Llama 3.1 70B Instruct는 다국어 대화와 어시스턴트 형태의 요청에 최적화한 Meta의 매개변수 700억 개 텍스트 모델입니다. 8B와 405B 크기 및 별도 사전 학습 모델도 포함하는 계열의 지시 튜닝 체크포인트입니다. 텍스트를 입력받아 다국어 텍스트 또는 코드를 반환하며, 70B라는 이름의 버전은 자체 크기와 정체성을 유지합니다.
모델 정보와 학습
릴리스는 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 튜닝 모델은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 정렬됩니다. 이는 유용한 대화 동작을 위한 학습 단계이며, 별도의 추론 모드와 비추론 모드 사이를 전환하는 이름이 지정된 실행 스위치가 아닙니다.
제조사는 텍스트 모델에 128k 컨텍스트를 문서화하고 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 학습에는 더 넓은 언어 모음이 포함되지만 모든 언어가 똑같이 지원되는 것은 아닙니다. 다국어 결과물을 요청하기 전에 출력 언어, 용어, 독자를 지정하세요.
계열의 사전 학습 코퍼스는 약 15조 토큰이며 기준일은 2023년 12월로 설명됩니다. 미세 조정에는 지시 데이터셋과 2500만 개가 넘는 합성 예시가 포함됩니다. 기준일은 학습 데이터의 경계입니다. 더 최근의 정보나 비공개 정보에 의존하는 질문에는 작업에서 해당 정보를 제공하거나 연결된 출처가 반환해야 합니다.
어시스턴트 형태의 채팅과 출처 분석
Instruct 버전은 대화 요청에 응답하도록 설계되었으며, 사전 학습 버전은 다른 생성 작업에 맞게 조정할 수 있는 기반입니다. 출처 기반 답변에는 질문과 결과를 결정하는 구절을 제공하세요. 출처에 표시를 붙이고 각 발견 사항 옆에 근거 구역이나 진술을 요청하세요.
실용적인 비교에서는 두 절차를 제공하고 공통 조건, 차이, 해결되지 않은 충돌을 요청할 수 있습니다. 결과 안내서는 원래 순서와 각 동작의 적용 조건을 유지할 수 있습니다. 문서 편집 작업에서는 독자, 보존해야 할 사실, 최종 결과물로 수정 구절만 필요한지 또는 설명도 필요한지를 지정할 수 있습니다.
긴 답변에는 필수 구역과 각 구역의 목적을 명시하세요. 큰 컨텍스트에 관련 자료를 함께 보관하면서 최종 결과는 간결한 표나 설명으로 만들 수 있습니다. 이용 가능한 모든 문서를 넣는 것보다 출처의 정체성과 명확히 정의된 질문이 중요합니다.
코드와 생성 예시
문서화된 출력에는 코드가 포함됩니다. 구현 제안에는 언어, 입력 유형, 예상 결과, 호환성을 유지해야 할 인터페이스를 제공하세요. 수정 작업에는 기존 코드 조각과 관련 선언을 포함하세요. 다음 개발 단계에서 점검할 수 있도록 코드를 가정 및 예시와 분리해 요청하세요.
코드 설명에서는 추적할 입력을 제공하고 주어진 함수가 반환값에 도달하는 과정을 물어보세요. 수학 설명에서는 기호와 가정을 정의하고 결과가 정확값, 근삿값, 증명 중 무엇이어야 하는지 명시하세요. 코드 생성과 글로 된 추론 자체가 프로그램을 컴파일하거나 계산을 실행하지는 않습니다.
제조사는 합성 데이터 생성과 증류도 계열의 용도로 제시합니다. 텍스트 작업은 제공된 규칙을 유지하며 지정 형식으로 다양한 예시를 요청할 수 있습니다. 예시가 추가 학습에 적합한지는 별도의 애플리케이션 판단이며, 텍스트 출력만으로 정확성을 독립적으로 검증할 수는 없습니다.
대화 형식과 도구
카드는 해당 채팅 템플릿으로 별도의 시스템 및 사용자 메시지를 보여 줍니다. 시스템 지시에는 역할, 어조, 지속적인 응답 규칙을 넣고 사용자 요청에는 실제 문제와 출처를 포함하세요. 이전 답변을 바탕으로 후속 요청을 할 때는 관련 이전 메시지를 보존하세요.
