Mercury 2.5 ialah model bahasa penaakulan berasaskan difusi Inception. Ia menyusuli Mercury 2 dengan latihan dikemas kini yang dibentuk oleh maklum balas produksi dan kes kegagalan, sambil mengekalkan fokus keluarga itu pada penjanaan teks yang responsif. Varian terbitannya merangkumi konteks 260K, penaakulan boleh laras, panggilan alat selari dan JSON sejajar skema. Input ialah tugas bertulis dan konteks teks berkaitan; output ialah teks, kod, rekod berstruktur atau kandungan panggilan alat yang dicadangkan.
Keluarga Mercury menjana bahasa melalui pemurnian selari, bukannya hanya meramalkan satu token selepas yang lain dari kiri ke kanan. Arah seni bina ini bertujuan menjadikan langkah model berulang sesuai dengan aliran kerja interaktif. Penaakulan boleh laras membolehkan varian pengeluar menyesuaikan kedalaman analisis dengan tugas. Tetapkan artifak akhir yang diperlukan secara jelas: jawapan mungkin perlu pendek walaupun proses perantaraan lebih rumit.
Untuk perbandingan, bekalkan kriteria dan petikan sumber bernama. Untuk pengekstrakan, takrifkan medan dan maknanya. Arahan tugas yang berguna ialah: “Tukarkan petikan sumber ini menjadi rekod spesifikasi yang diperlukan, kekalkan unit dan kenal pasti petikan yang menyokong setiap nilai.” Output sejajar skema memberikan aplikasi hasil tersusun; keselarasan dengan sumber masih memerlukan semakan.
Pengeluar menerangkan penggunaan Mercury dalam perancangan carian, penulisan semula pertanyaan, penstrukturan fakta, peringkasan sumber dan semakan jawapan. Aplikasi boleh memberikan tujuan khusus kepada setiap langkah dan menyerahkan bukti berkaitan kepada langkah seterusnya. Minta penulisan semula pertanyaan mengekalkan kekangan sebenar pengguna, dan minta ringkasan sumber mengekalkan fakta yang diperlukan jawapan akhir, bukannya sekadar memendekkan setiap petikan.
Keupayaan panggilan alat selari Mercury 2.5 berguna apabila operasi bebas boleh mendapatkan pemerhatian berbeza untuk sesuatu tugas. Berikan takrif fungsi dan skema parameter yang jelas. Aplikasi melaksanakan panggilan yang dipilih dan mengembalikan hasilnya. Simpan pengecam panggilan dan label sumber bersama-sama supaya jawapan akhir menggunakan maklumat yang diperhatikan, bukannya andaian bahawa alat sudah dilaksanakan.
Pembuat turut menerangkan bantuan pengekodan dan operasi sokongan seperti memadatkan sesi panjang atau mencari alat yang sesuai. Untuk pemadatan, kenal pasti perkara yang diperlukan oleh tugas seterusnya: keperluan yang diterima, kegagalan semasa, keputusan dan bukti di sebaliknya. Minta model mengekalkan perkara itu dan membezakan kerja belum lengkap daripada hasil yang telah diselesaikan.
Untuk perubahan perisian, berikan kod berkaitan, tingkah laku yang dijangka dan input gagal atau ralat yang diperhatikan. Minta pelaksanaan terfokus dan penerangannya. Jika aplikasi visual atau pertuturan menggunakan Mercury sebagai langkah bahasanya, berikan teks atau pemerhatian alat yang benar-benar digunakan oleh model ini; pengecaman pertuturan, sintesis pertuturan dan perenderan media kekal sebagai komponen berasingan.
Konteks 260K ialah varian 2.5 yang didokumenkan, berbeza daripada konteks pelancaran 128K Mercury 2 dan model khusus Mercury Voice dan Router. Peruntukkan bahan sumber, sejarah, penaakulan dan hasil akhir bersama-sama. Pilih bentuk output sebelum tugas bermula dan kekalkan ruang untuk jawapan yang merangkumi butiran wajib.
