Tongyi FaRui Plus, yang dikenal pasti oleh pengeluar sebagai farui-plus, dibina berasaskan Qwen dan dikhususkan dengan data serta pengetahuan undang-undang. Pengeluar menerangkan pembangunannya menggunakan penalaan halus model, pembelajaran pengukuhan, penambahan berasaskan dapatan semula dan teknologi ejen undang-undang. Skop tugasnya merangkumi soalan undang-undang, pengenalpastian peruntukan undang-undang yang terpakai, analisis kes, penjanaan dokumen undang-undang dan semakan klausa kontrak.
Input dan output yang didokumenkan ialah teks. Sediakan petikan, fakta atau klausa yang hendak dianalisis dalam bentuk teks yang boleh dibaca, dan nyatakan hasil yang dikehendaki. Artifak yang berguna boleh berupa draf bahagian dokumen, senarai isu, penjelasan tentang peruntukan yang diberikan atau perbandingan antara ungkapan dalam kontrak.
Contoh pengeluar menyokong arahan tunggal atau perbualan berasaskan messages. Mesej mengandungi peranan dan kandungan; arahan sistem pilihan diletakkan terlebih dahulu, diikuti giliran pengguna dan pembantu. Panduan mengesyorkan messages untuk dialog berterusan, dengan jawapan terdahulu yang berkaitan dikekalkan apabila soalan susulan mengubah sesuatu fakta atau keperluan.
Untuk soalan tentang kes, berikan peranan pihak-pihak, kronologi, isu yang dipertikaikan dan bukti yang berkaitan dengan soalan. Nyatakan bidang kuasa dan tarikh yang penting untuk tugas itu, serta sertakan teks undang-undang untuk diperiksa apabila jawapan mesti bersandarkan peruntukan tertentu. Bezakan fakta yang ditegaskan daripada dakwaan yang dipertikaikan atau andaian.
Untuk soalan susulan, kenal pasti dengan tepat perkara yang berubah. Contohnya, berikan tarikh yang dibetulkan atau klausa tambahan dan tanya bahagian draf terdahulu yang perlu disemak. Dengan mengekalkan jawapan terdahulu yang sebenar, perubahan yang diminta menjadi jelas dan khusus, bukannya mengundang analisis baharu terhadap kes yang tidak lengkap.
Untuk soalan undang-undang, takrifkan isu dan bentuk jawapan. Minta kesimpulan, peruntukan sokongan dan fakta yang akan mengubah analisis. Apabila sumber tidak menetapkan sesuatu butiran penting, minta hasilnya mengenal pasti maklumat yang masih tiada itu.
Untuk penggubalan, nyatakan jenis dokumen, khalayak sasaran, bahagian yang diperlukan dan fakta yang diberikan. Arahan yang berguna ialah: “Gubal bahagian yang diminta menggunakan kronologi dan fakta ini, kekalkan peranan pihak-pihak seperti yang ditakrifkan, dan kenal pasti maklumat yang masih diperlukan untuk melengkapkan dokumen.” Semak nama, tarikh, jumlah dan peruntukan yang dipetik berdasarkan bahan asal.
Untuk semakan kontrak, berikan klausa yang tepat dan perkara yang membimbangkan untuk diperiksa. Minta perbandingan ungkapan, isu yang ditimbulkannya dan cadangan pindaan yang mengekalkan maksud komersial yang dikehendaki. Simpan klausa asal bersebelahan dengan teks yang dicadangkan supaya perubahan dapat diperiksa.
Gambaran keseluruhan model yang diterbitkan menyenaraikan input maksimum 12,000 token dan output maksimum 2,000 token. Pilih petikan yang berkaitan dan panjang jawapan yang sesuai dengan tugas, dengan menyediakan ruang untuk respons yang diminta dalam konfigurasi perbualan yang berkenaan. Semakan kontrak yang panjang boleh dibahagikan kepada isu atau bahagian yang dilabelkan dengan jelas sambil mengekalkan apa-apa klausa yang diperlukan untuk memahami hubungan antaranya.
