Llama 3.1 8B Instruct는 다국어 대화와 지시 기반 어시스턴트를 위한 Meta의 매개변수 80억 개 텍스트 모델입니다. 글로 된 대화와 원천 자료를 입력받아 텍스트 또는 코드를 생성합니다. 8B 크기의 Instruct 버전으로, 사전 학습 기반 모델 및 같은 계열의 70B, 405B 모델과 구별됩니다.
아키텍처, 컨텍스트, 언어
모델은 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 지시 튜닝 계열은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 대화 응답을 정렬합니다. 제조사는 이 텍스트 릴리스에 128k 컨텍스트를 문서화합니다. 이는 후속 Llama 4 모델의 비전 또는 긴 컨텍스트 사양이 아닙니다.
공식 지원 언어 8개는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어입니다. 사전 학습 데이터는 더 넓은 언어 모음에 걸쳐 있으며, 이는 카드가 명시적으로 지원하는 언어와 다릅니다. 다국어 결과의 최종 언어와 바뀌면 안 되는 이름, 변수 식별자 또는 용어를 명시하세요.
이 계열은 약 15조 토큰으로 사전 학습하며 데이터 기준일은 2023년 12월입니다. 미세 조정에는 지시 자료와 2500만 개가 넘는 합성 예시가 포함됩니다. 이는 모델 학습에 관한 설명이며 새 질문이 들어올 때 비공개 지식 베이스나 실시간 정보에 접근한다는 뜻이 아닙니다.
정의된 텍스트 작업
지원 업무용 요청에서는 사용자 메시지와 관련 참고 구절을 제공한 뒤 답변과 이를 뒷받침하는 조건을 요청할 수 있습니다. 간결한 레코드는 문제, 이미 제공된 정보, 다음에 필요한 단계를 구분할 수 있습니다. 애플리케이션이 결과를 처리해야 한다면 필드 이름과 누락 값 처리 방식을 정의하세요.
요약에서는 실제 구절이나 대화를 제공하고 독자, 분량, 유지할 사실을 지정하세요. 무관한 자료를 방향 없이 요약하기보다 한 주제에 관련된 결정이나 미해결 질문을 요청하세요. 후속 요청에서는 같은 원천 사실을 유지하면서 답변을 줄이거나 특정 조건을 더 명확히 설명하도록 요청할 수 있습니다.
편집에서는 독자와 어조를 지정하고 바뀌면 안 되는 의미를 식별하세요. 실용적인 작업으로 더 명확한 메시지와 짧은 변경 목록을 요청하거나, 바로 사용할 경우 수정 메시지만 요청할 수 있습니다. 분류 작업은 표시 이름만으로 규칙을 정의하려 하지 말고 허용된 표시와 그 사이의 차이를 제공해야 합니다.
코드와 예시 생성
문서화된 출력에는 코드도 포함됩니다. 함수를 요청하기 전에 언어, 필요한 입력, 예상 결과를 제공하세요. 설명을 원하면 기존 함수와 구체적인 입력을 제공하고 반환값을 결정하는 단계를 물어보세요. 수정에는 관찰된 실패와 의도한 동작을 포함하고 호환성을 유지해야 할 인터페이스를 보존하세요.
유용한 출력은 제안 코드, 가정, 예시 입력을 구분할 수 있습니다. 실제 컴파일, 실행 또는 저장소 변경은 애플리케이션이나 개발자가 수행합니다. 작성된 소스 코드는 점검할 결과물이며 모델이 반환했다는 이유만으로 완료된 외부 작업이 되지는 않습니다.
이 계열은 생성 출력을 합성 예시와 증류에 사용하는 방식도 지원합니다. 명확한 텍스트 요청으로 제공한 규칙과 지정 형식에 따라 변형 예시를 생성할 수 있습니다. 각 예시를 점검할 수 있도록 규칙과 표시를 보존하세요. 생성 예시만으로 학습 데이터셋의 정확성을 독립적으로 확인할 수는 없습니다.
