Weaver Alpha ialah sistem eksperimen Mancer untuk lakon peranan dan penulisan naratif. Pengeluar menerangkan gabungan model lebih kecil yang bertujuan menghasilkan prosa panjang lebar, dikatalogkan sebagai sistem 13B berasaskan LLaMA 2. Ia menerima arahan adegan dan konteks bertulis serta menjana teks. Peranan utamanya ialah sambungan kreatif yang panjang lebar, bukannya janji ingatan jangka panjang yang koheren atau keupayaan luas model lain.
Berikan latar semasa, sudut pandangan, motivasi watak dan peristiwa yang patut berlaku seterusnya. Kenal pasti fakta yang telah ditetapkan dan butiran yang boleh direka oleh model. Untuk lakon peranan, nyatakan pihak yang mengawal setiap watak dan sama ada respons patut mengandungi narasi, dialog atau kedua-duanya. Ringkasan arahan yang berguna ialah: “Sambung adegan ini daripada sudut pandangan pencerita, kekalkan matlamat watak yang dinyatakan dan berhenti selepas komplikasi baharu didedahkan.”
Untuk petikan yang membina suasana, terangkan suasana yang dimaksudkan dan butiran yang patut membawanya: persekitaran, rentak, gaya suara dan tindakan di pusat adegan. Minta panjang dan titik berhenti yang diperlukan. Gaya panjang lebar boleh membekalkan tekstur, tetapi adegan masih mendapat manfaat daripada tujuan dramatik yang jelas, bukannya arahan mengembangkan tanpa arah.
Pembuat memerlukan pemformatan prom Alpaca untuk aliran kerja pelengkapan yang didokumenkan. Format ringkas terbitannya membezakan arahan sistem, arahan pengguna dan respons pembantu. Pisahkan peranan itu dan kekalkan format model sendiri apabila menyediakan sambungan. Aliran kerja sembang sekeliling mungkin mengendalikan pemformatan itu, tetapi nama model yang dipaparkan sahaja tidak menentukan pembinaan prom aplikasi.
Tetapan permulaan yang dicadangkan pengeluar ialah temperature 0.9, penalti pengulangan 1.1, top-p 0.58 dan top-k 50. Ini ialah cadangan pengeluar untuk varian eksperimen, bukannya tetapan yang disimpulkan bagi setiap aplikasi. Ia menyediakan titik permulaan untuk gaya prosa; hasil sebenar masih perlu disemak untuk pengulangan, gaya suara dan pematuhan adegan.
Pembuat Weaver secara jelas memberi peringatan tentang koheren dan ingatan. Kekalkan keadaan adegan terkini dan fakta penting watak dalam input apabila cerita diteruskan. Nota kesinambungan ringkas boleh mengenal pasti perkara yang telah berlaku, perkara yang diketahui watak dan perkara yang tidak boleh berubah. Jika petikan yang dijana bercanggah dengan nota itu, berikan ketidakpadanan khusus dan minta semakan yang terikat pada peristiwa yang telah ditetapkan.
Varian pengeluar menyenaraikan konteks 8,000 token dan output maksimum 6,000 token. Bahan sumber, arahan, perbualan dan pelengkapan perlu muat dalam peruntukan yang berkenaan; had output bukan ruang tambahan di luar konteks. Pembuat turut menyatakan varian ini tidak menyokong penjanaan multi-swipe. Anggap sambungan yang dijana sebagai satu hasil untuk diperiksa, bukannya mengandaikan alternatif serentak daripada satu permintaan.
Hasil boleh berupa sambungan adegan, petikan deskriptif atau pertukaran dialog watak. Semak sama ada ia mengekalkan sudut pandangan, autonomi watak, kronologi dan pengakhiran yang diminta. Untuk suntingan, kenal pasti petikan tepat yang perlu diubah dan maksud yang perlu dikekalkan. Sertakan fakta cerita yang berjaya dalam prom seterusnya, bukannya menjangka sejarah panjang yang tidak kelihatan kekal tersedia. Nilai praktikal Weaver Alpha ialah varian prosa kreatifnya, dengan identiti eksperimen dan had kesinambungan yang didokumenkan kekal jelas dalam cara tugas disediakan.
