Llama 3.2 1B Instruct ialah model teks padat ditala arahan Meta, dengan 1.23 bilion parameter dalam jadual pengeluar. Model ini menerima teks berbilang bahasa dan mengembalikan teks atau kod. Keluaran ini ditujukan untuk dialog, pemerolehan pengetahuan, peringkasan, pembantu penulisan mudah alih dan penulisan semula pertanyaan atau prom, bukannya tugas pemahaman imej bagi edisi penglihatan Llama yang berasingan.
Maklumat model dan konteks
Model ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention dan embedding kongsi. Meta membezakan model 1B dan 3B pralatih daripada model yang ditala arahan. Entri ini ialah checkpoint 1B Instruct, yang bertugas mengikuti permintaan pengguna dalam perbualan dan bukannya berfungsi sebagai asas pralatih.
Keluaran teks biasa didokumenkan dengan konteks 128k. Pengeluar menyenaraikan konteks 8k secara berasingan untuk model teks terkuantisasinya. Konfigurasi itu perlu kekal berbeza: kuantisasi tidak membenarkan pemindahan konteks keluaran biasa kepada setiap checkpoint berformat lebih kecil atau kesimpulan tentang kapasiti terkonfigurasi sesuatu perkhidmatan tertentu.
Gunakan konteks untuk petikan dan perbualan yang berkaitan dengan satu operasi yang ditetapkan. Dokumen panjang masih boleh memerlukan ringkasan ringkas, pertanyaan carian yang ditulis semula atau jawapan berasaskan sumber. Kenal pasti bahan yang mesti dikekalkan dalam hasil serta panjang atau medan yang diperlukan oleh langkah aplikasi seterusnya.
Pemerolehan maklumat, ringkasan dan penulisan semula
Untuk peringkasan, berikan petikan atau perbualan sebenar dan nyatakan khalayak, panjang dan fakta penting. Hasil yang berguna boleh memisahkan isu utama, keputusan yang telah dinyatakan dan soalan terbuka. Jika sumber mengandungi beberapa topik, kenal pasti topik yang perlu diringkaskan dan bukannya meminta pemendekan semua perkara tanpa arah.
Untuk pemerolehan pengetahuan, bekalkan petikan sumber terpilih atau maklumat yang dikembalikan oleh komponen pemerolehan maklumat. Minta pernyataan yang menjawab soalan dan petikan yang menyokongnya. Respons teks model boleh menjelaskan maklumat yang diperoleh, manakala pencarian koleksi persendirian kekal sebagai kerja aplikasi yang disambungkan. Model tidak memperoleh koleksi itu hanya melalui label kes penggunaan pemerolehan maklumat.
Untuk penulisan semula pertanyaan, berikan soalan asal dan tujuan carian. Minta rumusan semula ringkas yang mengekalkan entiti, syarat dan maklumat yang dikehendaki. Pertanyaan sokongan boleh ditulis semula menggunakan istilah produk dan tindakan yang penting, tanpa menambah fakta yang tiada dalam mesej pengguna. Kembalikan pertanyaan yang disemak secara berasingan daripada sebarang penjelasan jika komponen lain akan menggunakannya secara langsung.
Untuk pembantu penulisan, nyatakan pembaca, nada dan fakta sumber sebelum meminta surat ringkas atau petikan yang disemak. Untuk tugas pengekstrakan, tetapkan medan dan cara mewakili maklumat yang tiada. Ini ialah operasi nyata yang menghubungkan fokus teks model padat yang didokumenkan dengan artifak yang boleh disemak.
Bahasa yang disokong dan latihan
Bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Model dilatih pada himpunan bahasa yang lebih luas, berbeza daripada lapan bahasa yang disokong secara jelas dalam kad. Kenal pasti bahasa akhir dan sebarang istilah atau pengecam yang mesti kekal tidak berubah.
