Magnum v4 72B ialah hasil penalaan halus Qwen2.5-72B-Instruct oleh Anthracite yang memfokuskan prosa. Pengeluar menerangkannya sebagai model eksperimen berasaskan instruct yang memulakan keluarga v4. Ia menggunakan prompt bertulis dan perbualan untuk menghasilkan teks, dengan perhatian khusus pada suara naratif dan interaksi watak. Edisi ini berbeza daripada saiz lain dalam siri Magnum v4.
Titik semak yang diterbitkan menggunakan seni bina model bahasa kausal dan konfigurasi 80 lapisan dengan 64 kepala perhatian query serta lapan kepala key/value. Bilangan kedudukan maksimum ialah 32,768, dan resipi latihan turut menggunakan panjang urutan 32,768. Ini konfigurasi keluaran Magnum sendiri; ia tidak mewarisi tetapan konteks lanjutan yang lebih besar hanya kerana model asas menyokongnya.
Contoh prompt natif Anthracite menggunakan ChatML dengan giliran system, user dan assistant berasingan. Bahagian system boleh memberikan huraian watak, personaliti dan senario, manakala giliran user membekalkan sumbangan seterusnya dalam pertukaran. Templat naratif pengeluar meminta pembantu mengekalkan persona sambil membenarkannya berkembang, memperkenalkan peristiwa dan watak sampingan, serta menyertakan dialog, tindakan dan fikiran apabila sesuai.
Templat sama menyerahkan watak serta pilihan pengguna kepada pengguna. Ia juga tidak menggalakkan output berulang dan prosa berhias berlebihan kecuali persona memerlukan gaya itu. Permintaan di luar watak menukar respons kepada teks biasa neutral. Ini pilihan prompt konkrit untuk tugasan penulisan interaktif, bukannya mod model automatik berasingan.
Untuk adegan watak, sediakan matlamat watak, latar, hubungannya dengan penutur lain dan pertukaran terakhir. Minta satu sambungan dengan titik berhenti jelas supaya pengguna mempunyai ruang untuk membalas. Untuk semakan prosa, berikan perenggan dan kenal pasti perubahan nada atau rentak, kemudian minta petikan yang disemak sambil mengekalkan peristiwa serta niat penutur. Susulan boleh memberikan keputusan watak baharu atau nota editorial tanpa menggantikan adegan yang telah ditetapkan.
Pengeluar menerbitkan resipi penalaan halus semua parameter dan campuran data perbualan serta penulisan. Gunakan output siap sebagai adegan, giliran dialog atau draf semakan, dan simpan rekod ringkas fakta cerita yang mesti dikekalkan oleh giliran seterusnya. Penekanan pencipta ialah prosa dan interaksi naratif; nama model asas sahaja tidak membuktikan ciri visual, kawalan penaakulan atau pelaksanaan alat tambahan untuk edisi yang ditala halus ini.
", "aboutText": "Magnum v4 72B ialah hasil penalaan halus Qwen2.5-72B-Instruct oleh Anthracite yang memfokuskan prosa. Pengeluar menerangkannya sebagai model eksperimen berasaskan instruct yang memulakan keluarga v4. Ia menggunakan prompt bertulis dan perbualan untuk menghasilkan teks, dengan perhatian khusus pada suara naratif dan interaksi watak. Edisi ini berbeza daripada saiz lain dalam siri Magnum v4.\n\nTitik semak yang diterbitkan menggunakan seni bina model bahasa kausal dan konfigurasi 80 lapisan dengan 64 kepala perhatian query serta lapan kepala key/value. Bilangan kedudukan maksimum ialah 32,768, dan resipi latihan turut menggunakan panjang urutan 32,768. Ini konfigurasi keluaran Magnum sendiri; ia tidak mewarisi tetapan konteks lanjutan yang lebih besar hanya kerana model asas menyokongnya.\n\nContoh prompt natif Anthracite menggunakan ChatML dengan giliran system, user dan assistant berasingan. Bahagian system boleh memberikan huraian watak, personaliti dan senario, manakala giliran user membekalkan sumbangan seterusnya dalam pertukaran. Templat naratif pengeluar meminta pembantu mengekalkan persona sambil membenarkannya berkembang, memperkenalkan peristiwa dan watak sampingan, serta menyertakan dialog, tindakan dan fikiran apabila sesuai.