Command A ialah model teks Cohere keluaran Mac 2025 untuk ejen perusahaan, jawapan diperkaya perolehan semula dan kerja berbilang bahasa. Edisi tepat ini mempunyai 111 bilion parameter, menerima teks dan menghasilkan teks. Konteks model pengeluarnya ialah 256K token, dengan output maksimum 8,000 token dalam profil perkhidmatan yang diterbitkan. Ia berasingan daripada Command A Vision, Command A Reasoning dan edisi multimodal A+ kemudian.
Pengeluar menerangkan transformer autoregresif dengan perhatian tetingkap gelongsor setempat dan perhatian global berkala. Tiga lapisan setempat menggunakan tetingkap 4,096 token dengan pengekodan kedudukan putaran; lapisan keempat menggunakan perhatian global tanpa pembenaman kedudukan. Penalaan halus terselia dan latihan keutamaan membentuk tingkah laku perbualan serta fokus tugasan yang membantu. Model dilatih pada 23 bahasa dan menyokong tugasan rentas bahasa seperti terjemahan atau menjawab soalan tentang bahan yang ditulis dalam bahasa lain.
Nyatakan bahasa jawapan dan pelihara istilah diperlukan. Untuk pembantu pengetahuan berbilang bahasa, berikan nama sendiri kepada petikan sumber dan minta penjelasan yang mengekalkan nama produk, pengecam kod serta kata-kata dipetik. Jawapan akhir berguna mengenal pasti sumber di sebalik kesimpulan, bukannya menghilangkan perbezaan yang penting kepada tugasan melalui terjemahan.
Command A bersifat perbualan secara lalai, sering menambah pengenalan, soalan susulan dan pemformatan Markdown atau matematik. Untuk pengekstrakan, pengkategorian, peringkasan atau terjemahan, gunakan pendekatan arahan system pengeluar untuk meminta jawapan diperlukan sahaja serta nyatakan sama ada Markdown atau blok kod berpagar patut ada dalam output. Ini mengelakkan pendahuluan perbualan mesra dianggap sebahagian daripada rekod data hiliran.
Kad model menerangkan mod keselamatan kontekstual dan ketat, dengan mod kontekstual sebagai lalai pengeluar. Ini tetapan tingkah laku profil pembuat yang didokumenkan, bebas daripada format diminta tugasan. Tentukan konteks tugasan berkaitan dan output dikehendaki dengan jelas.
Command A dilatih untuk langkah penjanaan jawapan dalam penjanaan diperkaya perolehan semula. Input menggabungkan perbualan dengan cebisan dokumen dibekalkan, lazimnya sekitar 100–400 perkataan setiap cebisan, diwakili dengan kunci deskriptif pendek dan nilai teks atau separa berstruktur. Pembuat turut menggalakkan perbandingan format khusus ini dengan dokumen berkaitan yang diletakkan terus dalam mesej user.
Untuk perbandingan dasar atau teknikal, labelkan setiap cebisan dan minta kesimpulan disokong petikan berkaitan. Dalam format pengeluar dengan petikan sumber diaktifkan, output mengaitkan rentang jawapan dengan sumber sokongan. Pastikan pengecam dokumen diperoleh kekal tersedia supaya rujukan itu boleh ditafsir. Petikan sumber menunjukkan bahan dibekalkan yang menyokong rentang terjana; sistem sekeliling menyediakan perolehan sebenar.
Pembuat melatih Command A untuk penggunaan alat berbentuk perbualan dengan huraian fungsi skema JSON. Model boleh menjana rancangan dan panggilan terpilih, aplikasi melaksanakan panggilan itu, kemudian hasil kamusnya kembali dalam perbualan dengan pengecam panggilan alat sepadan. Model menggunakan pemerhatian itu untuk menghasilkan jawapan, dengan rentang sumber yang terikat pada hasil alat sebagai pilihan.
