Nex-N2.5-Pro ialah edisi Pro multimodal bernama Nex AGI untuk tugas jangka panjang dalam persekitaran dunia sebenar. Bersama mini, ia meneruskan asas visual Nex-N2, dengan penambahbaikan berfokus dalam penggunaan komputer, pelayaran web dan kerja ejen berdasarkan visual. Ia kekal berasingan daripada model Max teks sahaja dalam keluarga ini; tugas Pro boleh menggunakan pemerhatian visual untuk memeriksa perkara yang berubah dan memutuskan cara meneruskan.
Sediakan tugasan produktiviti dengan sumber sebenar dan hasil yang jelas: perbandingan yang lengkap, perubahan kod atau keadaan khusus yang dicapai dalam aplikasi. Berikan model tangkapan skrin atau konteks dokumen yang berkaitan dan nyatakan tindakan yang dibenarkan. Taklimat praktikal ialah: “Gunakan sumber dan pemerhatian skrin ini untuk melengkapkan perbandingan, sahkan setiap medan wajib dan kembalikan rekod akhir bersama bukti yang menyokongnya.”
Untuk tugas antara muka, kekalkan label yang kelihatan dan kenal pasti keadaan yang akan memastikan penyiapan. Untuk kerja program, berikan pelaksanaan, kegagalan yang diperhatikan dan tingkah laku yang perlu dikekalkan. Input ini menghubungkan keputusan ejen dengan matlamat pengguna dan bukannya membiarkan rancangan dianggap sebagai hasil yang telah selesai.
Pengeluar melatih keluarga ini untuk bertindak secara berterusan dan membetulkan diri daripada maklum balas persekitaran. Model boleh mentafsirkan skrin dan mencadangkan fungsi atau operasi, manakala aplikasi melaksanakannya serta mengembalikan pemerhatian visual atau teks yang terhasil. Bandingkan pemerhatian itu dengan matlamat yang dinyatakan sebelum memutuskan sama ada tindakan seterusnya diperlukan.
Kekalkan pengecam sumber dan operasi bersama hasilnya. Jika tugas menghasilkan kod, aplikasi memperoleh maklum balas pelaksanaan atau pengesahan sebenar. Jika tugas pelayar mengubah keadaan, skrin baharu ialah bukti perkara yang berlaku. Arahan yang dijana, koordinat yang dicadangkan atau perintah pengesahan bertulis kekal berbeza daripada pelaksanaannya.
Nex-N2.5 menggunakan reasoning_effort untuk tiga mod. None mengembalikan jawapan langsung. Medium ialah lalai adaptif, yang membolehkan model memilih sama ada dan sejauh mana untuk menaakul. High sentiasa mengaktifkan pemikiran sebelum respons akhir. Pengeluar mengesyorkan suhu 0.7, top-p 0.95 dan top-k 40 untuk varian rujukannya.
Takrifkan artifak akhir secara berasingan daripada mod penaakulan, termasuk bahasanya, butiran wajib dan cara menangani maklumat yang tiada. Templat asli menggunakan reasoning_effort; bendera thinking model lain bukan kawalan yang boleh saling ditukar tanpa penterjemahan jelas oleh aliran kerja sekeliling.
Pengeluar mendokumentasikan panggilan fungsi berstruktur dan penghuraian penaakulan secara berasingan daripada respons akhir. Berikan fungsi dengan tujuan dan takrif parameter yang tepat. Gunakan pemerhatian yang dikembalikan untuk menyokong tugas yang diteruskan, dan nyatakan hasil yang membolehkannya selesai. Untuk penyelidikan atau kerja pengetahuan, berikan petikan berautoriti atau fungsi carian yang sesuai supaya kesimpulan boleh dijejaki kepada bukti sebenar.
Kerja jangka panjang mengumpulkan konteks daripada sumber, skrin, perbualan, penaakulan dan pulangan alat. Pastikan pemerhatian yang berkaitan tersusun dan kekalkan kriteria penyiapan sepanjang susulan. Identiti Pro pembuat tidak dengan sendirinya menetapkan bilangan parameter yang tidak didokumentasikan atau had input/output sejagat.