Keluarga ini dipralatih pada sehingga sembilan trilion token, dengan tarikh akhir data Disember 2023. Untuk model 1B dan 3B, pengeluar menggunakan output Llama 3.1 8B dan 70B sebagai sasaran latihan pada peringkat token serta penyulingan pengetahuan selepas pemangkasan. Ini ialah proses latihan; ia tidak bermakna model 1B yang digunakan meminta model yang lebih besar itu menjawab setiap soalan pengguna.
Kad menerangkan penalaan halus terselia dan penjajaran berasaskan keutamaan, dengan pusingan pascalatihan yang melibatkan contoh terselia, pensampelan penolakan dan pengoptimuman keutamaan langsung. Peringkat tersebut menghasilkan tingkah laku Instruct sambil mengekalkan checkpoint yang dinamakan dan modaliti teks sahaja.
Perbualan dan edisi terkuantisasi
Pengeluar menunjukkan mesej system dan user berasingan menggunakan format perbualan yang sepadan. Tetapkan peranan pembantu dan keperluan respons secara berasingan daripada teks sumber sebenar. Kekalkan jawapan terdahulu yang berkaitan apabila susulan meminta semakan, penjelasan atau bentuk lain bagi maklumat yang sama.
Keluaran ini juga mendokumenkan varian quantization-aware dan varian yang dikuantisasi selepas latihan secara berasingan. Presisi dan konteks 8k masing-masing khusus kepada varian tersebut, bukannya spesifikasi sejagat untuk entri Instruct biasa ini. Gunakan checkpoint dan konfigurasi tepat apabila membandingkan tugas berulang atau menyediakan penggunaan terbitan.
Sempadan substantif
Keluaran 1B ini ialah teks sahaja. Ia tidak sepatutnya mewarisi input imej daripada model penglihatan 11B atau 90B Llama 3.2, keupayaan teks dan imej Llama 4 atau kawalan tahap usaha penaakulan yang dinamakan dalam Muse Spark. Contoh penjanaan 256 token pada kad ialah tetapan contoh, bukannya kapasiti jawapan maksimum yang dinyatakan secara bebas.
Hasil akhir yang praktikal ialah ringkasan, pertanyaan, rekod yang diekstrak atau teks yang ditulis semula seperti diminta, dengan makna dan pengecam sumber yang berkaitan dikekalkan. Sumber yang dibaca tidak menyatakan had keras token output yang berasingan. Pastikan tugas terfokus, bahan input lengkap untuk operasi itu dan perbezaan konteks biasa berbanding terkuantisasi dinyatakan dengan jelas.
", "aboutText": "Llama 3.2 1B Instruct ialah model teks padat ditala arahan Meta, dengan 1.23 bilion parameter dalam jadual pengeluar. Model ini menerima teks berbilang bahasa dan mengembalikan teks atau kod. Keluaran ini ditujukan untuk dialog, pemerolehan pengetahuan, peringkasan, pembantu penulisan mudah alih dan penulisan semula pertanyaan atau prom, bukannya tugas pemahaman imej bagi edisi penglihatan Llama yang berasingan.\n\nMaklumat model dan konteks\n\nModel ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention dan embedding kongsi. Meta membezakan model 1B dan 3B pralatih daripada model yang ditala arahan. Entri ini ialah checkpoint 1B Instruct, yang bertugas mengikuti permintaan pengguna dalam perbualan dan bukannya berfungsi sebagai asas pralatih.\n\nKeluaran teks biasa didokumenkan dengan konteks 128k. Pengeluar menyenaraikan konteks 8k secara berasingan untuk model teks terkuantisasinya. Konfigurasi itu perlu kekal berbeza: kuantisasi tidak membenarkan pemindahan konteks keluaran biasa kepada setiap checkpoint berformat lebih kecil atau kesimpulan tentang kapasiti terkonfigurasi sesuatu perkhidmatan tertentu.