Tetapan panjang respons pengeluar boleh mengurangkan peruntukan output untuk penjelasan ringkas atau bahagian draf tertentu. Nilai lalai yang didokumenkan ialah 2,000 token. Periksa sama ada jawapan yang dipulangkan lengkap sebelum menganggapnya sebagai dokumen yang siap.
Rujukan pengeluar mendokumenkan top_p dalam selang terbuka antara 0 dan 1, dengan 0.8 sebagai nilai lalai. Tetapan top_k mengehadkan set calon; membiarkannya tanpa nilai, atau menetapkannya melebihi 100, menyahaktifkan strategi tersebut. Kekalkan tugas dan bahan sumber yang sama apabila membandingkan kesan tetapan penjanaan yang disokong.
Aliran kerja lalai tidak menggunakan penstriman. Penstriman menyampaikan teks semasa penjanaan masih berlangsung. Cebisan penstriman lalai yang didokumenkan mengandungi kandungan terkumpul; mengaktifkan output tambahan secara berperingkat pula memulangkan bahagian baharu sahaja. Cantumkan format yang dipilih dengan betul supaya teks terkumpul yang berulang tidak ditambahkan dua kali, dan simpan jawapan lengkap untuk semakan.
Respons boleh menggunakan pembungkus teks atau mesej. Pembungkus ialah struktur penyampaian yang mengelilingi teks undang-undang yang dijana; jadual keupayaan model tidak menyenaraikan output berstruktur yang dikuatkuasakan oleh skema, panggilan fungsi atau carian web natif. Sediakan bukti dan peruntukan yang diperlukan untuk tugas itu, bukannya mengandaikan carian luaran telah berlaku.
Simpan teks sumber, fakta yang diberikan, bentuk dokumen yang diminta dan respons akhir bersama-sama. Periksa ungkapan sebenar dalam rujukan serta bidang kuasa atau tarikh yang menjadi asas sesuatu tafsiran. Perbandingan klausa atau penjelasan kes paling berguna apabila andaian dan petikan sokongannya masih boleh dikenal pasti.
Gunakan Farui Plus untuk aliran kerja teks undang-undangnya yang dinyatakan. Artifak akhir perlu menghubungkan soalan undang-undang atau draf yang diminta dengan bahan yang benar-benar diberikan.
", "aboutText": "### Model teks untuk bidang undang-undang\n\nTongyi FaRui Plus, yang dikenal pasti oleh pengeluar sebagai farui-plus, dibina berasaskan Qwen dan dikhususkan dengan data serta pengetahuan undang-undang. Pengeluar menerangkan pembangunannya menggunakan penalaan halus model, pembelajaran pengukuhan, penambahan berasaskan dapatan semula dan teknologi ejen undang-undang. Skop tugasnya merangkumi soalan undang-undang, pengenalpastian peruntukan undang-undang yang terpakai, analisis kes, penjanaan dokumen undang-undang dan semakan klausa kontrak.\n\nInput dan output yang didokumenkan ialah teks. Sediakan petikan, fakta atau klausa yang hendak dianalisis dalam bentuk teks yang boleh dibaca, dan nyatakan hasil yang dikehendaki. Artifak yang berguna boleh berupa draf bahagian dokumen, senarai isu, penjelasan tentang peruntukan yang diberikan atau perbandingan antara ungkapan dalam kontrak.\n\n### Sediakan satu permintaan atau dialog berterusan\n\nContoh pengeluar menyokong arahan tunggal atau perbualan berasaskan messages. Mesej mengandungi peranan dan kandungan; arahan sistem pilihan diletakkan terlebih dahulu, diikuti giliran pengguna dan pembantu. Panduan mengesyorkan messages untuk dialog berterusan, dengan jawapan terdahulu yang berkaitan dikekalkan apabila soalan susulan mengubah sesuatu fakta atau keperluan.