Hasil serahan yang berguna ialah penjelasan teks, artifak kod atau rekod analisis lengkap yang boleh disemak terhadap sumber dan pemerhatian persekitaran. Pro mengekalkan edisi multimodal dan kawalan modnya sendiri, tanpa mewarisi seni bina teks sahaja model Max atau menganggap setiap operasi merentas aplikasi yang dicadangkan sudah dilaksanakan.
", "aboutText": "Nex-N2.5-Pro ialah edisi Pro multimodal bernama Nex AGI untuk tugas jangka panjang dalam persekitaran dunia sebenar. Bersama mini, ia meneruskan asas visual Nex-N2, dengan penambahbaikan berfokus dalam penggunaan komputer, pelayaran web dan kerja ejen berdasarkan visual. Ia kekal berasingan daripada model Max teks sahaja dalam keluarga ini; tugas Pro boleh menggunakan pemerhatian visual untuk memeriksa perkara yang berubah dan memutuskan cara meneruskan.\n\n### Matlamat, sumber dan persekitaran\n\nSediakan tugasan produktiviti dengan sumber sebenar dan hasil yang jelas: perbandingan yang lengkap, perubahan kod atau keadaan khusus yang dicapai dalam aplikasi. Berikan model tangkapan skrin atau konteks dokumen yang berkaitan dan nyatakan tindakan yang dibenarkan. Taklimat praktikal ialah: “Gunakan sumber dan pemerhatian skrin ini untuk melengkapkan perbandingan, sahkan setiap medan wajib dan kembalikan rekod akhir bersama bukti yang menyokongnya.”\n\nUntuk tugas antara muka, kekalkan label yang kelihatan dan kenal pasti keadaan yang akan memastikan penyiapan. Untuk kerja program, berikan pelaksanaan, kegagalan yang diperhatikan dan tingkah laku yang perlu dikekalkan. Input ini menghubungkan keputusan ejen dengan matlamat pengguna dan bukannya membiarkan rancangan dianggap sebagai hasil yang telah selesai.\n\n### Maklum balas visual dan pembetulan kendiri\n\nPengeluar melatih keluarga ini untuk bertindak secara berterusan dan membetulkan diri daripada maklum balas persekitaran. Model boleh mentafsirkan skrin dan mencadangkan fungsi atau operasi, manakala aplikasi melaksanakannya serta mengembalikan pemerhatian visual atau teks yang terhasil. Bandingkan pemerhatian itu dengan matlamat yang dinyatakan sebelum memutuskan sama ada tindakan seterusnya diperlukan.\n\nKekalkan pengecam sumber dan operasi bersama hasilnya. Jika tugas menghasilkan kod, aplikasi memperoleh maklum balas pelaksanaan atau pengesahan sebenar. Jika tugas pelayar mengubah keadaan, skrin baharu ialah bukti perkara yang berlaku. Arahan yang dijana, koordinat yang dicadangkan atau perintah pengesahan bertulis kekal berbeza daripada pelaksanaannya.\n\n### Mod pemikiran dan panduan pengeluar\n\nNex-N2.5 menggunakan reasoning_effort untuk tiga mod. None mengembalikan jawapan langsung. Medium ialah lalai adaptif, yang membolehkan model memilih sama ada dan sejauh mana untuk menaakul. High sentiasa mengaktifkan pemikiran sebelum respons akhir. Pengeluar mengesyorkan suhu 0.7, top-p 0.95 dan top-k 40 untuk varian rujukannya.\n\nTakrifkan artifak akhir secara berasingan daripada mod penaakulan, termasuk bahasanya, butiran wajib dan cara menangani maklumat yang tiada. Templat asli menggunakan reasoning_effort; bendera thinking model lain bukan kawalan yang boleh saling ditukar tanpa penterjemahan jelas oleh aliran kerja sekeliling.