Ling 3.1 Flash ialah model bahasa penaakulan hibrid inclusionAI untuk tugas yang melibatkan beberapa peringkat dan bukannya satu jawapan pendek. Pengeluar meletakkannya untuk kerja pejabat harian, kejuruteraan perisian berpanjangan dan aliran kerja ejen kompleks. Ia menggunakan seni bina campuran pakar dengan jumlah kira-kira 560B parameter dan sekitar 25B parameter aktif bagi setiap token, mengimbangi kapasiti model yang besar dengan jumlah pengiraan aktif yang lebih kecil.
Matlamat reka bentuk utamanya ialah mengekalkan keadaan tugas dan membetulkan haluan kerja yang lebih panjang. Dalam aliran kerja yang disambungkan kepada alat, model boleh merancang beberapa langkah, mentafsir hasil perantaraan dan menyemak langkah seterusnya apabila bukti berubah. Berikan objektif yang tepat, bahan yang tersedia dan takrif penyelesaian. Contohnya: “Semak nota insiden ini, kenal pasti punca yang belum diselesaikan dan hasilkan pelan siasatan mengikut keutamaan. Untuk setiap tindakan, namakan bukti yang diperlukan untuk menentukan sama ada tindakan itu berkesan.” Ini menukar permintaan kabur kepada hasil yang boleh diperiksa dan diteruskan.
Untuk kerja pejabat, input yang berguna merangkumi nota sumber, teks yang diekstrak daripada dokumen, jadual dengan takrif lajur yang jelas dan khalayak sasaran laporan. Nyatakan tempoh, unit dan perbandingan yang perlu digunakan. Minta hasil bertulis seperti taklimat pengurusan, rangka laporan atau penerangan perubahan penting. Contohnya ialah: “Dengan menggunakan hanya jadual suku tahunan ini, terangkan perubahan terbesar, bezakan nilai yang diperhatikan daripada andaian dan drafkan taklimat dengan soalan yang belum terjawab pada penghujungnya.” Kekalkan label sumber bersama input supaya dakwaan yang dihasilkan boleh dijejaki kembali kepada bahan yang betul.
Untuk pembangunan perisian, pengeluar menonjolkan pemfaktoran semula merentas bahasa, pengoptimuman prestasi dan analisis bahagian pangkalan kod yang kerap digunakan. Berikan fail berkaitan sebagai teks, tingkah laku yang perlu dikekalkan, versi kebergantungan dan sebarang output gagal atau ukuran. Permintaan yang berguna meminta perubahan cadangan serta semakan yang diperlukan untuk menilainya: “Faktor semula penghurai ini sambil mengekalkan format output yang didokumenkan. Terangkan tingkah laku yang terjejas, tunjukkan kod yang disemak dan kenal pasti kes yang akan mendedahkan regresi.” Untuk kerja prestasi, bekalkan profil atau pemasaan sebenar dan minta setiap cadangan dihubungkan dengan kesesakan yang diukur.
Untuk analisis profesional, kumpulkan peraturan, takrif dan bukti yang berkaitan sebelum meminta cadangan. Ling 3.1 Flash bertujuan mensintesis maklumat berselerak, mentafsir penunjuk dan membangunkan cadangan tindakan. Minta perbandingan yang menamakan andaian dan baki maklumat yang diperlukan, bukannya keputusan tanpa sokongan. Contohnya, bekalkan beberapa cadangan projek dan minta memo keputusan yang menggunakan kriteria sama untuk setiap satu, dengan pemerhatian bersumber dipisahkan daripada akibat yang disimpulkan. Apabila bukti bercanggah, minta petikan yang bercanggah dan soalan yang boleh menyelesaikannya.
Pengeluar membezakan had maksimum konteks model 1M token daripada konteks 256K yang kini dibuka oleh perkhidmatan rasminya. Angka ini menerangkan sempadan yang berbeza. Susun bahan kerja mengikut tetingkap yang berkenaan dan peruntukkan ruang untuk respons; had pada peringkat model tidak bermakna setiap antara muka menerima input sebanyak itu. Untuk tugas besar, simpan objektif, keputusan yang telah dibuat, soalan yang belum diselesaikan dan rujukan sumber bersama-sama. Gunakan sempadan yang jelas di sekeliling dokumen dan kod supaya bahan untuk dianalisis tidak dikelirukan dengan arahan untuk diikuti.