\n\nUntuk soalan tentang kes, berikan peranan pihak-pihak, kronologi, isu yang dipertikaikan dan bukti yang berkaitan dengan soalan. Nyatakan bidang kuasa dan tarikh yang penting untuk tugas itu, serta sertakan teks undang-undang untuk diperiksa apabila jawapan mesti bersandarkan peruntukan tertentu. Bezakan fakta yang ditegaskan daripada dakwaan yang dipertikaikan atau andaian.\n\nUntuk soalan susulan, kenal pasti dengan tepat perkara yang berubah. Contohnya, berikan tarikh yang dibetulkan atau klausa tambahan dan tanya bahagian draf terdahulu yang perlu disemak. Dengan mengekalkan jawapan terdahulu yang sebenar, perubahan yang diminta menjadi jelas dan khusus, bukannya mengundang analisis baharu terhadap kes yang tidak lengkap.\n\n### Minta analisis atau draf dokumen\n\nUntuk soalan undang-undang, takrifkan isu dan bentuk jawapan. Minta kesimpulan, peruntukan sokongan dan fakta yang akan mengubah analisis. Apabila sumber tidak menetapkan sesuatu butiran penting, minta hasilnya mengenal pasti maklumat yang masih tiada itu.\n\nUntuk penggubalan, nyatakan jenis dokumen, khalayak sasaran, bahagian yang diperlukan dan fakta yang diberikan. Arahan yang berguna ialah: “Gubal bahagian yang diminta menggunakan kronologi dan fakta ini, kekalkan peranan pihak-pihak seperti yang ditakrifkan, dan kenal pasti maklumat yang masih diperlukan untuk melengkapkan dokumen.” Semak nama, tarikh, jumlah dan peruntukan yang dipetik berdasarkan bahan asal.\n\nUntuk semakan kontrak, berikan klausa yang tepat dan perkara yang membimbangkan untuk diperiksa. Minta perbandingan ungkapan, isu yang ditimbulkannya dan cadangan pindaan yang mengekalkan maksud komersial yang dikehendaki. Simpan klausa asal bersebelahan dengan teks yang dicadangkan supaya perubahan dapat diperiksa.\n\n### Bekerja dalam had respons yang didokumenkan\n\nGambaran keseluruhan model yang diterbitkan menyenaraikan input maksimum 12,000 token dan output maksimum 2,000 token. Pilih petikan yang berkaitan dan panjang jawapan yang sesuai dengan tugas, dengan menyediakan ruang untuk respons yang diminta dalam konfigurasi perbualan yang berkenaan. Semakan kontrak yang panjang boleh dibahagikan kepada isu atau bahagian yang dilabelkan dengan jelas sambil mengekalkan apa-apa klausa yang diperlukan untuk memahami hubungan antaranya.\n\nTetapan panjang respons pengeluar boleh mengurangkan peruntukan output untuk penjelasan ringkas atau bahagian draf tertentu. Nilai lalai yang didokumenkan ialah 2,000 token. Periksa sama ada jawapan yang dipulangkan lengkap sebelum menganggapnya sebagai dokumen yang siap.\n\n### Pilih tetapan penjanaan dan penyampaian\n\nRujukan pengeluar mendokumenkan top_p dalam selang terbuka antara 0 dan 1, dengan 0.8 sebagai nilai lalai. Tetapan top_k mengehadkan set calon; membiarkannya tanpa nilai, atau menetapkannya melebihi 100, menyahaktifkan strategi tersebut. Kekalkan tugas dan bahan sumber yang sama apabila membandingkan kesan tetapan penjanaan yang disokong.\n\nAliran kerja lalai tidak menggunakan penstriman. Penstriman menyampaikan teks semasa penjanaan masih berlangsung. Cebisan penstriman lalai yang didokumenkan mengandungi kandungan terkumpul; mengaktifkan output tambahan secara berperingkat pula memulangkan bahagian baharu sahaja. Cantumkan format yang dipilih dengan betul supaya teks terkumpul yang berulang tidak ditambahkan dua kali, dan simpan jawapan lengkap untuk semakan.