", "aboutText": "Weaver Alpha ialah sistem eksperimen Mancer untuk lakon peranan dan penulisan naratif. Pengeluar menerangkan gabungan model lebih kecil yang bertujuan menghasilkan prosa panjang lebar, dikatalogkan sebagai sistem 13B berasaskan LLaMA 2. Ia menerima arahan adegan dan konteks bertulis serta menjana teks. Peranan utamanya ialah sambungan kreatif yang panjang lebar, bukannya janji ingatan jangka panjang yang koheren atau keupayaan luas model lain.\n\n### Sediakan adegan naratif\n\nBerikan latar semasa, sudut pandangan, motivasi watak dan peristiwa yang patut berlaku seterusnya. Kenal pasti fakta yang telah ditetapkan dan butiran yang boleh direka oleh model. Untuk lakon peranan, nyatakan pihak yang mengawal setiap watak dan sama ada respons patut mengandungi narasi, dialog atau kedua-duanya. Ringkasan arahan yang berguna ialah: “Sambung adegan ini daripada sudut pandangan pencerita, kekalkan matlamat watak yang dinyatakan dan berhenti selepas komplikasi baharu didedahkan.”\n\nUntuk petikan yang membina suasana, terangkan suasana yang dimaksudkan dan butiran yang patut membawanya: persekitaran, rentak, gaya suara dan tindakan di pusat adegan. Minta panjang dan titik berhenti yang diperlukan. Gaya panjang lebar boleh membekalkan tekstur, tetapi adegan masih mendapat manfaat daripada tujuan dramatik yang jelas, bukannya arahan mengembangkan tanpa arah.\n\n### Prom dan kawalan pengeluar\n\nPembuat memerlukan pemformatan prom Alpaca untuk aliran kerja pelengkapan yang didokumenkan. Format ringkas terbitannya membezakan arahan sistem, arahan pengguna dan respons pembantu. Pisahkan peranan itu dan kekalkan format model sendiri apabila menyediakan sambungan. Aliran kerja sembang sekeliling mungkin mengendalikan pemformatan itu, tetapi nama model yang dipaparkan sahaja tidak menentukan pembinaan prom aplikasi.\n\nTetapan permulaan yang dicadangkan pengeluar ialah temperature 0.9, penalti pengulangan 1.1, top-p 0.58 dan top-k 50. Ini ialah cadangan pengeluar untuk varian eksperimen, bukannya tetapan yang disimpulkan bagi setiap aplikasi. Ia menyediakan titik permulaan untuk gaya prosa; hasil sebenar masih perlu disemak untuk pengulangan, gaya suara dan pematuhan adegan.\n\n### Kesinambungan dan had\n\nPembuat Weaver secara jelas memberi peringatan tentang koheren dan ingatan. Kekalkan keadaan adegan terkini dan fakta penting watak dalam input apabila cerita diteruskan. Nota kesinambungan ringkas boleh mengenal pasti perkara yang telah berlaku, perkara yang diketahui watak dan perkara yang tidak boleh berubah. Jika petikan yang dijana bercanggah dengan nota itu, berikan ketidakpadanan khusus dan minta semakan yang terikat pada peristiwa yang telah ditetapkan.\n\nVarian pengeluar menyenaraikan konteks 8,000 token dan output maksimum 6,000 token. Bahan sumber, arahan, perbualan dan pelengkapan perlu muat dalam peruntukan yang berkenaan; had output bukan ruang tambahan di luar konteks. Pembuat turut menyatakan varian ini tidak menyokong penjanaan multi-swipe. Anggap sambungan yang dijana sebagai satu hasil untuk diperiksa, bukannya mengandaikan alternatif serentak daripada satu permintaan.\n\n### Artifak penulisan yang berguna\n\nHasil boleh berupa sambungan adegan, petikan deskriptif atau pertukaran dialog watak. Semak sama ada ia mengekalkan sudut pandangan, autonomi watak, kronologi dan pengakhiran yang diminta. Untuk suntingan, kenal pasti petikan tepat yang perlu diubah dan maksud yang perlu dikekalkan. Sertakan fakta cerita yang berjaya dalam prom seterusnya, bukannya menjangka sejarah panjang yang tidak kelihatan kekal tersedia. Nilai praktikal Weaver Alpha ialah varian prosa kreatifnya, dengan identiti eksperimen dan had kesinambungan yang didokumenkan kekal jelas dalam cara tugas disediakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reveal a scene complication\n\nContinue in close third person through cartographer Nera. She has reached an abandoned observatory to recover her stolen atlas; her companion believes it burned. Write 200 words of atmospheric prose with one brief exchange. Preserve those facts, then stop when Nera finds a freshly drawn map of their route inside the supposedly empty dome.An atmospheric scene continuation around 200 words, ending on the discovery rather than resolving it.Check viewpoint, the companion's belief and the requested stopping event remain consistent.mancer/weaverWeaver Alpha ialah sistem penjanaan teks eksperimen Mancer untuk lakon peranan dan prosa naratif. Gaya kreatifnya yang panjang lebar berfungsi paling baik dengan adegan jelas, ringkasan watak dan nota kesinambungan terkini; varian pengeluar menyenaraikan konteks 8,000 token dan had output 6,000 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Weaver Alpha ialah sistem eksperimen Mancer untuk lakon peranan dan penulisan naratif. Pengeluar menerangkan gabungan model lebih kecil yang bertujuan menghasilkan prosa panjang lebar, dikatalogkan sebagai sistem 13B berasaskan LLaMA 2. Ia menerima arahan adegan dan konteks bertulis serta menjana teks. Peranan utamanya ialah sambungan kreatif yang panjang lebar, bukannya janji ingatan jangka panjang yang koheren atau keupayaan luas model lain.