Sediakan tugas yang disambungkan kepada alat dengan penerangan alat yang jelas, argumen yang dijangka dan rekod hasil yang berguna. Masukkan hasil sebenar kembali ke dalam perbualan supaya cadangan seterusnya berdasarkan pemerhatian. Minta model menerangkan perkara yang berubah akibat hasil yang dikembalikan dan bukti yang masih tiada. Reka bentuk model yang berorientasikan ejen menyokong corak perancangan dan maklum balas ini; aplikasi yang mengelilinginya melaksanakan langkah alat dan mengekalkan hasilnya. Perintah, perubahan kod atau laporan cadangan paling berguna apabila statusnya jelas: dicadangkan, dilaksanakan dengan hasil yang direkodkan atau masih menunggu pengesahan.
Ling 3.1 Flash tergolong dalam barisan model bahasa; edisi berasingan Ling 3.0 Flash VL ialah model visual pengeluar. Untuk tugas teks ini, sediakan kandungan sumber berbentuk teks dan kekalkan struktur, label serta asal usulnya. Nyatakan bahasa dan bentuk output, seperti memo ringkas, jadual dapatan, penerangan tampalan atau pelan bernombor. Minta model menandakan maklumat yang tiada dan semak hasil yang diminta berdasarkan kekangan asal. Aliran kerja panjang masih memerlukan pemeriksaan hasil perantaraan: andaian awal yang salah boleh dibawa ke penaakulan kemudian dan digilap menjadi laporan akhir yang meyakinkan.
", "aboutText": "Ling 3.1 Flash ialah model bahasa penaakulan hibrid inclusionAI untuk tugas yang melibatkan beberapa peringkat dan bukannya satu jawapan pendek. Pengeluar meletakkannya untuk kerja pejabat harian, kejuruteraan perisian berpanjangan dan aliran kerja ejen kompleks. Ia menggunakan seni bina campuran pakar dengan jumlah kira-kira 560B parameter dan sekitar 25B parameter aktif bagi setiap token, mengimbangi kapasiti model yang besar dengan jumlah pengiraan aktif yang lebih kecil.\n\nMatlamat reka bentuk utamanya ialah mengekalkan keadaan tugas dan membetulkan haluan kerja yang lebih panjang. Dalam aliran kerja yang disambungkan kepada alat, model boleh merancang beberapa langkah, mentafsir hasil perantaraan dan menyemak langkah seterusnya apabila bukti berubah. Berikan objektif yang tepat, bahan yang tersedia dan takrif penyelesaian. Contohnya: “Semak nota insiden ini, kenal pasti punca yang belum diselesaikan dan hasilkan pelan siasatan mengikut keutamaan. Untuk setiap tindakan, namakan bukti yang diperlukan untuk menentukan sama ada tindakan itu berkesan.” Ini menukar permintaan kabur kepada hasil yang boleh diperiksa dan diteruskan.\n\nUntuk kerja pejabat, input yang berguna merangkumi nota sumber, teks yang diekstrak daripada dokumen, jadual dengan takrif lajur yang jelas dan khalayak sasaran laporan. Nyatakan tempoh, unit dan perbandingan yang perlu digunakan. Minta hasil bertulis seperti taklimat pengurusan, rangka laporan atau penerangan perubahan penting. Contohnya ialah: “Dengan menggunakan hanya jadual suku tahunan ini, terangkan perubahan terbesar, bezakan nilai yang diperhatikan daripada andaian dan drafkan taklimat dengan soalan yang belum terjawab pada penghujungnya.” Kekalkan label sumber bersama input supaya dakwaan yang dihasilkan boleh dijejaki kembali kepada bahan yang betul.\n\nUntuk pembangunan perisian, pengeluar menonjolkan pemfaktoran semula merentas bahasa, pengoptimuman prestasi dan analisis bahagian pangkalan kod yang kerap digunakan. Berikan fail berkaitan sebagai teks, tingkah laku yang perlu dikekalkan, versi kebergantungan dan sebarang output gagal atau ukuran. Permintaan yang berguna meminta perubahan cadangan serta semakan yang diperlukan untuk menilainya: “Faktor semula penghurai ini sambil mengekalkan format output yang didokumenkan. Terangkan tingkah laku yang terjejas, tunjukkan kod yang disemak dan kenal pasti kes yang akan mendedahkan regresi.” Untuk kerja prestasi, bekalkan profil atau pemasaan sebenar dan minta setiap cadangan dihubungkan dengan kesesakan yang diukur.