Amazon Nova Premier ialah model pemahaman paling berkeupayaan dalam keluarga Nova generasi pertama Amazon, direka untuk kerja kompleks yang memerlukan pemahaman mendalam, konteks dan perancangan beberapa langkah. Ia memproses teks, imej dan video serta menghasilkan teks. Peranannya merangkumi penaakulan laporan panjang, perbandingan bukti merentas dokumen, pemahaman carta dan bahan visual, serta penyelarasan tugasan ejen. Premier berasingan daripada model Micro, Lite dan Pro yang lebih ringan, serta model Nova yang menjana imej, video atau pertuturan perbualan.
Profil model pengeluar yang tepat menyenaraikan tetingkap konteks 1 juta token dan output maksimum 25K token. Tarikh akhir pengetahuan yang didokumenkan ialah Oktober 2024. Ini menjadikan Premier berguna apabila tugasan memerlukan banyak bahan rujukan bersama arahan dan perbualan. Susun bahan itu dengan nama dokumen, penanda bahagian dan soalan khusus, bukannya meminta analisis tanpa arah terhadap segala-galanya. Hasil yang berguna boleh berupa matriks perbandingan, laporan berasaskan bukti atau cadangan urutan tindakan. Bajet konteks meliputi bahan yang digunakan model; ia tidak menjanjikan setiap butiran muncul dalam jawapan akhir.
Aliran kerja multimodal Premier yang didokumenkan mengendalikan imej PNG, JPG/JPEG, GIF dan WebP serta bekas video lazim seperti MP4, MOV, MKV dan WebM. Aliran kerja dokumen merangkumi PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Fail berorientasikan teks membekalkan teks; PDF dan DOCX boleh membekalkan teks halaman bersama maklumat visual. Untuk laporan bercarta, pastikan label boleh dibaca dan minta model menerangkan pemerhatian berkaitan sebelum mentafsirkannya. Jika hanya prosa diperlukan, membekalkan teks diekstrak mengelakkan pengekstrakan visual menjadi prasyarat pemahaman dokumen. Media terbenam berkongsi bajet muatan 25 MB, termasuk overhed base64. Permintaan mengandungi satu video, terhad kepada 1 GB melalui S3; gabungan media S3 boleh berjumlah 2 GB. Input PDF dan DOCX kekal terhad kepada lima dokumen, dengan peruntukan gabungan 25 MB untuk muat naik langsung atau 2 GB melalui S3.
Pemahaman video berasaskan bingkai visual yang disampel. Panduan generasi pertama secara khusus memberikan Premier kadar pensampelan satu bingkai sesaat sehingga 3,200 bingkai, peruntukan berbeza daripada strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan serta soalan tentang peristiwa mengikut masa, manakala tindakan singkat antara bingkai sampel mungkin tidak diperhatikan. Berikan klip atau julat masa berkaitan dan kenal pasti butiran untuk dijejaki. Untuk urutan panjang, analisis bersegmen diikuti ringkasan teks boleh mengekalkan fokus, walaupun pemisahan boleh kehilangan konteks merentas sempadan segmen. Modaliti model yang didokumenkan tidak termasuk input audio, maka maklumat pertuturan perlu dibekalkan sebagai teks.
Premier menyokong penstriman respons, aliran kerja berorientasikan alat dan diperkaya perolehan semula, serta cache prompt dalam profil penyajian Amazon yang didokumenkan. Cache eksplisit memerlukan sekurang-kurangnya 1K token bagi setiap titik semak dan membenarkan sehingga empat titik semak dengan tempoh simpanan lima minit. Pengeluar mengehadkan cache prompt kepada 20K token, terutamanya untuk prompt teks; peruntukan cache itu berasingan daripada tetingkap konteks penuh. Berikan ejen tugasan, alat yang dibenarkan dan huraian argumennya, kemudian biarkan aplikasi melaksanakan tindakan yang diminta dan memulangkan pemerhatian sebelum langkah model seterusnya. Peranan penaakulannya tidak bermakna ia boleh menjalankan sistem luaran tanpa lapisan pelaksanaan tersebut. Panduan generasi pertama menyokong penjelasan penyelesaian secara berperingkat melalui prompt; kawalan pemikiran lanjutan low, medium dan high Nova 2 Lite yang berasingan bukan sebahagian daripada antara muka edisi ini yang didokumenkan. Untuk laporan atau hasil alat, minta medan jelas dan contoh struktur yang dikehendaki; bentuk JSON yang diminta berbeza daripada output berstruktur yang dikuatkuasakan.