Berikan latar semasa, sudut pandangan, motivasi watak dan peristiwa yang patut berlaku seterusnya. Kenal pasti fakta yang telah ditetapkan dan butiran yang boleh direka oleh model. Untuk lakon peranan, nyatakan pihak yang mengawal setiap watak dan sama ada respons patut mengandungi narasi, dialog atau kedua-duanya. Ringkasan arahan yang berguna ialah: “Sambung adegan ini daripada sudut pandangan pencerita, kekalkan matlamat watak yang dinyatakan dan berhenti selepas komplikasi baharu didedahkan.”
Untuk petikan yang membina suasana, terangkan suasana yang dimaksudkan dan butiran yang patut membawanya: persekitaran, rentak, gaya suara dan tindakan di pusat adegan. Minta panjang dan titik berhenti yang diperlukan. Gaya panjang lebar boleh membekalkan tekstur, tetapi adegan masih mendapat manfaat daripada tujuan dramatik yang jelas, bukannya arahan mengembangkan tanpa arah.
Pembuat memerlukan pemformatan prom Alpaca untuk aliran kerja pelengkapan yang didokumenkan. Format ringkas terbitannya membezakan arahan sistem, arahan pengguna dan respons pembantu. Pisahkan peranan itu dan kekalkan format model sendiri apabila menyediakan sambungan. Aliran kerja sembang sekeliling mungkin mengendalikan pemformatan itu, tetapi nama model yang dipaparkan sahaja tidak menentukan pembinaan prom aplikasi.
Tetapan permulaan yang dicadangkan pengeluar ialah temperature 0.9, penalti pengulangan 1.1, top-p 0.58 dan top-k 50. Ini ialah cadangan pengeluar untuk varian eksperimen, bukannya tetapan yang disimpulkan bagi setiap aplikasi. Ia menyediakan titik permulaan untuk gaya prosa; hasil sebenar masih perlu disemak untuk pengulangan, gaya suara dan pematuhan adegan.
Pembuat Weaver secara jelas memberi peringatan tentang koheren dan ingatan. Kekalkan keadaan adegan terkini dan fakta penting watak dalam input apabila cerita diteruskan. Nota kesinambungan ringkas boleh mengenal pasti perkara yang telah berlaku, perkara yang diketahui watak dan perkara yang tidak boleh berubah. Jika petikan yang dijana bercanggah dengan nota itu, berikan ketidakpadanan khusus dan minta semakan yang terikat pada peristiwa yang telah ditetapkan.
Varian pengeluar menyenaraikan konteks 8,000 token dan output maksimum 6,000 token. Bahan sumber, arahan, perbualan dan pelengkapan perlu muat dalam peruntukan yang berkenaan; had output bukan ruang tambahan di luar konteks. Pembuat turut menyatakan varian ini tidak menyokong penjanaan multi-swipe. Anggap sambungan yang dijana sebagai satu hasil untuk diperiksa, bukannya mengandaikan alternatif serentak daripada satu permintaan.
Hasil boleh berupa sambungan adegan, petikan deskriptif atau pertukaran dialog watak. Semak sama ada ia mengekalkan sudut pandangan, autonomi watak, kronologi dan pengakhiran yang diminta. Untuk suntingan, kenal pasti petikan tepat yang perlu diubah dan maksud yang perlu dikekalkan. Sertakan fakta cerita yang berjaya dalam prom seterusnya, bukannya menjangka sejarah panjang yang tidak kelihatan kekal tersedia. Nilai praktikal Weaver Alpha ialah varian prosa kreatifnya, dengan identiti eksperimen dan had kesinambungan yang didokumenkan kekal jelas dalam cara tugas disediakan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mancer/weaver | 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 $0.0008 / 1K token Output · Token output $0.0015 / 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 $0.0008 / 1K token Output · Token output $0.0015 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mancer/weaver", "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='mancer/weaver',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='mancer/weaver',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 mancer/weaver
Gunakan laluan kaedah yang dipaparkan di atas.
mancer/weaverWeaver Alpha ialah sistem penjanaan teks eksperimen Mancer untuk lakon peranan dan prosa naratif. Gaya kreatifnya yang panjang lebar berfungsi paling baik dengan adegan jelas, ringkasan watak dan nota kesinambungan terkini; varian pengeluar menyenaraikan konteks 8,000 token dan had output 6,000 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Weaver Alpha ialah sistem eksperimen Mancer untuk lakon peranan dan penulisan naratif. Pengeluar menerangkan gabungan model lebih kecil yang bertujuan menghasilkan prosa panjang lebar, dikatalogkan sebagai sistem 13B berasaskan LLaMA 2. Ia menerima arahan adegan dan konteks bertulis serta menjana teks. Peranan utamanya ialah sambungan kreatif yang panjang lebar, bukannya janji ingatan jangka panjang yang koheren atau keupayaan luas model lain.