\n\nRespons boleh menggunakan pembungkus teks atau mesej. Pembungkus ialah struktur penyampaian yang mengelilingi teks undang-undang yang dijana; jadual keupayaan model tidak menyenaraikan output berstruktur yang dikuatkuasakan oleh skema, panggilan fungsi atau carian web natif. Sediakan bukti dan peruntukan yang diperlukan untuk tugas itu, bukannya mengandaikan carian luaran telah berlaku.\n\n### Pastikan analisis boleh diperiksa\n\nSimpan teks sumber, fakta yang diberikan, bentuk dokumen yang diminta dan respons akhir bersama-sama. Periksa ungkapan sebenar dalam rujukan serta bidang kuasa atau tarikh yang menjadi asas sesuatu tafsiran. Perbandingan klausa atau penjelasan kes paling berguna apabila andaian dan petikan sokongannya masih boleh dikenal pasti.\n\nGunakan Farui Plus untuk aliran kerja teks undang-undangnya yang dinyatakan. Artifak akhir perlu menghubungkan soalan undang-undang atau draf yang diminta dengan bahan yang benar-benar diberikan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f658ec9f7bb6a87b72f83909aec285ee76f768bb7e13d080b046612fa709046a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "farui-plusTongyi FaRui Plus daripada Alibaba ialah model teks yang dikhususkan untuk soalan undang-undang, analisis kes, penggubalan dokumen undang-undang dan semakan kontrak. Sediakan fakta dan klausa yang berkaitan dalam bentuk teks, kemudian gunakan soalan atau dialog yang berfokus untuk mendapatkan analisis bertulis atau draf.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Tongyi FaRui Plus, yang dikenal pasti oleh pengeluar sebagai farui-plus, dibina berasaskan Qwen dan dikhususkan dengan data serta pengetahuan undang-undang. Pengeluar menerangkan pembangunannya menggunakan penalaan halus model, pembelajaran pengukuhan, penambahan berasaskan dapatan semula dan teknologi ejen undang-undang. Skop tugasnya merangkumi soalan undang-undang, pengenalpastian peruntukan undang-undang yang terpakai, analisis kes, penjanaan dokumen undang-undang dan semakan klausa kontrak.
Input dan output yang didokumenkan ialah teks. Sediakan petikan, fakta atau klausa yang hendak dianalisis dalam bentuk teks yang boleh dibaca, dan nyatakan hasil yang dikehendaki. Artifak yang berguna boleh berupa draf bahagian dokumen, senarai isu, penjelasan tentang peruntukan yang diberikan atau perbandingan antara ungkapan dalam kontrak.
Contoh pengeluar menyokong arahan tunggal atau perbualan berasaskan messages. Mesej mengandungi peranan dan kandungan; arahan sistem pilihan diletakkan terlebih dahulu, diikuti giliran pengguna dan pembantu. Panduan mengesyorkan messages untuk dialog berterusan, dengan jawapan terdahulu yang berkaitan dikekalkan apabila soalan susulan mengubah sesuatu fakta atau keperluan.
Untuk soalan tentang kes, berikan peranan pihak-pihak, kronologi, isu yang dipertikaikan dan bukti yang berkaitan dengan soalan. Nyatakan bidang kuasa dan tarikh yang penting untuk tugas itu, serta sertakan teks undang-undang untuk diperiksa apabila jawapan mesti bersandarkan peruntukan tertentu. Bezakan fakta yang ditegaskan daripada dakwaan yang dipertikaikan atau andaian.