\n\nUntuk analisis profesional, kumpulkan peraturan, takrif dan bukti yang berkaitan sebelum meminta cadangan. Ling 3.1 Flash bertujuan mensintesis maklumat berselerak, mentafsir penunjuk dan membangunkan cadangan tindakan. Minta perbandingan yang menamakan andaian dan baki maklumat yang diperlukan, bukannya keputusan tanpa sokongan. Contohnya, bekalkan beberapa cadangan projek dan minta memo keputusan yang menggunakan kriteria sama untuk setiap satu, dengan pemerhatian bersumber dipisahkan daripada akibat yang disimpulkan. Apabila bukti bercanggah, minta petikan yang bercanggah dan soalan yang boleh menyelesaikannya.\n\nPengeluar membezakan had maksimum konteks model 1M token daripada konteks 256K yang kini dibuka oleh perkhidmatan rasminya. Angka ini menerangkan sempadan yang berbeza. Susun bahan kerja mengikut tetingkap yang berkenaan dan peruntukkan ruang untuk respons; had pada peringkat model tidak bermakna setiap antara muka menerima input sebanyak itu. Untuk tugas besar, simpan objektif, keputusan yang telah dibuat, soalan yang belum diselesaikan dan rujukan sumber bersama-sama. Gunakan sempadan yang jelas di sekeliling dokumen dan kod supaya bahan untuk dianalisis tidak dikelirukan dengan arahan untuk diikuti.\n\nSediakan tugas yang disambungkan kepada alat dengan penerangan alat yang jelas, argumen yang dijangka dan rekod hasil yang berguna. Masukkan hasil sebenar kembali ke dalam perbualan supaya cadangan seterusnya berdasarkan pemerhatian. Minta model menerangkan perkara yang berubah akibat hasil yang dikembalikan dan bukti yang masih tiada. Reka bentuk model yang berorientasikan ejen menyokong corak perancangan dan maklum balas ini; aplikasi yang mengelilinginya melaksanakan langkah alat dan mengekalkan hasilnya. Perintah, perubahan kod atau laporan cadangan paling berguna apabila statusnya jelas: dicadangkan, dilaksanakan dengan hasil yang direkodkan atau masih menunggu pengesahan.\n\nLing 3.1 Flash tergolong dalam barisan model bahasa; edisi berasingan Ling 3.0 Flash VL ialah model visual pengeluar. Untuk tugas teks ini, sediakan kandungan sumber berbentuk teks dan kekalkan struktur, label serta asal usulnya. Nyatakan bahasa dan bentuk output, seperti memo ringkas, jadual dapatan, penerangan tampalan atau pelan bernombor. Minta model menandakan maklumat yang tiada dan semak hasil yang diminta berdasarkan kekangan asal. Aliran kerja panjang masih memerlukan pemeriksaan hasil perantaraan: andaian awal yang salah boleh dibawa ke penaakulan kemudian dan digilap menjadi laporan akhir yang meyakinkan.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9dcf3789976875e19f71ecf4e3e0284827d0e3144b0932a6d3fdefd1f39ce4e5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash ialah model penaakulan hibrid inclusionAI untuk kerja pejabat, pembangunan perisian berpanjangan dan ejen kompleks. Seni bina jarangnya dengan 560B parameter mengaktifkan kira-kira 25B parameter bagi setiap token, menyokong perancangan berbilang langkah, interaksi alat dan semakan berdasarkan hasil perantaraan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Ling 3.1 Flash ialah model bahasa penaakulan hibrid inclusionAI untuk tugas yang melibatkan beberapa peringkat dan bukannya satu jawapan pendek. Pengeluar meletakkannya untuk kerja pejabat harian, kejuruteraan perisian berpanjangan dan aliran kerja ejen kompleks. Ia menggunakan seni bina campuran pakar dengan jumlah kira-kira 560B parameter dan sekitar 25B parameter aktif bagi setiap token, mengimbangi kapasiti model yang besar dengan jumlah pengiraan aktif yang lebih kecil.
