Llama 3.3 70B Instruct는 Meta의 지시 튜닝 언어 모델로, 매개변수는 700억 개입니다. 텍스트를 입력받아 텍스트 또는 코드를 반환합니다. Meta는 다국어 어시스턴트 대화를 위해 이 버전을 설계했으며 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 지시에 응답하는 방식을 형성합니다.
제조사는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 지원 언어로 명시합니다. 최종 답변의 언어를 지정하고 일관되게 유지할 용어를 제공하세요. 제품 어시스턴트는 해당 언어 중 하나로 대화를 받아 고객 요청을 식별하고 제공한 정책 자료를 바탕으로 답변 초안을 작성할 수 있습니다.
현지화 작업에는 원문 구절, 대상 독자, 용어집을 제공하세요. 재작성한 구절에 이어 의미나 어조를 바꾸는 선택의 짧은 목록을 요청하세요. 제품 이름, 식별자, 수량을 명시적으로 보존하세요. 그러면 검토자가 중요한 세부 사항을 잃지 않고 원문과 비교할 수 있는 자료가 됩니다.
Meta는 모델의 컨텍스트 윈도를 128K로 명시합니다. 관련 원문 구절, 이전 결정, 현재 질문에 이 공간을 사용하세요. 비교를 요청하기 전에 각 문서나 발췌문에 표시를 붙이세요. 문서 기반 대화에서는 발췌문 ID가 뒷받침하는 답변과 함께 제공 자료로 해결되지 않는 요점의 목록을 따로 요청할 수 있습니다.
긴 대화에서는 다음 응답에 영향을 주는 결정을 유지하고 반복되는 배경 정보는 제거하세요. 비교표, 수정 구절, 요구 사항 목록, 지정한 코드 조각의 설명 등 특정 결과물을 요청하세요. 구체적인 출력 형태는 검토할 명확한 대상을 제공합니다.
모델의 문서화된 출력에는 코드가 포함됩니다. 코딩 프롬프트는 인터페이스, 예시 입력, 예상 출력을 제공한 뒤 지정한 경계 사례의 테스트와 함께 구현을 요청할 수 있습니다. 통합하기 전에 대상 프로젝트에서 구현을 실행하고 점검하세요.
Meta는 이 지시 튜닝 버전의 도구 호출 형식도 보여 줍니다. 이러한 워크플로에서 주변 애플리케이션은 함수를 노출하고 요청 호출을 실행한 뒤 결과를 대화에 반환합니다. 최종 응답이 실제 근거를 사용할 수 있도록 결과를 관련 요청과 연결해 유지하세요. 이 형식은 제조사의 통합 동작을 설명하며 함수 자체는 애플리케이션에 속합니다.
Llama 3.3은 오프라인 데이터셋으로 학습한 정적 모델입니다. 답변이 현재 수치, 정책 또는 기록에 의존하면 이를 제공하세요. 텍스트 전용 입력을 사용하는 이 버전에는 읽기 쉬운 발췌문이 적절한 근거입니다.
", "aboutText": "Llama 3.3 70B Instruct는 Meta의 지시 튜닝 언어 모델로, 매개변수는 700억 개입니다. 텍스트를 입력받아 텍스트 또는 코드를 반환합니다. Meta는 다국어 어시스턴트 대화를 위해 이 버전을 설계했으며 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 지시에 응답하는 방식을 형성합니다.\n\n### 다국어 대화 구성\n\n제조사는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 지원 언어로 명시합니다. 최종 답변의 언어를 지정하고 일관되게 유지할 용어를 제공하세요. 제품 어시스턴트는 해당 언어 중 하나로 대화를 받아 고객 요청을 식별하고 제공한 정책 자료를 바탕으로 답변 초안을 작성할 수 있습니다.\n\n현지화 작업에는 원문 구절, 대상 독자, 용어집을 제공하세요. 재작성한 구절에 이어 의미나 어조를 바꾸는 선택의 짧은 목록을 요청하세요. 제품 이름, 식별자, 수량을 명시적으로 보존하세요. 그러면 검토자가 중요한 세부 사항을 잃지 않고 원문과 비교할 수 있는 자료가 됩니다.\n\n### 텍스트 모음으로 작업\n\nMeta는 모델의 컨텍스트 윈도를 128K로 명시합니다. 관련 원문 구절, 이전 결정, 현재 질문에 이 공간을 사용하세요. 비교를 요청하기 전에 각 문서나 발췌문에 표시를 붙이세요. 문서 기반 대화에서는 발췌문 ID가 뒷받침하는 답변과 함께 제공 자료로 해결되지 않는 요점의 목록을 따로 요청할 수 있습니다.