대화 역할과 도구 사용
모델 카드는 별도의 시스템 및 사용자 메시지를 사용하는 채팅 템플릿을 보여 줍니다. 시스템 컨텍스트에서 어시스턴트의 역할과 응답 요구 사항을 정의한 뒤, 질문과 원천 자료를 작업으로 제공하세요. 후속 질문을 하거나 결과를 바꾸는 새 근거를 제공할 때는 관련 이전 메시지를 유지하세요.
Llama 3.1은 여러 도구 사용 형식을 문서화합니다. 애플리케이션이 함수를 설명하면 모델이 제안 호출과 인수를 생성하고, 애플리케이션이 실행한 뒤 tool 역할로 결과를 반환합니다. 다음 답변은 반환된 정보를 사용할 수 있습니다. 대화에서 최초 작업과 결과의 연결을 유지하세요.
예를 들어 조회는 구절에 빠진 현재 참고값을 반환하고, 계산 도구는 설명에 필요한 수치 결과를 제공할 수 있습니다. 도구 사용 어시스턴트에는 환경이 이러한 작업을 제공해야 합니다. 모델의 텍스트 동작 자체가 외부 출처 연결을 만들거나 부수 효과를 완료하지는 않습니다.
실용적 경계
제조사의 128k 컨텍스트 표시는 정확한 8B Instruct 릴리스 및 적용 구성과 함께 유지해야 합니다. 256토큰 생성 예시는 사용 설정일 뿐이며, 검토한 출처에는 별도의 엄격한 최대 답변 용량이 명시되어 있지 않습니다. 8B 크기에 다른 구성원의 매개변수 수나 별도 계열의 이름이 지정된 추론 제어를 적용해서는 안 됩니다.
이 모델은 텍스트 전용입니다. 시각 입력, 오디오 이해, 음성 생성에는 별도로 지정한 구성 요소가 필요합니다. 자료를 제공하기 전에 간결한 답변, 추출 레코드, 수정 구절, 설명 또는 코드 제안 등 최종 결과물을 정의하세요. 결과물의 의미와 형식을 점검하는 데 필요한 원천 정보를 보존하세요.
", "aboutText": "Llama 3.1 8B Instruct는 다국어 대화와 지시 기반 어시스턴트를 위한 Meta의 매개변수 80억 개 텍스트 모델입니다. 글로 된 대화와 원천 자료를 입력받아 텍스트 또는 코드를 생성합니다. 8B 크기의 Instruct 버전으로, 사전 학습 기반 모델 및 같은 계열의 70B, 405B 모델과 구별됩니다.\n\n아키텍처, 컨텍스트, 언어\n\n모델은 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 지시 튜닝 계열은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 대화 응답을 정렬합니다. 제조사는 이 텍스트 릴리스에 128k 컨텍스트를 문서화합니다. 이는 후속 Llama 4 모델의 비전 또는 긴 컨텍스트 사양이 아닙니다.\n\n공식 지원 언어 8개는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어입니다. 사전 학습 데이터는 더 넓은 언어 모음에 걸쳐 있으며, 이는 카드가 명시적으로 지원하는 언어와 다릅니다. 다국어 결과의 최종 언어와 바뀌면 안 되는 이름, 변수 식별자 또는 용어를 명시하세요.\n\n이 계열은 약 15조 토큰으로 사전 학습하며 데이터 기준일은 2023년 12월입니다. 미세 조정에는 지시 자료와 2500만 개가 넘는 합성 예시가 포함됩니다. 이는 모델 학습에 관한 설명이며 새 질문이 들어올 때 비공개 지식 베이스나 실시간 정보에 접근한다는 뜻이 아닙니다.\n\n정의된 텍스트 작업\n\n지원 업무용 요청에서는 사용자 메시지와 관련 참고 구절을 제공한 뒤 답변과 이를 뒷받침하는 조건을 요청할 수 있습니다. 간결한 레코드는 문제, 이미 제공된 정보, 다음에 필요한 단계를 구분할 수 있습니다. 애플리케이션이 결과를 처리해야 한다면 필드 이름과 누락 값 처리 방식을 정의하세요.\n\n요약에서는 실제 구절이나 대화를 제공하고 독자, 분량, 유지할 사실을 지정하세요. 