Llama 3.1은 문서화된 여러 도구 사용 형식을 지원합니다. 애플리케이션이 함수와 매개변수를 제공하고, 모델이 제안 호출을 준비하며, 애플리케이션이 실행한 뒤 결과를 대화에 추가합니다. 이후 생성은 그 결과를 사용할 수 있습니다. 카드의 짧은 예시는 어시스턴트 호출을 추가한 뒤 도구 결과를 추가하는 과정을 명확히 보여 줍니다. 함수를 선택하는 것과 작업을 완료하는 것은 구별됩니다.
조회에서는 필요한 정보를 명시하고 이를 반환하는 함수를 정의하세요. 최종 설명을 요청하기 전에 실제 반환값과 최초 호출을 함께 유지하세요. 계산에서는 모델이 제안한 연산과 계산기가 반환한 결과를 구분하세요. 네이티브 도구 형식과 래퍼 인터페이스에 보이는 표현은 각각 문서화된 규약을 유지해야 합니다.
버전과 실용적 한계
검토한 카드의 256토큰 생성 설정은 사용 예시이며 별도로 명시된 최대 출력 용량이 아닙니다. 128k 컨텍스트는 설정된 릴리스 내 자료와 생성 대화에 관한 값입니다. Llama 4의 컨텍스트나 시각 기능 또는 다른 Llama 3.1 체크포인트의 크기로 대체하지 마세요.
이 모델은 텍스트 전용 Instruct 모델입니다. 이미지, 녹음, 비디오는 다른 구성 요소를 통해 관련 내용을 준비해야 합니다. 외부 검색, 프로그램 실행, 파일 변경도 어시스턴트에 연결된 애플리케이션이 담당합니다. 정확한 70B Instruct 버전을 보존하고 작업에 필요한 출처 연결 설명, 수정 문서, 코드 또는 구조화된 텍스트를 요청하세요.
", "aboutText": "Llama 3.1 70B Instruct는 다국어 대화와 어시스턴트 형태의 요청에 최적화한 Meta의 매개변수 700억 개 텍스트 모델입니다. 8B와 405B 크기 및 별도 사전 학습 모델도 포함하는 계열의 지시 튜닝 체크포인트입니다. 텍스트를 입력받아 다국어 텍스트 또는 코드를 반환하며, 70B라는 이름의 버전은 자체 크기와 정체성을 유지합니다.\n\n모델 정보와 학습\n\n릴리스는 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 튜닝 모델은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 정렬됩니다. 이는 유용한 대화 동작을 위한 학습 단계이며, 별도의 추론 모드와 비추론 모드 사이를 전환하는 이름이 지정된 실행 스위치가 아닙니다.\n\n제조사는 텍스트 모델에 128k 컨텍스트를 문서화하고 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 학습에는 더 넓은 언어 모음이 포함되지만 모든 언어가 똑같이 지원되는 것은 아닙니다. 다국어 결과물을 요청하기 전에 출력 언어, 용어, 독자를 지정하세요.\n\n계열의 사전 학습 코퍼스는 약 15조 토큰이며 기준일은 2023년 12월로 설명됩니다. 미세 조정에는 지시 데이터셋과 2500만 개가 넘는 합성 예시가 포함됩니다. 기준일은 학습 데이터의 경계입니다. 더 최근의 정보나 비공개 정보에 의존하는 질문에는 작업에서 해당 정보를 제공하거나 연결된 출처가 반환해야 합니다.\n\n어시스턴트 형태의 채팅과 출처 분석\n\nInstruct 버전은 대화 요청에 응답하도록 설계되었으며, 사전 학습 버전은 다른 생성 작업에 맞게 조정할 수 있는 기반입니다. 출처 기반 답변에는 질문과 결과를 결정하는 구절을 제공하세요. 출처에 표시를 붙이고 각 발견 사항 옆에 근거 구역이나 진술을 요청하세요.\n\n실용적인 비교에서는 두 절차를 제공하고 공통 조건, 차이, 해결되지 않은 충돌을 요청할 수 있습니다. 결과 안내서는 원래 순서와 각 동작의 적용 조건을 유지할 수 있습니다. 문서 편집 작업에서는 독자, 보존해야 할 사실, 최종 결과물로 수정 구절만 필요한지 또는 설명도 필요한지를 지정할 수 있습니다.\n\n긴 답변에는 필수 구역과 각 구역의 목적을 명시하세요. 큰 컨텍스트에 관련 자료를 함께 보관하면서 최종 결과는 간결한 표나 설명으로 만들 수 있습니다. 이용 가능한 모든 문서를 넣는 것보다 출처의 정체성과 명확히 정의된 질문이 중요합니다.\n\n코드와 생성 예시\n\n문서화된 출력에는 코드가 포함됩니다. 