Untuk soalan susulan, kenal pasti dengan tepat perkara yang berubah. Contohnya, berikan tarikh yang dibetulkan atau klausa tambahan dan tanya bahagian draf terdahulu yang perlu disemak. Dengan mengekalkan jawapan terdahulu yang sebenar, perubahan yang diminta menjadi jelas dan khusus, bukannya mengundang analisis baharu terhadap kes yang tidak lengkap.
Untuk soalan undang-undang, takrifkan isu dan bentuk jawapan. Minta kesimpulan, peruntukan sokongan dan fakta yang akan mengubah analisis. Apabila sumber tidak menetapkan sesuatu butiran penting, minta hasilnya mengenal pasti maklumat yang masih tiada itu.
Untuk penggubalan, nyatakan jenis dokumen, khalayak sasaran, bahagian yang diperlukan dan fakta yang diberikan. Arahan yang berguna ialah: “Gubal bahagian yang diminta menggunakan kronologi dan fakta ini, kekalkan peranan pihak-pihak seperti yang ditakrifkan, dan kenal pasti maklumat yang masih diperlukan untuk melengkapkan dokumen.” Semak nama, tarikh, jumlah dan peruntukan yang dipetik berdasarkan bahan asal.
Untuk semakan kontrak, berikan klausa yang tepat dan perkara yang membimbangkan untuk diperiksa. Minta perbandingan ungkapan, isu yang ditimbulkannya dan cadangan pindaan yang mengekalkan maksud komersial yang dikehendaki. Simpan klausa asal bersebelahan dengan teks yang dicadangkan supaya perubahan dapat diperiksa.
Gambaran keseluruhan model yang diterbitkan menyenaraikan input maksimum 12,000 token dan output maksimum 2,000 token. Pilih petikan yang berkaitan dan panjang jawapan yang sesuai dengan tugas, dengan menyediakan ruang untuk respons yang diminta dalam konfigurasi perbualan yang berkenaan. Semakan kontrak yang panjang boleh dibahagikan kepada isu atau bahagian yang dilabelkan dengan jelas sambil mengekalkan apa-apa klausa yang diperlukan untuk memahami hubungan antaranya.
Tetapan panjang respons pengeluar boleh mengurangkan peruntukan output untuk penjelasan ringkas atau bahagian draf tertentu. Nilai lalai yang didokumenkan ialah 2,000 token. Periksa sama ada jawapan yang dipulangkan lengkap sebelum menganggapnya sebagai dokumen yang siap.
Rujukan pengeluar mendokumenkan top_p dalam selang terbuka antara 0 dan 1, dengan 0.8 sebagai nilai lalai. Tetapan top_k mengehadkan set calon; membiarkannya tanpa nilai, atau menetapkannya melebihi 100, menyahaktifkan strategi tersebut. Kekalkan tugas dan bahan sumber yang sama apabila membandingkan kesan tetapan penjanaan yang disokong.
Aliran kerja lalai tidak menggunakan penstriman. Penstriman menyampaikan teks semasa penjanaan masih berlangsung. Cebisan penstriman lalai yang didokumenkan mengandungi kandungan terkumpul; mengaktifkan output tambahan secara berperingkat pula memulangkan bahagian baharu sahaja. Cantumkan format yang dipilih dengan betul supaya teks terkumpul yang berulang tidak ditambahkan dua kali, dan simpan jawapan lengkap untuk semakan.
Respons boleh menggunakan pembungkus teks atau mesej. Pembungkus ialah struktur penyampaian yang mengelilingi teks undang-undang yang dijana; jadual keupayaan model tidak menyenaraikan output berstruktur yang dikuatkuasakan oleh skema, panggilan fungsi atau carian web natif. Sediakan bukti dan peruntukan yang diperlukan untuk tugas itu, bukannya mengandaikan carian luaran telah berlaku.
