Llama 3.1 8B Instruct ialah model teks lapan bilion parameter Meta untuk dialog berbilang bahasa dan pembantu berasaskan arahan. Model ini menerima perbualan bertulis dan bahan sumber serta menghasilkan teks atau kod. Ini ialah edisi Instruct bersaiz 8B, berbeza daripada asas pralatihnya dan model 70B serta 405B dalam keluarga tersebut.
Seni bina, konteks dan bahasa
Model ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention. Keluarga ditala arahan menggunakan penalaan halus terselia dan pembelajaran pengukuhan dengan maklum balas manusia untuk menjajarkan respons perbualannya. Pengeluar mendokumenkan konteks 128k bagi keluaran teks ini; ia bukan spesifikasi penglihatan atau konteks panjang bagi model Llama 4 yang kemudian.
Lapan bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Data pralatihan merangkumi himpunan yang lebih luas, berbeza daripada bahasa yang disokong secara jelas dalam kad. Nyatakan bahasa akhir dan sebarang nama, pengecam pemboleh ubah atau istilah yang mesti kekal tidak berubah dalam hasil berbilang bahasa.
Keluarga ini dipralatih pada kira-kira lima belas trilion token, dengan tarikh akhir data Disember 2023. Penalaan halus merangkumi bahan arahan dan lebih dua puluh lima juta contoh sintetik. Ini menerangkan latihan model, bukannya akses kepada pangkalan pengetahuan persendirian atau maklumat langsung apabila soalan baharu diterima.
Operasi teks yang ditetapkan
Permintaan berorientasikan sokongan boleh membekalkan mesej pengguna dan petikan rujukan berkaitan, kemudian meminta jawapan dan syarat yang menyokongnya. Rekod padat boleh memisahkan isu, maklumat yang telah dibekalkan dan langkah seterusnya yang diperlukan. Tetapkan nama medan dan pengendalian nilai yang tiada apabila aplikasi perlu memproses hasil itu.
Untuk peringkasan, berikan petikan atau pertukaran mesej sebenar dan nyatakan khalayak, panjang dan fakta yang perlu dikekalkan. Minta keputusan atau soalan belum selesai yang berkaitan dengan satu topik dan bukannya ringkasan tanpa arah bagi bahan yang tidak berkaitan. Susulan boleh meminta jawapan lebih pendek atau penjelasan lebih jelas tentang satu syarat sambil mengekalkan fakta sumber yang sama.
Untuk penyuntingan, nyatakan pembaca dan nada serta kenal pasti makna yang mesti kekal tidak berubah. Tugas praktikal mungkin meminta mesej yang lebih jelas diikuti senarai perubahan ringkas, atau mesej yang disemak sahaja jika ia akan digunakan secara langsung. Tugas pengelasan perlu membekalkan label yang dibenarkan dan perbezaan antaranya, bukannya bergantung pada nama label untuk menetapkan peraturan.
Penjanaan kod dan contoh
Output yang didokumenkan turut merangkumi kod. Bekalkan bahasa, input yang diperlukan dan hasil yang dijangka sebelum meminta fungsi. Untuk penjelasan, berikan fungsi sedia ada dan input nyata serta tanya langkah yang menentukan nilai pulangannya. Untuk pembetulan, sertakan kegagalan yang diperhatikan dan tingkah laku yang dimaksudkan, sambil mengekalkan antara muka yang mesti serasi.
Output yang berguna boleh memisahkan kod yang dicadangkan, andaiannya dan input contoh. Aplikasi atau pembangun melakukan kompilasi, pelaksanaan atau perubahan repositori sebenar. Kod sumber bertulis ialah artifak untuk disemak, bukannya operasi luaran yang telah selesai hanya kerana model mengembalikannya.
Keluarga ini turut menyokong penggunaan output yang dijana untuk contoh sintetik dan penyulingan. Permintaan teks yang ditetapkan boleh menghasilkan variasi mengikut peraturan yang dibekalkan dan dalam format yang ditentukan. Kekalkan peraturan dan label supaya setiap contoh boleh disemak; contoh yang dijana tidak membuktikan ketepatan set data latihan secara bebas.