무관한 자료를 방향 없이 요약하기보다 한 주제에 관련된 결정이나 미해결 질문을 요청하세요. 후속 요청에서는 같은 원천 사실을 유지하면서 답변을 줄이거나 특정 조건을 더 명확히 설명하도록 요청할 수 있습니다.\n\n편집에서는 독자와 어조를 지정하고 바뀌면 안 되는 의미를 식별하세요. 실용적인 작업으로 더 명확한 메시지와 짧은 변경 목록을 요청하거나, 바로 사용할 경우 수정 메시지만 요청할 수 있습니다. 분류 작업은 표시 이름만으로 규칙을 정의하려 하지 말고 허용된 표시와 그 사이의 차이를 제공해야 합니다.\n\n코드와 예시 생성\n\n문서화된 출력에는 코드도 포함됩니다. 함수를 요청하기 전에 언어, 필요한 입력, 예상 결과를 제공하세요. 설명을 원하면 기존 함수와 구체적인 입력을 제공하고 반환값을 결정하는 단계를 물어보세요. 수정에는 관찰된 실패와 의도한 동작을 포함하고 호환성을 유지해야 할 인터페이스를 보존하세요.\n\n유용한 출력은 제안 코드, 가정, 예시 입력을 구분할 수 있습니다. 실제 컴파일, 실행 또는 저장소 변경은 애플리케이션이나 개발자가 수행합니다. 작성된 소스 코드는 점검할 결과물이며 모델이 반환했다는 이유만으로 완료된 외부 작업이 되지는 않습니다.\n\n이 계열은 생성 출력을 합성 예시와 증류에 사용하는 방식도 지원합니다. 명확한 텍스트 요청으로 제공한 규칙과 지정 형식에 따라 변형 예시를 생성할 수 있습니다. 각 예시를 점검할 수 있도록 규칙과 표시를 보존하세요. 생성 예시만으로 학습 데이터셋의 정확성을 독립적으로 확인할 수는 없습니다.\n\n대화 역할과 도구 사용\n\n모델 카드는 별도의 시스템 및 사용자 메시지를 사용하는 채팅 템플릿을 보여 줍니다. 시스템 컨텍스트에서 어시스턴트의 역할과 응답 요구 사항을 정의한 뒤, 질문과 원천 자료를 작업으로 제공하세요. 후속 질문을 하거나 결과를 바꾸는 새 근거를 제공할 때는 관련 이전 메시지를 유지하세요.\n\nLlama 3.1은 여러 도구 사용 형식을 문서화합니다. 애플리케이션이 함수를 설명하면 모델이 제안 호출과 인수를 생성하고, 애플리케이션이 실행한 뒤 tool 역할로 결과를 반환합니다. 다음 답변은 반환된 정보를 사용할 수 있습니다. 대화에서 최초 작업과 결과의 연결을 유지하세요.\n\n예를 들어 조회는 구절에 빠진 현재 참고값을 반환하고, 계산 도구는 설명에 필요한 수치 결과를 제공할 수 있습니다. 도구 사용 어시스턴트에는 환경이 이러한 작업을 제공해야 합니다. 모델의 텍스트 동작 자체가 외부 출처 연결을 만들거나 부수 효과를 완료하지는 않습니다.\n\n실용적 경계\n\n제조사의 128k 컨텍스트 표시는 정확한 8B Instruct 릴리스 및 적용 구성과 함께 유지해야 합니다. 256토큰 생성 예시는 사용 설정일 뿐이며, 검토한 출처에는 별도의 엄격한 최대 답변 용량이 명시되어 있지 않습니다. 8B 크기에 다른 구성원의 매개변수 수나 별도 계열의 이름이 지정된 추론 제어를 적용해서는 안 됩니다.\n\n이 모델은 텍스트 전용입니다. 시각 입력, 오디오 이해, 음성 생성에는 별도로 지정한 구성 요소가 필요합니다. 자료를 제공하기 전에 간결한 답변, 추출 레코드, 수정 구절, 설명 또는 코드 제안 등 최종 결과물을 정의하세요. 