Riva-Translate-4B-Instruct-v1.1 ialah model khusus NVIDIA untuk terjemahan bertulis. Model ini memproses ayat individu dan dokumen: menerima teks dan mengembalikan teks dalam bahasa yang dipilih. Format ini sesuai untuk penterjemah, pemasar dan pembangun yang menyediakan bahan berbilang bahasa.
Model ini menyediakan 12 bahasa dan variasi: bahasa Inggeris, Jerman, Sepanyol Eropah dan Amerika Latin, Perancis, Portugis Brazil, Rusia, Cina dalam tulisan ringkas dan tradisional, Jepun, Korea dan Arab. Bagi bahasa Sepanyol dan Cina, variasi yang dikehendaki boleh ditentukan secara berasingan, manakala bahasa Portugis dalam versi ini menggunakan variasi Brazil.
Arah terjemahan berpusat pada bahasa Inggeris: daripada bahasa Inggeris kepada bahasa yang disenaraikan dan sebaliknya. Teks bahasa Rusia boleh diterjemahkan kepada bahasa Inggeris, dan teks bahasa Inggeris kepada bahasa Rusia. Variasi serantau merupakan sebahagian daripada pilihan arah terjemahan, jadi sebaiknya nyatakannya bersama bahasa.
Arah terjemahan dan bahan yang hendak diterjemahkan dipisahkan dalam permintaan. Mesej sistem menentukan pasangan bahasa, manakala mesej pengguna mengandungi teks sumber. Contohnya, en-ru menetapkan terjemahan daripada bahasa Inggeris kepada bahasa Rusia, dan ru-en daripada bahasa Rusia kepada bahasa Inggeris. Bahasa Sepanyol Eropah menggunakan en-es-es, Sepanyol Amerika Latin menggunakan en-es-us, dan Portugis Brazil menggunakan en-pt-br.
Beberapa contoh terjemahan boleh disertakan dalam satu permintaan. Templat dialog menyokong teks pengguna dan jawapan terjemahan secara berselang-seli. Dengan cara ini, pasangan teks sumber dan terjemahannya boleh ditunjukkan sebelum bahan seterusnya. NVIDIA mengesyorkan templat terjemahan yang digunakan semasa penalaan lanjut model: templat ini menyatakan bahasa sumber dan bahasa sasaran dengan jelas.
Model ini mengandungi kira-kira empat bilion parameter dan dibina sebagai Transformer dengan penyahkod. Model asas dihasilkan melalui pemampatan dan penyulingan, kemudian menjalani latihan tambahan pada teks, latihan menggunakan contoh dan pengoptimuman berdasarkan keutamaan. Konteksnya sehingga 8K token.
Kualiti bergantung pada bidang, keadaan tugasan, gangguan dalam teks sumber dan konteks yang tersedia. Jawapan mungkin mengandungi kesalahan tatabahasa dan ketidaktepatan makna. Memperincikan permintaan boleh membantu menghasilkan terjemahan yang lebih sesuai.
", "aboutText": "Riva-Translate-4B-Instruct-v1.1 ialah model khusus NVIDIA untuk terjemahan bertulis. Model ini memproses ayat individu dan dokumen: menerima teks dan mengembalikan teks dalam bahasa yang dipilih. Format ini sesuai untuk penterjemah, pemasar dan pembangun yang menyediakan bahan berbilang bahasa.\n\n### Bahasa dan variasi serantau\n\nModel ini menyediakan 12 bahasa dan variasi: bahasa Inggeris, Jerman, Sepanyol Eropah dan Amerika Latin, Perancis, Portugis Brazil, Rusia, Cina dalam tulisan ringkas dan tradisional, Jepun, Korea dan Arab. Bagi bahasa Sepanyol dan Cina, variasi yang dikehendaki boleh ditentukan secara berasingan, manakala bahasa Portugis dalam versi ini menggunakan variasi Brazil.\n\nArah terjemahan berpusat pada bahasa Inggeris: daripada bahasa Inggeris kepada bahasa yang disenaraikan dan sebaliknya. Teks bahasa Rusia boleh diterjemahkan kepada bahasa Inggeris, dan teks bahasa Inggeris kepada bahasa Rusia. Variasi serantau merupakan sebahagian daripada pilihan arah terjemahan, jadi sebaiknya nyatakannya bersama bahasa.\n\n### Cara menetapkan terjemahan\n\nArah terjemahan dan bahan yang hendak diterjemahkan dipisahkan dalam permintaan. Mesej sistem menentukan pasangan bahasa, manakala mesej pengguna mengandungi teks sumber. Contohnya, `en-ru` menetapkan terjemahan daripada bahasa Inggeris kepada bahasa Rusia, dan `ru-en` daripada bahasa Rusia kepada bahasa Inggeris. Bahasa Sepanyol Eropah menggunakan `en-es-es`, Sepanyol Amerika Latin menggunakan `en-es-us`, dan Portugis Brazil menggunakan `en-pt-br`.\n\nBeberapa contoh terjemahan boleh disertakan dalam satu permintaan. Templat dialog menyokong teks pengguna dan jawapan terjemahan secara berselang-seli. Dengan cara ini, pasangan teks sumber dan terjemahannya boleh ditunjukkan sebelum bahan seterusnya. NVIDIA mengesyorkan templat terjemahan yang digunakan semasa penalaan lanjut model: templat ini menyatakan bahasa sumber dan bahasa sasaran dengan jelas.\n\n### Konteks dan reka bentuk\n\nModel ini mengandungi kira-kira empat bilion parameter dan dibina sebagai Transformer dengan penyahkod. Model asas dihasilkan melalui pemampatan dan penyulingan, kemudian menjalani latihan tambahan pada teks, latihan menggunakan contoh dan pengoptimuman berdasarkan keutamaan. Konteksnya sehingga 8K token.\n\n### Faktor yang mempengaruhi terjemahan\n\nKualiti bergantung pada bidang, keadaan tugasan, gangguan dalam teks sumber dan konteks yang tersedia. Jawapan mungkin mengandungi kesalahan tatabahasa dan ketidaktepatan makna. Memperincikan permintaan boleh membantu menghasilkan terjemahan yang lebih sesuai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Translate a collection notice into Russian\n\nTranslation direction: English to Russian, en-ru. Translate this notice: 'Your repaired kettle is ready for collection at the service desk. Please bring receipt R-204. We will keep it until Friday at 18:00.' Preserve the receipt identifier and the collection deadline. Return only the translated notice.A Russian translation preserving the service-desk location, R-204 and Friday 18:00 deadline.The translation must not turn the collection deadline into the repair completion time.nvidia/riva-translate-4b-instruct-v1.1Riva-Translate-4B-Instruct-v1.1 daripada NVIDIA menterjemah ayat dan dokumen antara bahasa Inggeris dengan 11 bahasa dan variasi serantau lain, termasuk bahasa Rusia. Menyokong contoh terjemahan dalam permintaan dan konteks sehingga 8K token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Riva-Translate-4B-Instruct-v1.1 ialah model khusus NVIDIA untuk terjemahan bertulis. Model ini memproses ayat individu dan dokumen: menerima teks dan mengembalikan teks dalam bahasa yang dipilih. Format ini sesuai untuk penterjemah, pemasar dan pembangun yang menyediakan bahan berbilang bahasa.