Peranan perbualan dan penggunaan alat
Kad model menunjukkan templat sembang dengan mesej system dan user berasingan. Tetapkan peranan pembantu dan keperluan respons dalam konteks system, kemudian berikan soalan dan bahan sumber sebagai tugas. Kekalkan mesej terdahulu yang berkaitan apabila meminta susulan atau membekalkan bukti baharu yang mengubah hasil.
Llama 3.1 mendokumenkan pelbagai format penggunaan alat. Aplikasi menerangkan fungsi, model menjana cadangan panggilan dan argumen, aplikasi melaksanakannya dan mengembalikan hasil dengan peranan tool. Jawapan seterusnya kemudian boleh menggunakan maklumat yang dikembalikan. Kekalkan hubungan operasi asal dan hasil melalui perbualan.
Sebagai contoh, carian boleh mengembalikan nilai rujukan semasa yang tiada dalam petikan, atau alat pengiraan boleh membekalkan hasil berangka yang diperlukan untuk penjelasan. Pembantu yang menggunakan alat memerlukan operasi tersebut dibekalkan oleh persekitaran. Tingkah laku teks model tidak dengan sendirinya mewujudkan sambungan kepada sumber luaran atau melengkapkan kesan sampingan.
Sempadan praktikal
Label konteks 128k pengeluar perlu dikekalkan bersama keluaran 8B Instruct yang tepat dan konfigurasi berkenaan. Contoh penjanaan 256 token hanyalah pilihan penggunaan; sumber yang dibaca tidak menyatakan had keras kapasiti jawapan maksimum yang berasingan. Saiz 8B tidak sepatutnya mewarisi bilangan parameter ahli lain atau kawalan penaakulan yang dinamakan oleh keluarga berasingan.
Ini ialah model teks sahaja. Input visual, pemahaman audio dan penjanaan pertuturan memerlukan komponen yang ditentukan secara berasingan. Tetapkan artifak akhir sebelum membekalkan bahan: jawapan ringkas, rekod yang diekstrak, petikan yang disemak, penjelasan atau cadangan kod. Kekalkan maklumat sumber yang diperlukan untuk menyemak makna dan format artifak tersebut.
", "aboutText": "Llama 3.1 8B Instruct ialah model teks lapan bilion parameter Meta untuk dialog berbilang bahasa dan pembantu berasaskan arahan. Model ini menerima perbualan bertulis dan bahan sumber serta menghasilkan teks atau kod. Ini ialah edisi Instruct bersaiz 8B, berbeza daripada asas pralatihnya dan model 70B serta 405B dalam keluarga tersebut.\n\nSeni bina, konteks dan bahasa\n\nModel ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention. Keluarga ditala arahan menggunakan penalaan halus terselia dan pembelajaran pengukuhan dengan maklum balas manusia untuk menjajarkan respons perbualannya. Pengeluar mendokumenkan konteks 128k bagi keluaran teks ini; ia bukan spesifikasi penglihatan atau konteks panjang bagi model Llama 4 yang kemudian.\n\nLapan bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Data pralatihan merangkumi himpunan yang lebih luas, berbeza daripada bahasa yang disokong secara jelas dalam kad. Nyatakan bahasa akhir dan sebarang nama, pengecam pemboleh ubah atau istilah yang mesti kekal tidak berubah dalam hasil berbilang bahasa.\n\nKeluarga ini dipralatih pada kira-kira lima belas trilion token, dengan tarikh akhir data Disember 2023. Penalaan halus merangkumi bahan arahan dan lebih dua puluh lima juta contoh sintetik. Ini menerangkan latihan model, bukannya akses kepada pangkalan pengetahuan persendirian atau maklumat langsung apabila soalan baharu diterima.\n\nOperasi teks yang ditetapkan\n\nPermintaan berorientasikan sokongan boleh membekalkan mesej pengguna dan petikan rujukan berkaitan, kemudian meminta jawapan dan syarat yang menyokongnya. Rekod padat boleh memisahkan isu, maklumat yang telah dibekalkan dan langkah seterusnya yang diperlukan. Tetapkan nama medan dan pengendalian nilai yang tiada apabila aplikasi perlu memproses hasil itu.