구현 제안에는 언어, 입력 유형, 예상 결과, 호환성을 유지해야 할 인터페이스를 제공하세요. 수정 작업에는 기존 코드 조각과 관련 선언을 포함하세요. 다음 개발 단계에서 점검할 수 있도록 코드를 가정 및 예시와 분리해 요청하세요.\n\n코드 설명에서는 추적할 입력을 제공하고 주어진 함수가 반환값에 도달하는 과정을 물어보세요. 수학 설명에서는 기호와 가정을 정의하고 결과가 정확값, 근삿값, 증명 중 무엇이어야 하는지 명시하세요. 코드 생성과 글로 된 추론 자체가 프로그램을 컴파일하거나 계산을 실행하지는 않습니다.\n\n제조사는 합성 데이터 생성과 증류도 계열의 용도로 제시합니다. 텍스트 작업은 제공된 규칙을 유지하며 지정 형식으로 다양한 예시를 요청할 수 있습니다. 예시가 추가 학습에 적합한지는 별도의 애플리케이션 판단이며, 텍스트 출력만으로 정확성을 독립적으로 검증할 수는 없습니다.\n\n대화 형식과 도구\n\n카드는 해당 채팅 템플릿으로 별도의 시스템 및 사용자 메시지를 보여 줍니다. 시스템 지시에는 역할, 어조, 지속적인 응답 규칙을 넣고 사용자 요청에는 실제 문제와 출처를 포함하세요. 이전 답변을 바탕으로 후속 요청을 할 때는 관련 이전 메시지를 보존하세요.\n\nLlama 3.1은 문서화된 여러 도구 사용 형식을 지원합니다. 애플리케이션이 함수와 매개변수를 제공하고, 모델이 제안 호출을 준비하며, 애플리케이션이 실행한 뒤 결과를 대화에 추가합니다. 이후 생성은 그 결과를 사용할 수 있습니다. 카드의 짧은 예시는 어시스턴트 호출을 추가한 뒤 도구 결과를 추가하는 과정을 명확히 보여 줍니다. 함수를 선택하는 것과 작업을 완료하는 것은 구별됩니다.\n\n조회에서는 필요한 정보를 명시하고 이를 반환하는 함수를 정의하세요. 최종 설명을 요청하기 전에 실제 반환값과 최초 호출을 함께 유지하세요. 계산에서는 모델이 제안한 연산과 계산기가 반환한 결과를 구분하세요. 네이티브 도구 형식과 래퍼 인터페이스에 보이는 표현은 각각 문서화된 규약을 유지해야 합니다.\n\n버전과 실용적 한계\n\n검토한 카드의 256토큰 생성 설정은 사용 예시이며 별도로 명시된 최대 출력 용량이 아닙니다. 128k 컨텍스트는 설정된 릴리스 내 자료와 생성 대화에 관한 값입니다. Llama 4의 컨텍스트나 시각 기능 또는 다른 Llama 3.1 체크포인트의 크기로 대체하지 마세요.\n\n이 모델은 텍스트 전용 Instruct 모델입니다. 이미지, 녹음, 비디오는 다른 구성 요소를 통해 관련 내용을 준비해야 합니다. 외부 검색, 프로그램 실행, 파일 변경도 어시스턴트에 연결된 애플리케이션이 담당합니다. 정확한 70B Instruct 버전을 보존하고 작업에 필요한 출처 연결 설명, 수정 문서, 코드 또는 구조화된 텍스트를 요청하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Produce a bilingual maintenance notice\n\nWrite a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.Two labelled language blocks with equivalent three-sentence notices.Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.meta-llama/llama-3.1-70b-instructLlama 3.1 70B Instruct는 다국어 대화, 문서 추론, 코드를 위한 Meta의 텍스트 모델입니다. 70B 지시 튜닝 릴리스는 그룹화 쿼리 어텐션, 제조사가 명시한 128k 컨텍스트, 문서화된 도구 호출 대화 형식을 사용하며 텍스트와 코드를 출력합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.1 70B Instruct는 다국어 대화와 어시스턴트 형태의 요청에 최적화한 Meta의 매개변수 700억 개 텍스트 모델입니다. 8B와 405B 크기 및 별도 사전 학습 모델도 포함하는 계열의 지시 튜닝 체크포인트입니다. 텍스트를 입력받아 다국어 텍스트 또는 코드를 반환하며, 70B라는 이름의 버전은 자체 크기와 정체성을 유지합니다.