\n\nTemplat sama menyerahkan watak serta pilihan pengguna kepada pengguna. Ia juga tidak menggalakkan output berulang dan prosa berhias berlebihan kecuali persona memerlukan gaya itu. Permintaan di luar watak menukar respons kepada teks biasa neutral. Ini pilihan prompt konkrit untuk tugasan penulisan interaktif, bukannya mod model automatik berasingan.\n\nUntuk adegan watak, sediakan matlamat watak, latar, hubungannya dengan penutur lain dan pertukaran terakhir. Minta satu sambungan dengan titik berhenti jelas supaya pengguna mempunyai ruang untuk membalas. Untuk semakan prosa, berikan perenggan dan kenal pasti perubahan nada atau rentak, kemudian minta petikan yang disemak sambil mengekalkan peristiwa serta niat penutur. Susulan boleh memberikan keputusan watak baharu atau nota editorial tanpa menggantikan adegan yang telah ditetapkan.\n\nPengeluar menerbitkan resipi penalaan halus semua parameter dan campuran data perbualan serta penulisan. Gunakan output siap sebagai adegan, giliran dialog atau draf semakan, dan simpan rekod ringkas fakta cerita yang mesti dikekalkan oleh giliran seterusnya. Penekanan pencipta ialah prosa dan interaksi naratif; nama model asas sahaja tidak membuktikan ciri visual, kawalan penaakulan atau pelaksanaan alat tambahan untuk edisi yang ditala halus ini.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.anthracite-org/magnum-v4-72bMagnum v4 72B Anthracite ialah model teks berasaskan Qwen2.5 yang ditala untuk prosa ekspresif dan perbualan watak. Templat ChatML terbitannya memandu pertukaran naratif, dialog dan jawapan di luar watak, dengan konfigurasi 32,768 kedudukan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Magnum v4 72B ialah hasil penalaan halus Qwen2.5-72B-Instruct oleh Anthracite yang memfokuskan prosa. Pengeluar menerangkannya sebagai model eksperimen berasaskan instruct yang memulakan keluarga v4. Ia menggunakan prompt bertulis dan perbualan untuk menghasilkan teks, dengan perhatian khusus pada suara naratif dan interaksi watak. Edisi ini berbeza daripada saiz lain dalam siri Magnum v4.
Titik semak yang diterbitkan menggunakan seni bina model bahasa kausal dan konfigurasi 80 lapisan dengan 64 kepala perhatian query serta lapan kepala key/value. Bilangan kedudukan maksimum ialah 32,768, dan resipi latihan turut menggunakan panjang urutan 32,768. Ini konfigurasi keluaran Magnum sendiri; ia tidak mewarisi tetapan konteks lanjutan yang lebih besar hanya kerana model asas menyokongnya.
Contoh prompt natif Anthracite menggunakan ChatML dengan giliran system, user dan assistant berasingan. Bahagian system boleh memberikan huraian watak, personaliti dan senario, manakala giliran user membekalkan sumbangan seterusnya dalam pertukaran. Templat naratif pengeluar meminta pembantu mengekalkan persona sambil membenarkannya berkembang, memperkenalkan peristiwa dan watak sampingan, serta menyertakan dialog, tindakan dan fikiran apabila sesuai.
Templat sama menyerahkan watak serta pilihan pengguna kepada pengguna. Ia juga tidak menggalakkan output berulang dan prosa berhias berlebihan kecuali persona memerlukan gaya itu. Permintaan di luar watak menukar respons kepada teks biasa neutral. Ini pilihan prompt konkrit untuk tugasan penulisan interaktif, bukannya mod model automatik berasingan.
Untuk adegan watak, sediakan matlamat watak, latar, hubungannya dengan penutur lain dan pertukaran terakhir. Minta satu sambungan dengan titik berhenti jelas supaya pengguna mempunyai ruang untuk membalas. Untuk semakan prosa, berikan perenggan dan kenal pasti perubahan nada atau rentak, kemudian minta petikan yang disemak sambil mengekalkan peristiwa serta niat penutur. Susulan boleh memberikan keputusan watak baharu atau nota editorial tanpa menggantikan adegan yang telah ditetapkan.