Peranan khas Premier ialah mengajar model Nova lebih kecil melalui penyulingan. Amazon menerangkan penggunaan respons Premier sebagai contoh latihan untuk varian Nova Micro, Lite dan Pro khusus, kemudian membandingkan tingkah laku model lebih kecil pada tugasan sasaran. Itu aliran kerja penyesuaian model, bukannya perubahan identiti respons Premier biasa. Dalam penggunaan biasa, bekalkan fakta berwibawa dan minta jawapan memisahkan pemerhatian, andaian serta bukti yang tiada. Nova boleh menjana dakwaan munasabah yang bercanggah dengan sumber, dan kod terjana tidak merangkumi pengimbasan keselamatan automatik, maka artifak berguna perlu membawa bukti serta butiran mencukupi untuk disemak dengan inputnya. Pengeluar turut menyatakan model ini tidak mengenal pasti atau menamakan orang dalam imej, dokumen atau video.
", "aboutText": "Amazon Nova Premier ialah model pemahaman paling berkeupayaan dalam keluarga Nova generasi pertama Amazon, direka untuk kerja kompleks yang memerlukan pemahaman mendalam, konteks dan perancangan beberapa langkah. Ia memproses teks, imej dan video serta menghasilkan teks. Peranannya merangkumi penaakulan laporan panjang, perbandingan bukti merentas dokumen, pemahaman carta dan bahan visual, serta penyelarasan tugasan ejen. Premier berasingan daripada model Micro, Lite dan Pro yang lebih ringan, serta model Nova yang menjana imej, video atau pertuturan perbualan.\n\nProfil model pengeluar yang tepat menyenaraikan tetingkap konteks 1 juta token dan output maksimum 25K token. Tarikh akhir pengetahuan yang didokumenkan ialah Oktober 2024. Ini menjadikan Premier berguna apabila tugasan memerlukan banyak bahan rujukan bersama arahan dan perbualan. Susun bahan itu dengan nama dokumen, penanda bahagian dan soalan khusus, bukannya meminta analisis tanpa arah terhadap segala-galanya. Hasil yang berguna boleh berupa matriks perbandingan, laporan berasaskan bukti atau cadangan urutan tindakan. Bajet konteks meliputi bahan yang digunakan model; ia tidak menjanjikan setiap butiran muncul dalam jawapan akhir.\n\nAliran kerja multimodal Premier yang didokumenkan mengendalikan imej PNG, JPG/JPEG, GIF dan WebP serta bekas video lazim seperti MP4, MOV, MKV dan WebM. Aliran kerja dokumen merangkumi PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Fail berorientasikan teks membekalkan teks; PDF dan DOCX boleh membekalkan teks halaman bersama maklumat visual. Untuk laporan bercarta, pastikan label boleh dibaca dan minta model menerangkan pemerhatian berkaitan sebelum mentafsirkannya. Jika hanya prosa diperlukan, membekalkan teks diekstrak mengelakkan pengekstrakan visual menjadi prasyarat pemahaman dokumen. Media terbenam berkongsi bajet muatan 25 MB, termasuk overhed base64. Permintaan mengandungi satu video, terhad kepada 1 GB melalui S3; gabungan media S3 boleh berjumlah 2 GB. Input PDF dan DOCX kekal terhad kepada lima dokumen, dengan peruntukan gabungan 25 MB untuk muat naik langsung atau 2 GB melalui S3.\n\nPemahaman video berasaskan bingkai visual yang disampel. Panduan generasi pertama secara khusus memberikan Premier kadar pensampelan satu bingkai sesaat sehingga 3,200 bingkai, peruntukan berbeza daripada strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan serta soalan tentang peristiwa mengikut masa, manakala tindakan singkat antara bingkai sampel mungkin tidak diperhatikan. Berikan klip atau julat masa berkaitan dan kenal pasti butiran untuk dijejaki. Untuk urutan panjang, analisis bersegmen diikuti ringkasan teks boleh mengekalkan fokus, walaupun pemisahan boleh kehilangan konteks merentas sempadan segmen. Modaliti model yang didokumenkan tidak termasuk input audio, maka maklumat pertuturan perlu dibekalkan sebagai teks.