\n\nGunakan konteks untuk petikan dan perbualan yang berkaitan dengan satu operasi yang ditetapkan. Dokumen panjang masih boleh memerlukan ringkasan ringkas, pertanyaan carian yang ditulis semula atau jawapan berasaskan sumber. Kenal pasti bahan yang mesti dikekalkan dalam hasil serta panjang atau medan yang diperlukan oleh langkah aplikasi seterusnya.\n\nPemerolehan maklumat, ringkasan dan penulisan semula\n\nUntuk peringkasan, berikan petikan atau perbualan sebenar dan nyatakan khalayak, panjang dan fakta penting. Hasil yang berguna boleh memisahkan isu utama, keputusan yang telah dinyatakan dan soalan terbuka. Jika sumber mengandungi beberapa topik, kenal pasti topik yang perlu diringkaskan dan bukannya meminta pemendekan semua perkara tanpa arah.\n\nUntuk pemerolehan pengetahuan, bekalkan petikan sumber terpilih atau maklumat yang dikembalikan oleh komponen pemerolehan maklumat. Minta pernyataan yang menjawab soalan dan petikan yang menyokongnya. Respons teks model boleh menjelaskan maklumat yang diperoleh, manakala pencarian koleksi persendirian kekal sebagai kerja aplikasi yang disambungkan. Model tidak memperoleh koleksi itu hanya melalui label kes penggunaan pemerolehan maklumat.\n\nUntuk penulisan semula pertanyaan, berikan soalan asal dan tujuan carian. Minta rumusan semula ringkas yang mengekalkan entiti, syarat dan maklumat yang dikehendaki. Pertanyaan sokongan boleh ditulis semula menggunakan istilah produk dan tindakan yang penting, tanpa menambah fakta yang tiada dalam mesej pengguna. Kembalikan pertanyaan yang disemak secara berasingan daripada sebarang penjelasan jika komponen lain akan menggunakannya secara langsung.\n\nUntuk pembantu penulisan, nyatakan pembaca, nada dan fakta sumber sebelum meminta surat ringkas atau petikan yang disemak. Untuk tugas pengekstrakan, tetapkan medan dan cara mewakili maklumat yang tiada. Ini ialah operasi nyata yang menghubungkan fokus teks model padat yang didokumenkan dengan artifak yang boleh disemak.\n\nBahasa yang disokong dan latihan\n\nBahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Model dilatih pada himpunan bahasa yang lebih luas, berbeza daripada lapan bahasa yang disokong secara jelas dalam kad. Kenal pasti bahasa akhir dan sebarang istilah atau pengecam yang mesti kekal tidak berubah.\n\nKeluarga ini dipralatih pada sehingga sembilan trilion token, dengan tarikh akhir data Disember 2023. Untuk model 1B dan 3B, pengeluar menggunakan output Llama 3.1 8B dan 70B sebagai sasaran latihan pada peringkat token serta penyulingan pengetahuan selepas pemangkasan. Ini ialah proses latihan; ia tidak bermakna model 1B yang digunakan meminta model yang lebih besar itu menjawab setiap soalan pengguna.\n\nKad menerangkan penalaan halus terselia dan penjajaran berasaskan keutamaan, dengan pusingan pascalatihan yang melibatkan contoh terselia, pensampelan penolakan dan pengoptimuman keutamaan langsung. Peringkat tersebut menghasilkan tingkah laku Instruct sambil mengekalkan checkpoint yang dinamakan dan modaliti teks sahaja.\n\nPerbualan dan edisi terkuantisasi\n\nPengeluar menunjukkan mesej system dan user berasingan menggunakan format perbualan yang sepadan. Tetapkan peranan pembantu dan keperluan respons secara berasingan daripada teks sumber sebenar. Kekalkan jawapan terdahulu yang berkaitan apabila susulan meminta semakan, penjelasan atau bentuk lain bagi maklumat yang sama.