Berikan latar semasa, sudut pandangan, motivasi watak dan peristiwa yang patut berlaku seterusnya. Kenal pasti fakta yang telah ditetapkan dan butiran yang boleh direka oleh model. Untuk lakon peranan, nyatakan pihak yang mengawal setiap watak dan sama ada respons patut mengandungi narasi, dialog atau kedua-duanya. Ringkasan arahan yang berguna ialah: “Sambung adegan ini daripada sudut pandangan pencerita, kekalkan matlamat watak yang dinyatakan dan berhenti selepas komplikasi baharu didedahkan.”
Untuk petikan yang membina suasana, terangkan suasana yang dimaksudkan dan butiran yang patut membawanya: persekitaran, rentak, gaya suara dan tindakan di pusat adegan. Minta panjang dan titik berhenti yang diperlukan. Gaya panjang lebar boleh membekalkan tekstur, tetapi adegan masih mendapat manfaat daripada tujuan dramatik yang jelas, bukannya arahan mengembangkan tanpa arah.
Pembuat memerlukan pemformatan prom Alpaca untuk aliran kerja pelengkapan yang didokumenkan. Format ringkas terbitannya membezakan arahan sistem, arahan pengguna dan respons pembantu. Pisahkan peranan itu dan kekalkan format model sendiri apabila menyediakan sambungan. Aliran kerja sembang sekeliling mungkin mengendalikan pemformatan itu, tetapi nama model yang dipaparkan sahaja tidak menentukan pembinaan prom aplikasi.
Tetapan permulaan yang dicadangkan pengeluar ialah temperature 0.9, penalti pengulangan 1.1, top-p 0.58 dan top-k 50. Ini ialah cadangan pengeluar untuk varian eksperimen, bukannya tetapan yang disimpulkan bagi setiap aplikasi. Ia menyediakan titik permulaan untuk gaya prosa; hasil sebenar masih perlu disemak untuk pengulangan, gaya suara dan pematuhan adegan.
Pembuat Weaver secara jelas memberi peringatan tentang koheren dan ingatan. Kekalkan keadaan adegan terkini dan fakta penting watak dalam input apabila cerita diteruskan. Nota kesinambungan ringkas boleh mengenal pasti perkara yang telah berlaku, perkara yang diketahui watak dan perkara yang tidak boleh berubah. Jika petikan yang dijana bercanggah dengan nota itu, berikan ketidakpadanan khusus dan minta semakan yang terikat pada peristiwa yang telah ditetapkan.
Varian pengeluar menyenaraikan konteks 8,000 token dan output maksimum 6,000 token. Bahan sumber, arahan, perbualan dan pelengkapan perlu muat dalam peruntukan yang berkenaan; had output bukan ruang tambahan di luar konteks. Pembuat turut menyatakan varian ini tidak menyokong penjanaan multi-swipe. Anggap sambungan yang dijana sebagai satu hasil untuk diperiksa, bukannya mengandaikan alternatif serentak daripada satu permintaan.
Hasil boleh berupa sambungan adegan, petikan deskriptif atau pertukaran dialog watak. Semak sama ada ia mengekalkan sudut pandangan, autonomi watak, kronologi dan pengakhiran yang diminta. Untuk suntingan, kenal pasti petikan tepat yang perlu diubah dan maksud yang perlu dikekalkan. Sertakan fakta cerita yang berjaya dalam prom seterusnya, bukannya menjangka sejarah panjang yang tidak kelihatan kekal tersedia. Nilai praktikal Weaver Alpha ialah varian prosa kreatifnya, dengan identiti eksperimen dan had kesinambungan yang didokumenkan kekal jelas dalam cara tugas disediakan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mancer/weaver | 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 $0.0008 / 1K token Output · Token output $0.0015 / 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 $0.0008 / 1K token Output · Token output $0.0015 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mancer/weaver",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mancer/weaver', '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': 'mancer/weaver', '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 mancer/weaver
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reveal a scene complication\n\nContinue in close third person through cartographer Nera. She has reached an abandoned observatory to recover her stolen atlas; her companion believes it burned. Write 200 words of atmospheric prose with one brief exchange. Preserve those facts, then stop when Nera finds a freshly drawn map of their route inside the supposedly empty dome.An atmospheric scene continuation around 200 words, ending on the discovery rather than resolving it.Check viewpoint, the companion's belief and the requested stopping event remain consistent.