Tugasan pengekodan termasuk penjanaan SQL, penjelasan kod dan terjemahan atau penulisan semula kod. Bekalkan skema atau pelaksanaan berkaitan serta tingkah laku yang perlu dikekalkan. Pengeluar mengesyorkan temperature rendah, termasuk penyahkodan rakus apabila sesuai, untuk arahan penjanaan kod. Semak SQL atau kod terjana sebelum melaksanakannya dan pulangkan pemerhatian pengesahan sebenar apabila menyemak hasil.
Kad model menyatakan perbezaan konteks praktikal: model menyokong 256K, sementara konfigurasi Hugging Face terbitan ditetapkan kepada 128K dan boleh dilaraskan. Kekalkan konfigurasi konteks sebenar aliran kerja terpilih dan peruntukkan ruang untuk jawapan. Hasil berguna ialah artifak teks atau kod diminta dengan bukti yang boleh dijejaki kepada sumber dibekalkan serta pemerhatian alat.
", "aboutText": "Command A ialah model teks Cohere keluaran Mac 2025 untuk ejen perusahaan, jawapan diperkaya perolehan semula dan kerja berbilang bahasa. Edisi tepat ini mempunyai 111 bilion parameter, menerima teks dan menghasilkan teks. Konteks model pengeluarnya ialah 256K token, dengan output maksimum 8,000 token dalam profil perkhidmatan yang diterbitkan. Ia berasingan daripada Command A Vision, Command A Reasoning dan edisi multimodal A+ kemudian.\n\n### Butiran model dan bahasa\n\nPengeluar menerangkan transformer autoregresif dengan perhatian tetingkap gelongsor setempat dan perhatian global berkala. Tiga lapisan setempat menggunakan tetingkap 4,096 token dengan pengekodan kedudukan putaran; lapisan keempat menggunakan perhatian global tanpa pembenaman kedudukan. Penalaan halus terselia dan latihan keutamaan membentuk tingkah laku perbualan serta fokus tugasan yang membantu. Model dilatih pada 23 bahasa dan menyokong tugasan rentas bahasa seperti terjemahan atau menjawab soalan tentang bahan yang ditulis dalam bahasa lain.\n\nNyatakan bahasa jawapan dan pelihara istilah diperlukan. Untuk pembantu pengetahuan berbilang bahasa, berikan nama sendiri kepada petikan sumber dan minta penjelasan yang mengekalkan nama produk, pengecam kod serta kata-kata dipetik. Jawapan akhir berguna mengenal pasti sumber di sebalik kesimpulan, bukannya menghilangkan perbezaan yang penting kepada tugasan melalui terjemahan.\n\n### Perbualan dan output terfokus tugasan\n\nCommand A bersifat perbualan secara lalai, sering menambah pengenalan, soalan susulan dan pemformatan Markdown atau matematik. Untuk pengekstrakan, pengkategorian, peringkasan atau terjemahan, gunakan pendekatan arahan system pengeluar untuk meminta jawapan diperlukan sahaja serta nyatakan sama ada Markdown atau blok kod berpagar patut ada dalam output. Ini mengelakkan pendahuluan perbualan mesra dianggap sebahagian daripada rekod data hiliran.\n\nKad model menerangkan mod keselamatan kontekstual dan ketat, dengan mod kontekstual sebagai lalai pengeluar. Ini tetapan tingkah laku profil pembuat yang didokumenkan, bebas daripada format diminta tugasan. Tentukan konteks tugasan berkaitan dan output dikehendaki dengan jelas.\n\n### Penjanaan berasaskan sumber\n\nCommand A dilatih untuk langkah penjanaan jawapan dalam penjanaan diperkaya perolehan semula. Input menggabungkan perbualan dengan cebisan dokumen dibekalkan, lazimnya sekitar 100–400 perkataan setiap cebisan, diwakili dengan kunci deskriptif pendek dan nilai teks atau separa berstruktur. Pembuat turut menggalakkan perbandingan format khusus ini dengan dokumen berkaitan yang diletakkan terus dalam mesej user.