Pengeluar menerbitkan resipi penalaan halus semua parameter dan campuran data perbualan serta penulisan. Gunakan output siap sebagai adegan, giliran dialog atau draf semakan, dan simpan rekod ringkas fakta cerita yang mesti dikekalkan oleh giliran seterusnya. Penekanan pencipta ialah prosa dan interaksi naratif; nama model asas sahaja tidak membuktikan ciri visual, kawalan penaakulan atau pelaksanaan alat tambahan untuk edisi yang ditala halus ini.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had anthracite-org/magnum-v4-72b | 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 $0.01 / 1K token Input · Bacaan cache — / 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 $0.01 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthracite-org/magnum-v4-72b", "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='anthracite-org/magnum-v4-72b',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='anthracite-org/magnum-v4-72b',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 anthracite-org/magnum-v4-72b
Gunakan laluan kaedah yang dipaparkan di atas.
anthracite-org/magnum-v4-72bMagnum v4 72B Anthracite ialah model teks berasaskan Qwen2.5 yang ditala untuk prosa ekspresif dan perbualan watak. Templat ChatML terbitannya memandu pertukaran naratif, dialog dan jawapan di luar watak, dengan konfigurasi 32,768 kedudukan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Magnum v4 72B ialah hasil penalaan halus Qwen2.5-72B-Instruct oleh Anthracite yang memfokuskan prosa. Pengeluar menerangkannya sebagai model eksperimen berasaskan instruct yang memulakan keluarga v4. Ia menggunakan prompt bertulis dan perbualan untuk menghasilkan teks, dengan perhatian khusus pada suara naratif dan interaksi watak. Edisi ini berbeza daripada saiz lain dalam siri Magnum v4.
Titik semak yang diterbitkan menggunakan seni bina model bahasa kausal dan konfigurasi 80 lapisan dengan 64 kepala perhatian query serta lapan kepala key/value. Bilangan kedudukan maksimum ialah 32,768, dan resipi latihan turut menggunakan panjang urutan 32,768. Ini konfigurasi keluaran Magnum sendiri; ia tidak mewarisi tetapan konteks lanjutan yang lebih besar hanya kerana model asas menyokongnya.
Contoh prompt natif Anthracite menggunakan ChatML dengan giliran system, user dan assistant berasingan. Bahagian system boleh memberikan huraian watak, personaliti dan senario, manakala giliran user membekalkan sumbangan seterusnya dalam pertukaran. Templat naratif pengeluar meminta pembantu mengekalkan persona sambil membenarkannya berkembang, memperkenalkan peristiwa dan watak sampingan, serta menyertakan dialog, tindakan dan fikiran apabila sesuai.
Templat sama menyerahkan watak serta pilihan pengguna kepada pengguna. Ia juga tidak menggalakkan output berulang dan prosa berhias berlebihan kecuali persona memerlukan gaya itu. Permintaan di luar watak menukar respons kepada teks biasa neutral. Ini pilihan prompt konkrit untuk tugasan penulisan interaktif, bukannya mod model automatik berasingan.
Untuk adegan watak, sediakan matlamat watak, latar, hubungannya dengan penutur lain dan pertukaran terakhir. Minta satu sambungan dengan titik berhenti jelas supaya pengguna mempunyai ruang untuk membalas. Untuk semakan prosa, berikan perenggan dan kenal pasti perubahan nada atau rentak, kemudian minta petikan yang disemak sambil mengekalkan peristiwa serta niat penutur. Susulan boleh memberikan keputusan watak baharu atau nota editorial tanpa menggantikan adegan yang telah ditetapkan.
Pengeluar menerbitkan resipi penalaan halus semua parameter dan campuran data perbualan serta penulisan. Gunakan output siap sebagai adegan, giliran dialog atau draf semakan, dan simpan rekod ringkas fakta cerita yang mesti dikekalkan oleh giliran seterusnya. Penekanan pencipta ialah prosa dan interaksi naratif; nama model asas sahaja tidak membuktikan ciri visual, kawalan penaakulan atau pelaksanaan alat tambahan untuk edisi yang ditala halus ini.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had anthracite-org/magnum-v4-72b | 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 $0.01 / 1K token Input · Bacaan cache — / 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 $0.01 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "anthracite-org/magnum-v4-72b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthracite-org/magnum-v4-72b', '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': 'anthracite-org/magnum-v4-72b', '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 anthracite-org/magnum-v4-72b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.