\n\nKeluaran ini juga mendokumenkan varian quantization-aware dan varian yang dikuantisasi selepas latihan secara berasingan. Presisi dan konteks 8k masing-masing khusus kepada varian tersebut, bukannya spesifikasi sejagat untuk entri Instruct biasa ini. Gunakan checkpoint dan konfigurasi tepat apabila membandingkan tugas berulang atau menyediakan penggunaan terbitan.\n\nSempadan substantif\n\nKeluaran 1B ini ialah teks sahaja. Ia tidak sepatutnya mewarisi input imej daripada model penglihatan 11B atau 90B Llama 3.2, keupayaan teks dan imej Llama 4 atau kawalan tahap usaha penaakulan yang dinamakan dalam Muse Spark. Contoh penjanaan 256 token pada kad ialah tetapan contoh, bukannya kapasiti jawapan maksimum yang dinyatakan secara bebas.\n\nHasil akhir yang praktikal ialah ringkasan, pertanyaan, rekod yang diekstrak atau teks yang ditulis semula seperti diminta, dengan makna dan pengecam sumber yang berkaitan dikekalkan. Sumber yang dibaca tidak menyatakan had keras token output yang berasingan. Pastikan tugas terfokus, bahan input lengkap untuk operasi itu dan perbezaan konteks biasa berbanding terkuantisasi dinyatakan dengan jelas.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct ialah model teks padat 1.23B Meta untuk dialog, peringkasan, pemerolehan pengetahuan dan penulisan semula pertanyaan. Pengeluar menyenaraikan konteks 128k bagi keluaran biasa dan 8k bagi varian terkuantisasi yang berasingan, dengan output teks dan kod berbilang bahasa.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Llama 3.2 1B Instruct ialah model teks padat ditala arahan Meta, dengan 1.23 bilion parameter dalam jadual pengeluar. Model ini menerima teks berbilang bahasa dan mengembalikan teks atau kod. Keluaran ini ditujukan untuk dialog, pemerolehan pengetahuan, peringkasan, pembantu penulisan mudah alih dan penulisan semula pertanyaan atau prom, bukannya tugas pemahaman imej bagi edisi penglihatan Llama yang berasingan.
Maklumat model dan konteks
Model ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention dan embedding kongsi. Meta membezakan model 1B dan 3B pralatih daripada model yang ditala arahan. Entri ini ialah checkpoint 1B Instruct, yang bertugas mengikuti permintaan pengguna dalam perbualan dan bukannya berfungsi sebagai asas pralatih.
Keluaran teks biasa didokumenkan dengan konteks 128k. Pengeluar menyenaraikan konteks 8k secara berasingan untuk model teks terkuantisasinya. Konfigurasi itu perlu kekal berbeza: kuantisasi tidak membenarkan pemindahan konteks keluaran biasa kepada setiap checkpoint berformat lebih kecil atau kesimpulan tentang kapasiti terkonfigurasi sesuatu perkhidmatan tertentu.
Gunakan konteks untuk petikan dan perbualan yang berkaitan dengan satu operasi yang ditetapkan. Dokumen panjang masih boleh memerlukan ringkasan ringkas, pertanyaan carian yang ditulis semula atau jawapan berasaskan sumber. Kenal pasti bahan yang mesti dikekalkan dalam hasil serta panjang atau medan yang diperlukan oleh langkah aplikasi seterusnya.
Pemerolehan maklumat, ringkasan dan penulisan semula
Untuk peringkasan, berikan petikan atau perbualan sebenar dan nyatakan khalayak, panjang dan fakta penting. Hasil yang berguna boleh memisahkan isu utama, keputusan yang telah dinyatakan dan soalan terbuka. Jika sumber mengandungi beberapa topik, kenal pasti topik yang perlu diringkaskan dan bukannya meminta pemendekan semua perkara tanpa arah.