결과물의 의미와 형식을 점검하는 데 필요한 원천 정보를 보존하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Translate a delivery notice into German\n\nTranslate this customer notice into German: 'Order BN-42 will leave our warehouse on Thursday. Delivery normally takes three business days. We will send tracking details after dispatch.' Preserve BN-42, distinguish dispatch from delivery and use a polite professional tone. Return only the translation; do not turn the normal transit time into a guaranteed arrival date.One German customer notice preserving the identifier, event sequence and qualified transit time.The translation distinguishes warehouse dispatch from delivery and retains the word's sense of a normal estimate.meta-llama/llama-3.1-8b-instructLlama 3.1 8B Instruct는 다국어 대화, 요약, 원천 자료에 근거한 답변을 위한 Meta의 더 작은 지시형 텍스트 모델입니다. 매개변수 규모 8B, 제조사가 명시한 128k 컨텍스트, 그룹화 쿼리 어텐션, 문서화된 도구 사용 형식을 갖추고 텍스트 또는 코드를 반환합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.1 8B Instruct는 다국어 대화와 지시 기반 어시스턴트를 위한 Meta의 매개변수 80억 개 텍스트 모델입니다. 글로 된 대화와 원천 자료를 입력받아 텍스트 또는 코드를 생성합니다. 8B 크기의 Instruct 버전으로, 사전 학습 기반 모델 및 같은 계열의 70B, 405B 모델과 구별됩니다.
아키텍처, 컨텍스트, 언어
모델은 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 지시 튜닝 계열은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 대화 응답을 정렬합니다. 제조사는 이 텍스트 릴리스에 128k 컨텍스트를 문서화합니다. 이는 후속 Llama 4 모델의 비전 또는 긴 컨텍스트 사양이 아닙니다.
공식 지원 언어 8개는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어입니다. 사전 학습 데이터는 더 넓은 언어 모음에 걸쳐 있으며, 이는 카드가 명시적으로 지원하는 언어와 다릅니다. 다국어 결과의 최종 언어와 바뀌면 안 되는 이름, 변수 식별자 또는 용어를 명시하세요.
이 계열은 약 15조 토큰으로 사전 학습하며 데이터 기준일은 2023년 12월입니다. 미세 조정에는 지시 자료와 2500만 개가 넘는 합성 예시가 포함됩니다. 이는 모델 학습에 관한 설명이며 새 질문이 들어올 때 비공개 지식 베이스나 실시간 정보에 접근한다는 뜻이 아닙니다.
정의된 텍스트 작업
지원 업무용 요청에서는 사용자 메시지와 관련 참고 구절을 제공한 뒤 답변과 이를 뒷받침하는 조건을 요청할 수 있습니다. 간결한 레코드는 문제, 이미 제공된 정보, 다음에 필요한 단계를 구분할 수 있습니다. 애플리케이션이 결과를 처리해야 한다면 필드 이름과 누락 값 처리 방식을 정의하세요.
요약에서는 실제 구절이나 대화를 제공하고 독자, 분량, 유지할 사실을 지정하세요. 무관한 자료를 방향 없이 요약하기보다 한 주제에 관련된 결정이나 미해결 질문을 요청하세요. 후속 요청에서는 같은 원천 사실을 유지하면서 답변을 줄이거나 특정 조건을 더 명확히 설명하도록 요청할 수 있습니다.