\n\nUntuk peringkasan, berikan petikan atau pertukaran mesej sebenar dan nyatakan khalayak, panjang dan fakta yang perlu dikekalkan. Minta keputusan atau soalan belum selesai yang berkaitan dengan satu topik dan bukannya ringkasan tanpa arah bagi bahan yang tidak berkaitan. Susulan boleh meminta jawapan lebih pendek atau penjelasan lebih jelas tentang satu syarat sambil mengekalkan fakta sumber yang sama.\n\nUntuk penyuntingan, nyatakan pembaca dan nada serta kenal pasti makna yang mesti kekal tidak berubah. Tugas praktikal mungkin meminta mesej yang lebih jelas diikuti senarai perubahan ringkas, atau mesej yang disemak sahaja jika ia akan digunakan secara langsung. Tugas pengelasan perlu membekalkan label yang dibenarkan dan perbezaan antaranya, bukannya bergantung pada nama label untuk menetapkan peraturan.\n\nPenjanaan kod dan contoh\n\nOutput yang didokumenkan turut merangkumi kod. Bekalkan bahasa, input yang diperlukan dan hasil yang dijangka sebelum meminta fungsi. Untuk penjelasan, berikan fungsi sedia ada dan input nyata serta tanya langkah yang menentukan nilai pulangannya. Untuk pembetulan, sertakan kegagalan yang diperhatikan dan tingkah laku yang dimaksudkan, sambil mengekalkan antara muka yang mesti serasi.\n\nOutput yang berguna boleh memisahkan kod yang dicadangkan, andaiannya dan input contoh. Aplikasi atau pembangun melakukan kompilasi, pelaksanaan atau perubahan repositori sebenar. Kod sumber bertulis ialah artifak untuk disemak, bukannya operasi luaran yang telah selesai hanya kerana model mengembalikannya.\n\nKeluarga ini turut menyokong penggunaan output yang dijana untuk contoh sintetik dan penyulingan. Permintaan teks yang ditetapkan boleh menghasilkan variasi mengikut peraturan yang dibekalkan dan dalam format yang ditentukan. Kekalkan peraturan dan label supaya setiap contoh boleh disemak; contoh yang dijana tidak membuktikan ketepatan set data latihan secara bebas.\n\nPeranan perbualan dan penggunaan alat\n\nKad model menunjukkan templat sembang dengan mesej system dan user berasingan. Tetapkan peranan pembantu dan keperluan respons dalam konteks system, kemudian berikan soalan dan bahan sumber sebagai tugas. Kekalkan mesej terdahulu yang berkaitan apabila meminta susulan atau membekalkan bukti baharu yang mengubah hasil.\n\nLlama 3.1 mendokumenkan pelbagai format penggunaan alat. Aplikasi menerangkan fungsi, model menjana cadangan panggilan dan argumen, aplikasi melaksanakannya dan mengembalikan hasil dengan peranan tool. Jawapan seterusnya kemudian boleh menggunakan maklumat yang dikembalikan. Kekalkan hubungan operasi asal dan hasil melalui perbualan.\n\nSebagai contoh, carian boleh mengembalikan nilai rujukan semasa yang tiada dalam petikan, atau alat pengiraan boleh membekalkan hasil berangka yang diperlukan untuk penjelasan. Pembantu yang menggunakan alat memerlukan operasi tersebut dibekalkan oleh persekitaran. Tingkah laku teks model tidak dengan sendirinya mewujudkan sambungan kepada sumber luaran atau melengkapkan kesan sampingan.\n\nSempadan praktikal\n\nLabel konteks 128k pengeluar perlu dikekalkan bersama keluaran 8B Instruct yang tepat dan konfigurasi berkenaan. Contoh penjanaan 256 token hanyalah pilihan penggunaan; sumber yang dibaca tidak menyatakan had keras kapasiti jawapan maksimum yang berasingan. Saiz 8B tidak sepatutnya mewarisi bilangan parameter ahli lain atau kawalan penaakulan yang dinamakan oleh keluarga berasingan.