Untuk pemerolehan pengetahuan, bekalkan petikan sumber terpilih atau maklumat yang dikembalikan oleh komponen pemerolehan maklumat. Minta pernyataan yang menjawab soalan dan petikan yang menyokongnya. Respons teks model boleh menjelaskan maklumat yang diperoleh, manakala pencarian koleksi persendirian kekal sebagai kerja aplikasi yang disambungkan. Model tidak memperoleh koleksi itu hanya melalui label kes penggunaan pemerolehan maklumat.
Untuk penulisan semula pertanyaan, berikan soalan asal dan tujuan carian. Minta rumusan semula ringkas yang mengekalkan entiti, syarat dan maklumat yang dikehendaki. Pertanyaan sokongan boleh ditulis semula menggunakan istilah produk dan tindakan yang penting, tanpa menambah fakta yang tiada dalam mesej pengguna. Kembalikan pertanyaan yang disemak secara berasingan daripada sebarang penjelasan jika komponen lain akan menggunakannya secara langsung.
Untuk pembantu penulisan, nyatakan pembaca, nada dan fakta sumber sebelum meminta surat ringkas atau petikan yang disemak. Untuk tugas pengekstrakan, tetapkan medan dan cara mewakili maklumat yang tiada. Ini ialah operasi nyata yang menghubungkan fokus teks model padat yang didokumenkan dengan artifak yang boleh disemak.
Bahasa yang disokong dan latihan
Bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Model dilatih pada himpunan bahasa yang lebih luas, berbeza daripada lapan bahasa yang disokong secara jelas dalam kad. Kenal pasti bahasa akhir dan sebarang istilah atau pengecam yang mesti kekal tidak berubah.
Keluarga ini dipralatih pada sehingga sembilan trilion token, dengan tarikh akhir data Disember 2023. Untuk model 1B dan 3B, pengeluar menggunakan output Llama 3.1 8B dan 70B sebagai sasaran latihan pada peringkat token serta penyulingan pengetahuan selepas pemangkasan. Ini ialah proses latihan; ia tidak bermakna model 1B yang digunakan meminta model yang lebih besar itu menjawab setiap soalan pengguna.
Kad menerangkan penalaan halus terselia dan penjajaran berasaskan keutamaan, dengan pusingan pascalatihan yang melibatkan contoh terselia, pensampelan penolakan dan pengoptimuman keutamaan langsung. Peringkat tersebut menghasilkan tingkah laku Instruct sambil mengekalkan checkpoint yang dinamakan dan modaliti teks sahaja.
Perbualan dan edisi terkuantisasi
Pengeluar menunjukkan mesej system dan user berasingan menggunakan format perbualan yang sepadan. Tetapkan peranan pembantu dan keperluan respons secara berasingan daripada teks sumber sebenar. Kekalkan jawapan terdahulu yang berkaitan apabila susulan meminta semakan, penjelasan atau bentuk lain bagi maklumat yang sama.
Keluaran ini juga mendokumenkan varian quantization-aware dan varian yang dikuantisasi selepas latihan secara berasingan. Presisi dan konteks 8k masing-masing khusus kepada varian tersebut, bukannya spesifikasi sejagat untuk entri Instruct biasa ini. Gunakan checkpoint dan konfigurasi tepat apabila membandingkan tugas berulang atau menyediakan penggunaan terbitan.
Sempadan substantif
Keluaran 1B ini ialah teks sahaja. Ia tidak sepatutnya mewarisi input imej daripada model penglihatan 11B atau 90B Llama 3.2, keupayaan teks dan imej Llama 4 atau kawalan tahap usaha penaakulan yang dinamakan dalam Muse Spark. Contoh penjanaan 256 token pada kad ialah tetapan contoh, bukannya kapasiti jawapan maksimum yang dinyatakan secara bebas.