편집에서는 독자와 어조를 지정하고 바뀌면 안 되는 의미를 식별하세요. 실용적인 작업으로 더 명확한 메시지와 짧은 변경 목록을 요청하거나, 바로 사용할 경우 수정 메시지만 요청할 수 있습니다. 분류 작업은 표시 이름만으로 규칙을 정의하려 하지 말고 허용된 표시와 그 사이의 차이를 제공해야 합니다.
코드와 예시 생성
문서화된 출력에는 코드도 포함됩니다. 함수를 요청하기 전에 언어, 필요한 입력, 예상 결과를 제공하세요. 설명을 원하면 기존 함수와 구체적인 입력을 제공하고 반환값을 결정하는 단계를 물어보세요. 수정에는 관찰된 실패와 의도한 동작을 포함하고 호환성을 유지해야 할 인터페이스를 보존하세요.
유용한 출력은 제안 코드, 가정, 예시 입력을 구분할 수 있습니다. 실제 컴파일, 실행 또는 저장소 변경은 애플리케이션이나 개발자가 수행합니다. 작성된 소스 코드는 점검할 결과물이며 모델이 반환했다는 이유만으로 완료된 외부 작업이 되지는 않습니다.
이 계열은 생성 출력을 합성 예시와 증류에 사용하는 방식도 지원합니다. 명확한 텍스트 요청으로 제공한 규칙과 지정 형식에 따라 변형 예시를 생성할 수 있습니다. 각 예시를 점검할 수 있도록 규칙과 표시를 보존하세요. 생성 예시만으로 학습 데이터셋의 정확성을 독립적으로 확인할 수는 없습니다.
대화 역할과 도구 사용
모델 카드는 별도의 시스템 및 사용자 메시지를 사용하는 채팅 템플릿을 보여 줍니다. 시스템 컨텍스트에서 어시스턴트의 역할과 응답 요구 사항을 정의한 뒤, 질문과 원천 자료를 작업으로 제공하세요. 후속 질문을 하거나 결과를 바꾸는 새 근거를 제공할 때는 관련 이전 메시지를 유지하세요.
Llama 3.1은 여러 도구 사용 형식을 문서화합니다. 애플리케이션이 함수를 설명하면 모델이 제안 호출과 인수를 생성하고, 애플리케이션이 실행한 뒤 tool 역할로 결과를 반환합니다. 다음 답변은 반환된 정보를 사용할 수 있습니다. 대화에서 최초 작업과 결과의 연결을 유지하세요.
예를 들어 조회는 구절에 빠진 현재 참고값을 반환하고, 계산 도구는 설명에 필요한 수치 결과를 제공할 수 있습니다. 도구 사용 어시스턴트에는 환경이 이러한 작업을 제공해야 합니다. 모델의 텍스트 동작 자체가 외부 출처 연결을 만들거나 부수 효과를 완료하지는 않습니다.
실용적 경계
제조사의 128k 컨텍스트 표시는 정확한 8B Instruct 릴리스 및 적용 구성과 함께 유지해야 합니다. 256토큰 생성 예시는 사용 설정일 뿐이며, 검토한 출처에는 별도의 엄격한 최대 답변 용량이 명시되어 있지 않습니다. 8B 크기에 다른 구성원의 매개변수 수나 별도 계열의 이름이 지정된 추론 제어를 적용해서는 안 됩니다.
이 모델은 텍스트 전용입니다. 시각 입력, 오디오 이해, 음성 생성에는 별도로 지정한 구성 요소가 필요합니다. 자료를 제공하기 전에 간결한 답변, 추출 레코드, 수정 구절, 설명 또는 코드 제안 등 최종 결과물을 정의하세요. 결과물의 의미와 형식을 점검하는 데 필요한 원천 정보를 보존하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 meta-llama/llama-3.1-8b-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 $0.00044 / 1K 토큰 출력 · 출력 토큰 $0.00044 / 1K 토큰 입력 · 캐시 읽기 $0.00044 / 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 $0.00044 / 1K 토큰 출력 · 출력 토큰 $0.00044 / 1K 토큰 입력 · 캐시 읽기 $0.00044 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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-3.1-8b-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-3.1-8b-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-3.1-8b-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-3.1-8b-instruct
위에 표시된 메서드 경로를 사용하세요.