Simpan teks sumber, fakta yang diberikan, bentuk dokumen yang diminta dan respons akhir bersama-sama. Periksa ungkapan sebenar dalam rujukan serta bidang kuasa atau tarikh yang menjadi asas sesuatu tafsiran. Perbandingan klausa atau penjelasan kes paling berguna apabila andaian dan petikan sokongannya masih boleh dikenal pasti.
Gunakan Farui Plus untuk aliran kerja teks undang-undangnya yang dinyatakan. Artifak akhir perlu menghubungkan soalan undang-undang atau draf yang diminta dengan bahan yang benar-benar diberikan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had farui-plus | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
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 |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
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 $0.0058 / 1K token Output · Token output $0.0058 / 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 $0.0058 / 1K token Output · Token output $0.0058 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"farui-plus","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="farui-plus", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 farui-plus
/chat/completions
farui-plusTongyi FaRui Plus daripada Alibaba ialah model teks yang dikhususkan untuk soalan undang-undang, analisis kes, penggubalan dokumen undang-undang dan semakan kontrak. Sediakan fakta dan klausa yang berkaitan dalam bentuk teks, kemudian gunakan soalan atau dialog yang berfokus untuk mendapatkan analisis bertulis atau draf.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Tongyi FaRui Plus, yang dikenal pasti oleh pengeluar sebagai farui-plus, dibina berasaskan Qwen dan dikhususkan dengan data serta pengetahuan undang-undang. Pengeluar menerangkan pembangunannya menggunakan penalaan halus model, pembelajaran pengukuhan, penambahan berasaskan dapatan semula dan teknologi ejen undang-undang. Skop tugasnya merangkumi soalan undang-undang, pengenalpastian peruntukan undang-undang yang terpakai, analisis kes, penjanaan dokumen undang-undang dan semakan klausa kontrak.
Input dan output yang didokumenkan ialah teks. Sediakan petikan, fakta atau klausa yang hendak dianalisis dalam bentuk teks yang boleh dibaca, dan nyatakan hasil yang dikehendaki. Artifak yang berguna boleh berupa draf bahagian dokumen, senarai isu, penjelasan tentang peruntukan yang diberikan atau perbandingan antara ungkapan dalam kontrak.
Contoh pengeluar menyokong arahan tunggal atau perbualan berasaskan messages. Mesej mengandungi peranan dan kandungan; arahan sistem pilihan diletakkan terlebih dahulu, diikuti giliran pengguna dan pembantu. Panduan mengesyorkan messages untuk dialog berterusan, dengan jawapan terdahulu yang berkaitan dikekalkan apabila soalan susulan mengubah sesuatu fakta atau keperluan.
Untuk soalan tentang kes, berikan peranan pihak-pihak, kronologi, isu yang dipertikaikan dan bukti yang berkaitan dengan soalan. Nyatakan bidang kuasa dan tarikh yang penting untuk tugas itu, serta sertakan teks undang-undang untuk diperiksa apabila jawapan mesti bersandarkan peruntukan tertentu. Bezakan fakta yang ditegaskan daripada dakwaan yang dipertikaikan atau andaian.
Untuk soalan susulan, kenal pasti dengan tepat perkara yang berubah. Contohnya, berikan tarikh yang dibetulkan atau klausa tambahan dan tanya bahagian draf terdahulu yang perlu disemak. Dengan mengekalkan jawapan terdahulu yang sebenar, perubahan yang diminta menjadi jelas dan khusus, bukannya mengundang analisis baharu terhadap kes yang tidak lengkap.
Untuk soalan undang-undang, takrifkan isu dan bentuk jawapan. Minta kesimpulan, peruntukan sokongan dan fakta yang akan mengubah analisis. Apabila sumber tidak menetapkan sesuatu butiran penting, minta hasilnya mengenal pasti maklumat yang masih tiada itu.