Artifak akhir yang berguna ialah pengekstrakan berstruktur, penerangan berasaskan sumber, cadangan kod atau ringkasan keadaan tugas yang ringkas. Semak fakta berdasarkan bahan yang dibekalkan dan kod dalam persekitaran yang dimaksudkan. Seni bina difusi dan peranan beban kerja responsif tidak secara bebas membuktikan ketepatan, akses kepada sumber luar atau pelaksanaan tindakan yang dicadangkan.
", "aboutText": "Mercury 2.5 ialah model bahasa penaakulan berasaskan difusi Inception. Ia menyusuli Mercury 2 dengan latihan dikemas kini yang dibentuk oleh maklum balas produksi dan kes kegagalan, sambil mengekalkan fokus keluarga itu pada penjanaan teks yang responsif. Varian terbitannya merangkumi konteks 260K, penaakulan boleh laras, panggilan alat selari dan JSON sejajar skema. Input ialah tugas bertulis dan konteks teks berkaitan; output ialah teks, kod, rekod berstruktur atau kandungan panggilan alat yang dicadangkan.\n\n### Difusi dan penaakulan\n\nKeluarga Mercury menjana bahasa melalui pemurnian selari, bukannya hanya meramalkan satu token selepas yang lain dari kiri ke kanan. Arah seni bina ini bertujuan menjadikan langkah model berulang sesuai dengan aliran kerja interaktif. Penaakulan boleh laras membolehkan varian pengeluar menyesuaikan kedalaman analisis dengan tugas. Tetapkan artifak akhir yang diperlukan secara jelas: jawapan mungkin perlu pendek walaupun proses perantaraan lebih rumit.\n\nUntuk perbandingan, bekalkan kriteria dan petikan sumber bernama. Untuk pengekstrakan, takrifkan medan dan maknanya. Arahan tugas yang berguna ialah: “Tukarkan petikan sumber ini menjadi rekod spesifikasi yang diperlukan, kekalkan unit dan kenal pasti petikan yang menyokong setiap nilai.” Output sejajar skema memberikan aplikasi hasil tersusun; keselarasan dengan sumber masih memerlukan semakan.\n\n### Aliran kerja carian dan pengambilan maklumat\n\nPengeluar menerangkan penggunaan Mercury dalam perancangan carian, penulisan semula pertanyaan, penstrukturan fakta, peringkasan sumber dan semakan jawapan. Aplikasi boleh memberikan tujuan khusus kepada setiap langkah dan menyerahkan bukti berkaitan kepada langkah seterusnya. Minta penulisan semula pertanyaan mengekalkan kekangan sebenar pengguna, dan minta ringkasan sumber mengekalkan fakta yang diperlukan jawapan akhir, bukannya sekadar memendekkan setiap petikan.\n\nKeupayaan panggilan alat selari Mercury 2.5 berguna apabila operasi bebas boleh mendapatkan pemerhatian berbeza untuk sesuatu tugas. Berikan takrif fungsi dan skema parameter yang jelas. Aplikasi melaksanakan panggilan yang dipilih dan mengembalikan hasilnya. Simpan pengecam panggilan dan label sumber bersama-sama supaya jawapan akhir menggunakan maklumat yang diperhatikan, bukannya andaian bahawa alat sudah dilaksanakan.\n\n### Pengekodan dan kerja konteks\n\nPembuat turut menerangkan bantuan pengekodan dan operasi sokongan seperti memadatkan sesi panjang atau mencari alat yang sesuai. Untuk pemadatan, kenal pasti perkara yang diperlukan oleh tugas seterusnya: keperluan yang diterima, kegagalan semasa, keputusan dan bukti di sebaliknya. Minta model mengekalkan perkara itu dan membezakan kerja belum lengkap daripada hasil yang telah diselesaikan.