meta-llama/llama-3.1-8b-instructLlama 3.1 8B Instruct는 다국어 대화, 요약, 원천 자료에 근거한 답변을 위한 Meta의 더 작은 지시형 텍스트 모델입니다. 매개변수 규모 8B, 제조사가 명시한 128k 컨텍스트, 그룹화 쿼리 어텐션, 문서화된 도구 사용 형식을 갖추고 텍스트 또는 코드를 반환합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.1 8B Instruct는 다국어 대화와 지시 기반 어시스턴트를 위한 Meta의 매개변수 80억 개 텍스트 모델입니다. 글로 된 대화와 원천 자료를 입력받아 텍스트 또는 코드를 생성합니다. 8B 크기의 Instruct 버전으로, 사전 학습 기반 모델 및 같은 계열의 70B, 405B 모델과 구별됩니다.
아키텍처, 컨텍스트, 언어
모델은 그룹화 쿼리 어텐션을 갖춘 자기회귀 Transformer 아키텍처를 사용합니다. 지시 튜닝 계열은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 대화 응답을 정렬합니다. 제조사는 이 텍스트 릴리스에 128k 컨텍스트를 문서화합니다. 이는 후속 Llama 4 모델의 비전 또는 긴 컨텍스트 사양이 아닙니다.
공식 지원 언어 8개는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어입니다. 사전 학습 데이터는 더 넓은 언어 모음에 걸쳐 있으며, 이는 카드가 명시적으로 지원하는 언어와 다릅니다. 다국어 결과의 최종 언어와 바뀌면 안 되는 이름, 변수 식별자 또는 용어를 명시하세요.
이 계열은 약 15조 토큰으로 사전 학습하며 데이터 기준일은 2023년 12월입니다. 미세 조정에는 지시 자료와 2500만 개가 넘는 합성 예시가 포함됩니다. 이는 모델 학습에 관한 설명이며 새 질문이 들어올 때 비공개 지식 베이스나 실시간 정보에 접근한다는 뜻이 아닙니다.
정의된 텍스트 작업
지원 업무용 요청에서는 사용자 메시지와 관련 참고 구절을 제공한 뒤 답변과 이를 뒷받침하는 조건을 요청할 수 있습니다. 간결한 레코드는 문제, 이미 제공된 정보, 다음에 필요한 단계를 구분할 수 있습니다. 애플리케이션이 결과를 처리해야 한다면 필드 이름과 누락 값 처리 방식을 정의하세요.
요약에서는 실제 구절이나 대화를 제공하고 독자, 분량, 유지할 사실을 지정하세요. 무관한 자료를 방향 없이 요약하기보다 한 주제에 관련된 결정이나 미해결 질문을 요청하세요. 후속 요청에서는 같은 원천 사실을 유지하면서 답변을 줄이거나 특정 조건을 더 명확히 설명하도록 요청할 수 있습니다.
편집에서는 독자와 어조를 지정하고 바뀌면 안 되는 의미를 식별하세요. 실용적인 작업으로 더 명확한 메시지와 짧은 변경 목록을 요청하거나, 바로 사용할 경우 수정 메시지만 요청할 수 있습니다. 분류 작업은 표시 이름만으로 규칙을 정의하려 하지 말고 허용된 표시와 그 사이의 차이를 제공해야 합니다.
코드와 예시 생성
문서화된 출력에는 코드도 포함됩니다. 함수를 요청하기 전에 언어, 필요한 입력, 예상 결과를 제공하세요. 설명을 원하면 기존 함수와 구체적인 입력을 제공하고 반환값을 결정하는 단계를 물어보세요. 수정에는 관찰된 실패와 의도한 동작을 포함하고 호환성을 유지해야 할 인터페이스를 보존하세요.