\n\nIni ialah model teks sahaja. Input visual, pemahaman audio dan penjanaan pertuturan memerlukan komponen yang ditentukan secara berasingan. Tetapkan artifak akhir sebelum membekalkan bahan: jawapan ringkas, rekod yang diekstrak, petikan yang disemak, penjelasan atau cadangan kod. Kekalkan maklumat sumber yang diperlukan untuk menyemak makna dan format artifak tersebut.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Translate a delivery notice into German\n\nTranslate this customer notice into German: 'Order BN-42 will leave our warehouse on Thursday. Delivery normally takes three business days. We will send tracking details after dispatch.' Preserve BN-42, distinguish dispatch from delivery and use a polite professional tone. Return only the translation; do not turn the normal transit time into a guaranteed arrival date.One German customer notice preserving the identifier, event sequence and qualified transit time.The translation distinguishes warehouse dispatch from delivery and retains the word's sense of a normal estimate.meta-llama/llama-3.1-8b-instructLlama 3.1 8B Instruct ialah model arahan teks Meta yang lebih kecil untuk dialog berbilang bahasa, ringkasan dan jawapan bersyaratkan sumber. Model ini mempunyai saiz parameter 8B, konteks pengeluar 128k, grouped-query attention dan format penggunaan alat yang didokumenkan, serta mengembalikan teks atau kod.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Llama 3.1 8B Instruct ialah model teks lapan bilion parameter Meta untuk dialog berbilang bahasa dan pembantu berasaskan arahan. Model ini menerima perbualan bertulis dan bahan sumber serta menghasilkan teks atau kod. Ini ialah edisi Instruct bersaiz 8B, berbeza daripada asas pralatihnya dan model 70B serta 405B dalam keluarga tersebut.
Seni bina, konteks dan bahasa
Model ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention. Keluarga ditala arahan menggunakan penalaan halus terselia dan pembelajaran pengukuhan dengan maklum balas manusia untuk menjajarkan respons perbualannya. Pengeluar mendokumenkan konteks 128k bagi keluaran teks ini; ia bukan spesifikasi penglihatan atau konteks panjang bagi model Llama 4 yang kemudian.
Lapan bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Data pralatihan merangkumi himpunan yang lebih luas, berbeza daripada bahasa yang disokong secara jelas dalam kad. Nyatakan bahasa akhir dan sebarang nama, pengecam pemboleh ubah atau istilah yang mesti kekal tidak berubah dalam hasil berbilang bahasa.
Keluarga ini dipralatih pada kira-kira lima belas trilion token, dengan tarikh akhir data Disember 2023. Penalaan halus merangkumi bahan arahan dan lebih dua puluh lima juta contoh sintetik. Ini menerangkan latihan model, bukannya akses kepada pangkalan pengetahuan persendirian atau maklumat langsung apabila soalan baharu diterima.
Operasi teks yang ditetapkan
Permintaan berorientasikan sokongan boleh membekalkan mesej pengguna dan petikan rujukan berkaitan, kemudian meminta jawapan dan syarat yang menyokongnya. Rekod padat boleh memisahkan isu, maklumat yang telah dibekalkan dan langkah seterusnya yang diperlukan. Tetapkan nama medan dan pengendalian nilai yang tiada apabila aplikasi perlu memproses hasil itu.
Untuk peringkasan, berikan petikan atau pertukaran mesej sebenar dan nyatakan khalayak, panjang dan fakta yang perlu dikekalkan. Minta keputusan atau soalan belum selesai yang berkaitan dengan satu topik dan bukannya ringkasan tanpa arah bagi bahan yang tidak berkaitan. Susulan boleh meminta jawapan lebih pendek atau penjelasan lebih jelas tentang satu syarat sambil mengekalkan fakta sumber yang sama.