\n\n긴 대화에서는 다음 응답에 영향을 주는 결정을 유지하고 반복되는 배경 정보는 제거하세요. 비교표, 수정 구절, 요구 사항 목록, 지정한 코드 조각의 설명 등 특정 결과물을 요청하세요. 구체적인 출력 형태는 검토할 명확한 대상을 제공합니다.\n\n### 코드와 애플리케이션 도구\n\n모델의 문서화된 출력에는 코드가 포함됩니다. 코딩 프롬프트는 인터페이스, 예시 입력, 예상 출력을 제공한 뒤 지정한 경계 사례의 테스트와 함께 구현을 요청할 수 있습니다. 통합하기 전에 대상 프로젝트에서 구현을 실행하고 점검하세요.\n\nMeta는 이 지시 튜닝 버전의 도구 호출 형식도 보여 줍니다. 이러한 워크플로에서 주변 애플리케이션은 함수를 노출하고 요청 호출을 실행한 뒤 결과를 대화에 반환합니다. 최종 응답이 실제 근거를 사용할 수 있도록 결과를 관련 요청과 연결해 유지하세요. 이 형식은 제조사의 통합 동작을 설명하며 함수 자체는 애플리케이션에 속합니다.\n\nLlama 3.3은 오프라인 데이터셋으로 학습한 정적 모델입니다. 답변이 현재 수치, 정책 또는 기록에 의존하면 이를 제공하세요. 텍스트 전용 입력을 사용하는 이 버전에는 읽기 쉬운 발췌문이 적절한 근거입니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.meta-llama/llama-3.3-70b-instructLlama 3.3 70B Instruct는 어시스턴트 대화를 위한 Meta의 다국어 텍스트 모델입니다. 텍스트와 코드를 생성하며, 제조사가 명시한 128K 컨텍스트와 8개 지원 언어를 갖추어 문서 기반 대화, 재작성, 출처에 근거한 설명에 적합합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.3 70B Instruct는 Meta의 지시 튜닝 언어 모델로, 매개변수는 700억 개입니다. 텍스트를 입력받아 텍스트 또는 코드를 반환합니다. Meta는 다국어 어시스턴트 대화를 위해 이 버전을 설계했으며 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 지시에 응답하는 방식을 형성합니다.
제조사는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 지원 언어로 명시합니다. 최종 답변의 언어를 지정하고 일관되게 유지할 용어를 제공하세요. 제품 어시스턴트는 해당 언어 중 하나로 대화를 받아 고객 요청을 식별하고 제공한 정책 자료를 바탕으로 답변 초안을 작성할 수 있습니다.
현지화 작업에는 원문 구절, 대상 독자, 용어집을 제공하세요. 재작성한 구절에 이어 의미나 어조를 바꾸는 선택의 짧은 목록을 요청하세요. 제품 이름, 식별자, 수량을 명시적으로 보존하세요. 그러면 검토자가 중요한 세부 사항을 잃지 않고 원문과 비교할 수 있는 자료가 됩니다.
Meta는 모델의 컨텍스트 윈도를 128K로 명시합니다. 관련 원문 구절, 이전 결정, 현재 질문에 이 공간을 사용하세요. 비교를 요청하기 전에 각 문서나 발췌문에 표시를 붙이세요. 문서 기반 대화에서는 발췌문 ID가 뒷받침하는 답변과 함께 제공 자료로 해결되지 않는 요점의 목록을 따로 요청할 수 있습니다.
긴 대화에서는 다음 응답에 영향을 주는 결정을 유지하고 반복되는 배경 정보는 제거하세요. 비교표, 수정 구절, 요구 사항 목록, 지정한 코드 조각의 설명 등 특정 결과물을 요청하세요. 구체적인 출력 형태는 검토할 명확한 대상을 제공합니다.
모델의 문서화된 출력에는 코드가 포함됩니다. 코딩 프롬프트는 인터페이스, 예시 입력, 예상 출력을 제공한 뒤 지정한 경계 사례의 테스트와 함께 구현을 요청할 수 있습니다. 통합하기 전에 대상 프로젝트에서 구현을 실행하고 점검하세요.
Meta는 이 지시 튜닝 버전의 도구 호출 형식도 보여 줍니다. 이러한 워크플로에서 주변 애플리케이션은 함수를 노출하고 요청 호출을 실행한 뒤 결과를 대화에 반환합니다. 최종 응답이 실제 근거를 사용할 수 있도록 결과를 관련 요청과 연결해 유지하세요. 이 형식은 제조사의 통합 동작을 설명하며 함수 자체는 애플리케이션에 속합니다.