Matlamat reka bentuk utamanya ialah mengekalkan keadaan tugas dan membetulkan haluan kerja yang lebih panjang. Dalam aliran kerja yang disambungkan kepada alat, model boleh merancang beberapa langkah, mentafsir hasil perantaraan dan menyemak langkah seterusnya apabila bukti berubah. Berikan objektif yang tepat, bahan yang tersedia dan takrif penyelesaian. Contohnya: “Semak nota insiden ini, kenal pasti punca yang belum diselesaikan dan hasilkan pelan siasatan mengikut keutamaan. Untuk setiap tindakan, namakan bukti yang diperlukan untuk menentukan sama ada tindakan itu berkesan.” Ini menukar permintaan kabur kepada hasil yang boleh diperiksa dan diteruskan.
Untuk kerja pejabat, input yang berguna merangkumi nota sumber, teks yang diekstrak daripada dokumen, jadual dengan takrif lajur yang jelas dan khalayak sasaran laporan. Nyatakan tempoh, unit dan perbandingan yang perlu digunakan. Minta hasil bertulis seperti taklimat pengurusan, rangka laporan atau penerangan perubahan penting. Contohnya ialah: “Dengan menggunakan hanya jadual suku tahunan ini, terangkan perubahan terbesar, bezakan nilai yang diperhatikan daripada andaian dan drafkan taklimat dengan soalan yang belum terjawab pada penghujungnya.” Kekalkan label sumber bersama input supaya dakwaan yang dihasilkan boleh dijejaki kembali kepada bahan yang betul.
Untuk pembangunan perisian, pengeluar menonjolkan pemfaktoran semula merentas bahasa, pengoptimuman prestasi dan analisis bahagian pangkalan kod yang kerap digunakan. Berikan fail berkaitan sebagai teks, tingkah laku yang perlu dikekalkan, versi kebergantungan dan sebarang output gagal atau ukuran. Permintaan yang berguna meminta perubahan cadangan serta semakan yang diperlukan untuk menilainya: “Faktor semula penghurai ini sambil mengekalkan format output yang didokumenkan. Terangkan tingkah laku yang terjejas, tunjukkan kod yang disemak dan kenal pasti kes yang akan mendedahkan regresi.” Untuk kerja prestasi, bekalkan profil atau pemasaan sebenar dan minta setiap cadangan dihubungkan dengan kesesakan yang diukur.
Untuk analisis profesional, kumpulkan peraturan, takrif dan bukti yang berkaitan sebelum meminta cadangan. Ling 3.1 Flash bertujuan mensintesis maklumat berselerak, mentafsir penunjuk dan membangunkan cadangan tindakan. Minta perbandingan yang menamakan andaian dan baki maklumat yang diperlukan, bukannya keputusan tanpa sokongan. Contohnya, bekalkan beberapa cadangan projek dan minta memo keputusan yang menggunakan kriteria sama untuk setiap satu, dengan pemerhatian bersumber dipisahkan daripada akibat yang disimpulkan. Apabila bukti bercanggah, minta petikan yang bercanggah dan soalan yang boleh menyelesaikannya.
Pengeluar membezakan had maksimum konteks model 1M token daripada konteks 256K yang kini dibuka oleh perkhidmatan rasminya. Angka ini menerangkan sempadan yang berbeza. Susun bahan kerja mengikut tetingkap yang berkenaan dan peruntukkan ruang untuk respons; had pada peringkat model tidak bermakna setiap antara muka menerima input sebanyak itu. Untuk tugas besar, simpan objektif, keputusan yang telah dibuat, soalan yang belum diselesaikan dan rujukan sumber bersama-sama. Gunakan sempadan yang jelas di sekeliling dokumen dan kod supaya bahan untuk dianalisis tidak dikelirukan dengan arahan untuk diikuti.