Untuk penyuntingan, nyatakan pembaca dan nada serta kenal pasti makna yang mesti kekal tidak berubah. Tugas praktikal mungkin meminta mesej yang lebih jelas diikuti senarai perubahan ringkas, atau mesej yang disemak sahaja jika ia akan digunakan secara langsung. Tugas pengelasan perlu membekalkan label yang dibenarkan dan perbezaan antaranya, bukannya bergantung pada nama label untuk menetapkan peraturan.
Penjanaan kod dan contoh
Output yang didokumenkan turut merangkumi kod. Bekalkan bahasa, input yang diperlukan dan hasil yang dijangka sebelum meminta fungsi. Untuk penjelasan, berikan fungsi sedia ada dan input nyata serta tanya langkah yang menentukan nilai pulangannya. Untuk pembetulan, sertakan kegagalan yang diperhatikan dan tingkah laku yang dimaksudkan, sambil mengekalkan antara muka yang mesti serasi.
Output yang berguna boleh memisahkan kod yang dicadangkan, andaiannya dan input contoh. Aplikasi atau pembangun melakukan kompilasi, pelaksanaan atau perubahan repositori sebenar. Kod sumber bertulis ialah artifak untuk disemak, bukannya operasi luaran yang telah selesai hanya kerana model mengembalikannya.
Keluarga ini turut menyokong penggunaan output yang dijana untuk contoh sintetik dan penyulingan. Permintaan teks yang ditetapkan boleh menghasilkan variasi mengikut peraturan yang dibekalkan dan dalam format yang ditentukan. Kekalkan peraturan dan label supaya setiap contoh boleh disemak; contoh yang dijana tidak membuktikan ketepatan set data latihan secara bebas.
Peranan perbualan dan penggunaan alat
Kad model menunjukkan templat sembang dengan mesej system dan user berasingan. Tetapkan peranan pembantu dan keperluan respons dalam konteks system, kemudian berikan soalan dan bahan sumber sebagai tugas. Kekalkan mesej terdahulu yang berkaitan apabila meminta susulan atau membekalkan bukti baharu yang mengubah hasil.
Llama 3.1 mendokumenkan pelbagai format penggunaan alat. Aplikasi menerangkan fungsi, model menjana cadangan panggilan dan argumen, aplikasi melaksanakannya dan mengembalikan hasil dengan peranan tool. Jawapan seterusnya kemudian boleh menggunakan maklumat yang dikembalikan. Kekalkan hubungan operasi asal dan hasil melalui perbualan.
Sebagai contoh, carian boleh mengembalikan nilai rujukan semasa yang tiada dalam petikan, atau alat pengiraan boleh membekalkan hasil berangka yang diperlukan untuk penjelasan. Pembantu yang menggunakan alat memerlukan operasi tersebut dibekalkan oleh persekitaran. Tingkah laku teks model tidak dengan sendirinya mewujudkan sambungan kepada sumber luaran atau melengkapkan kesan sampingan.
Sempadan praktikal
Label konteks 128k pengeluar perlu dikekalkan bersama keluaran 8B Instruct yang tepat dan konfigurasi berkenaan. Contoh penjanaan 256 token hanyalah pilihan penggunaan; sumber yang dibaca tidak menyatakan had keras kapasiti jawapan maksimum yang berasingan. Saiz 8B tidak sepatutnya mewarisi bilangan parameter ahli lain atau kawalan penaakulan yang dinamakan oleh keluarga berasingan.
