proposta dal modello. Per una discrepanza in un grafico, individua le etichette pertinenti, esamina i valori forniti tramite uno strumento di calcolo e chiedi una spiegazione che li citi. Il modello è addestrato per diversi ambienti di programmazione e agenti, quindi l'attività e gli strumenti circostanti devono essere descritti anziché lasciati impliciti.
I pesi aperti supportano ricerca sul modello, fine-tuning e integrazione in prodotti a valle. Il rilascio di Inkling-Small segue un checkpoint preview precedente e include ulteriore addestramento per la programmazione con agenti; il modello finale e quella preview devono mantenere identità separate. Per un'estrazione specializzata o uno stile di risposta, la personalizzazione usa esempi rappresentativi e un comportamento obiettivo esplicito. Un normale prompt fornisce invece contesto per la richiesta corrente; non crea un modello appena addestrato e non vi passa.
Un controllo utile del risultato verifica che la modifica proposta al codice, la trascrizione, i fatti estratti o la risposta scritta corrispondano alle prove fornite. Specifica come devono comparire incertezza e informazioni mancanti, soprattutto per una previsione o una risposta fattuale con fonti incomplete. Il produttore ha addestrato Inkling-Small alla calibrazione delle previsioni usando apprendimento per rinforzo con regole di punteggio proprie su domande del mondo reale, mirando a esprimere una fiducia adeguata alle prove disponibili. Conserva materiale e osservazioni degli strumenti insieme all'elaborato, così un turno successivo può correggere un problema senza perdere l'attività originale. Le capacità multilingue e multimodali generali di Inkling-Small restano distinte da un generatore vocale dedicato o da un servizio che garantisca azioni esterne.
", "aboutText": "Inkling-Small è il modello multimodale più piccolo a pesi aperti di Thinking Machines Lab per ragionamento, programmazione, conversazione e applicazioni che usano strumenti. Accetta testo, immagini e audio e produce testo. La sua architettura Mixture-of-Experts ha 276 miliardi di parametri totali, di cui 12 miliardi attivi, rispetto ai 975 miliardi totali e 41 miliardi attivi di Inkling. Small è un modello rilasciato separatamente, con un diverso equilibrio tra efficienza e capacità, non una modalità di Inkling che produce risposte più brevi.\n\nPer un'indagine sul codice, fornisci i file interessati, il comportamento osservato e la modifica necessaria, poi chiedi il percorso responsabile e una correzione mirata. Un elaborato finale utile comprende la modifica proposta e le prove di ogni controllo effettivamente eseguito dall'applicazione connessa. Per un assistente di supporto, fornisci la policy pertinente e i fatti della conversazione e chiedi la risposta successiva o la domanda mancante. Gli usi previsti del modello comprendono assistenti di programmazione, chatbot, risposte aumentate dal recupero di informazioni e sistemi con agenti e strumenti dell'applicazione.\n\nLa finestra di contesto arriva a un milione di token. Organizza un repository lungo o una raccolta di documenti con nomi dei file, etichette delle sezioni e una domanda chiara, conservando i fatti che una fase successiva deve usare. Una finestra ampia è utile per confrontare informazioni distanti, ma il risultato richiesto deve restare specifico: una modifica al codice, una spiegazione basata su fonti o campi estratti. Le informazioni nuove o private appartengono alle prove fornite o ai risultati di recupero restituiti, anziché essere presunte parte della conoscenza appresa.\n\nLo sforzo di ragionamento è controllabile. La guida della famiglia del produttore usa valori continui da 0.0 incluso a meno di 1.0, con preset iniziali none, minimal, low, medium, high e xhigh corrispondenti a 0.0, 0.1, 0.2, 0.7, 0.9 e 0.99. Il renderer del produttore usa high come valore predefinito. Uno sforzo maggiore può favorire più ragionamento e richiedere un budget di generazione più ampio, ma non garantisce una risposta più lunga o accurata. Il valore zero orienta il modello verso l'assenza di ragionamento, senza imporne un'assenza rigida. Scegli lo sforzo in base all'attività e mantieni chiaro il requisito dell'output finale.\n\nLe immagini possono supportare domande visive, interpretazione di grafici o diagrammi e ragionamento matematico su informazioni visibili. Per buone prestazioni, usa immagini con dimensioni comprese tra 40 e 4.096 pixel. Conserva etichette leggibili e spiega il dettaglio rilevante. Con uno strumento Python configurato, il modello può combinare ragionamento visivo, ritaglio, ingrandimento ed esame tramite codice di un documento o grafico. Queste operazioni richiedono l'esecuzione da parte dell'ambiente di strumenti connesso; la risposta scritta deve usare le osservazioni restituite.