모델 정보와 학습
릴리스는 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 튜닝 모델은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 정렬됩니다. 이는 유용한 대화 동작을 위한 학습 단계이며, 별도의 추론 모드와 비추론 모드 사이를 전환하는 이름이 지정된 실행 스위치가 아닙니다.
제조사는 텍스트 모델에 128k 컨텍스트를 문서화하고 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 학습에는 더 넓은 언어 모음이 포함되지만 모든 언어가 똑같이 지원되는 것은 아닙니다. 다국어 결과물을 요청하기 전에 출력 언어, 용어, 독자를 지정하세요.
계열의 사전 학습 코퍼스는 약 15조 토큰이며 기준일은 2023년 12월로 설명됩니다. 미세 조정에는 지시 데이터셋과 2500만 개가 넘는 합성 예시가 포함됩니다. 기준일은 학습 데이터의 경계입니다. 더 최근의 정보나 비공개 정보에 의존하는 질문에는 작업에서 해당 정보를 제공하거나 연결된 출처가 반환해야 합니다.
어시스턴트 형태의 채팅과 출처 분석
Instruct 버전은 대화 요청에 응답하도록 설계되었으며, 사전 학습 버전은 다른 생성 작업에 맞게 조정할 수 있는 기반입니다. 출처 기반 답변에는 질문과 결과를 결정하는 구절을 제공하세요. 출처에 표시를 붙이고 각 발견 사항 옆에 근거 구역이나 진술을 요청하세요.
실용적인 비교에서는 두 절차를 제공하고 공통 조건, 차이, 해결되지 않은 충돌을 요청할 수 있습니다. 결과 안내서는 원래 순서와 각 동작의 적용 조건을 유지할 수 있습니다. 문서 편집 작업에서는 독자, 보존해야 할 사실, 최종 결과물로 수정 구절만 필요한지 또는 설명도 필요한지를 지정할 수 있습니다.
긴 답변에는 필수 구역과 각 구역의 목적을 명시하세요. 큰 컨텍스트에 관련 자료를 함께 보관하면서 최종 결과는 간결한 표나 설명으로 만들 수 있습니다. 이용 가능한 모든 문서를 넣는 것보다 출처의 정체성과 명확히 정의된 질문이 중요합니다.
코드와 생성 예시
문서화된 출력에는 코드가 포함됩니다. 구현 제안에는 언어, 입력 유형, 예상 결과, 호환성을 유지해야 할 인터페이스를 제공하세요. 수정 작업에는 기존 코드 조각과 관련 선언을 포함하세요. 다음 개발 단계에서 점검할 수 있도록 코드를 가정 및 예시와 분리해 요청하세요.
코드 설명에서는 추적할 입력을 제공하고 주어진 함수가 반환값에 도달하는 과정을 물어보세요. 수학 설명에서는 기호와 가정을 정의하고 결과가 정확값, 근삿값, 증명 중 무엇이어야 하는지 명시하세요. 코드 생성과 글로 된 추론 자체가 프로그램을 컴파일하거나 계산을 실행하지는 않습니다.
제조사는 합성 데이터 생성과 증류도 계열의 용도로 제시합니다. 텍스트 작업은 제공된 규칙을 유지하며 지정 형식으로 다양한 예시를 요청할 수 있습니다. 예시가 추가 학습에 적합한지는 별도의 애플리케이션 판단이며, 텍스트 출력만으로 정확성을 독립적으로 검증할 수는 없습니다.
대화 형식과 도구
카드는 해당 채팅 템플릿으로 별도의 시스템 및 사용자 메시지를 보여 줍니다. 시스템 지시에는 역할, 어조, 지속적인 응답 규칙을 넣고 사용자 요청에는 실제 문제와 출처를 포함하세요. 이전 답변을 바탕으로 후속 요청을 할 때는 관련 이전 메시지를 보존하세요.
Llama 3.1은 문서화된 여러 도구 사용 형식을 지원합니다. 애플리케이션이 함수와 매개변수를 제공하고, 모델이 제안 호출을 준비하며, 애플리케이션이 실행한 뒤 결과를 대화에 추가합니다. 이후 생성은 그 결과를 사용할 수 있습니다. 카드의 짧은 예시는 어시스턴트 호출을 추가한 뒤 도구 결과를 추가하는 과정을 명확히 보여 줍니다. 함수를 선택하는 것과 작업을 완료하는 것은 구별됩니다.