\n\n### Panggilan fungsi dan artifak yang berguna\n\nPengeluar mendokumentasikan panggilan fungsi berstruktur dan penghuraian penaakulan secara berasingan daripada respons akhir. Berikan fungsi dengan tujuan dan takrif parameter yang tepat. Gunakan pemerhatian yang dikembalikan untuk menyokong tugas yang diteruskan, dan nyatakan hasil yang membolehkannya selesai. Untuk penyelidikan atau kerja pengetahuan, berikan petikan berautoriti atau fungsi carian yang sesuai supaya kesimpulan boleh dijejaki kepada bukti sebenar.\n\nKerja jangka panjang mengumpulkan konteks daripada sumber, skrin, perbualan, penaakulan dan pulangan alat. Pastikan pemerhatian yang berkaitan tersusun dan kekalkan kriteria penyiapan sepanjang susulan. Identiti Pro pembuat tidak dengan sendirinya menetapkan bilangan parameter yang tidak didokumentasikan atau had input/output sejagat.\n\nHasil serahan yang berguna ialah penjelasan teks, artifak kod atau rekod analisis lengkap yang boleh disemak terhadap sumber dan pemerhatian persekitaran. Pro mengekalkan edisi multimodal dan kawalan modnya sendiri, tanpa mewarisi seni bina teks sahaja model Max atau menganggap setiap operasi merentas aplikasi yang dicadangkan sudah dilaksanakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.nex-agi/nex-n2.5-proNex-N2.5-Pro ialah edisi ejen multimodal Nex AGI untuk penggunaan komputer, pelayaran web dan tugas produktiviti jangka panjang. Ia menggunakan maklum balas visual, panggilan fungsi serta mod langsung, adaptif atau pemikiran untuk menghubungkan matlamat yang ditentukan dengan teks, kod dan tindakan aplikasi yang dicadangkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Nex-N2.5-Pro ialah edisi Pro multimodal bernama Nex AGI untuk tugas jangka panjang dalam persekitaran dunia sebenar. Bersama mini, ia meneruskan asas visual Nex-N2, dengan penambahbaikan berfokus dalam penggunaan komputer, pelayaran web dan kerja ejen berdasarkan visual. Ia kekal berasingan daripada model Max teks sahaja dalam keluarga ini; tugas Pro boleh menggunakan pemerhatian visual untuk memeriksa perkara yang berubah dan memutuskan cara meneruskan.
Sediakan tugasan produktiviti dengan sumber sebenar dan hasil yang jelas: perbandingan yang lengkap, perubahan kod atau keadaan khusus yang dicapai dalam aplikasi. Berikan model tangkapan skrin atau konteks dokumen yang berkaitan dan nyatakan tindakan yang dibenarkan. Taklimat praktikal ialah: “Gunakan sumber dan pemerhatian skrin ini untuk melengkapkan perbandingan, sahkan setiap medan wajib dan kembalikan rekod akhir bersama bukti yang menyokongnya.”
Untuk tugas antara muka, kekalkan label yang kelihatan dan kenal pasti keadaan yang akan memastikan penyiapan. Untuk kerja program, berikan pelaksanaan, kegagalan yang diperhatikan dan tingkah laku yang perlu dikekalkan. Input ini menghubungkan keputusan ejen dengan matlamat pengguna dan bukannya membiarkan rancangan dianggap sebagai hasil yang telah selesai.
Pengeluar melatih keluarga ini untuk bertindak secara berterusan dan membetulkan diri daripada maklum balas persekitaran. Model boleh mentafsirkan skrin dan mencadangkan fungsi atau operasi, manakala aplikasi melaksanakannya serta mengembalikan pemerhatian visual atau teks yang terhasil. Bandingkan pemerhatian itu dengan matlamat yang dinyatakan sebelum memutuskan sama ada tindakan seterusnya diperlukan.
Kekalkan pengecam sumber dan operasi bersama hasilnya. Jika tugas menghasilkan kod, aplikasi memperoleh maklum balas pelaksanaan atau pengesahan sebenar. Jika tugas pelayar mengubah keadaan, skrin baharu ialah bukti perkara yang berlaku. Arahan yang dijana, koordinat yang dicadangkan atau perintah pengesahan bertulis kekal berbeza daripada pelaksanaannya.