\n\nL'input audio è WAV campionato a 16 kHz, con registrazioni idealmente inferiori a due minuti per prestazioni ottimali. È una raccomandazione di preparazione, non una garanzia rigida sulla durata. Usa una domanda parlata pertinente o una breve clip e indica se il risultato scritto deve trascrivere il parlato, rispondere a una domanda sulla registrazione o collegarne il contenuto ad altro materiale fornito. La risposta nativa è testo, non parlato generato. La raccomandazione separata di Inkling per audio più lunghi non va trasferita all'edizione Small.\n\nI flussi che usano strumenti richiedono descrizioni significative degli strumenti, definizioni degli argomenti e risultati delle operazioni eseguite dall'applicazione. Mantieni distinti un risultato di consultazione, un calcolo o un'osservazione su file dall'azione proposta dal modello. Per una discrepanza in un grafico, individua le etichette pertinenti, esamina i valori forniti tramite uno strumento di calcolo e chiedi una spiegazione che li citi. Il modello è addestrato per diversi ambienti di programmazione e agenti, quindi l'attività e gli strumenti circostanti devono essere descritti anziché lasciati impliciti.\n\nI pesi aperti supportano ricerca sul modello, fine-tuning e integrazione in prodotti a valle. Il rilascio di Inkling-Small segue un checkpoint preview precedente e include ulteriore addestramento per la programmazione con agenti; il modello finale e quella preview devono mantenere identità separate. Per un'estrazione specializzata o uno stile di risposta, la personalizzazione usa esempi rappresentativi e un comportamento obiettivo esplicito. Un normale prompt fornisce invece contesto per la richiesta corrente; non crea un modello appena addestrato e non vi passa.\n\nUn controllo utile del risultato verifica che la modifica proposta al codice, la trascrizione, i fatti estratti o la risposta scritta corrispondano alle prove fornite. Specifica come devono comparire incertezza e informazioni mancanti, soprattutto per una previsione o una risposta fattuale con fonti incomplete. Il produttore ha addestrato Inkling-Small alla calibrazione delle previsioni usando apprendimento per rinforzo con regole di punteggio proprie su domande del mondo reale, mirando a esprimere una fiducia adeguata alle prove disponibili. Conserva materiale e osservazioni degli strumenti insieme all'elaborato, così un turno successivo può correggere un problema senza perdere l'attività originale. Le capacità multilingue e multimodali generali di Inkling-Small restano distinte da un generatore vocale dedicato o da un servizio che garantisca azioni esterne.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f5686e976660628dcd15fa999eefe551adf81a2d3c5b0ad8df9a0684d5d7b77f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "thinkingmachines/inkling-small:freeInkling-Small è un modello multimodale a pesi aperti per programmazione, uso di strumenti e ragionamento su testo, immagini e audio. L’impegno di ragionamento controllabile e l’ampio contesto supportano compiti applicativi mirati con risultati scritti, utilizzando un modello attivo più piccolo di Inkling.
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.
Inkling-Small è il modello multimodale più piccolo a pesi aperti di Thinking Machines Lab per ragionamento, programmazione, conversazione e applicazioni che usano strumenti. Accetta testo, immagini e audio e produce testo. La sua architettura Mixture-of-Experts ha 276 miliardi di parametri totali, di cui 12 miliardi attivi, rispetto ai 975 miliardi totali e 41 miliardi attivi di Inkling. Small è un modello rilasciato separatamente, con un diverso equilibrio tra efficienza e capacità, non una modalità di Inkling che produce risposte più brevi.
Per un'indagine sul codice, fornisci i file interessati, il comportamento osservato e la modifica necessaria, poi chiedi il percorso responsabile e una correzione mirata. Un elaborato finale utile comprende la modifica proposta e le prove di ogni controllo effettivamente eseguito dall'applicazione connessa. Per un assistente di supporto, fornisci la policy pertinente e i fatti della conversazione e chiedi la risposta successiva o la domanda mancante. Gli usi previsti del modello comprendono assistenti di programmazione, chatbot, risposte aumentate dal recupero di informazioni e sistemi con agenti e strumenti dell'applicazione.
La finestra di contesto arriva a un milione di token. Organizza un repository lungo o una raccolta di documenti con nomi dei file, etichette delle sezioni e una domanda chiara, conservando i fatti che una fase successiva deve usare. Una finestra ampia è utile per confrontare informazioni distanti, ma il risultato richiesto deve restare specifico: una modifica al codice, una spiegazione basata su fonti o campi estratti. Le informazioni nuove o private appartengono alle prove fornite o ai risultati di recupero restituiti, anziché essere presunte parte della conoscenza appresa.