Sediakan tugas yang disambungkan kepada alat dengan penerangan alat yang jelas, argumen yang dijangka dan rekod hasil yang berguna. Masukkan hasil sebenar kembali ke dalam perbualan supaya cadangan seterusnya berdasarkan pemerhatian. Minta model menerangkan perkara yang berubah akibat hasil yang dikembalikan dan bukti yang masih tiada. Reka bentuk model yang berorientasikan ejen menyokong corak perancangan dan maklum balas ini; aplikasi yang mengelilinginya melaksanakan langkah alat dan mengekalkan hasilnya. Perintah, perubahan kod atau laporan cadangan paling berguna apabila statusnya jelas: dicadangkan, dilaksanakan dengan hasil yang direkodkan atau masih menunggu pengesahan.
Ling 3.1 Flash tergolong dalam barisan model bahasa; edisi berasingan Ling 3.0 Flash VL ialah model visual pengeluar. Untuk tugas teks ini, sediakan kandungan sumber berbentuk teks dan kekalkan struktur, label serta asal usulnya. Nyatakan bahasa dan bentuk output, seperti memo ringkas, jadual dapatan, penerangan tampalan atau pelan bernombor. Minta model menandakan maklumat yang tiada dan semak hasil yang diminta berdasarkan kekangan asal. Aliran kerja panjang masih memerlukan pemeriksaan hasil perantaraan: andaian awal yang salah boleh dibawa ke penaakulan kemudian dan digilap menjadi laporan akhir yang meyakinkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inclusionai/ling-3.1-flash | 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 $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00012 / 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 $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00012 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","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="inclusionai/ling-3.1-flash", 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 inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash ialah model penaakulan hibrid inclusionAI untuk kerja pejabat, pembangunan perisian berpanjangan dan ejen kompleks. Seni bina jarangnya dengan 560B parameter mengaktifkan kira-kira 25B parameter bagi setiap token, menyokong perancangan berbilang langkah, interaksi alat dan semakan berdasarkan hasil perantaraan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Ling 3.1 Flash ialah model bahasa penaakulan hibrid inclusionAI untuk tugas yang melibatkan beberapa peringkat dan bukannya satu jawapan pendek. Pengeluar meletakkannya untuk kerja pejabat harian, kejuruteraan perisian berpanjangan dan aliran kerja ejen kompleks. Ia menggunakan seni bina campuran pakar dengan jumlah kira-kira 560B parameter dan sekitar 25B parameter aktif bagi setiap token, mengimbangi kapasiti model yang besar dengan jumlah pengiraan aktif yang lebih kecil.
Matlamat reka bentuk utamanya ialah mengekalkan keadaan tugas dan membetulkan haluan kerja yang lebih panjang. Dalam aliran kerja yang disambungkan kepada alat, model boleh merancang beberapa langkah, mentafsir hasil perantaraan dan menyemak langkah seterusnya apabila bukti berubah. Berikan objektif yang tepat, bahan yang tersedia dan takrif penyelesaian. Contohnya: “Semak nota insiden ini, kenal pasti punca yang belum diselesaikan dan hasilkan pelan siasatan mengikut keutamaan. Untuk setiap tindakan, namakan bukti yang diperlukan untuk menentukan sama ada tindakan itu berkesan.” Ini menukar permintaan kabur kepada hasil yang boleh diperiksa dan diteruskan.
Untuk kerja pejabat, input yang berguna merangkumi nota sumber, teks yang diekstrak daripada dokumen, jadual dengan takrif lajur yang jelas dan khalayak sasaran laporan. Nyatakan tempoh, unit dan perbandingan yang perlu digunakan. Minta hasil bertulis seperti taklimat pengurusan, rangka laporan atau penerangan perubahan penting. Contohnya ialah: “Dengan menggunakan hanya jadual suku tahunan ini, terangkan perubahan terbesar, bezakan nilai yang diperhatikan daripada andaian dan drafkan taklimat dengan soalan yang belum terjawab pada penghujungnya.” Kekalkan label sumber bersama input supaya dakwaan yang dihasilkan boleh dijejaki kembali kepada bahan yang betul.
