Ling 3.1 Flash는 짧은 답변 하나보다 여러 단계를 거치는 작업을 위한 inclusionAI의 하이브리드 추론 언어 모델입니다. 제조사는 일상적인 사무 작업, 장시간 소프트웨어 엔지니어링, 복잡한 에이전트 작업 흐름을 용도로 제시합니다. 총 매개변수 약 560B와 토큰당 활성 매개변수 약 25B의 전문가 혼합 아키텍처를 사용해 큰 모델 용량과 적은 활성 연산량 사이의 균형을 맞춥니다.
핵심 설계 목표는 작업 상태를 유지하고 긴 작업의 방향을 수정하는 것입니다. 도구가 연결된 흐름에서는 여러 단계를 계획하고, 중간 결과를 해석하며, 근거가 달라질 때 다음 단계를 수정할 수 있습니다. 정확한 목표, 사용 가능한 자료, 완료의 정의를 제공하세요. 예를 들어 “이 사고 기록을 검토하고 미해결 원인을 찾아 우선순위가 있는 조사 계획을 작성하세요. 각 조치가 효과가 있었는지 판단하는 데 필요한 근거를 적으세요”라고 요청할 수 있습니다. 이렇게 하면 모호한 요청이 검토하고 이어 갈 수 있는 결과가 됩니다.
사무 작업의 유용한 입력에는 원본 메모, 문서에서 추출한 텍스트, 열 정의가 명확한 표, 보고서의 독자가 포함됩니다. 사용할 기간, 단위, 비교 대상을 명시하세요. 경영진 브리핑, 보고서 개요, 주요 변화 설명처럼 글로 된 결과물을 요청하세요. 예를 들어 “이 분기별 표만 사용해 가장 큰 변화를 설명하고, 관찰값과 가정을 구분하며, 끝에 아직 답하지 못한 질문이 있는 브리핑을 작성하세요”라고 요청할 수 있습니다. 결과의 주장을 올바른 자료로 추적할 수 있도록 입력에 출처 표기를 유지하세요.
소프트웨어 개발에서 제조사는 언어 간 리팩터링, 성능 최적화, 자주 사용하는 코드 영역 분석을 강조합니다. 관련 파일을 텍스트로 제공하고 보존할 동작, 의존성 버전, 실패 출력이나 측정값을 포함하세요. 유용한 요청은 제안 변경과 평가에 필요한 점검을 함께 요구합니다. 예를 들어 “문서화된 출력 형식을 유지하면서 이 파서를 리팩터링하세요. 영향을 받는 동작을 설명하고 수정 코드를 제시하며 회귀를 드러낼 사례를 지정하세요”라고 할 수 있습니다. 성능 작업에서는 실제 프로파일이나 시간 측정값을 제공하고 각 권고를 측정된 병목과 연결하도록 요청하세요.
전문 분석에서는 권고를 요청하기 전에 관련 규칙, 정의, 근거를 모으세요. Ling 3.1 Flash는 흩어진 정보를 종합하고 지표를 해석하며 행동 제안을 만드는 데 사용됩니다. 근거 없는 판정보다 가정과 추가로 필요한 정보를 명시하는 비교를 요청하세요. 예를 들어 여러 프로젝트 제안서를 제공하고 모든 제안에 동일한 기준을 적용한 의사결정 메모를 요청하되, 출처로 뒷받침되는 관찰과 추론한 결과를 구분하게 하세요. 근거가 충돌하면 충돌하는 구절과 이를 해결할 질문을 요청하세요.
제조사는 모델 차원의 컨텍스트 상한 1M토큰과 공식 서비스에서 현재 개방한 256K 컨텍스트를 구분합니다. 이 수치는 서로 다른 경계를 설명합니다. 적용되는 창을 기준으로 작업 자료를 정리하고 응답 공간을 확보하세요. 모델 수준의 상한이 모든 인터페이스에서 그만큼의 입력을 받는다는 뜻은 아닙니다. 큰 작업에서는 목표, 확정된 결정, 미해결 질문, 출처 참조를 함께 보관하세요. 분석할 자료를 따를 지시와 혼동하지 않도록 문서와 코드에 명시적 경계를 두세요.