Ini ialah model teks sahaja. Input visual, pemahaman audio dan penjanaan pertuturan memerlukan komponen yang ditentukan secara berasingan. Tetapkan artifak akhir sebelum membekalkan bahan: jawapan ringkas, rekod yang diekstrak, petikan yang disemak, penjelasan atau cadangan kod. Kekalkan maklumat sumber yang diperlukan untuk menyemak makna dan format artifak tersebut.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta-llama/llama-3.1-8b-instruct | 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 $0.00044 / 1K token Output · Token output $0.00044 / 1K token Input · Bacaan cache $0.00044 / 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 $0.00044 / 1K token Output · Token output $0.00044 / 1K token Input · Bacaan cache $0.00044 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.1-8b-instruct", "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='meta-llama/llama-3.1-8b-instruct',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='meta-llama/llama-3.1-8b-instruct',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 meta-llama/llama-3.1-8b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
meta-llama/llama-3.1-8b-instructLlama 3.1 8B Instruct ialah model arahan teks Meta yang lebih kecil untuk dialog berbilang bahasa, ringkasan dan jawapan bersyaratkan sumber. Model ini mempunyai saiz parameter 8B, konteks pengeluar 128k, grouped-query attention dan format penggunaan alat yang didokumenkan, serta mengembalikan teks atau kod.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Llama 3.1 8B Instruct ialah model teks lapan bilion parameter Meta untuk dialog berbilang bahasa dan pembantu berasaskan arahan. Model ini menerima perbualan bertulis dan bahan sumber serta menghasilkan teks atau kod. Ini ialah edisi Instruct bersaiz 8B, berbeza daripada asas pralatihnya dan model 70B serta 405B dalam keluarga tersebut.
Seni bina, konteks dan bahasa
Model ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention. Keluarga ditala arahan menggunakan penalaan halus terselia dan pembelajaran pengukuhan dengan maklum balas manusia untuk menjajarkan respons perbualannya. Pengeluar mendokumenkan konteks 128k bagi keluaran teks ini; ia bukan spesifikasi penglihatan atau konteks panjang bagi model Llama 4 yang kemudian.
Lapan bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Data pralatihan merangkumi himpunan yang lebih luas, berbeza daripada bahasa yang disokong secara jelas dalam kad. Nyatakan bahasa akhir dan sebarang nama, pengecam pemboleh ubah atau istilah yang mesti kekal tidak berubah dalam hasil berbilang bahasa.
Keluarga ini dipralatih pada kira-kira lima belas trilion token, dengan tarikh akhir data Disember 2023. Penalaan halus merangkumi bahan arahan dan lebih dua puluh lima juta contoh sintetik. Ini menerangkan latihan model, bukannya akses kepada pangkalan pengetahuan persendirian atau maklumat langsung apabila soalan baharu diterima.
Operasi teks yang ditetapkan
Permintaan berorientasikan sokongan boleh membekalkan mesej pengguna dan petikan rujukan berkaitan, kemudian meminta jawapan dan syarat yang menyokongnya. Rekod padat boleh memisahkan isu, maklumat yang telah dibekalkan dan langkah seterusnya yang diperlukan. Tetapkan nama medan dan pengendalian nilai yang tiada apabila aplikasi perlu memproses hasil itu.
Untuk peringkasan, berikan petikan atau pertukaran mesej sebenar dan nyatakan khalayak, panjang dan fakta yang perlu dikekalkan. Minta keputusan atau soalan belum selesai yang berkaitan dengan satu topik dan bukannya ringkasan tanpa arah bagi bahan yang tidak berkaitan. Susulan boleh meminta jawapan lebih pendek atau penjelasan lebih jelas tentang satu syarat sambil mengekalkan fakta sumber yang sama.
Untuk penyuntingan, nyatakan pembaca dan nada serta kenal pasti makna yang mesti kekal tidak berubah. Tugas praktikal mungkin meminta mesej yang lebih jelas diikuti senarai perubahan ringkas, atau mesej yang disemak sahaja jika ia akan digunakan secara langsung. Tugas pengelasan perlu membekalkan label yang dibenarkan dan perbezaan antaranya, bukannya bergantung pada nama label untuk menetapkan peraturan.
Penjanaan kod dan contoh
Output yang didokumenkan turut merangkumi kod. Bekalkan bahasa, input yang diperlukan dan hasil yang dijangka sebelum meminta fungsi. Untuk penjelasan, berikan fungsi sedia ada dan input nyata serta tanya langkah yang menentukan nilai pulangannya. Untuk pembetulan, sertakan kegagalan yang diperhatikan dan tingkah laku yang dimaksudkan, sambil mengekalkan antara muka yang mesti serasi.