Nex-N2.5 menggunakan reasoning_effort untuk tiga mod. None mengembalikan jawapan langsung. Medium ialah lalai adaptif, yang membolehkan model memilih sama ada dan sejauh mana untuk menaakul. High sentiasa mengaktifkan pemikiran sebelum respons akhir. Pengeluar mengesyorkan suhu 0.7, top-p 0.95 dan top-k 40 untuk varian rujukannya.
Takrifkan artifak akhir secara berasingan daripada mod penaakulan, termasuk bahasanya, butiran wajib dan cara menangani maklumat yang tiada. Templat asli menggunakan reasoning_effort; bendera thinking model lain bukan kawalan yang boleh saling ditukar tanpa penterjemahan jelas oleh aliran kerja sekeliling.
Pengeluar mendokumentasikan panggilan fungsi berstruktur dan penghuraian penaakulan secara berasingan daripada respons akhir. Berikan fungsi dengan tujuan dan takrif parameter yang tepat. Gunakan pemerhatian yang dikembalikan untuk menyokong tugas yang diteruskan, dan nyatakan hasil yang membolehkannya selesai. Untuk penyelidikan atau kerja pengetahuan, berikan petikan berautoriti atau fungsi carian yang sesuai supaya kesimpulan boleh dijejaki kepada bukti sebenar.
Kerja jangka panjang mengumpulkan konteks daripada sumber, skrin, perbualan, penaakulan dan pulangan alat. Pastikan pemerhatian yang berkaitan tersusun dan kekalkan kriteria penyiapan sepanjang susulan. Identiti Pro pembuat tidak dengan sendirinya menetapkan bilangan parameter yang tidak didokumentasikan atau had input/output sejagat.
Hasil serahan yang berguna ialah penjelasan teks, artifak kod atau rekod analisis lengkap yang boleh disemak terhadap sumber dan pemerhatian persekitaran. Pro mengekalkan edisi multimodal dan kawalan modnya sendiri, tanpa mewarisi seni bina teks sahaja model Max atau menganggap setiap operasi merentas aplikasi yang dicadangkan sudah dilaksanakan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K token Output · Token output $0.0005 / 1K token Input · Bacaan cache $0.00003 / 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 $0.00015 / 1K token Output · Token output $0.0005 / 1K token Input · Bacaan cache $0.00003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nex-agi/nex-n2.5-pro", "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='nex-agi/nex-n2.5-pro',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='nex-agi/nex-n2.5-pro',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 nex-agi/nex-n2.5-pro
Gunakan laluan kaedah yang dipaparkan di atas.
nex-agi/nex-n2.5-proNex-N2.5-Pro ialah edisi ejen multimodal Nex AGI untuk penggunaan komputer, pelayaran web dan tugas produktiviti jangka panjang. Ia menggunakan maklum balas visual, panggilan fungsi serta mod langsung, adaptif atau pemikiran untuk menghubungkan matlamat yang ditentukan dengan teks, kod dan tindakan aplikasi yang dicadangkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Nex-N2.5-Pro ialah edisi Pro multimodal bernama Nex AGI untuk tugas jangka panjang dalam persekitaran dunia sebenar. Bersama mini, ia meneruskan asas visual Nex-N2, dengan penambahbaikan berfokus dalam penggunaan komputer, pelayaran web dan kerja ejen berdasarkan visual. Ia kekal berasingan daripada model Max teks sahaja dalam keluarga ini; tugas Pro boleh menggunakan pemerhatian visual untuk memeriksa perkara yang berubah dan memutuskan cara meneruskan.
Sediakan tugasan produktiviti dengan sumber sebenar dan hasil yang jelas: perbandingan yang lengkap, perubahan kod atau keadaan khusus yang dicapai dalam aplikasi. Berikan model tangkapan skrin atau konteks dokumen yang berkaitan dan nyatakan tindakan yang dibenarkan. Taklimat praktikal ialah: “Gunakan sumber dan pemerhatian skrin ini untuk melengkapkan perbandingan, sahkan setiap medan wajib dan kembalikan rekod akhir bersama bukti yang menyokongnya.”