\n\nPremier menyokong penstriman respons, aliran kerja berorientasikan alat dan diperkaya perolehan semula, serta cache prompt dalam profil penyajian Amazon yang didokumenkan. Cache eksplisit memerlukan sekurang-kurangnya 1K token bagi setiap titik semak dan membenarkan sehingga empat titik semak dengan tempoh simpanan lima minit. Pengeluar mengehadkan cache prompt kepada 20K token, terutamanya untuk prompt teks; peruntukan cache itu berasingan daripada tetingkap konteks penuh. Berikan ejen tugasan, alat yang dibenarkan dan huraian argumennya, kemudian biarkan aplikasi melaksanakan tindakan yang diminta dan memulangkan pemerhatian sebelum langkah model seterusnya. Peranan penaakulannya tidak bermakna ia boleh menjalankan sistem luaran tanpa lapisan pelaksanaan tersebut. Panduan generasi pertama menyokong penjelasan penyelesaian secara berperingkat melalui prompt; kawalan pemikiran lanjutan low, medium dan high Nova 2 Lite yang berasingan bukan sebahagian daripada antara muka edisi ini yang didokumenkan. Untuk laporan atau hasil alat, minta medan jelas dan contoh struktur yang dikehendaki; bentuk JSON yang diminta berbeza daripada output berstruktur yang dikuatkuasakan.\n\nPeranan khas Premier ialah mengajar model Nova lebih kecil melalui penyulingan. Amazon menerangkan penggunaan respons Premier sebagai contoh latihan untuk varian Nova Micro, Lite dan Pro khusus, kemudian membandingkan tingkah laku model lebih kecil pada tugasan sasaran. Itu aliran kerja penyesuaian model, bukannya perubahan identiti respons Premier biasa. Dalam penggunaan biasa, bekalkan fakta berwibawa dan minta jawapan memisahkan pemerhatian, andaian serta bukti yang tiada. Nova boleh menjana dakwaan munasabah yang bercanggah dengan sumber, dan kod terjana tidak merangkumi pengimbasan keselamatan automatik, maka artifak berguna perlu membawa bukti serta butiran mencukupi untuk disemak dengan inputnya. Pengeluar turut menyatakan model ini tidak mengenal pasti atau menamakan orang dalam imej, dokumen atau video.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier ialah model Nova generasi pertama untuk penaakulan multimodal kompleks, analisis dokumen panjang dan ejen. Ia menerima teks, imej dan video, memulangkan teks, serta menjadi model guru untuk menyuling model Nova khusus.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Amazon Nova Premier ialah model pemahaman paling berkeupayaan dalam keluarga Nova generasi pertama Amazon, direka untuk kerja kompleks yang memerlukan pemahaman mendalam, konteks dan perancangan beberapa langkah. Ia memproses teks, imej dan video serta menghasilkan teks. Peranannya merangkumi penaakulan laporan panjang, perbandingan bukti merentas dokumen, pemahaman carta dan bahan visual, serta penyelarasan tugasan ejen. Premier berasingan daripada model Micro, Lite dan Pro yang lebih ringan, serta model Nova yang menjana imej, video atau pertuturan perbualan.
Profil model pengeluar yang tepat menyenaraikan tetingkap konteks 1 juta token dan output maksimum 25K token. Tarikh akhir pengetahuan yang didokumenkan ialah Oktober 2024. Ini menjadikan Premier berguna apabila tugasan memerlukan banyak bahan rujukan bersama arahan dan perbualan. Susun bahan itu dengan nama dokumen, penanda bahagian dan soalan khusus, bukannya meminta analisis tanpa arah terhadap segala-galanya. Hasil yang berguna boleh berupa matriks perbandingan, laporan berasaskan bukti atau cadangan urutan tindakan. Bajet konteks meliputi bahan yang digunakan model; ia tidak menjanjikan setiap butiran muncul dalam jawapan akhir.
Aliran kerja multimodal Premier yang didokumenkan mengendalikan imej PNG, JPG/JPEG, GIF dan WebP serta bekas video lazim seperti MP4, MOV, MKV dan WebM. Aliran kerja dokumen merangkumi PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Fail berorientasikan teks membekalkan teks; PDF dan DOCX boleh membekalkan teks halaman bersama maklumat visual. Untuk laporan bercarta, pastikan label boleh dibaca dan minta model menerangkan pemerhatian berkaitan sebelum mentafsirkannya. Jika hanya prosa diperlukan, membekalkan teks diekstrak mengelakkan pengekstrakan visual menjadi prasyarat pemahaman dokumen. Media terbenam berkongsi bajet muatan 25 MB, termasuk overhed base64. Permintaan mengandungi satu video, terhad kepada 1 GB melalui S3; gabungan media S3 boleh berjumlah 2 GB. Input PDF dan DOCX kekal terhad kepada lima dokumen, dengan peruntukan gabungan 25 MB untuk muat naik langsung atau 2 GB melalui S3.