도구 연계 작업에는 명확한 도구 설명, 기대 인수, 유용한 결과 기록을 준비하세요. 실제 결과를 대화에 되돌려 다음 제안이 관찰에 기초하게 하세요. 반환된 결과로 무엇이 달라졌고 어떤 근거가 아직 부족한지 설명하도록 요청하세요. 모델의 에이전트 중심 설계는 이러한 계획과 피드백 패턴을 지원하며, 도구 단계를 수행하고 결과를 보존하는 것은 주변 애플리케이션입니다. 제안된 명령, 코드 변경, 보고서는 제안 상태인지, 기록된 결과와 함께 실행되었는지, 아직 검증 대기인지가 명확할 때 가장 유용합니다.
Ling 3.1 Flash는 언어 모델 계열에 속하며, 별도 에디션인 Ling 3.0 Flash VL은 제조사의 시각 모델입니다. 이 텍스트 작업에는 원문 내용을 텍스트로 준비하고 구조, 표기, 출처 이력을 유지하세요. 간결한 메모, 발견 사항 표, 패치 설명, 번호가 있는 계획 등 출력 언어와 형태를 지정하세요. 누락된 정보를 표시하고 요청한 결과물을 원래 제약에 대조해 확인하도록 요구하세요. 긴 작업 흐름에서도 중간 결과 검토가 필요합니다. 초기의 잘못된 가정이 후속 추론으로 이어져 설득력 있는 최종 보고서로 다듬어질 수 있기 때문입니다.
", "aboutText": "Ling 3.1 Flash는 짧은 답변 하나보다 여러 단계를 거치는 작업을 위한 inclusionAI의 하이브리드 추론 언어 모델입니다. 제조사는 일상적인 사무 작업, 장시간 소프트웨어 엔지니어링, 복잡한 에이전트 작업 흐름을 용도로 제시합니다. 총 매개변수 약 560B와 토큰당 활성 매개변수 약 25B의 전문가 혼합 아키텍처를 사용해 큰 모델 용량과 적은 활성 연산량 사이의 균형을 맞춥니다.\n\n핵심 설계 목표는 작업 상태를 유지하고 긴 작업의 방향을 수정하는 것입니다. 도구가 연결된 흐름에서는 여러 단계를 계획하고, 중간 결과를 해석하며, 근거가 달라질 때 다음 단계를 수정할 수 있습니다. 정확한 목표, 사용 가능한 자료, 완료의 정의를 제공하세요. 예를 들어 “이 사고 기록을 검토하고 미해결 원인을 찾아 우선순위가 있는 조사 계획을 작성하세요. 각 조치가 효과가 있었는지 판단하는 데 필요한 근거를 적으세요”라고 요청할 수 있습니다. 이렇게 하면 모호한 요청이 검토하고 이어 갈 수 있는 결과가 됩니다.\n\n사무 작업의 유용한 입력에는 원본 메모, 문서에서 추출한 텍스트, 열 정의가 명확한 표, 보고서의 독자가 포함됩니다. 사용할 기간, 단위, 비교 대상을 명시하세요. 경영진 브리핑, 보고서 개요, 주요 변화 설명처럼 글로 된 결과물을 요청하세요. 예를 들어 “이 분기별 표만 사용해 가장 큰 변화를 설명하고, 관찰값과 가정을 구분하며, 끝에 아직 답하지 못한 질문이 있는 브리핑을 작성하세요”라고 요청할 수 있습니다. 결과의 주장을 올바른 자료로 추적할 수 있도록 입력에 출처 표기를 유지하세요.\n\n소프트웨어 개발에서 제조사는 언어 간 리팩터링, 성능 최적화, 자주 사용하는 코드 영역 분석을 강조합니다. 관련 파일을 텍스트로 제공하고 보존할 동작, 의존성 버전, 실패 출력이나 측정값을 포함하세요. 유용한 요청은 제안 변경과 평가에 필요한 점검을 함께 요구합니다. 예를 들어 “문서화된 출력 형식을 유지하면서 이 파서를 리팩터링하세요. 영향을 받는 동작을 설명하고 수정 코드를 제시하며 회귀를 드러낼 사례를 지정하세요”라고 할 수 있습니다. 성능 작업에서는 실제 프로파일이나 시간 측정값을 제공하고 각 권고를 측정된 병목과 연결하도록 요청하세요.