\n\nUntuk perubahan perisian, berikan kod berkaitan, tingkah laku yang dijangka dan input gagal atau ralat yang diperhatikan. Minta pelaksanaan terfokus dan penerangannya. Jika aplikasi visual atau pertuturan menggunakan Mercury sebagai langkah bahasanya, berikan teks atau pemerhatian alat yang benar-benar digunakan oleh model ini; pengecaman pertuturan, sintesis pertuturan dan perenderan media kekal sebagai komponen berasingan.\n\n### Had dan semakan output\n\nKonteks 260K ialah varian 2.5 yang didokumenkan, berbeza daripada konteks pelancaran 128K Mercury 2 dan model khusus Mercury Voice dan Router. Peruntukkan bahan sumber, sejarah, penaakulan dan hasil akhir bersama-sama. Pilih bentuk output sebelum tugas bermula dan kekalkan ruang untuk jawapan yang merangkumi butiran wajib.\n\nArtifak akhir yang berguna ialah pengekstrakan berstruktur, penerangan berasaskan sumber, cadangan kod atau ringkasan keadaan tugas yang ringkas. Semak fakta berdasarkan bahan yang dibekalkan dan kod dalam persekitaran yang dimaksudkan. Seni bina difusi dan peranan beban kerja responsif tidak secara bebas membuktikan ketepatan, akses kepada sumber luar atau pelaksanaan tindakan yang dicadangkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 ialah model teks penaakulan berasaskan difusi Inception dengan konteks 260K. Penaakulan boleh laras, panggilan alat selari dan JSON sejajar skema menyokong carian, pengekstrakan, bantuan pengekodan dan langkah ejen berulang yang memerlukan hasil berstruktur yang jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mercury 2.5 ialah model bahasa penaakulan berasaskan difusi Inception. Ia menyusuli Mercury 2 dengan latihan dikemas kini yang dibentuk oleh maklum balas produksi dan kes kegagalan, sambil mengekalkan fokus keluarga itu pada penjanaan teks yang responsif. Varian terbitannya merangkumi konteks 260K, penaakulan boleh laras, panggilan alat selari dan JSON sejajar skema. Input ialah tugas bertulis dan konteks teks berkaitan; output ialah teks, kod, rekod berstruktur atau kandungan panggilan alat yang dicadangkan.
Keluarga Mercury menjana bahasa melalui pemurnian selari, bukannya hanya meramalkan satu token selepas yang lain dari kiri ke kanan. Arah seni bina ini bertujuan menjadikan langkah model berulang sesuai dengan aliran kerja interaktif. Penaakulan boleh laras membolehkan varian pengeluar menyesuaikan kedalaman analisis dengan tugas. Tetapkan artifak akhir yang diperlukan secara jelas: jawapan mungkin perlu pendek walaupun proses perantaraan lebih rumit.
Untuk perbandingan, bekalkan kriteria dan petikan sumber bernama. Untuk pengekstrakan, takrifkan medan dan maknanya. Arahan tugas yang berguna ialah: “Tukarkan petikan sumber ini menjadi rekod spesifikasi yang diperlukan, kekalkan unit dan kenal pasti petikan yang menyokong setiap nilai.” Output sejajar skema memberikan aplikasi hasil tersusun; keselarasan dengan sumber masih memerlukan semakan.
Pengeluar menerangkan penggunaan Mercury dalam perancangan carian, penulisan semula pertanyaan, penstrukturan fakta, peringkasan sumber dan semakan jawapan. Aplikasi boleh memberikan tujuan khusus kepada setiap langkah dan menyerahkan bukti berkaitan kepada langkah seterusnya. Minta penulisan semula pertanyaan mengekalkan kekangan sebenar pengguna, dan minta ringkasan sumber mengekalkan fakta yang diperlukan jawapan akhir, bukannya sekadar memendekkan setiap petikan.