Pemahaman video berasaskan bingkai visual yang disampel. Panduan generasi pertama secara khusus memberikan Premier kadar pensampelan satu bingkai sesaat sehingga 3,200 bingkai, peruntukan berbeza daripada strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan serta soalan tentang peristiwa mengikut masa, manakala tindakan singkat antara bingkai sampel mungkin tidak diperhatikan. Berikan klip atau julat masa berkaitan dan kenal pasti butiran untuk dijejaki. Untuk urutan panjang, analisis bersegmen diikuti ringkasan teks boleh mengekalkan fokus, walaupun pemisahan boleh kehilangan konteks merentas sempadan segmen. Modaliti model yang didokumenkan tidak termasuk input audio, maka maklumat pertuturan perlu dibekalkan sebagai teks.
Premier menyokong penstriman respons, aliran kerja berorientasikan alat dan diperkaya perolehan semula, serta cache prompt dalam profil penyajian Amazon yang didokumenkan. Cache eksplisit memerlukan sekurang-kurangnya 1K token bagi setiap titik semak dan membenarkan sehingga empat titik semak dengan tempoh simpanan lima minit. Pengeluar mengehadkan cache prompt kepada 20K token, terutamanya untuk prompt teks; peruntukan cache itu berasingan daripada tetingkap konteks penuh. Berikan ejen tugasan, alat yang dibenarkan dan huraian argumennya, kemudian biarkan aplikasi melaksanakan tindakan yang diminta dan memulangkan pemerhatian sebelum langkah model seterusnya. Peranan penaakulannya tidak bermakna ia boleh menjalankan sistem luaran tanpa lapisan pelaksanaan tersebut. Panduan generasi pertama menyokong penjelasan penyelesaian secara berperingkat melalui prompt; kawalan pemikiran lanjutan low, medium dan high Nova 2 Lite yang berasingan bukan sebahagian daripada antara muka edisi ini yang didokumenkan. Untuk laporan atau hasil alat, minta medan jelas dan contoh struktur yang dikehendaki; bentuk JSON yang diminta berbeza daripada output berstruktur yang dikuatkuasakan.
Peranan khas Premier ialah mengajar model Nova lebih kecil melalui penyulingan. Amazon menerangkan penggunaan respons Premier sebagai contoh latihan untuk varian Nova Micro, Lite dan Pro khusus, kemudian membandingkan tingkah laku model lebih kecil pada tugasan sasaran. Itu aliran kerja penyesuaian model, bukannya perubahan identiti respons Premier biasa. Dalam penggunaan biasa, bekalkan fakta berwibawa dan minta jawapan memisahkan pemerhatian, andaian serta bukti yang tiada. Nova boleh menjana dakwaan munasabah yang bercanggah dengan sumber, dan kod terjana tidak merangkumi pengimbasan keselamatan automatik, maka artifak berguna perlu membawa bukti serta butiran mencukupi untuk disemak dengan inputnya. Pengeluar turut menyatakan model ini tidak mengenal pasti atau menamakan orang dalam imej, dokumen atau video.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had amazon/nova-premier-v1 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.025 / 1K token Input · Bacaan cache $0.00125 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.025 / 1K token Input · Bacaan cache $0.00125 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra amazon/nova-premier-v1
Gunakan laluan kaedah yang dipaparkan di atas.
amazon/nova-premier-v1Amazon Nova Premier ialah model Nova generasi pertama untuk penaakulan multimodal kompleks, analisis dokumen panjang dan ejen. Ia menerima teks, imej dan video, memulangkan teks, serta menjadi model guru untuk menyuling model Nova khusus.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Amazon Nova Premier ialah model pemahaman paling berkeupayaan dalam keluarga Nova generasi pertama Amazon, direka untuk kerja kompleks yang memerlukan pemahaman mendalam, konteks dan perancangan beberapa langkah. Ia memproses teks, imej dan video serta menghasilkan teks. Peranannya merangkumi penaakulan laporan panjang, perbandingan bukti merentas dokumen, pemahaman carta dan bahan visual, serta penyelarasan tugasan ejen. Premier berasingan daripada model Micro, Lite dan Pro yang lebih ringan, serta model Nova yang menjana imej, video atau pertuturan perbualan.
Profil model pengeluar yang tepat menyenaraikan tetingkap konteks 1 juta token dan output maksimum 25K token. Tarikh akhir pengetahuan yang didokumenkan ialah Oktober 2024. Ini menjadikan Premier berguna apabila tugasan memerlukan banyak bahan rujukan bersama arahan dan perbualan. Susun bahan itu dengan nama dokumen, penanda bahagian dan soalan khusus, bukannya meminta analisis tanpa arah terhadap segala-galanya. Hasil yang berguna boleh berupa matriks perbandingan, laporan berasaskan bukti atau cadangan urutan tindakan. Bajet konteks meliputi bahan yang digunakan model; ia tidak menjanjikan setiap butiran muncul dalam jawapan akhir.