Untuk penggubalan, nyatakan jenis dokumen, khalayak sasaran, bahagian yang diperlukan dan fakta yang diberikan. Arahan yang berguna ialah: “Gubal bahagian yang diminta menggunakan kronologi dan fakta ini, kekalkan peranan pihak-pihak seperti yang ditakrifkan, dan kenal pasti maklumat yang masih diperlukan untuk melengkapkan dokumen.” Semak nama, tarikh, jumlah dan peruntukan yang dipetik berdasarkan bahan asal.
Untuk semakan kontrak, berikan klausa yang tepat dan perkara yang membimbangkan untuk diperiksa. Minta perbandingan ungkapan, isu yang ditimbulkannya dan cadangan pindaan yang mengekalkan maksud komersial yang dikehendaki. Simpan klausa asal bersebelahan dengan teks yang dicadangkan supaya perubahan dapat diperiksa.
Gambaran keseluruhan model yang diterbitkan menyenaraikan input maksimum 12,000 token dan output maksimum 2,000 token. Pilih petikan yang berkaitan dan panjang jawapan yang sesuai dengan tugas, dengan menyediakan ruang untuk respons yang diminta dalam konfigurasi perbualan yang berkenaan. Semakan kontrak yang panjang boleh dibahagikan kepada isu atau bahagian yang dilabelkan dengan jelas sambil mengekalkan apa-apa klausa yang diperlukan untuk memahami hubungan antaranya.
Tetapan panjang respons pengeluar boleh mengurangkan peruntukan output untuk penjelasan ringkas atau bahagian draf tertentu. Nilai lalai yang didokumenkan ialah 2,000 token. Periksa sama ada jawapan yang dipulangkan lengkap sebelum menganggapnya sebagai dokumen yang siap.
Rujukan pengeluar mendokumenkan top_p dalam selang terbuka antara 0 dan 1, dengan 0.8 sebagai nilai lalai. Tetapan top_k mengehadkan set calon; membiarkannya tanpa nilai, atau menetapkannya melebihi 100, menyahaktifkan strategi tersebut. Kekalkan tugas dan bahan sumber yang sama apabila membandingkan kesan tetapan penjanaan yang disokong.
Aliran kerja lalai tidak menggunakan penstriman. Penstriman menyampaikan teks semasa penjanaan masih berlangsung. Cebisan penstriman lalai yang didokumenkan mengandungi kandungan terkumpul; mengaktifkan output tambahan secara berperingkat pula memulangkan bahagian baharu sahaja. Cantumkan format yang dipilih dengan betul supaya teks terkumpul yang berulang tidak ditambahkan dua kali, dan simpan jawapan lengkap untuk semakan.
Respons boleh menggunakan pembungkus teks atau mesej. Pembungkus ialah struktur penyampaian yang mengelilingi teks undang-undang yang dijana; jadual keupayaan model tidak menyenaraikan output berstruktur yang dikuatkuasakan oleh skema, panggilan fungsi atau carian web natif. Sediakan bukti dan peruntukan yang diperlukan untuk tugas itu, bukannya mengandaikan carian luaran telah berlaku.
Simpan teks sumber, fakta yang diberikan, bentuk dokumen yang diminta dan respons akhir bersama-sama. Periksa ungkapan sebenar dalam rujukan serta bidang kuasa atau tarikh yang menjadi asas sesuatu tafsiran. Perbandingan klausa atau penjelasan kes paling berguna apabila andaian dan petikan sokongannya masih boleh dikenal pasti.
Gunakan Farui Plus untuk aliran kerja teks undang-undangnya yang dinyatakan. Artifak akhir perlu menghubungkan soalan undang-undang atau draf yang diminta dengan bahan yang benar-benar diberikan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had farui-plus | 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 $0.0058 / 1K token Output · Token output $0.0058 / 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 $0.0058 / 1K token Output · Token output $0.0058 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "farui-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'farui-plus', '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': 'farui-plus', '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 farui-plus
/chat/completions