Lo sforzo di ragionamento è controllabile. La guida della famiglia del produttore usa valori continui da 0.0 incluso a meno di 1.0, con preset iniziali none, minimal, low, medium, high e xhigh corrispondenti a 0.0, 0.1, 0.2, 0.7, 0.9 e 0.99. Il renderer del produttore usa high come valore predefinito. Uno sforzo maggiore può favorire più ragionamento e richiedere un budget di generazione più ampio, ma non garantisce una risposta più lunga o accurata. Il valore zero orienta il modello verso l'assenza di ragionamento, senza imporne un'assenza rigida. Scegli lo sforzo in base all'attività e mantieni chiaro il requisito dell'output finale.
Le immagini possono supportare domande visive, interpretazione di grafici o diagrammi e ragionamento matematico su informazioni visibili. Per buone prestazioni, usa immagini con dimensioni comprese tra 40 e 4.096 pixel. Conserva etichette leggibili e spiega il dettaglio rilevante. Con uno strumento Python configurato, il modello può combinare ragionamento visivo, ritaglio, ingrandimento ed esame tramite codice di un documento o grafico. Queste operazioni richiedono l'esecuzione da parte dell'ambiente di strumenti connesso; la risposta scritta deve usare le osservazioni restituite.
L'input audio è WAV campionato a 16 kHz, con registrazioni idealmente inferiori a due minuti per prestazioni ottimali. È una raccomandazione di preparazione, non una garanzia rigida sulla durata. Usa una domanda parlata pertinente o una breve clip e indica se il risultato scritto deve trascrivere il parlato, rispondere a una domanda sulla registrazione o collegarne il contenuto ad altro materiale fornito. La risposta nativa è testo, non parlato generato. La raccomandazione separata di Inkling per audio più lunghi non va trasferita all'edizione Small.
I flussi che usano strumenti richiedono descrizioni significative degli strumenti, definizioni degli argomenti e risultati delle operazioni eseguite dall'applicazione. Mantieni distinti un risultato di consultazione, un calcolo o un'osservazione su file dall'azione proposta dal modello. Per una discrepanza in un grafico, individua le etichette pertinenti, esamina i valori forniti tramite uno strumento di calcolo e chiedi una spiegazione che li citi. Il modello è addestrato per diversi ambienti di programmazione e agenti, quindi l'attività e gli strumenti circostanti devono essere descritti anziché lasciati impliciti.
I pesi aperti supportano ricerca sul modello, fine-tuning e integrazione in prodotti a valle. Il rilascio di Inkling-Small segue un checkpoint preview precedente e include ulteriore addestramento per la programmazione con agenti; il modello finale e quella preview devono mantenere identità separate. Per un'estrazione specializzata o uno stile di risposta, la personalizzazione usa esempi rappresentativi e un comportamento obiettivo esplicito. Un normale prompt fornisce invece contesto per la richiesta corrente; non crea un modello appena addestrato e non vi passa.
Un controllo utile del risultato verifica che la modifica proposta al codice, la trascrizione, i fatti estratti o la risposta scritta corrispondano alle prove fornite. Specifica come devono comparire incertezza e informazioni mancanti, soprattutto per una previsione o una risposta fattuale con fonti incomplete. Il produttore ha addestrato Inkling-Small alla calibrazione delle previsioni usando apprendimento per rinforzo con regole di punteggio proprie su domande del mondo reale, mirando a esprimere una fiducia adeguata alle prove disponibili. Conserva materiale e osservazioni degli strumenti insieme all'elaborato, così un turno successivo può correggere un problema senza perdere l'attività originale. Le capacità multilingue e multimodali generali di Inkling-Small restano distinte da un generatore vocale dedicato o da un servizio che garantisca azioni esterne.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti thinkingmachines/inkling-small: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: 262.144 | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Massimo: 262.144 | 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 1048576 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": "thinkingmachines/inkling-small: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 thinkingmachines/inkling-small:free
Usa i percorsi dei metodi indicati sopra.
thinkingmachines/inkling-small:freeInkling-Small è un modello multimodale a pesi aperti per programmazione, uso di strumenti e ragionamento su testo, immagini e audio. L’impegno di ragionamento controllabile e l’ampio contesto supportano compiti applicativi mirati con risultati scritti, utilizzando un modello attivo più piccolo di Inkling.
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.
Inkling-Small è il modello multimodale più piccolo a pesi aperti di Thinking Machines Lab per ragionamento, programmazione, conversazione e applicazioni che usano strumenti. Accetta testo, immagini e audio e produce testo. La sua architettura Mixture-of-Experts ha 276 miliardi di parametri totali, di cui 12 miliardi attivi, rispetto ai 975 miliardi totali e 41 miliardi attivi di Inkling. Small è un modello rilasciato separatamente, con un diverso equilibrio tra efficienza e capacità, non una modalità di Inkling che produce risposte più brevi.