Llama 3.3은 오프라인 데이터셋으로 학습한 정적 모델입니다. 답변이 현재 수치, 정책 또는 기록에 의존하면 이를 제공하세요. 텍스트 전용 입력을 사용하는 이 버전에는 읽기 쉬운 발췌문이 적절한 근거입니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 meta-llama/llama-3.3-70b-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 $0.0018 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00059 / 1K 토큰 입력 · 캐시 쓰기 $0 / 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 $0.0018 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00059 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${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-3.3-70b-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-3.3-70b-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-3.3-70b-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-3.3-70b-instruct
위에 표시된 메서드 경로를 사용하세요.
meta-llama/llama-3.3-70b-instructLlama 3.3 70B Instruct는 어시스턴트 대화를 위한 Meta의 다국어 텍스트 모델입니다. 텍스트와 코드를 생성하며, 제조사가 명시한 128K 컨텍스트와 8개 지원 언어를 갖추어 문서 기반 대화, 재작성, 출처에 근거한 설명에 적합합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.3 70B Instruct는 Meta의 지시 튜닝 언어 모델로, 매개변수는 700억 개입니다. 텍스트를 입력받아 텍스트 또는 코드를 반환합니다. Meta는 다국어 어시스턴트 대화를 위해 이 버전을 설계했으며 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 지시에 응답하는 방식을 형성합니다.
제조사는 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 지원 언어로 명시합니다. 최종 답변의 언어를 지정하고 일관되게 유지할 용어를 제공하세요. 제품 어시스턴트는 해당 언어 중 하나로 대화를 받아 고객 요청을 식별하고 제공한 정책 자료를 바탕으로 답변 초안을 작성할 수 있습니다.
현지화 작업에는 원문 구절, 대상 독자, 용어집을 제공하세요. 재작성한 구절에 이어 의미나 어조를 바꾸는 선택의 짧은 목록을 요청하세요. 제품 이름, 식별자, 수량을 명시적으로 보존하세요. 그러면 검토자가 중요한 세부 사항을 잃지 않고 원문과 비교할 수 있는 자료가 됩니다.
Meta는 모델의 컨텍스트 윈도를 128K로 명시합니다. 관련 원문 구절, 이전 결정, 현재 질문에 이 공간을 사용하세요. 비교를 요청하기 전에 각 문서나 발췌문에 표시를 붙이세요. 문서 기반 대화에서는 발췌문 ID가 뒷받침하는 답변과 함께 제공 자료로 해결되지 않는 요점의 목록을 따로 요청할 수 있습니다.
긴 대화에서는 다음 응답에 영향을 주는 결정을 유지하고 반복되는 배경 정보는 제거하세요. 비교표, 수정 구절, 요구 사항 목록, 지정한 코드 조각의 설명 등 특정 결과물을 요청하세요. 구체적인 출력 형태는 검토할 명확한 대상을 제공합니다.
모델의 문서화된 출력에는 코드가 포함됩니다. 코딩 프롬프트는 인터페이스, 예시 입력, 예상 출력을 제공한 뒤 지정한 경계 사례의 테스트와 함께 구현을 요청할 수 있습니다. 통합하기 전에 대상 프로젝트에서 구현을 실행하고 점검하세요.
Meta는 이 지시 튜닝 버전의 도구 호출 형식도 보여 줍니다. 이러한 워크플로에서 주변 애플리케이션은 함수를 노출하고 요청 호출을 실행한 뒤 결과를 대화에 반환합니다. 최종 응답이 실제 근거를 사용할 수 있도록 결과를 관련 요청과 연결해 유지하세요. 이 형식은 제조사의 통합 동작을 설명하며 함수 자체는 애플리케이션에 속합니다.
Llama 3.3은 오프라인 데이터셋으로 학습한 정적 모델입니다. 답변이 현재 수치, 정책 또는 기록에 의존하면 이를 제공하세요. 텍스트 전용 입력을 사용하는 이 버전에는 읽기 쉬운 발췌문이 적절한 근거입니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 meta-llama/llama-3.3-70b-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 $0.0018 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00059 / 1K 토큰 입력 · 캐시 쓰기 $0 / 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 $0.0018 / 1K 토큰 출력 · 출력 토큰 $0.0018 / 1K 토큰 입력 · 캐시 읽기 $0.00059 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "meta-llama/llama-3.3-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.3-70b-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-3.3-70b-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-3.3-70b-instruct
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.