\n\n전문 분석에서는 권고를 요청하기 전에 관련 규칙, 정의, 근거를 모으세요. Ling 3.1 Flash는 흩어진 정보를 종합하고 지표를 해석하며 행동 제안을 만드는 데 사용됩니다. 근거 없는 판정보다 가정과 추가로 필요한 정보를 명시하는 비교를 요청하세요. 예를 들어 여러 프로젝트 제안서를 제공하고 모든 제안에 동일한 기준을 적용한 의사결정 메모를 요청하되, 출처로 뒷받침되는 관찰과 추론한 결과를 구분하게 하세요. 근거가 충돌하면 충돌하는 구절과 이를 해결할 질문을 요청하세요.\n\n제조사는 모델 차원의 컨텍스트 상한 1M토큰과 공식 서비스에서 현재 개방한 256K 컨텍스트를 구분합니다. 이 수치는 서로 다른 경계를 설명합니다. 적용되는 창을 기준으로 작업 자료를 정리하고 응답 공간을 확보하세요. 모델 수준의 상한이 모든 인터페이스에서 그만큼의 입력을 받는다는 뜻은 아닙니다. 큰 작업에서는 목표, 확정된 결정, 미해결 질문, 출처 참조를 함께 보관하세요. 분석할 자료를 따를 지시와 혼동하지 않도록 문서와 코드에 명시적 경계를 두세요.\n\n도구 연계 작업에는 명확한 도구 설명, 기대 인수, 유용한 결과 기록을 준비하세요. 실제 결과를 대화에 되돌려 다음 제안이 관찰에 기초하게 하세요. 반환된 결과로 무엇이 달라졌고 어떤 근거가 아직 부족한지 설명하도록 요청하세요. 모델의 에이전트 중심 설계는 이러한 계획과 피드백 패턴을 지원하며, 도구 단계를 수행하고 결과를 보존하는 것은 주변 애플리케이션입니다. 제안된 명령, 코드 변경, 보고서는 제안 상태인지, 기록된 결과와 함께 실행되었는지, 아직 검증 대기인지가 명확할 때 가장 유용합니다.\n\nLing 3.1 Flash는 언어 모델 계열에 속하며, 별도 에디션인 Ling 3.0 Flash VL은 제조사의 시각 모델입니다. 이 텍스트 작업에는 원문 내용을 텍스트로 준비하고 구조, 표기, 출처 이력을 유지하세요. 간결한 메모, 발견 사항 표, 패치 설명, 번호가 있는 계획 등 출력 언어와 형태를 지정하세요. 누락된 정보를 표시하고 요청한 결과물을 원래 제약에 대조해 확인하도록 요구하세요. 긴 작업 흐름에서도 중간 결과 검토가 필요합니다. 초기의 잘못된 가정이 후속 추론으로 이어져 설득력 있는 최종 보고서로 다듬어질 수 있기 때문입니다.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f1773ba9e48716514bec99efc754820f47bf9ef80431818df0f65efeba2bd82f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash는 사무 작업, 장시간 소프트웨어 개발, 복잡한 에이전트를 위한 inclusionAI의 하이브리드 추론 모델입니다. 총 560B 매개변수의 희소 아키텍처가 토큰당 약 25B를 활성화하며, 여러 단계의 계획, 도구 상호작용, 중간 결과에 따른 수정을 지원합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Ling 3.1 Flash는 짧은 답변 하나보다 여러 단계를 거치는 작업을 위한 inclusionAI의 하이브리드 추론 언어 모델입니다. 제조사는 일상적인 사무 작업, 장시간 소프트웨어 엔지니어링, 복잡한 에이전트 작업 흐름을 용도로 제시합니다. 총 매개변수 약 560B와 토큰당 활성 매개변수 약 25B의 전문가 혼합 아키텍처를 사용해 큰 모델 용량과 적은 활성 연산량 사이의 균형을 맞춥니다.