\n\nUntuk perbandingan dasar atau teknikal, labelkan setiap cebisan dan minta kesimpulan disokong petikan berkaitan. Dalam format pengeluar dengan petikan sumber diaktifkan, output mengaitkan rentang jawapan dengan sumber sokongan. Pastikan pengecam dokumen diperoleh kekal tersedia supaya rujukan itu boleh ditafsir. Petikan sumber menunjukkan bahan dibekalkan yang menyokong rentang terjana; sistem sekeliling menyediakan perolehan sebenar.\n\n### Alat dan kod\n\nPembuat melatih Command A untuk penggunaan alat berbentuk perbualan dengan huraian fungsi skema JSON. Model boleh menjana rancangan dan panggilan terpilih, aplikasi melaksanakan panggilan itu, kemudian hasil kamusnya kembali dalam perbualan dengan pengecam panggilan alat sepadan. Model menggunakan pemerhatian itu untuk menghasilkan jawapan, dengan rentang sumber yang terikat pada hasil alat sebagai pilihan.\n\nTugasan pengekodan termasuk penjanaan SQL, penjelasan kod dan terjemahan atau penulisan semula kod. Bekalkan skema atau pelaksanaan berkaitan serta tingkah laku yang perlu dikekalkan. Pengeluar mengesyorkan temperature rendah, termasuk penyahkodan rakus apabila sesuai, untuk arahan penjanaan kod. Semak SQL atau kod terjana sebelum melaksanakannya dan pulangkan pemerhatian pengesahan sebenar apabila menyemak hasil.\n\nKad model menyatakan perbezaan konteks praktikal: model menyokong 256K, sementara konfigurasi Hugging Face terbitan ditetapkan kepada 128K dan boleh dilaraskan. Kekalkan konfigurasi konteks sebenar aliran kerja terpilih dan peruntukkan ruang untuk jawapan. Hasil berguna ialah artifak teks atau kod diminta dengan bukti yang boleh dijejaki kepada sumber dibekalkan serta pemerhatian alat.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A ialah model teks 111B Cohere untuk ejen perusahaan berbilang bahasa, jawapan berasaskan dokumen dan kerja berpandukan alat. Ia menggabungkan konteks 256K dengan petikan sumber, bantuan kod dan latihan 23 bahasa, menghasilkan teks daripada arahan bertulis serta bukti dibekalkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Command A ialah model teks Cohere keluaran Mac 2025 untuk ejen perusahaan, jawapan diperkaya perolehan semula dan kerja berbilang bahasa. Edisi tepat ini mempunyai 111 bilion parameter, menerima teks dan menghasilkan teks. Konteks model pengeluarnya ialah 256K token, dengan output maksimum 8,000 token dalam profil perkhidmatan yang diterbitkan. Ia berasingan daripada Command A Vision, Command A Reasoning dan edisi multimodal A+ kemudian.
Pengeluar menerangkan transformer autoregresif dengan perhatian tetingkap gelongsor setempat dan perhatian global berkala. Tiga lapisan setempat menggunakan tetingkap 4,096 token dengan pengekodan kedudukan putaran; lapisan keempat menggunakan perhatian global tanpa pembenaman kedudukan. Penalaan halus terselia dan latihan keutamaan membentuk tingkah laku perbualan serta fokus tugasan yang membantu. Model dilatih pada 23 bahasa dan menyokong tugasan rentas bahasa seperti terjemahan atau menjawab soalan tentang bahan yang ditulis dalam bahasa lain.
Nyatakan bahasa jawapan dan pelihara istilah diperlukan. Untuk pembantu pengetahuan berbilang bahasa, berikan nama sendiri kepada petikan sumber dan minta penjelasan yang mengekalkan nama produk, pengecam kod serta kata-kata dipetik. Jawapan akhir berguna mengenal pasti sumber di sebalik kesimpulan, bukannya menghilangkan perbezaan yang penting kepada tugasan melalui terjemahan.
Command A bersifat perbualan secara lalai, sering menambah pengenalan, soalan susulan dan pemformatan Markdown atau matematik. Untuk pengekstrakan, pengkategorian, peringkasan atau terjemahan, gunakan pendekatan arahan system pengeluar untuk meminta jawapan diperlukan sahaja serta nyatakan sama ada Markdown atau blok kod berpagar patut ada dalam output. Ini mengelakkan pendahuluan perbualan mesra dianggap sebahagian daripada rekod data hiliran.
