model

Recursive: Flint (free)

Markdown · JSON

Recursive: Flint (free)

recursive/flint-v1.0:free
RecursiveTeksInput USD 0.00 / 1KOutput USD 0.00 / 1K

Model teks MoE Recursive untuk meneliti pangkalan kod, membaiki ralat serta menyediakan fungsi dan ujian.

Model untuk kerja kod

Flint ialah model teks Recursive untuk ejen pengaturcaraan: meneliti pangkalan kod, membaiki ralat, melaksanakan fungsi dan menulis ujian. Ini model MoE dengan pemberat terbuka: daripada 39,8 bilion parameter, kira-kira 2,5 bilion diaktifkan semasa memproses satu token. Pembahagian pakar ialah sebahagian seni bina, bukan beberapa pembantu berasingan dalam sembang.

Eureka Machine, sistem penyelidikan Recursive, turut membangunkan Flint dengan membantu mencari penyelesaian seni bina, memilih data dan kaedah latihan serta mengoptimumkan pengiraan. Flint menjalani pralatihan, latihan perantaraan, latihan contoh arahan dan pembelajaran pengukuhan. Tugas latihan merangkumi teks, kod, pematuhan arahan dan aliran ejen.

Meneliti projek dan menyediakan perubahan

Mulakan dengan bahagian projek tertentu: hantar fail yang diperlukan sebagai teks, terangkan tujuan fungsi dan hasil yang dijangka. Untuk mencari ralat, tambahkan tingkah laku yang diperhatikan dan petikan log. Kemudian minta penjelasan punca, pembaikan minimum dan ujian yang membezakan tingkah laku betul daripada ralat. Urutan ini memudahkan pengesahan dalam persekitaran anda.

Bagi fungsi baharu, tetapkan input, batasan dan contoh hasil. Bagi pemfaktoran semula, senaraikan sifat yang mesti dikekalkan dan minta perubahan antara muka diterangkan berasingan. Pembangun menyarankan pembahagian kerja rumit kepada subtugas kecil dengan arahan jelas. Maka dialog berturutan dengan hasil perantaraan lebih sesuai untuk Flint berbanding arahan kabur merombak seluruh projek.

Konteks dan format sambungan

Dalam Ailoot API, Flint menggunakan input teks dan output teks. Tetingkap konteks ialah 262 144 token; bahan asal, sejarah dan jawapan berkongsi ruang ini. Had output dinyatakan 235 929 token. Nilai ini menerangkan batas sambungan; panjang sebenar elok ditetapkan mengikut tugas: penjelasan ralat, tampalan, set ujian atau rancangan.

Messages, Responses dan Chat Completions tersedia untuk struktur aplikasi klien yang lazim. Pembacaan fail setempat dan penerapan perubahan diatur aplikasi: dalam permintaan teks, model menerima kod yang dihantar dan mengembalikan cadangan, penjelasan atau kod baharu.

Flint sesuai untuk dialog teknikal berulang apabila langkah seterusnya berasaskan kandungan projek dan hasil semakan perubahan sebelumnya. Pengkhususannya membantu merumuskan tugas, manakala hasil kerja ialah teks khusus: penjelasan, pelaksanaan atau ujian yang boleh disahkan.