핵심 설계 목표는 작업 상태를 유지하고 긴 작업의 방향을 수정하는 것입니다. 도구가 연결된 흐름에서는 여러 단계를 계획하고, 중간 결과를 해석하며, 근거가 달라질 때 다음 단계를 수정할 수 있습니다. 정확한 목표, 사용 가능한 자료, 완료의 정의를 제공하세요. 예를 들어 “이 사고 기록을 검토하고 미해결 원인을 찾아 우선순위가 있는 조사 계획을 작성하세요. 각 조치가 효과가 있었는지 판단하는 데 필요한 근거를 적으세요”라고 요청할 수 있습니다. 이렇게 하면 모호한 요청이 검토하고 이어 갈 수 있는 결과가 됩니다.
사무 작업의 유용한 입력에는 원본 메모, 문서에서 추출한 텍스트, 열 정의가 명확한 표, 보고서의 독자가 포함됩니다. 사용할 기간, 단위, 비교 대상을 명시하세요. 경영진 브리핑, 보고서 개요, 주요 변화 설명처럼 글로 된 결과물을 요청하세요. 예를 들어 “이 분기별 표만 사용해 가장 큰 변화를 설명하고, 관찰값과 가정을 구분하며, 끝에 아직 답하지 못한 질문이 있는 브리핑을 작성하세요”라고 요청할 수 있습니다. 결과의 주장을 올바른 자료로 추적할 수 있도록 입력에 출처 표기를 유지하세요.
소프트웨어 개발에서 제조사는 언어 간 리팩터링, 성능 최적화, 자주 사용하는 코드 영역 분석을 강조합니다. 관련 파일을 텍스트로 제공하고 보존할 동작, 의존성 버전, 실패 출력이나 측정값을 포함하세요. 유용한 요청은 제안 변경과 평가에 필요한 점검을 함께 요구합니다. 예를 들어 “문서화된 출력 형식을 유지하면서 이 파서를 리팩터링하세요. 영향을 받는 동작을 설명하고 수정 코드를 제시하며 회귀를 드러낼 사례를 지정하세요”라고 할 수 있습니다. 성능 작업에서는 실제 프로파일이나 시간 측정값을 제공하고 각 권고를 측정된 병목과 연결하도록 요청하세요.
전문 분석에서는 권고를 요청하기 전에 관련 규칙, 정의, 근거를 모으세요. Ling 3.1 Flash는 흩어진 정보를 종합하고 지표를 해석하며 행동 제안을 만드는 데 사용됩니다. 근거 없는 판정보다 가정과 추가로 필요한 정보를 명시하는 비교를 요청하세요. 예를 들어 여러 프로젝트 제안서를 제공하고 모든 제안에 동일한 기준을 적용한 의사결정 메모를 요청하되, 출처로 뒷받침되는 관찰과 추론한 결과를 구분하게 하세요. 근거가 충돌하면 충돌하는 구절과 이를 해결할 질문을 요청하세요.
제조사는 모델 차원의 컨텍스트 상한 1M토큰과 공식 서비스에서 현재 개방한 256K 컨텍스트를 구분합니다. 이 수치는 서로 다른 경계를 설명합니다. 적용되는 창을 기준으로 작업 자료를 정리하고 응답 공간을 확보하세요. 모델 수준의 상한이 모든 인터페이스에서 그만큼의 입력을 받는다는 뜻은 아닙니다. 큰 작업에서는 목표, 확정된 결정, 미해결 질문, 출처 참조를 함께 보관하세요. 분석할 자료를 따를 지시와 혼동하지 않도록 문서와 코드에 명시적 경계를 두세요.