Model ini menyediakan 12 bahasa dan variasi: bahasa Inggeris, Jerman, Sepanyol Eropah dan Amerika Latin, Perancis, Portugis Brazil, Rusia, Cina dalam tulisan ringkas dan tradisional, Jepun, Korea dan Arab. Bagi bahasa Sepanyol dan Cina, variasi yang dikehendaki boleh ditentukan secara berasingan, manakala bahasa Portugis dalam versi ini menggunakan variasi Brazil.
Arah terjemahan berpusat pada bahasa Inggeris: daripada bahasa Inggeris kepada bahasa yang disenaraikan dan sebaliknya. Teks bahasa Rusia boleh diterjemahkan kepada bahasa Inggeris, dan teks bahasa Inggeris kepada bahasa Rusia. Variasi serantau merupakan sebahagian daripada pilihan arah terjemahan, jadi sebaiknya nyatakannya bersama bahasa.
Arah terjemahan dan bahan yang hendak diterjemahkan dipisahkan dalam permintaan. Mesej sistem menentukan pasangan bahasa, manakala mesej pengguna mengandungi teks sumber. Contohnya, en-ru menetapkan terjemahan daripada bahasa Inggeris kepada bahasa Rusia, dan ru-en daripada bahasa Rusia kepada bahasa Inggeris. Bahasa Sepanyol Eropah menggunakan en-es-es, Sepanyol Amerika Latin menggunakan en-es-us, dan Portugis Brazil menggunakan en-pt-br.
Beberapa contoh terjemahan boleh disertakan dalam satu permintaan. Templat dialog menyokong teks pengguna dan jawapan terjemahan secara berselang-seli. Dengan cara ini, pasangan teks sumber dan terjemahannya boleh ditunjukkan sebelum bahan seterusnya. NVIDIA mengesyorkan templat terjemahan yang digunakan semasa penalaan lanjut model: templat ini menyatakan bahasa sumber dan bahasa sasaran dengan jelas.
Model ini mengandungi kira-kira empat bilion parameter dan dibina sebagai Transformer dengan penyahkod. Model asas dihasilkan melalui pemampatan dan penyulingan, kemudian menjalani latihan tambahan pada teks, latihan menggunakan contoh dan pengoptimuman berdasarkan keutamaan. Konteksnya sehingga 8K token.
Kualiti bergantung pada bidang, keadaan tugasan, gangguan dalam teks sumber dan konteks yang tersedia. Jawapan mungkin mengandungi kesalahan tatabahasa dan ketidaktepatan makna. Memperincikan permintaan boleh membantu menghasilkan terjemahan yang lebih sesuai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had nvidia/riva-translate-4b-instruct-v1.1 | 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 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— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametermaterial_types | Kontraktext |
Parameterrequired | Kontrakmodel, messages |
Parameteroptional_controls | Kontraknull |
Parametercontent_type | Kontrakapplication/json |
Parametertext_file_material | Kontrakkandungan UTF-8 sebenar dimasukkan sebagai teks; ID fail atau alamat URL (URLs) memerlukan sokongan tepat yang berasingan |
Kitar hayat: exact retained published method
Struktur kaedah dan ID adalah tepat; keupayaan pembekal berasingan daripada penerimaan permintaan.
POST /v1/chat/completionsAiloot 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: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nvidia/riva-translate-4b-instruct-v1.1", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="nvidia/riva-translate-4b-instruct-v1.1",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "nvidia/riva-translate-4b-instruct-v1.1",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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='nvidia/riva-translate-4b-instruct-v1.1',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 nvidia/riva-translate-4b-instruct-v1.1
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Translate a collection notice into Russian\n\nTranslation direction: English to Russian, en-ru. Translate this notice: 'Your repaired kettle is ready for collection at the service desk. Please bring receipt R-204. We will keep it until Friday at 18:00.' Preserve the receipt identifier and the collection deadline. Return only the translated notice.A Russian translation preserving the service-desk location, R-204 and Friday 18:00 deadline.The translation must not turn the collection deadline into the repair completion time.