Untuk pembangunan perisian, pengeluar menonjolkan pemfaktoran semula merentas bahasa, pengoptimuman prestasi dan analisis bahagian pangkalan kod yang kerap digunakan. Berikan fail berkaitan sebagai teks, tingkah laku yang perlu dikekalkan, versi kebergantungan dan sebarang output gagal atau ukuran. Permintaan yang berguna meminta perubahan cadangan serta semakan yang diperlukan untuk menilainya: “Faktor semula penghurai ini sambil mengekalkan format output yang didokumenkan. Terangkan tingkah laku yang terjejas, tunjukkan kod yang disemak dan kenal pasti kes yang akan mendedahkan regresi.” Untuk kerja prestasi, bekalkan profil atau pemasaan sebenar dan minta setiap cadangan dihubungkan dengan kesesakan yang diukur.
Untuk analisis profesional, kumpulkan peraturan, takrif dan bukti yang berkaitan sebelum meminta cadangan. Ling 3.1 Flash bertujuan mensintesis maklumat berselerak, mentafsir penunjuk dan membangunkan cadangan tindakan. Minta perbandingan yang menamakan andaian dan baki maklumat yang diperlukan, bukannya keputusan tanpa sokongan. Contohnya, bekalkan beberapa cadangan projek dan minta memo keputusan yang menggunakan kriteria sama untuk setiap satu, dengan pemerhatian bersumber dipisahkan daripada akibat yang disimpulkan. Apabila bukti bercanggah, minta petikan yang bercanggah dan soalan yang boleh menyelesaikannya.
Pengeluar membezakan had maksimum konteks model 1M token daripada konteks 256K yang kini dibuka oleh perkhidmatan rasminya. Angka ini menerangkan sempadan yang berbeza. Susun bahan kerja mengikut tetingkap yang berkenaan dan peruntukkan ruang untuk respons; had pada peringkat model tidak bermakna setiap antara muka menerima input sebanyak itu. Untuk tugas besar, simpan objektif, keputusan yang telah dibuat, soalan yang belum diselesaikan dan rujukan sumber bersama-sama. Gunakan sempadan yang jelas di sekeliling dokumen dan kod supaya bahan untuk dianalisis tidak dikelirukan dengan arahan untuk diikuti.
Sediakan tugas yang disambungkan kepada alat dengan penerangan alat yang jelas, argumen yang dijangka dan rekod hasil yang berguna. Masukkan hasil sebenar kembali ke dalam perbualan supaya cadangan seterusnya berdasarkan pemerhatian. Minta model menerangkan perkara yang berubah akibat hasil yang dikembalikan dan bukti yang masih tiada. Reka bentuk model yang berorientasikan ejen menyokong corak perancangan dan maklum balas ini; aplikasi yang mengelilinginya melaksanakan langkah alat dan mengekalkan hasilnya. Perintah, perubahan kod atau laporan cadangan paling berguna apabila statusnya jelas: dicadangkan, dilaksanakan dengan hasil yang direkodkan atau masih menunggu pengesahan.
Ling 3.1 Flash tergolong dalam barisan model bahasa; edisi berasingan Ling 3.0 Flash VL ialah model visual pengeluar. Untuk tugas teks ini, sediakan kandungan sumber berbentuk teks dan kekalkan struktur, label serta asal usulnya. Nyatakan bahasa dan bentuk output, seperti memo ringkas, jadual dapatan, penerangan tampalan atau pelan bernombor. Minta model menandakan maklumat yang tiada dan semak hasil yang diminta berdasarkan kekangan asal. Aliran kerja panjang masih memerlukan pemeriksaan hasil perantaraan: andaian awal yang salah boleh dibawa ke penaakulan kemudian dan digilap menjadi laporan akhir yang meyakinkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inclusionai/ling-3.1-flash | 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 $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00012 / 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 $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00012 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions