Amazon Nova Premier는 Amazon 1세대 Nova 제품군에서 가장 유능한 이해 모델로, 깊은 이해, 맥락, 여러 단계의 계획이 필요한 복잡한 작업을 위해 설계되었습니다. 텍스트, 이미지, 비디오를 처리하고 텍스트를 생성합니다. 긴 보고서에 대한 추론, 문서 간 근거 비교, 차트와 시각 자료 이해, 에이전트 작업 조율 등이 역할에 포함됩니다. Premier는 더 가벼운 Micro, Lite, Pro 및 이미지, 비디오, 대화 음성을 생성하는 Nova 모델과 구분됩니다.
정확한 제작사 모델 프로필에는 100만 토큰 컨텍스트 창과 최대 25K 토큰 출력이 명시되어 있습니다. 문서상 지식 기준 시점은 2024년 10월입니다. 지시 및 대화와 함께 많은 참조 자료가 필요한 작업에 유용합니다. 모든 것을 방향 없이 분석하라고 요청하기보다 문서 이름, 섹션 표시, 구체적인 질문으로 자료를 정리하세요. 유용한 결과는 비교 행렬, 근거 기반 보고서, 실행 순서 제안이 될 수 있습니다. 컨텍스트 예산은 모델이 작업하는 자료의 범위이며 모든 디테일이 최종 답변에 나타난다는 약속은 아닙니다.
Premier의 문서상 멀티모달 작업은 PNG, JPG/JPEG, GIF, WebP 이미지와 MP4, MOV, MKV, WebM 같은 일반 비디오 컨테이너를 처리합니다. 문서 작업에는 PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT, Markdown이 포함됩니다. 텍스트 중심 파일은 텍스트를 제공하고 PDF와 DOCX는 페이지 텍스트 및 시각 정보를 제공할 수 있습니다. 차트가 있는 보고서는 라벨을 읽을 수 있게 유지하고 해석 전에 관련 관찰을 설명하도록 요청하세요. 산문만 필요하면 추출 텍스트를 제공해 시각적 추출이 문서 이해의 선행 조건이 되지 않게 할 수 있습니다. 내장 미디어는 base64 오버헤드를 포함한 25 MB 페이로드 예산을 공유합니다. 요청에는 비디오 하나를 포함할 수 있고 S3를 통하면 1 GB로 제한되며, S3 미디어 합계는 2 GB까지 가능합니다. PDF와 DOCX 입력은 계속 문서 다섯 개로 제한되고 합계 허용량은 직접 업로드 시 25 MB, S3를 통하면 2 GB입니다.
비디오 이해는 샘플링된 시각 프레임에 기반합니다. 1세대 가이드는 Premier에 초당 한 프레임, 최대 3,200프레임의 샘플링을 명시하며 이는 Nova Lite 및 Pro의 960프레임 전략과 다릅니다. 장면 요약과 시간에 따른 사건 질문에 유용하지만 샘플 프레임 사이의 짧은 행동은 관찰되지 않을 수 있습니다. 관련 클립이나 시간 범위와 추적할 디테일을 지정하세요. 긴 시퀀스는 구간별 분석 후 텍스트 요약을 하면 초점을 유지할 수 있지만 분할하면 구간 경계의 맥락을 잃을 수 있습니다. 문서의 모델 모달리티에는 오디오 입력이 없으므로 발화 정보는 텍스트로 제공해야 합니다.
Premier는 응답 스트리밍, 도구 중심 및 검색 증강 작업, Amazon 문서의 서빙 프로필상 프롬프트 캐싱을 지원합니다. 명시적 캐싱에는 체크포인트당 최소 1K 토큰이 필요하며 최대 네 체크포인트와 5분 보관을 허용합니다. 제작사는 주로 텍스트 프롬프트에 대해 프롬프트 캐싱을 20K 토큰으로 제한합니다. 이 캐시 허용량은 전체 컨텍스트 창과 별개입니다. 에이전트에 작업, 허용 도구, 인수 설명을 제공하고 애플리케이션이 요청 행동을 실행하게 한 뒤 다음 모델 단계 전에 관찰 결과를 반환하세요. 추론 역할이 해당 실행 계층 없이 외부 시스템을 실행할 수 있음을 뜻하지는 않습니다. 1세대 가이드는 프롬프트로 해결 과정을 단계적으로 설명하는 방식을 지원합니다. Nova 2 Lite의 별도 low, medium, high 확장 사고 설정은 이 에디션의 문서상 인터페이스에 포함되지 않습니다. 보고서나 도구 결과에는 명시적 필드와 원하는 구조의 예시를 요청하세요. JSON 형태를 요청하는 것과 구조화 출력을 강제하는 것은 다릅니다.
Premier의 특징적인 역할은 증류를 통해 더 작은 Nova 모델을 가르치는 것입니다. Amazon은 Premier 응답을 특화 Nova Micro, Lite, Pro 변형의 학습 예시로 사용하고 대상 작업에서 작은 모델의 동작을 비교하는 방식을 설명합니다. 이는 모델 사용자 지정 작업이며 일반 Premier 응답의 정체성을 바꾸는 것이 아닙니다. 일반 사용에서는 권위 있는 사실을 제공하고 관찰, 가정, 누락 근거를 답변에서 구분하도록 요구하세요. Nova는 소스와 모순되는 그럴듯한 주장을 생성할 수 있고 생성 코드는 자동 보안 검사를 포함하지 않으므로 유용한 결과물에는 입력과 대조할 수 있는 충분한 근거와 디테일이 필요합니다. 제작사는 이 모델이 이미지, 문서, 비디오 속 사람을 식별하거나 이름을 붙이지 않는다고도 명시합니다.
", "aboutText": "Amazon Nova Premier는 Amazon 1세대 Nova 제품군에서 가장 유능한 이해 모델로, 깊은 이해, 맥락, 여러 단계의 계획이 필요한 복잡한 작업을 위해 설계되었습니다. 텍스트, 이미지, 비디오를 처리하고 텍스트를 생성합니다. 긴 보고서에 대한 추론, 문서 간 근거 비교, 차트와 시각 자료 이해, 에이전트 작업 조율 등이 역할에 포함됩니다. Premier는 더 가벼운 Micro, Lite, Pro 및 이미지, 비디오, 대화 음성을 생성하는 Nova 모델과 구분됩니다.\n\n정확한 제작사 모델 프로필에는 100만 토큰 컨텍스트 창과 최대 25K 토큰 출력이 명시되어 있습니다. 문서상 지식 기준 시점은 2024년 10월입니다. 지시 및 대화와 함께 많은 참조 자료가 필요한 작업에 유용합니다. 모든 것을 방향 없이 분석하라고 요청하기보다 문서 이름, 섹션 표시, 구체적인 질문으로 자료를 정리하세요. 유용한 결과는 비교 행렬, 근거 기반 보고서, 실행 순서 제안이 될 수 있습니다. 컨텍스트 예산은 모델이 작업하는 자료의 범위이며 모든 디테일이 최종 답변에 나타난다는 약속은 아닙니다.\n\nPremier의 문서상 멀티모달 작업은 PNG, JPG/JPEG, GIF, WebP 이미지와 MP4, MOV, MKV, WebM 같은 일반 비디오 컨테이너를 처리합니다. 문서 작업에는 PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT, Markdown이 포함됩니다. 텍스트 중심 파일은 텍스트를 제공하고 PDF와 DOCX는 페이지 텍스트 및 시각 정보를 제공할 수 있습니다. 차트가 있는 보고서는 라벨을 읽을 수 있게 유지하고 해석 전에 관련 관찰을 설명하도록 요청하세요. 산문만 필요하면 추출 텍스트를 제공해 시각적 추출이 문서 이해의 선행 조건이 되지 않게 할 수 있습니다. 내장 미디어는 base64 오버헤드를 포함한 25 MB 페이로드 예산을 공유합니다. 요청에는 비디오 하나를 포함할 수 있고 S3를 통하면 1 GB로 제한되며, S3 미디어 합계는 2 GB까지 가능합니다. PDF와 DOCX 입력은 계속 문서 다섯 개로 제한되고 합계 허용량은 직접 업로드 시 25 MB, S3를 통하면 2 GB입니다.\n\n비디오 이해는 샘플링된 시각 프레임에 기반합니다. 1세대 가이드는 Premier에 초당 한 프레임, 최대 3,200프레임의 샘플링을 명시하며 이는 Nova Lite 및 Pro의 960프레임 전략과 다릅니다. 장면 요약과 시간에 따른 사건 질문에 유용하지만 샘플 프레임 사이의 짧은 행동은 관찰되지 않을 수 있습니다. 관련 클립이나 시간 범위와 추적할 디테일을 지정하세요. 긴 시퀀스는 구간별 분석 후 텍스트 요약을 하면 초점을 유지할 수 있지만 분할하면 구간 경계의 맥락을 잃을 수 있습니다. 문서의 모델 모달리티에는 오디오 입력이 없으므로 발화 정보는 텍스트로 제공해야 합니다.\n\nPremier는 응답 스트리밍, 도구 중심 및 검색 증강 작업, Amazon 문서의 서빙 프로필상 프롬프트 캐싱을 지원합니다. 명시적 캐싱에는 체크포인트당 최소 1K 토큰이 필요하며 최대 네 체크포인트와 5분 보관을 허용합니다. 제작사는 주로 텍스트 프롬프트에 대해 프롬프트 캐싱을 20K 토큰으로 제한합니다. 이 캐시 허용량은 전체 컨텍스트 창과 별개입니다. 에이전트에 작업, 허용 도구, 인수 설명을 제공하고 애플리케이션이 요청 행동을 실행하게 한 뒤 다음 모델 단계 전에 관찰 결과를 반환하세요. 추론 역할이 해당 실행 계층 없이 외부 시스템을 실행할 수 있음을 뜻하지는 않습니다. 1세대 가이드는 프롬프트로 해결 과정을 단계적으로 설명하는 방식을 지원합니다. Nova 2 Lite의 별도 low, medium, high 확장 사고 설정은 이 에디션의 문서상 인터페이스에 포함되지 않습니다. 보고서나 도구 결과에는 명시적 필드와 원하는 구조의 예시를 요청하세요. JSON 형태를 요청하는 것과 구조화 출력을 강제하는 것은 다릅니다.\n\nPremier의 특징적인 역할은 증류를 통해 더 작은 Nova 모델을 가르치는 것입니다. Amazon은 Premier 응답을 특화 Nova Micro, Lite, Pro 변형의 학습 예시로 사용하고 대상 작업에서 작은 모델의 동작을 비교하는 방식을 설명합니다. 이는 모델 사용자 지정 작업이며 일반 Premier 응답의 정체성을 바꾸는 것이 아닙니다. 일반 사용에서는 권위 있는 사실을 제공하고 관찰, 가정, 누락 근거를 답변에서 구분하도록 요구하세요. Nova는 소스와 모순되는 그럴듯한 주장을 생성할 수 있고 생성 코드는 자동 보안 검사를 포함하지 않으므로 유용한 결과물에는 입력과 대조할 수 있는 충분한 근거와 디테일이 필요합니다. 제작사는 이 모델이 이미지, 문서, 비디오 속 사람을 식별하거나 이름을 붙이지 않는다고도 명시합니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier는 복잡한 멀티모달 추론, 긴 문서 분석, 에이전트를 위한 1세대 Nova 모델입니다. 텍스트, 이미지, 비디오를 받아 텍스트를 반환하며 특화 Nova 모델을 증류하는 교사로도 활용됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Amazon Nova Premier는 Amazon 1세대 Nova 제품군에서 가장 유능한 이해 모델로, 깊은 이해, 맥락, 여러 단계의 계획이 필요한 복잡한 작업을 위해 설계되었습니다. 텍스트, 이미지, 비디오를 처리하고 텍스트를 생성합니다. 긴 보고서에 대한 추론, 문서 간 근거 비교, 차트와 시각 자료 이해, 에이전트 작업 조율 등이 역할에 포함됩니다. Premier는 더 가벼운 Micro, Lite, Pro 및 이미지, 비디오, 대화 음성을 생성하는 Nova 모델과 구분됩니다.
정확한 제작사 모델 프로필에는 100만 토큰 컨텍스트 창과 최대 25K 토큰 출력이 명시되어 있습니다. 문서상 지식 기준 시점은 2024년 10월입니다. 지시 및 대화와 함께 많은 참조 자료가 필요한 작업에 유용합니다. 모든 것을 방향 없이 분석하라고 요청하기보다 문서 이름, 섹션 표시, 구체적인 질문으로 자료를 정리하세요. 유용한 결과는 비교 행렬, 근거 기반 보고서, 실행 순서 제안이 될 수 있습니다. 컨텍스트 예산은 모델이 작업하는 자료의 범위이며 모든 디테일이 최종 답변에 나타난다는 약속은 아닙니다.
Premier의 문서상 멀티모달 작업은 PNG, JPG/JPEG, GIF, WebP 이미지와 MP4, MOV, MKV, WebM 같은 일반 비디오 컨테이너를 처리합니다. 문서 작업에는 PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT, Markdown이 포함됩니다. 텍스트 중심 파일은 텍스트를 제공하고 PDF와 DOCX는 페이지 텍스트 및 시각 정보를 제공할 수 있습니다. 차트가 있는 보고서는 라벨을 읽을 수 있게 유지하고 해석 전에 관련 관찰을 설명하도록 요청하세요. 산문만 필요하면 추출 텍스트를 제공해 시각적 추출이 문서 이해의 선행 조건이 되지 않게 할 수 있습니다. 내장 미디어는 base64 오버헤드를 포함한 25 MB 페이로드 예산을 공유합니다. 요청에는 비디오 하나를 포함할 수 있고 S3를 통하면 1 GB로 제한되며, S3 미디어 합계는 2 GB까지 가능합니다. PDF와 DOCX 입력은 계속 문서 다섯 개로 제한되고 합계 허용량은 직접 업로드 시 25 MB, S3를 통하면 2 GB입니다.
비디오 이해는 샘플링된 시각 프레임에 기반합니다. 1세대 가이드는 Premier에 초당 한 프레임, 최대 3,200프레임의 샘플링을 명시하며 이는 Nova Lite 및 Pro의 960프레임 전략과 다릅니다. 장면 요약과 시간에 따른 사건 질문에 유용하지만 샘플 프레임 사이의 짧은 행동은 관찰되지 않을 수 있습니다. 관련 클립이나 시간 범위와 추적할 디테일을 지정하세요. 긴 시퀀스는 구간별 분석 후 텍스트 요약을 하면 초점을 유지할 수 있지만 분할하면 구간 경계의 맥락을 잃을 수 있습니다. 문서의 모델 모달리티에는 오디오 입력이 없으므로 발화 정보는 텍스트로 제공해야 합니다.
Premier는 응답 스트리밍, 도구 중심 및 검색 증강 작업, Amazon 문서의 서빙 프로필상 프롬프트 캐싱을 지원합니다. 명시적 캐싱에는 체크포인트당 최소 1K 토큰이 필요하며 최대 네 체크포인트와 5분 보관을 허용합니다. 제작사는 주로 텍스트 프롬프트에 대해 프롬프트 캐싱을 20K 토큰으로 제한합니다. 이 캐시 허용량은 전체 컨텍스트 창과 별개입니다. 에이전트에 작업, 허용 도구, 인수 설명을 제공하고 애플리케이션이 요청 행동을 실행하게 한 뒤 다음 모델 단계 전에 관찰 결과를 반환하세요. 추론 역할이 해당 실행 계층 없이 외부 시스템을 실행할 수 있음을 뜻하지는 않습니다. 1세대 가이드는 프롬프트로 해결 과정을 단계적으로 설명하는 방식을 지원합니다. Nova 2 Lite의 별도 low, medium, high 확장 사고 설정은 이 에디션의 문서상 인터페이스에 포함되지 않습니다. 보고서나 도구 결과에는 명시적 필드와 원하는 구조의 예시를 요청하세요. JSON 형태를 요청하는 것과 구조화 출력을 강제하는 것은 다릅니다.
Premier의 특징적인 역할은 증류를 통해 더 작은 Nova 모델을 가르치는 것입니다. Amazon은 Premier 응답을 특화 Nova Micro, Lite, Pro 변형의 학습 예시로 사용하고 대상 작업에서 작은 모델의 동작을 비교하는 방식을 설명합니다. 이는 모델 사용자 지정 작업이며 일반 Premier 응답의 정체성을 바꾸는 것이 아닙니다. 일반 사용에서는 권위 있는 사실을 제공하고 관찰, 가정, 누락 근거를 답변에서 구분하도록 요구하세요. Nova는 소스와 모순되는 그럴듯한 주장을 생성할 수 있고 생성 코드는 자동 보안 검사를 포함하지 않으므로 유용한 결과물에는 입력과 대조할 수 있는 충분한 근거와 디테일이 필요합니다. 제작사는 이 모델이 이미지, 문서, 비디오 속 사람을 식별하거나 이름을 붙이지 않는다고도 명시합니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 amazon/nova-premier-v1 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.005 / 1K 토큰 출력 · 출력 토큰 $0.025 / 1K 토큰 입력 · 캐시 읽기 $0.00125 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.005 / 1K 토큰 출력 · 출력 토큰 $0.025 / 1K 토큰 입력 · 캐시 읽기 $0.00125 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra amazon/nova-premier-v1
위에 표시된 메서드 경로를 사용하세요.
amazon/nova-premier-v1Amazon Nova Premier는 복잡한 멀티모달 추론, 긴 문서 분석, 에이전트를 위한 1세대 Nova 모델입니다. 텍스트, 이미지, 비디오를 받아 텍스트를 반환하며 특화 Nova 모델을 증류하는 교사로도 활용됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Amazon Nova Premier는 Amazon 1세대 Nova 제품군에서 가장 유능한 이해 모델로, 깊은 이해, 맥락, 여러 단계의 계획이 필요한 복잡한 작업을 위해 설계되었습니다. 텍스트, 이미지, 비디오를 처리하고 텍스트를 생성합니다. 긴 보고서에 대한 추론, 문서 간 근거 비교, 차트와 시각 자료 이해, 에이전트 작업 조율 등이 역할에 포함됩니다. Premier는 더 가벼운 Micro, Lite, Pro 및 이미지, 비디오, 대화 음성을 생성하는 Nova 모델과 구분됩니다.
정확한 제작사 모델 프로필에는 100만 토큰 컨텍스트 창과 최대 25K 토큰 출력이 명시되어 있습니다. 문서상 지식 기준 시점은 2024년 10월입니다. 지시 및 대화와 함께 많은 참조 자료가 필요한 작업에 유용합니다. 모든 것을 방향 없이 분석하라고 요청하기보다 문서 이름, 섹션 표시, 구체적인 질문으로 자료를 정리하세요. 유용한 결과는 비교 행렬, 근거 기반 보고서, 실행 순서 제안이 될 수 있습니다. 컨텍스트 예산은 모델이 작업하는 자료의 범위이며 모든 디테일이 최종 답변에 나타난다는 약속은 아닙니다.
Premier의 문서상 멀티모달 작업은 PNG, JPG/JPEG, GIF, WebP 이미지와 MP4, MOV, MKV, WebM 같은 일반 비디오 컨테이너를 처리합니다. 문서 작업에는 PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT, Markdown이 포함됩니다. 텍스트 중심 파일은 텍스트를 제공하고 PDF와 DOCX는 페이지 텍스트 및 시각 정보를 제공할 수 있습니다. 차트가 있는 보고서는 라벨을 읽을 수 있게 유지하고 해석 전에 관련 관찰을 설명하도록 요청하세요. 산문만 필요하면 추출 텍스트를 제공해 시각적 추출이 문서 이해의 선행 조건이 되지 않게 할 수 있습니다. 내장 미디어는 base64 오버헤드를 포함한 25 MB 페이로드 예산을 공유합니다. 요청에는 비디오 하나를 포함할 수 있고 S3를 통하면 1 GB로 제한되며, S3 미디어 합계는 2 GB까지 가능합니다. PDF와 DOCX 입력은 계속 문서 다섯 개로 제한되고 합계 허용량은 직접 업로드 시 25 MB, S3를 통하면 2 GB입니다.
비디오 이해는 샘플링된 시각 프레임에 기반합니다. 1세대 가이드는 Premier에 초당 한 프레임, 최대 3,200프레임의 샘플링을 명시하며 이는 Nova Lite 및 Pro의 960프레임 전략과 다릅니다. 장면 요약과 시간에 따른 사건 질문에 유용하지만 샘플 프레임 사이의 짧은 행동은 관찰되지 않을 수 있습니다. 관련 클립이나 시간 범위와 추적할 디테일을 지정하세요. 긴 시퀀스는 구간별 분석 후 텍스트 요약을 하면 초점을 유지할 수 있지만 분할하면 구간 경계의 맥락을 잃을 수 있습니다. 문서의 모델 모달리티에는 오디오 입력이 없으므로 발화 정보는 텍스트로 제공해야 합니다.
Premier는 응답 스트리밍, 도구 중심 및 검색 증강 작업, Amazon 문서의 서빙 프로필상 프롬프트 캐싱을 지원합니다. 명시적 캐싱에는 체크포인트당 최소 1K 토큰이 필요하며 최대 네 체크포인트와 5분 보관을 허용합니다. 제작사는 주로 텍스트 프롬프트에 대해 프롬프트 캐싱을 20K 토큰으로 제한합니다. 이 캐시 허용량은 전체 컨텍스트 창과 별개입니다. 에이전트에 작업, 허용 도구, 인수 설명을 제공하고 애플리케이션이 요청 행동을 실행하게 한 뒤 다음 모델 단계 전에 관찰 결과를 반환하세요. 추론 역할이 해당 실행 계층 없이 외부 시스템을 실행할 수 있음을 뜻하지는 않습니다. 1세대 가이드는 프롬프트로 해결 과정을 단계적으로 설명하는 방식을 지원합니다. Nova 2 Lite의 별도 low, medium, high 확장 사고 설정은 이 에디션의 문서상 인터페이스에 포함되지 않습니다. 보고서나 도구 결과에는 명시적 필드와 원하는 구조의 예시를 요청하세요. JSON 형태를 요청하는 것과 구조화 출력을 강제하는 것은 다릅니다.
Premier의 특징적인 역할은 증류를 통해 더 작은 Nova 모델을 가르치는 것입니다. Amazon은 Premier 응답을 특화 Nova Micro, Lite, Pro 변형의 학습 예시로 사용하고 대상 작업에서 작은 모델의 동작을 비교하는 방식을 설명합니다. 이는 모델 사용자 지정 작업이며 일반 Premier 응답의 정체성을 바꾸는 것이 아닙니다. 일반 사용에서는 권위 있는 사실을 제공하고 관찰, 가정, 누락 근거를 답변에서 구분하도록 요구하세요. Nova는 소스와 모순되는 그럴듯한 주장을 생성할 수 있고 생성 코드는 자동 보안 검사를 포함하지 않으므로 유용한 결과물에는 입력과 대조할 수 있는 충분한 근거와 디테일이 필요합니다. 제작사는 이 모델이 이미지, 문서, 비디오 속 사람을 식별하거나 이름을 붙이지 않는다고도 명시합니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 amazon/nova-premier-v1 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.005 / 1K 토큰 출력 · 출력 토큰 $0.025 / 1K 토큰 입력 · 캐시 읽기 $0.00125 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.005 / 1K 토큰 출력 · 출력 토큰 $0.025 / 1K 토큰 입력 · 캐시 읽기 $0.00125 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra amazon/nova-premier-v1
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.