조회에서는 필요한 정보를 명시하고 이를 반환하는 함수를 정의하세요. 최종 설명을 요청하기 전에 실제 반환값과 최초 호출을 함께 유지하세요. 계산에서는 모델이 제안한 연산과 계산기가 반환한 결과를 구분하세요. 네이티브 도구 형식과 래퍼 인터페이스에 보이는 표현은 각각 문서화된 규약을 유지해야 합니다.
버전과 실용적 한계
검토한 카드의 256토큰 생성 설정은 사용 예시이며 별도로 명시된 최대 출력 용량이 아닙니다. 128k 컨텍스트는 설정된 릴리스 내 자료와 생성 대화에 관한 값입니다. Llama 4의 컨텍스트나 시각 기능 또는 다른 Llama 3.1 체크포인트의 크기로 대체하지 마세요.
이 모델은 텍스트 전용 Instruct 모델입니다. 이미지, 녹음, 비디오는 다른 구성 요소를 통해 관련 내용을 준비해야 합니다. 외부 검색, 프로그램 실행, 파일 변경도 어시스턴트에 연결된 애플리케이션이 담당합니다. 정확한 70B Instruct 버전을 보존하고 작업에 필요한 출처 연결 설명, 수정 문서, 코드 또는 구조화된 텍스트를 요청하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 meta-llama/llama-3.1-70b-instruct | 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 $0.00144 / 1K 토큰 출력 · 출력 토큰 $0.00144 / 1K 토큰 입력 · 캐시 읽기 — / 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 $0.00144 / 1K 토큰 출력 · 출력 토큰 $0.00144 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.1-70b-instruct", "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='meta-llama/llama-3.1-70b-instruct',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='meta-llama/llama-3.1-70b-instruct',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 meta-llama/llama-3.1-70b-instruct
위에 표시된 메서드 경로를 사용하세요.
meta-llama/llama-3.1-70b-instructLlama 3.1 70B Instruct는 다국어 대화, 문서 추론, 코드를 위한 Meta의 텍스트 모델입니다. 70B 지시 튜닝 릴리스는 그룹화 쿼리 어텐션, 제조사가 명시한 128k 컨텍스트, 문서화된 도구 호출 대화 형식을 사용하며 텍스트와 코드를 출력합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.1 70B Instruct는 다국어 대화와 어시스턴트 형태의 요청에 최적화한 Meta의 매개변수 700억 개 텍스트 모델입니다. 8B와 405B 크기 및 별도 사전 학습 모델도 포함하는 계열의 지시 튜닝 체크포인트입니다. 텍스트를 입력받아 다국어 텍스트 또는 코드를 반환하며, 70B라는 이름의 버전은 자체 크기와 정체성을 유지합니다.
모델 정보와 학습
릴리스는 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 튜닝 모델은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 정렬됩니다. 이는 유용한 대화 동작을 위한 학습 단계이며, 별도의 추론 모드와 비추론 모드 사이를 전환하는 이름이 지정된 실행 스위치가 아닙니다.
제조사는 텍스트 모델에 128k 컨텍스트를 문서화하고 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 학습에는 더 넓은 언어 모음이 포함되지만 모든 언어가 똑같이 지원되는 것은 아닙니다. 다국어 결과물을 요청하기 전에 출력 언어, 용어, 독자를 지정하세요.
계열의 사전 학습 코퍼스는 약 15조 토큰이며 기준일은 2023년 12월로 설명됩니다. 미세 조정에는 지시 데이터셋과 2500만 개가 넘는 합성 예시가 포함됩니다. 기준일은 학습 데이터의 경계입니다. 더 최근의 정보나 비공개 정보에 의존하는 질문에는 작업에서 해당 정보를 제공하거나 연결된 출처가 반환해야 합니다.
어시스턴트 형태의 채팅과 출처 분석
Instruct 버전은 대화 요청에 응답하도록 설계되었으며, 사전 학습 버전은 다른 생성 작업에 맞게 조정할 수 있는 기반입니다. 출처 기반 답변에는 질문과 결과를 결정하는 구절을 제공하세요. 출처에 표시를 붙이고 각 발견 사항 옆에 근거 구역이나 진술을 요청하세요.
실용적인 비교에서는 두 절차를 제공하고 공통 조건, 차이, 해결되지 않은 충돌을 요청할 수 있습니다. 결과 안내서는 원래 순서와 각 동작의 적용 조건을 유지할 수 있습니다. 문서 편집 작업에서는 독자, 보존해야 할 사실, 최종 결과물로 수정 구절만 필요한지 또는 설명도 필요한지를 지정할 수 있습니다.