Per un'indagine sul codice, fornisci i file interessati, il comportamento osservato e la modifica necessaria, poi chiedi il percorso responsabile e una correzione mirata. Un elaborato finale utile comprende la modifica proposta e le prove di ogni controllo effettivamente eseguito dall'applicazione connessa. Per un assistente di supporto, fornisci la policy pertinente e i fatti della conversazione e chiedi la risposta successiva o la domanda mancante. Gli usi previsti del modello comprendono assistenti di programmazione, chatbot, risposte aumentate dal recupero di informazioni e sistemi con agenti e strumenti dell'applicazione.
La finestra di contesto arriva a un milione di token. Organizza un repository lungo o una raccolta di documenti con nomi dei file, etichette delle sezioni e una domanda chiara, conservando i fatti che una fase successiva deve usare. Una finestra ampia è utile per confrontare informazioni distanti, ma il risultato richiesto deve restare specifico: una modifica al codice, una spiegazione basata su fonti o campi estratti. Le informazioni nuove o private appartengono alle prove fornite o ai risultati di recupero restituiti, anziché essere presunte parte della conoscenza appresa.
Lo sforzo di ragionamento è controllabile. La guida della famiglia del produttore usa valori continui da 0.0 incluso a meno di 1.0, con preset iniziali none, minimal, low, medium, high e xhigh corrispondenti a 0.0, 0.1, 0.2, 0.7, 0.9 e 0.99. Il renderer del produttore usa high come valore predefinito. Uno sforzo maggiore può favorire più ragionamento e richiedere un budget di generazione più ampio, ma non garantisce una risposta più lunga o accurata. Il valore zero orienta il modello verso l'assenza di ragionamento, senza imporne un'assenza rigida. Scegli lo sforzo in base all'attività e mantieni chiaro il requisito dell'output finale.
Le immagini possono supportare domande visive, interpretazione di grafici o diagrammi e ragionamento matematico su informazioni visibili. Per buone prestazioni, usa immagini con dimensioni comprese tra 40 e 4.096 pixel. Conserva etichette leggibili e spiega il dettaglio rilevante. Con uno strumento Python configurato, il modello può combinare ragionamento visivo, ritaglio, ingrandimento ed esame tramite codice di un documento o grafico. Queste operazioni richiedono l'esecuzione da parte dell'ambiente di strumenti connesso; la risposta scritta deve usare le osservazioni restituite.
L'input audio è WAV campionato a 16 kHz, con registrazioni idealmente inferiori a due minuti per prestazioni ottimali. È una raccomandazione di preparazione, non una garanzia rigida sulla durata. Usa una domanda parlata pertinente o una breve clip e indica se il risultato scritto deve trascrivere il parlato, rispondere a una domanda sulla registrazione o collegarne il contenuto ad altro materiale fornito. La risposta nativa è testo, non parlato generato. La raccomandazione separata di Inkling per audio più lunghi non va trasferita all'edizione Small.
I flussi che usano strumenti richiedono descrizioni significative degli strumenti, definizioni degli argomenti e risultati delle operazioni eseguite dall'applicazione. Mantieni distinti un risultato di consultazione, un calcolo o un'osservazione su file dall'azione proposta dal modello. Per una discrepanza in un grafico, individua le etichette pertinenti, esamina i valori forniti tramite uno strumento di calcolo e chiedi una spiegazione che li citi. Il modello è addestrato per diversi ambienti di programmazione e agenti, quindi l'attività e gli strumenti circostanti devono essere descritti anziché lasciati impliciti.
I pesi aperti supportano ricerca sul modello, fine-tuning e integrazione in prodotti a valle. Il rilascio di Inkling-Small segue un checkpoint preview precedente e include ulteriore addestramento per la programmazione con agenti; il modello finale e quella preview devono mantenere identità separate. Per un'estrazione specializzata o uno stile di risposta, la personalizzazione usa esempi rappresentativi e un comportamento obiettivo esplicito. Un normale prompt fornisce invece contesto per la richiesta corrente; non crea un modello appena addestrato e non vi passa.
Un controllo utile del risultato verifica che la modifica proposta al codice, la trascrizione, i fatti estratti o la risposta scritta corrispondano alle prove fornite. Specifica come devono comparire incertezza e informazioni mancanti, soprattutto per una previsione o una risposta fattuale con fonti incomplete. Il produttore ha addestrato Inkling-Small alla calibrazione delle previsioni usando apprendimento per rinforzo con regole di punteggio proprie su domande del mondo reale, mirando a esprimere una fiducia adeguata alle prove disponibili. Conserva materiale e osservazioni degli strumenti insieme all'elaborato, così un turno successivo può correggere un problema senza perdere l'attività originale. Le capacità multilingue e multimodali generali di Inkling-Small restano distinte da un generatore vocale dedicato o da un servizio che garantisca azioni esterne.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti thinkingmachines/inkling-small: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: 262.144 | 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 1048576 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": "thinkingmachines/inkling-small: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 thinkingmachines/inkling-small:free
Usa i percorsi dei metodi indicati sopra.