유용한 출력은 제안 코드, 가정, 예시 입력을 구분할 수 있습니다. 실제 컴파일, 실행 또는 저장소 변경은 애플리케이션이나 개발자가 수행합니다. 작성된 소스 코드는 점검할 결과물이며 모델이 반환했다는 이유만으로 완료된 외부 작업이 되지는 않습니다.
이 계열은 생성 출력을 합성 예시와 증류에 사용하는 방식도 지원합니다. 명확한 텍스트 요청으로 제공한 규칙과 지정 형식에 따라 변형 예시를 생성할 수 있습니다. 각 예시를 점검할 수 있도록 규칙과 표시를 보존하세요. 생성 예시만으로 학습 데이터셋의 정확성을 독립적으로 확인할 수는 없습니다.
대화 역할과 도구 사용
모델 카드는 별도의 시스템 및 사용자 메시지를 사용하는 채팅 템플릿을 보여 줍니다. 시스템 컨텍스트에서 어시스턴트의 역할과 응답 요구 사항을 정의한 뒤, 질문과 원천 자료를 작업으로 제공하세요. 후속 질문을 하거나 결과를 바꾸는 새 근거를 제공할 때는 관련 이전 메시지를 유지하세요.
Llama 3.1은 여러 도구 사용 형식을 문서화합니다. 애플리케이션이 함수를 설명하면 모델이 제안 호출과 인수를 생성하고, 애플리케이션이 실행한 뒤 tool 역할로 결과를 반환합니다. 다음 답변은 반환된 정보를 사용할 수 있습니다. 대화에서 최초 작업과 결과의 연결을 유지하세요.
예를 들어 조회는 구절에 빠진 현재 참고값을 반환하고, 계산 도구는 설명에 필요한 수치 결과를 제공할 수 있습니다. 도구 사용 어시스턴트에는 환경이 이러한 작업을 제공해야 합니다. 모델의 텍스트 동작 자체가 외부 출처 연결을 만들거나 부수 효과를 완료하지는 않습니다.
실용적 경계
제조사의 128k 컨텍스트 표시는 정확한 8B Instruct 릴리스 및 적용 구성과 함께 유지해야 합니다. 256토큰 생성 예시는 사용 설정일 뿐이며, 검토한 출처에는 별도의 엄격한 최대 답변 용량이 명시되어 있지 않습니다. 8B 크기에 다른 구성원의 매개변수 수나 별도 계열의 이름이 지정된 추론 제어를 적용해서는 안 됩니다.
이 모델은 텍스트 전용입니다. 시각 입력, 오디오 이해, 음성 생성에는 별도로 지정한 구성 요소가 필요합니다. 자료를 제공하기 전에 간결한 답변, 추출 레코드, 수정 구절, 설명 또는 코드 제안 등 최종 결과물을 정의하세요. 결과물의 의미와 형식을 점검하는 데 필요한 원천 정보를 보존하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 meta-llama/llama-3.1-8b-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 $0.00044 / 1K 토큰 출력 · 출력 토큰 $0.00044 / 1K 토큰 입력 · 캐시 읽기 $0.00044 / 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 $0.00044 / 1K 토큰 출력 · 출력 토큰 $0.00044 / 1K 토큰 입력 · 캐시 읽기 $0.00044 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "meta-llama/llama-3.1-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-8b-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-3.1-8b-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-3.1-8b-instruct
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Translate a delivery notice into German\n\nTranslate this customer notice into German: 'Order BN-42 will leave our warehouse on Thursday. Delivery normally takes three business days. We will send tracking details after dispatch.' Preserve BN-42, distinguish dispatch from delivery and use a polite professional tone. Return only the translation; do not turn the normal transit time into a guaranteed arrival date.One German customer notice preserving the identifier, event sequence and qualified transit time.The translation distinguishes warehouse dispatch from delivery and retains the word's sense of a normal estimate.