Kad model menerangkan mod keselamatan kontekstual dan ketat, dengan mod kontekstual sebagai lalai pengeluar. Ini tetapan tingkah laku profil pembuat yang didokumenkan, bebas daripada format diminta tugasan. Tentukan konteks tugasan berkaitan dan output dikehendaki dengan jelas.
Command A dilatih untuk langkah penjanaan jawapan dalam penjanaan diperkaya perolehan semula. Input menggabungkan perbualan dengan cebisan dokumen dibekalkan, lazimnya sekitar 100–400 perkataan setiap cebisan, diwakili dengan kunci deskriptif pendek dan nilai teks atau separa berstruktur. Pembuat turut menggalakkan perbandingan format khusus ini dengan dokumen berkaitan yang diletakkan terus dalam mesej user.
Untuk perbandingan dasar atau teknikal, labelkan setiap cebisan dan minta kesimpulan disokong petikan berkaitan. Dalam format pengeluar dengan petikan sumber diaktifkan, output mengaitkan rentang jawapan dengan sumber sokongan. Pastikan pengecam dokumen diperoleh kekal tersedia supaya rujukan itu boleh ditafsir. Petikan sumber menunjukkan bahan dibekalkan yang menyokong rentang terjana; sistem sekeliling menyediakan perolehan sebenar.
Pembuat melatih Command A untuk penggunaan alat berbentuk perbualan dengan huraian fungsi skema JSON. Model boleh menjana rancangan dan panggilan terpilih, aplikasi melaksanakan panggilan itu, kemudian hasil kamusnya kembali dalam perbualan dengan pengecam panggilan alat sepadan. Model menggunakan pemerhatian itu untuk menghasilkan jawapan, dengan rentang sumber yang terikat pada hasil alat sebagai pilihan.
Tugasan pengekodan termasuk penjanaan SQL, penjelasan kod dan terjemahan atau penulisan semula kod. Bekalkan skema atau pelaksanaan berkaitan serta tingkah laku yang perlu dikekalkan. Pengeluar mengesyorkan temperature rendah, termasuk penyahkodan rakus apabila sesuai, untuk arahan penjanaan kod. Semak SQL atau kod terjana sebelum melaksanakannya dan pulangkan pemerhatian pengesahan sebenar apabila menyemak hasil.
Kad model menyatakan perbezaan konteks praktikal: model menyokong 256K, sementara konfigurasi Hugging Face terbitan ditetapkan kepada 128K dan boleh dilaraskan. Kekalkan konfigurasi konteks sebenar aliran kerja terpilih dan peruntukkan ruang untuk jawapan. Hasil berguna ialah artifak teks atau kod diminta dengan bukti yang boleh dijejaki kepada sumber dibekalkan serta pemerhatian alat.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had cohere/command-a | 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 $0.02 / 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 $0.02 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Gunakan laluan kaedah yang dipaparkan di atas.
cohere/command-aCommand A ialah model teks 111B Cohere untuk ejen perusahaan berbilang bahasa, jawapan berasaskan dokumen dan kerja berpandukan alat. Ia menggabungkan konteks 256K dengan petikan sumber, bantuan kod dan latihan 23 bahasa, menghasilkan teks daripada arahan bertulis serta bukti dibekalkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Command A ialah model teks Cohere keluaran Mac 2025 untuk ejen perusahaan, jawapan diperkaya perolehan semula dan kerja berbilang bahasa. Edisi tepat ini mempunyai 111 bilion parameter, menerima teks dan menghasilkan teks. Konteks model pengeluarnya ialah 256K token, dengan output maksimum 8,000 token dalam profil perkhidmatan yang diterbitkan. Ia berasingan daripada Command A Vision, Command A Reasoning dan edisi multimodal A+ kemudian.