Keupayaan panggilan alat selari Mercury 2.5 berguna apabila operasi bebas boleh mendapatkan pemerhatian berbeza untuk sesuatu tugas. Berikan takrif fungsi dan skema parameter yang jelas. Aplikasi melaksanakan panggilan yang dipilih dan mengembalikan hasilnya. Simpan pengecam panggilan dan label sumber bersama-sama supaya jawapan akhir menggunakan maklumat yang diperhatikan, bukannya andaian bahawa alat sudah dilaksanakan.
Pembuat turut menerangkan bantuan pengekodan dan operasi sokongan seperti memadatkan sesi panjang atau mencari alat yang sesuai. Untuk pemadatan, kenal pasti perkara yang diperlukan oleh tugas seterusnya: keperluan yang diterima, kegagalan semasa, keputusan dan bukti di sebaliknya. Minta model mengekalkan perkara itu dan membezakan kerja belum lengkap daripada hasil yang telah diselesaikan.
Untuk perubahan perisian, berikan kod berkaitan, tingkah laku yang dijangka dan input gagal atau ralat yang diperhatikan. Minta pelaksanaan terfokus dan penerangannya. Jika aplikasi visual atau pertuturan menggunakan Mercury sebagai langkah bahasanya, berikan teks atau pemerhatian alat yang benar-benar digunakan oleh model ini; pengecaman pertuturan, sintesis pertuturan dan perenderan media kekal sebagai komponen berasingan.
Konteks 260K ialah varian 2.5 yang didokumenkan, berbeza daripada konteks pelancaran 128K Mercury 2 dan model khusus Mercury Voice dan Router. Peruntukkan bahan sumber, sejarah, penaakulan dan hasil akhir bersama-sama. Pilih bentuk output sebelum tugas bermula dan kekalkan ruang untuk jawapan yang merangkumi butiran wajib.
Artifak akhir yang berguna ialah pengekstrakan berstruktur, penerangan berasaskan sumber, cadangan kod atau ringkasan keadaan tugas yang ringkas. Semak fakta berdasarkan bahan yang dibekalkan dan kod dalam persekitaran yang dimaksudkan. Seni bina difusi dan peranan beban kerja responsif tidak secara bebas membuktikan ketepatan, akses kepada sumber luar atau pelaksanaan tindakan yang dicadangkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inception/mercury-2.5 | 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 $0.0004 / 1K token Output · Token output $0.0015 / 1K token Input · Bacaan cache $0.00004 / 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 $0.0004 / 1K token Output · Token output $0.0015 / 1K token Input · Bacaan cache $0.00004 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Gunakan laluan kaedah yang dipaparkan di atas.
inception/mercury-2.5Mercury 2.5 ialah model teks penaakulan berasaskan difusi Inception dengan konteks 260K. Penaakulan boleh laras, panggilan alat selari dan JSON sejajar skema menyokong carian, pengekstrakan, bantuan pengekodan dan langkah ejen berulang yang memerlukan hasil berstruktur yang jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mercury 2.5 ialah model bahasa penaakulan berasaskan difusi Inception. Ia menyusuli Mercury 2 dengan latihan dikemas kini yang dibentuk oleh maklum balas produksi dan kes kegagalan, sambil mengekalkan fokus keluarga itu pada penjanaan teks yang responsif. Varian terbitannya merangkumi konteks 260K, penaakulan boleh laras, panggilan alat selari dan JSON sejajar skema. Input ialah tugas bertulis dan konteks teks berkaitan; output ialah teks, kod, rekod berstruktur atau kandungan panggilan alat yang dicadangkan.
Keluarga Mercury menjana bahasa melalui pemurnian selari, bukannya hanya meramalkan satu token selepas yang lain dari kiri ke kanan. Arah seni bina ini bertujuan menjadikan langkah model berulang sesuai dengan aliran kerja interaktif. Penaakulan boleh laras membolehkan varian pengeluar menyesuaikan kedalaman analisis dengan tugas. Tetapkan artifak akhir yang diperlukan secara jelas: jawapan mungkin perlu pendek walaupun proses perantaraan lebih rumit.