긴 답변에는 필수 구역과 각 구역의 목적을 명시하세요. 큰 컨텍스트에 관련 자료를 함께 보관하면서 최종 결과는 간결한 표나 설명으로 만들 수 있습니다. 이용 가능한 모든 문서를 넣는 것보다 출처의 정체성과 명확히 정의된 질문이 중요합니다.
코드와 생성 예시
문서화된 출력에는 코드가 포함됩니다. 구현 제안에는 언어, 입력 유형, 예상 결과, 호환성을 유지해야 할 인터페이스를 제공하세요. 수정 작업에는 기존 코드 조각과 관련 선언을 포함하세요. 다음 개발 단계에서 점검할 수 있도록 코드를 가정 및 예시와 분리해 요청하세요.
코드 설명에서는 추적할 입력을 제공하고 주어진 함수가 반환값에 도달하는 과정을 물어보세요. 수학 설명에서는 기호와 가정을 정의하고 결과가 정확값, 근삿값, 증명 중 무엇이어야 하는지 명시하세요. 코드 생성과 글로 된 추론 자체가 프로그램을 컴파일하거나 계산을 실행하지는 않습니다.
제조사는 합성 데이터 생성과 증류도 계열의 용도로 제시합니다. 텍스트 작업은 제공된 규칙을 유지하며 지정 형식으로 다양한 예시를 요청할 수 있습니다. 예시가 추가 학습에 적합한지는 별도의 애플리케이션 판단이며, 텍스트 출력만으로 정확성을 독립적으로 검증할 수는 없습니다.
대화 형식과 도구
카드는 해당 채팅 템플릿으로 별도의 시스템 및 사용자 메시지를 보여 줍니다. 시스템 지시에는 역할, 어조, 지속적인 응답 규칙을 넣고 사용자 요청에는 실제 문제와 출처를 포함하세요. 이전 답변을 바탕으로 후속 요청을 할 때는 관련 이전 메시지를 보존하세요.
Llama 3.1은 문서화된 여러 도구 사용 형식을 지원합니다. 애플리케이션이 함수와 매개변수를 제공하고, 모델이 제안 호출을 준비하며, 애플리케이션이 실행한 뒤 결과를 대화에 추가합니다. 이후 생성은 그 결과를 사용할 수 있습니다. 카드의 짧은 예시는 어시스턴트 호출을 추가한 뒤 도구 결과를 추가하는 과정을 명확히 보여 줍니다. 함수를 선택하는 것과 작업을 완료하는 것은 구별됩니다.
조회에서는 필요한 정보를 명시하고 이를 반환하는 함수를 정의하세요. 최종 설명을 요청하기 전에 실제 반환값과 최초 호출을 함께 유지하세요. 계산에서는 모델이 제안한 연산과 계산기가 반환한 결과를 구분하세요. 네이티브 도구 형식과 래퍼 인터페이스에 보이는 표현은 각각 문서화된 규약을 유지해야 합니다.
버전과 실용적 한계
검토한 카드의 256토큰 생성 설정은 사용 예시이며 별도로 명시된 최대 출력 용량이 아닙니다. 128k 컨텍스트는 설정된 릴리스 내 자료와 생성 대화에 관한 값입니다. Llama 4의 컨텍스트나 시각 기능 또는 다른 Llama 3.1 체크포인트의 크기로 대체하지 마세요.
이 모델은 텍스트 전용 Instruct 모델입니다. 이미지, 녹음, 비디오는 다른 구성 요소를 통해 관련 내용을 준비해야 합니다. 외부 검색, 프로그램 실행, 파일 변경도 어시스턴트에 연결된 애플리케이션이 담당합니다. 정확한 70B Instruct 버전을 보존하고 작업에 필요한 출처 연결 설명, 수정 문서, 코드 또는 구조화된 텍스트를 요청하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 meta-llama/llama-3.1-70b-instruct | 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 $0.00144 / 1K 토큰 출력 · 출력 토큰 $0.00144 / 1K 토큰 입력 · 캐시 읽기 — / 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 $0.00144 / 1K 토큰 출력 · 출력 토큰 $0.00144 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "meta-llama/llama-3.1-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.1-70b-instruct', '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': 'meta-llama/llama-3.1-70b-instruct', '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 meta-llama/llama-3.1-70b-instruct
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Produce a bilingual maintenance notice\n\nWrite a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.Two labelled language blocks with equivalent three-sentence notices.Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.