Aliran kerja multimodal Premier yang didokumenkan mengendalikan imej PNG, JPG/JPEG, GIF dan WebP serta bekas video lazim seperti MP4, MOV, MKV dan WebM. Aliran kerja dokumen merangkumi PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT dan Markdown. Fail berorientasikan teks membekalkan teks; PDF dan DOCX boleh membekalkan teks halaman bersama maklumat visual. Untuk laporan bercarta, pastikan label boleh dibaca dan minta model menerangkan pemerhatian berkaitan sebelum mentafsirkannya. Jika hanya prosa diperlukan, membekalkan teks diekstrak mengelakkan pengekstrakan visual menjadi prasyarat pemahaman dokumen. Media terbenam berkongsi bajet muatan 25 MB, termasuk overhed base64. Permintaan mengandungi satu video, terhad kepada 1 GB melalui S3; gabungan media S3 boleh berjumlah 2 GB. Input PDF dan DOCX kekal terhad kepada lima dokumen, dengan peruntukan gabungan 25 MB untuk muat naik langsung atau 2 GB melalui S3.
Pemahaman video berasaskan bingkai visual yang disampel. Panduan generasi pertama secara khusus memberikan Premier kadar pensampelan satu bingkai sesaat sehingga 3,200 bingkai, peruntukan berbeza daripada strategi 960 bingkai Nova Lite dan Pro. Ini berguna untuk ringkasan adegan serta soalan tentang peristiwa mengikut masa, manakala tindakan singkat antara bingkai sampel mungkin tidak diperhatikan. Berikan klip atau julat masa berkaitan dan kenal pasti butiran untuk dijejaki. Untuk urutan panjang, analisis bersegmen diikuti ringkasan teks boleh mengekalkan fokus, walaupun pemisahan boleh kehilangan konteks merentas sempadan segmen. Modaliti model yang didokumenkan tidak termasuk input audio, maka maklumat pertuturan perlu dibekalkan sebagai teks.
Premier menyokong penstriman respons, aliran kerja berorientasikan alat dan diperkaya perolehan semula, serta cache prompt dalam profil penyajian Amazon yang didokumenkan. Cache eksplisit memerlukan sekurang-kurangnya 1K token bagi setiap titik semak dan membenarkan sehingga empat titik semak dengan tempoh simpanan lima minit. Pengeluar mengehadkan cache prompt kepada 20K token, terutamanya untuk prompt teks; peruntukan cache itu berasingan daripada tetingkap konteks penuh. Berikan ejen tugasan, alat yang dibenarkan dan huraian argumennya, kemudian biarkan aplikasi melaksanakan tindakan yang diminta dan memulangkan pemerhatian sebelum langkah model seterusnya. Peranan penaakulannya tidak bermakna ia boleh menjalankan sistem luaran tanpa lapisan pelaksanaan tersebut. Panduan generasi pertama menyokong penjelasan penyelesaian secara berperingkat melalui prompt; kawalan pemikiran lanjutan low, medium dan high Nova 2 Lite yang berasingan bukan sebahagian daripada antara muka edisi ini yang didokumenkan. Untuk laporan atau hasil alat, minta medan jelas dan contoh struktur yang dikehendaki; bentuk JSON yang diminta berbeza daripada output berstruktur yang dikuatkuasakan.
Peranan khas Premier ialah mengajar model Nova lebih kecil melalui penyulingan. Amazon menerangkan penggunaan respons Premier sebagai contoh latihan untuk varian Nova Micro, Lite dan Pro khusus, kemudian membandingkan tingkah laku model lebih kecil pada tugasan sasaran. Itu aliran kerja penyesuaian model, bukannya perubahan identiti respons Premier biasa. Dalam penggunaan biasa, bekalkan fakta berwibawa dan minta jawapan memisahkan pemerhatian, andaian serta bukti yang tiada. Nova boleh menjana dakwaan munasabah yang bercanggah dengan sumber, dan kod terjana tidak merangkumi pengimbasan keselamatan automatik, maka artifak berguna perlu membawa bukti serta butiran mencukupi untuk disemak dengan inputnya. Pengeluar turut menyatakan model ini tidak mengenal pasti atau menamakan orang dalam imej, dokumen atau video.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had amazon/nova-premier-v1 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.025 / 1K token Input · Bacaan cache $0.00125 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.005 / 1K token Output · Token output $0.025 / 1K token Input · Bacaan cache $0.00125 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra amazon/nova-premier-v1
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.