도구 연계 작업에는 명확한 도구 설명, 기대 인수, 유용한 결과 기록을 준비하세요. 실제 결과를 대화에 되돌려 다음 제안이 관찰에 기초하게 하세요. 반환된 결과로 무엇이 달라졌고 어떤 근거가 아직 부족한지 설명하도록 요청하세요. 모델의 에이전트 중심 설계는 이러한 계획과 피드백 패턴을 지원하며, 도구 단계를 수행하고 결과를 보존하는 것은 주변 애플리케이션입니다. 제안된 명령, 코드 변경, 보고서는 제안 상태인지, 기록된 결과와 함께 실행되었는지, 아직 검증 대기인지가 명확할 때 가장 유용합니다.
Ling 3.1 Flash는 언어 모델 계열에 속하며, 별도 에디션인 Ling 3.0 Flash VL은 제조사의 시각 모델입니다. 이 텍스트 작업에는 원문 내용을 텍스트로 준비하고 구조, 표기, 출처 이력을 유지하세요. 간결한 메모, 발견 사항 표, 패치 설명, 번호가 있는 계획 등 출력 언어와 형태를 지정하세요. 누락된 정보를 표시하고 요청한 결과물을 원래 제약에 대조해 확인하도록 요구하세요. 긴 작업 흐름에서도 중간 결과 검토가 필요합니다. 초기의 잘못된 가정이 후속 추론으로 이어져 설득력 있는 최종 보고서로 다듬어질 수 있기 때문입니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 inclusionai/ling-3.1-flash | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 텍스트 대화 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
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 |
매개변수control_scope | 명세텍스트 대화. stream은 불리언이며 기본값은 false입니다. |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
메서드 별칭: /chat/completions
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 $0.0006 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00012 / 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 $0.0006 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00012 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash는 사무 작업, 장시간 소프트웨어 개발, 복잡한 에이전트를 위한 inclusionAI의 하이브리드 추론 모델입니다. 총 560B 매개변수의 희소 아키텍처가 토큰당 약 25B를 활성화하며, 여러 단계의 계획, 도구 상호작용, 중간 결과에 따른 수정을 지원합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Ling 3.1 Flash는 짧은 답변 하나보다 여러 단계를 거치는 작업을 위한 inclusionAI의 하이브리드 추론 언어 모델입니다. 제조사는 일상적인 사무 작업, 장시간 소프트웨어 엔지니어링, 복잡한 에이전트 작업 흐름을 용도로 제시합니다. 총 매개변수 약 560B와 토큰당 활성 매개변수 약 25B의 전문가 혼합 아키텍처를 사용해 큰 모델 용량과 적은 활성 연산량 사이의 균형을 맞춥니다.
핵심 설계 목표는 작업 상태를 유지하고 긴 작업의 방향을 수정하는 것입니다. 도구가 연결된 흐름에서는 여러 단계를 계획하고, 중간 결과를 해석하며, 근거가 달라질 때 다음 단계를 수정할 수 있습니다. 정확한 목표, 사용 가능한 자료, 완료의 정의를 제공하세요. 예를 들어 “이 사고 기록을 검토하고 미해결 원인을 찾아 우선순위가 있는 조사 계획을 작성하세요. 각 조치가 효과가 있었는지 판단하는 데 필요한 근거를 적으세요”라고 요청할 수 있습니다. 이렇게 하면 모호한 요청이 검토하고 이어 갈 수 있는 결과가 됩니다.
사무 작업의 유용한 입력에는 원본 메모, 문서에서 추출한 텍스트, 열 정의가 명확한 표, 보고서의 독자가 포함됩니다. 사용할 기간, 단위, 비교 대상을 명시하세요. 경영진 브리핑, 보고서 개요, 주요 변화 설명처럼 글로 된 결과물을 요청하세요. 예를 들어 “이 분기별 표만 사용해 가장 큰 변화를 설명하고, 관찰값과 가정을 구분하며, 끝에 아직 답하지 못한 질문이 있는 브리핑을 작성하세요”라고 요청할 수 있습니다. 결과의 주장을 올바른 자료로 추적할 수 있도록 입력에 출처 표기를 유지하세요.