Hasil akhir yang praktikal ialah ringkasan, pertanyaan, rekod yang diekstrak atau teks yang ditulis semula seperti diminta, dengan makna dan pengecam sumber yang berkaitan dikekalkan. Sumber yang dibaca tidak menyatakan had keras token output yang berasingan. Pastikan tugas terfokus, bahan input lengkap untuk operasi itu dan perbezaan konteks biasa berbanding terkuantisasi dinyatakan dengan jelas.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta-llama/llama-3.2-1b-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 $0.000054 / 1K token Output · Token output $0.000402 / 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 $0.000054 / 1K token Output · Token output $0.000402 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.2-1b-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-3.2-1b-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-3.2-1b-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-3.2-1b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct ialah model teks padat 1.23B Meta untuk dialog, peringkasan, pemerolehan pengetahuan dan penulisan semula pertanyaan. Pengeluar menyenaraikan konteks 128k bagi keluaran biasa dan 8k bagi varian terkuantisasi yang berasingan, dengan output teks dan kod berbilang bahasa.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Llama 3.2 1B Instruct ialah model teks padat ditala arahan Meta, dengan 1.23 bilion parameter dalam jadual pengeluar. Model ini menerima teks berbilang bahasa dan mengembalikan teks atau kod. Keluaran ini ditujukan untuk dialog, pemerolehan pengetahuan, peringkasan, pembantu penulisan mudah alih dan penulisan semula pertanyaan atau prom, bukannya tugas pemahaman imej bagi edisi penglihatan Llama yang berasingan.
Maklumat model dan konteks
Model ini menggunakan seni bina Transformer autoregresif dengan grouped-query attention dan embedding kongsi. Meta membezakan model 1B dan 3B pralatih daripada model yang ditala arahan. Entri ini ialah checkpoint 1B Instruct, yang bertugas mengikuti permintaan pengguna dalam perbualan dan bukannya berfungsi sebagai asas pralatih.
Keluaran teks biasa didokumenkan dengan konteks 128k. Pengeluar menyenaraikan konteks 8k secara berasingan untuk model teks terkuantisasinya. Konfigurasi itu perlu kekal berbeza: kuantisasi tidak membenarkan pemindahan konteks keluaran biasa kepada setiap checkpoint berformat lebih kecil atau kesimpulan tentang kapasiti terkonfigurasi sesuatu perkhidmatan tertentu.
Gunakan konteks untuk petikan dan perbualan yang berkaitan dengan satu operasi yang ditetapkan. Dokumen panjang masih boleh memerlukan ringkasan ringkas, pertanyaan carian yang ditulis semula atau jawapan berasaskan sumber. Kenal pasti bahan yang mesti dikekalkan dalam hasil serta panjang atau medan yang diperlukan oleh langkah aplikasi seterusnya.
Pemerolehan maklumat, ringkasan dan penulisan semula
Untuk peringkasan, berikan petikan atau perbualan sebenar dan nyatakan khalayak, panjang dan fakta penting. Hasil yang berguna boleh memisahkan isu utama, keputusan yang telah dinyatakan dan soalan terbuka. Jika sumber mengandungi beberapa topik, kenal pasti topik yang perlu diringkaskan dan bukannya meminta pemendekan semua perkara tanpa arah.
Untuk pemerolehan pengetahuan, bekalkan petikan sumber terpilih atau maklumat yang dikembalikan oleh komponen pemerolehan maklumat. Minta pernyataan yang menjawab soalan dan petikan yang menyokongnya. Respons teks model boleh menjelaskan maklumat yang diperoleh, manakala pencarian koleksi persendirian kekal sebagai kerja aplikasi yang disambungkan. Model tidak memperoleh koleksi itu hanya melalui label kes penggunaan pemerolehan maklumat.
Untuk penulisan semula pertanyaan, berikan soalan asal dan tujuan carian. Minta rumusan semula ringkas yang mengekalkan entiti, syarat dan maklumat yang dikehendaki. Pertanyaan sokongan boleh ditulis semula menggunakan istilah produk dan tindakan yang penting, tanpa menambah fakta yang tiada dalam mesej pengguna. Kembalikan pertanyaan yang disemak secara berasingan daripada sebarang penjelasan jika komponen lain akan menggunakannya secara langsung.