Pengeluar menerangkan transformer autoregresif dengan perhatian tetingkap gelongsor setempat dan perhatian global berkala. Tiga lapisan setempat menggunakan tetingkap 4,096 token dengan pengekodan kedudukan putaran; lapisan keempat menggunakan perhatian global tanpa pembenaman kedudukan. Penalaan halus terselia dan latihan keutamaan membentuk tingkah laku perbualan serta fokus tugasan yang membantu. Model dilatih pada 23 bahasa dan menyokong tugasan rentas bahasa seperti terjemahan atau menjawab soalan tentang bahan yang ditulis dalam bahasa lain.
Nyatakan bahasa jawapan dan pelihara istilah diperlukan. Untuk pembantu pengetahuan berbilang bahasa, berikan nama sendiri kepada petikan sumber dan minta penjelasan yang mengekalkan nama produk, pengecam kod serta kata-kata dipetik. Jawapan akhir berguna mengenal pasti sumber di sebalik kesimpulan, bukannya menghilangkan perbezaan yang penting kepada tugasan melalui terjemahan.
Command A bersifat perbualan secara lalai, sering menambah pengenalan, soalan susulan dan pemformatan Markdown atau matematik. Untuk pengekstrakan, pengkategorian, peringkasan atau terjemahan, gunakan pendekatan arahan system pengeluar untuk meminta jawapan diperlukan sahaja serta nyatakan sama ada Markdown atau blok kod berpagar patut ada dalam output. Ini mengelakkan pendahuluan perbualan mesra dianggap sebahagian daripada rekod data hiliran.
Kad model menerangkan mod keselamatan kontekstual dan ketat, dengan mod kontekstual sebagai lalai pengeluar. Ini tetapan tingkah laku profil pembuat yang didokumenkan, bebas daripada format diminta tugasan. Tentukan konteks tugasan berkaitan dan output dikehendaki dengan jelas.
Command A dilatih untuk langkah penjanaan jawapan dalam penjanaan diperkaya perolehan semula. Input menggabungkan perbualan dengan cebisan dokumen dibekalkan, lazimnya sekitar 100–400 perkataan setiap cebisan, diwakili dengan kunci deskriptif pendek dan nilai teks atau separa berstruktur. Pembuat turut menggalakkan perbandingan format khusus ini dengan dokumen berkaitan yang diletakkan terus dalam mesej user.
Untuk perbandingan dasar atau teknikal, labelkan setiap cebisan dan minta kesimpulan disokong petikan berkaitan. Dalam format pengeluar dengan petikan sumber diaktifkan, output mengaitkan rentang jawapan dengan sumber sokongan. Pastikan pengecam dokumen diperoleh kekal tersedia supaya rujukan itu boleh ditafsir. Petikan sumber menunjukkan bahan dibekalkan yang menyokong rentang terjana; sistem sekeliling menyediakan perolehan sebenar.
Pembuat melatih Command A untuk penggunaan alat berbentuk perbualan dengan huraian fungsi skema JSON. Model boleh menjana rancangan dan panggilan terpilih, aplikasi melaksanakan panggilan itu, kemudian hasil kamusnya kembali dalam perbualan dengan pengecam panggilan alat sepadan. Model menggunakan pemerhatian itu untuk menghasilkan jawapan, dengan rentang sumber yang terikat pada hasil alat sebagai pilihan.
Tugasan pengekodan termasuk penjanaan SQL, penjelasan kod dan terjemahan atau penulisan semula kod. Bekalkan skema atau pelaksanaan berkaitan serta tingkah laku yang perlu dikekalkan. Pengeluar mengesyorkan temperature rendah, termasuk penyahkodan rakus apabila sesuai, untuk arahan penjanaan kod. Semak SQL atau kod terjana sebelum melaksanakannya dan pulangkan pemerhatian pengesahan sebenar apabila menyemak hasil.
Kad model menyatakan perbezaan konteks praktikal: model menyokong 256K, sementara konfigurasi Hugging Face terbitan ditetapkan kepada 128K dan boleh dilaraskan. Kekalkan konfigurasi konteks sebenar aliran kerja terpilih dan peruntukkan ruang untuk jawapan. Hasil berguna ialah artifak teks atau kod diminta dengan bukti yang boleh dijejaki kepada sumber dibekalkan serta pemerhatian alat.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had cohere/command-a | 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 $0.02 / 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 $0.02 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.