소프트웨어 개발에서 제조사는 언어 간 리팩터링, 성능 최적화, 자주 사용하는 코드 영역 분석을 강조합니다. 관련 파일을 텍스트로 제공하고 보존할 동작, 의존성 버전, 실패 출력이나 측정값을 포함하세요. 유용한 요청은 제안 변경과 평가에 필요한 점검을 함께 요구합니다. 예를 들어 “문서화된 출력 형식을 유지하면서 이 파서를 리팩터링하세요. 영향을 받는 동작을 설명하고 수정 코드를 제시하며 회귀를 드러낼 사례를 지정하세요”라고 할 수 있습니다. 성능 작업에서는 실제 프로파일이나 시간 측정값을 제공하고 각 권고를 측정된 병목과 연결하도록 요청하세요.
전문 분석에서는 권고를 요청하기 전에 관련 규칙, 정의, 근거를 모으세요. Ling 3.1 Flash는 흩어진 정보를 종합하고 지표를 해석하며 행동 제안을 만드는 데 사용됩니다. 근거 없는 판정보다 가정과 추가로 필요한 정보를 명시하는 비교를 요청하세요. 예를 들어 여러 프로젝트 제안서를 제공하고 모든 제안에 동일한 기준을 적용한 의사결정 메모를 요청하되, 출처로 뒷받침되는 관찰과 추론한 결과를 구분하게 하세요. 근거가 충돌하면 충돌하는 구절과 이를 해결할 질문을 요청하세요.
제조사는 모델 차원의 컨텍스트 상한 1M토큰과 공식 서비스에서 현재 개방한 256K 컨텍스트를 구분합니다. 이 수치는 서로 다른 경계를 설명합니다. 적용되는 창을 기준으로 작업 자료를 정리하고 응답 공간을 확보하세요. 모델 수준의 상한이 모든 인터페이스에서 그만큼의 입력을 받는다는 뜻은 아닙니다. 큰 작업에서는 목표, 확정된 결정, 미해결 질문, 출처 참조를 함께 보관하세요. 분석할 자료를 따를 지시와 혼동하지 않도록 문서와 코드에 명시적 경계를 두세요.
도구 연계 작업에는 명확한 도구 설명, 기대 인수, 유용한 결과 기록을 준비하세요. 실제 결과를 대화에 되돌려 다음 제안이 관찰에 기초하게 하세요. 반환된 결과로 무엇이 달라졌고 어떤 근거가 아직 부족한지 설명하도록 요청하세요. 모델의 에이전트 중심 설계는 이러한 계획과 피드백 패턴을 지원하며, 도구 단계를 수행하고 결과를 보존하는 것은 주변 애플리케이션입니다. 제안된 명령, 코드 변경, 보고서는 제안 상태인지, 기록된 결과와 함께 실행되었는지, 아직 검증 대기인지가 명확할 때 가장 유용합니다.
Ling 3.1 Flash는 언어 모델 계열에 속하며, 별도 에디션인 Ling 3.0 Flash VL은 제조사의 시각 모델입니다. 이 텍스트 작업에는 원문 내용을 텍스트로 준비하고 구조, 표기, 출처 이력을 유지하세요. 간결한 메모, 발견 사항 표, 패치 설명, 번호가 있는 계획 등 출력 언어와 형태를 지정하세요. 누락된 정보를 표시하고 요청한 결과물을 원래 제약에 대조해 확인하도록 요구하세요. 긴 작업 흐름에서도 중간 결과 검토가 필요합니다. 초기의 잘못된 가정이 후속 추론으로 이어져 설득력 있는 최종 보고서로 다듬어질 수 있기 때문입니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 inclusionai/ling-3.1-flash | 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 $0.0006 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00012 / 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 $0.0006 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00012 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inclusionai/ling-3.1-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inclusionai/ling-3.1-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 inclusionai/ling-3.1-flash
/chat/completions