Untuk tugas antara muka, kekalkan label yang kelihatan dan kenal pasti keadaan yang akan memastikan penyiapan. Untuk kerja program, berikan pelaksanaan, kegagalan yang diperhatikan dan tingkah laku yang perlu dikekalkan. Input ini menghubungkan keputusan ejen dengan matlamat pengguna dan bukannya membiarkan rancangan dianggap sebagai hasil yang telah selesai.
Pengeluar melatih keluarga ini untuk bertindak secara berterusan dan membetulkan diri daripada maklum balas persekitaran. Model boleh mentafsirkan skrin dan mencadangkan fungsi atau operasi, manakala aplikasi melaksanakannya serta mengembalikan pemerhatian visual atau teks yang terhasil. Bandingkan pemerhatian itu dengan matlamat yang dinyatakan sebelum memutuskan sama ada tindakan seterusnya diperlukan.
Kekalkan pengecam sumber dan operasi bersama hasilnya. Jika tugas menghasilkan kod, aplikasi memperoleh maklum balas pelaksanaan atau pengesahan sebenar. Jika tugas pelayar mengubah keadaan, skrin baharu ialah bukti perkara yang berlaku. Arahan yang dijana, koordinat yang dicadangkan atau perintah pengesahan bertulis kekal berbeza daripada pelaksanaannya.
Nex-N2.5 menggunakan reasoning_effort untuk tiga mod. None mengembalikan jawapan langsung. Medium ialah lalai adaptif, yang membolehkan model memilih sama ada dan sejauh mana untuk menaakul. High sentiasa mengaktifkan pemikiran sebelum respons akhir. Pengeluar mengesyorkan suhu 0.7, top-p 0.95 dan top-k 40 untuk varian rujukannya.
Takrifkan artifak akhir secara berasingan daripada mod penaakulan, termasuk bahasanya, butiran wajib dan cara menangani maklumat yang tiada. Templat asli menggunakan reasoning_effort; bendera thinking model lain bukan kawalan yang boleh saling ditukar tanpa penterjemahan jelas oleh aliran kerja sekeliling.
Pengeluar mendokumentasikan panggilan fungsi berstruktur dan penghuraian penaakulan secara berasingan daripada respons akhir. Berikan fungsi dengan tujuan dan takrif parameter yang tepat. Gunakan pemerhatian yang dikembalikan untuk menyokong tugas yang diteruskan, dan nyatakan hasil yang membolehkannya selesai. Untuk penyelidikan atau kerja pengetahuan, berikan petikan berautoriti atau fungsi carian yang sesuai supaya kesimpulan boleh dijejaki kepada bukti sebenar.
Kerja jangka panjang mengumpulkan konteks daripada sumber, skrin, perbualan, penaakulan dan pulangan alat. Pastikan pemerhatian yang berkaitan tersusun dan kekalkan kriteria penyiapan sepanjang susulan. Identiti Pro pembuat tidak dengan sendirinya menetapkan bilangan parameter yang tidak didokumentasikan atau had input/output sejagat.
Hasil serahan yang berguna ialah penjelasan teks, artifak kod atau rekod analisis lengkap yang boleh disemak terhadap sumber dan pemerhatian persekitaran. Pro mengekalkan edisi multimodal dan kawalan modnya sendiri, tanpa mewarisi seni bina teks sahaja model Max atau menganggap setiap operasi merentas aplikasi yang dicadangkan sudah dilaksanakan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K token Output · Token output $0.0005 / 1K token Input · Bacaan cache $0.00003 / 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 $0.00015 / 1K token Output · Token output $0.0005 / 1K token Input · Bacaan cache $0.00003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "nex-agi/nex-n2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nex-agi/nex-n2.5-pro', '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': 'nex-agi/nex-n2.5-pro', '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 nex-agi/nex-n2.5-pro
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.