Output yang berguna boleh memisahkan kod yang dicadangkan, andaiannya dan input contoh. Aplikasi atau pembangun melakukan kompilasi, pelaksanaan atau perubahan repositori sebenar. Kod sumber bertulis ialah artifak untuk disemak, bukannya operasi luaran yang telah selesai hanya kerana model mengembalikannya.
Keluarga ini turut menyokong penggunaan output yang dijana untuk contoh sintetik dan penyulingan. Permintaan teks yang ditetapkan boleh menghasilkan variasi mengikut peraturan yang dibekalkan dan dalam format yang ditentukan. Kekalkan peraturan dan label supaya setiap contoh boleh disemak; contoh yang dijana tidak membuktikan ketepatan set data latihan secara bebas.
Peranan perbualan dan penggunaan alat
Kad model menunjukkan templat sembang dengan mesej system dan user berasingan. Tetapkan peranan pembantu dan keperluan respons dalam konteks system, kemudian berikan soalan dan bahan sumber sebagai tugas. Kekalkan mesej terdahulu yang berkaitan apabila meminta susulan atau membekalkan bukti baharu yang mengubah hasil.
Llama 3.1 mendokumenkan pelbagai format penggunaan alat. Aplikasi menerangkan fungsi, model menjana cadangan panggilan dan argumen, aplikasi melaksanakannya dan mengembalikan hasil dengan peranan tool. Jawapan seterusnya kemudian boleh menggunakan maklumat yang dikembalikan. Kekalkan hubungan operasi asal dan hasil melalui perbualan.
Sebagai contoh, carian boleh mengembalikan nilai rujukan semasa yang tiada dalam petikan, atau alat pengiraan boleh membekalkan hasil berangka yang diperlukan untuk penjelasan. Pembantu yang menggunakan alat memerlukan operasi tersebut dibekalkan oleh persekitaran. Tingkah laku teks model tidak dengan sendirinya mewujudkan sambungan kepada sumber luaran atau melengkapkan kesan sampingan.
Sempadan praktikal
Label konteks 128k pengeluar perlu dikekalkan bersama keluaran 8B Instruct yang tepat dan konfigurasi berkenaan. Contoh penjanaan 256 token hanyalah pilihan penggunaan; sumber yang dibaca tidak menyatakan had keras kapasiti jawapan maksimum yang berasingan. Saiz 8B tidak sepatutnya mewarisi bilangan parameter ahli lain atau kawalan penaakulan yang dinamakan oleh keluarga berasingan.
Ini ialah model teks sahaja. Input visual, pemahaman audio dan penjanaan pertuturan memerlukan komponen yang ditentukan secara berasingan. Tetapkan artifak akhir sebelum membekalkan bahan: jawapan ringkas, rekod yang diekstrak, petikan yang disemak, penjelasan atau cadangan kod. Kekalkan maklumat sumber yang diperlukan untuk menyemak makna dan format artifak tersebut.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta-llama/llama-3.1-8b-instruct | 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 $0.00044 / 1K token Output · Token output $0.00044 / 1K token Input · Bacaan cache $0.00044 / 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 $0.00044 / 1K token Output · Token output $0.00044 / 1K token Input · Bacaan cache $0.00044 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "meta-llama/llama-3.1-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.1-8b-instruct', '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': 'meta-llama/llama-3.1-8b-instruct', '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 meta-llama/llama-3.1-8b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Translate a delivery notice into German\n\nTranslate this customer notice into German: 'Order BN-42 will leave our warehouse on Thursday. Delivery normally takes three business days. We will send tracking details after dispatch.' Preserve BN-42, distinguish dispatch from delivery and use a polite professional tone. Return only the translation; do not turn the normal transit time into a guaranteed arrival date.One German customer notice preserving the identifier, event sequence and qualified transit time.The translation distinguishes warehouse dispatch from delivery and retains the word's sense of a normal estimate.