Untuk perbandingan, bekalkan kriteria dan petikan sumber bernama. Untuk pengekstrakan, takrifkan medan dan maknanya. Arahan tugas yang berguna ialah: “Tukarkan petikan sumber ini menjadi rekod spesifikasi yang diperlukan, kekalkan unit dan kenal pasti petikan yang menyokong setiap nilai.” Output sejajar skema memberikan aplikasi hasil tersusun; keselarasan dengan sumber masih memerlukan semakan.
Pengeluar menerangkan penggunaan Mercury dalam perancangan carian, penulisan semula pertanyaan, penstrukturan fakta, peringkasan sumber dan semakan jawapan. Aplikasi boleh memberikan tujuan khusus kepada setiap langkah dan menyerahkan bukti berkaitan kepada langkah seterusnya. Minta penulisan semula pertanyaan mengekalkan kekangan sebenar pengguna, dan minta ringkasan sumber mengekalkan fakta yang diperlukan jawapan akhir, bukannya sekadar memendekkan setiap petikan.
Keupayaan panggilan alat selari Mercury 2.5 berguna apabila operasi bebas boleh mendapatkan pemerhatian berbeza untuk sesuatu tugas. Berikan takrif fungsi dan skema parameter yang jelas. Aplikasi melaksanakan panggilan yang dipilih dan mengembalikan hasilnya. Simpan pengecam panggilan dan label sumber bersama-sama supaya jawapan akhir menggunakan maklumat yang diperhatikan, bukannya andaian bahawa alat sudah dilaksanakan.
Pembuat turut menerangkan bantuan pengekodan dan operasi sokongan seperti memadatkan sesi panjang atau mencari alat yang sesuai. Untuk pemadatan, kenal pasti perkara yang diperlukan oleh tugas seterusnya: keperluan yang diterima, kegagalan semasa, keputusan dan bukti di sebaliknya. Minta model mengekalkan perkara itu dan membezakan kerja belum lengkap daripada hasil yang telah diselesaikan.
Untuk perubahan perisian, berikan kod berkaitan, tingkah laku yang dijangka dan input gagal atau ralat yang diperhatikan. Minta pelaksanaan terfokus dan penerangannya. Jika aplikasi visual atau pertuturan menggunakan Mercury sebagai langkah bahasanya, berikan teks atau pemerhatian alat yang benar-benar digunakan oleh model ini; pengecaman pertuturan, sintesis pertuturan dan perenderan media kekal sebagai komponen berasingan.
Konteks 260K ialah varian 2.5 yang didokumenkan, berbeza daripada konteks pelancaran 128K Mercury 2 dan model khusus Mercury Voice dan Router. Peruntukkan bahan sumber, sejarah, penaakulan dan hasil akhir bersama-sama. Pilih bentuk output sebelum tugas bermula dan kekalkan ruang untuk jawapan yang merangkumi butiran wajib.
Artifak akhir yang berguna ialah pengekstrakan berstruktur, penerangan berasaskan sumber, cadangan kod atau ringkasan keadaan tugas yang ringkas. Semak fakta berdasarkan bahan yang dibekalkan dan kod dalam persekitaran yang dimaksudkan. Seni bina difusi dan peranan beban kerja responsif tidak secara bebas membuktikan ketepatan, akses kepada sumber luar atau pelaksanaan tindakan yang dicadangkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inception/mercury-2.5 | 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 $0.0004 / 1K token Output · Token output $0.0015 / 1K token Input · Bacaan cache $0.00004 / 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 $0.0004 / 1K token Output · Token output $0.0015 / 1K token Input · Bacaan cache $0.00004 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.