Untuk pembantu penulisan, nyatakan pembaca, nada dan fakta sumber sebelum meminta surat ringkas atau petikan yang disemak. Untuk tugas pengekstrakan, tetapkan medan dan cara mewakili maklumat yang tiada. Ini ialah operasi nyata yang menghubungkan fokus teks model padat yang didokumenkan dengan artifak yang boleh disemak.
Bahasa yang disokong dan latihan
Bahasa yang disokong secara rasmi ialah bahasa Inggeris, Jerman, Perancis, Itali, Portugis, Hindi, Sepanyol dan Thai. Model dilatih pada himpunan bahasa yang lebih luas, berbeza daripada lapan bahasa yang disokong secara jelas dalam kad. Kenal pasti bahasa akhir dan sebarang istilah atau pengecam yang mesti kekal tidak berubah.
Keluarga ini dipralatih pada sehingga sembilan trilion token, dengan tarikh akhir data Disember 2023. Untuk model 1B dan 3B, pengeluar menggunakan output Llama 3.1 8B dan 70B sebagai sasaran latihan pada peringkat token serta penyulingan pengetahuan selepas pemangkasan. Ini ialah proses latihan; ia tidak bermakna model 1B yang digunakan meminta model yang lebih besar itu menjawab setiap soalan pengguna.
Kad menerangkan penalaan halus terselia dan penjajaran berasaskan keutamaan, dengan pusingan pascalatihan yang melibatkan contoh terselia, pensampelan penolakan dan pengoptimuman keutamaan langsung. Peringkat tersebut menghasilkan tingkah laku Instruct sambil mengekalkan checkpoint yang dinamakan dan modaliti teks sahaja.
Perbualan dan edisi terkuantisasi
Pengeluar menunjukkan mesej system dan user berasingan menggunakan format perbualan yang sepadan. Tetapkan peranan pembantu dan keperluan respons secara berasingan daripada teks sumber sebenar. Kekalkan jawapan terdahulu yang berkaitan apabila susulan meminta semakan, penjelasan atau bentuk lain bagi maklumat yang sama.
Keluaran ini juga mendokumenkan varian quantization-aware dan varian yang dikuantisasi selepas latihan secara berasingan. Presisi dan konteks 8k masing-masing khusus kepada varian tersebut, bukannya spesifikasi sejagat untuk entri Instruct biasa ini. Gunakan checkpoint dan konfigurasi tepat apabila membandingkan tugas berulang atau menyediakan penggunaan terbitan.
Sempadan substantif
Keluaran 1B ini ialah teks sahaja. Ia tidak sepatutnya mewarisi input imej daripada model penglihatan 11B atau 90B Llama 3.2, keupayaan teks dan imej Llama 4 atau kawalan tahap usaha penaakulan yang dinamakan dalam Muse Spark. Contoh penjanaan 256 token pada kad ialah tetapan contoh, bukannya kapasiti jawapan maksimum yang dinyatakan secara bebas.
Hasil akhir yang praktikal ialah ringkasan, pertanyaan, rekod yang diekstrak atau teks yang ditulis semula seperti diminta, dengan makna dan pengecam sumber yang berkaitan dikekalkan. Sumber yang dibaca tidak menyatakan had keras token output yang berasingan. Pastikan tugas terfokus, bahan input lengkap untuk operasi itu dan perbezaan konteks biasa berbanding terkuantisasi dinyatakan dengan jelas.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta-llama/llama-3.2-1b-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 $0.000054 / 1K token Output · Token output $0.000402 / 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 $0.000054 / 1K token Output · Token output $0.000402 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "meta-llama/llama-3.2-1b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.2-1b-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-3.2-1b-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-3.2-1b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.