Tersedia melalui Ailoot API

Ultra Anthropic MessagesPOST /v1/messages
Input
text
Output
text
Konteks
262,144 token
Respons maksimum
235,929 token
Input
USD 0.00 / 1K
Output
USD 0.00 / 1K
Ultra OpenAI ResponsesPOST /v1/responses
Input
text
Output
text
Konteks
262,144 token
Respons maksimum
235,929 token
Input
USD 0.00 / 1K
Output
USD 0.00 / 1K
Ultra OpenAI ChatPOST /v1/chat/completions
Input
text
Output
text
Konteks
262,144 token
Respons maksimum
235,929 token
Input
USD 0.00 / 1K
Output
USD 0.00 / 1K
recursive/flint-v1.0:free · JSON
{"about":"### Model untuk kerja kod\n\nFlint ialah model teks Recursive untuk ejen pengaturcaraan: meneliti pangkalan kod, membaiki ralat, melaksanakan fungsi dan menulis ujian. Ini model MoE dengan pemberat terbuka: daripada 39,8 bilion parameter, kira-kira 2,5 bilion diaktifkan semasa memproses satu token. Pembahagian pakar ialah sebahagian seni bina, bukan beberapa pembantu berasingan dalam sembang.\n\nEureka Machine, sistem penyelidikan Recursive, turut membangunkan Flint dengan membantu mencari penyelesaian seni bina, memilih data dan kaedah latihan serta mengoptimumkan pengiraan. Flint menjalani pralatihan, latihan perantaraan, latihan contoh arahan dan pembelajaran pengukuhan. Tugas latihan merangkumi teks, kod, pematuhan arahan dan aliran ejen.\n\n### Meneliti projek dan menyediakan perubahan\n\nMulakan dengan bahagian projek tertentu: hantar fail yang diperlukan sebagai teks, terangkan tujuan fungsi dan hasil yang dijangka. Untuk mencari ralat, tambahkan tingkah laku yang diperhatikan dan petikan log. Kemudian minta penjelasan punca, pembaikan minimum dan ujian yang membezakan tingkah laku betul daripada ralat. Urutan ini memudahkan pengesahan dalam persekitaran anda.\n\nBagi fungsi baharu, tetapkan input, batasan dan contoh hasil. Bagi pemfaktoran semula, senaraikan sifat yang mesti dikekalkan dan minta perubahan antara muka diterangkan berasingan. Pembangun menyarankan pembahagian kerja rumit kepada subtugas kecil dengan arahan jelas. Maka dialog berturutan dengan hasil perantaraan lebih sesuai untuk Flint berbanding arahan kabur merombak seluruh projek.\n\n### Konteks dan format sambungan\n\nDalam Ailoot API, Flint menggunakan input teks dan output teks. Tetingkap konteks ialah 262 144 token; bahan asal, sejarah dan jawapan berkongsi ruang ini. Had output dinyatakan 235 929 token. Nilai ini menerangkan batas sambungan; panjang sebenar elok ditetapkan mengikut tugas: penjelasan ralat, tampalan, set ujian atau rancangan.\n\nMessages, Responses dan Chat Completions tersedia untuk struktur aplikasi klien yang lazim. Pembacaan fail setempat dan penerapan perubahan diatur aplikasi: dalam permintaan teks, model menerima kod yang dihantar dan mengembalikan cadangan, penjelasan atau kod baharu.\n\nFlint sesuai untuk dialog teknikal berulang apabila langkah seterusnya berasaskan kandungan projek dan hasil semakan perubahan sebelumnya. Pengkhususannya membantu merumuskan tugas, manakala hasil kerja ialah teks khusus: penjelasan, pelaksanaan atau ujian yang boleh disahkan.","alias_of":null,"aliases":[],"author":"Recursive","canonical_model":"recursive/flint-v1.0:free","ctx":262144,"formats":["chat","messages","responses"],"id":"recursive/flint-v1.0:free","input":["text"],"kind":"text","max_out":235929,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":262144,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0,"input":["text"],"label":"Anthropic Messages","max_out":235929,"max_tool_calls":null,"out":0,"output":["text"],"path":"/v1/messages","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0,"input":["text"],"label":"OpenAI Responses","max_out":235929,"max_tool_calls":null,"out":0,"output":["text"],"path":"/v1/responses","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":262144,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0,"input":["text"],"label":"OpenAI Chat","max_out":235929,"max_tool_calls":null,"out":0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"recursive/flint-v1.0:free","request_model_id":"recursive/flint-v1.0:free","route_label":"Ultra"}],"name":"Recursive: Flint (free)","price":{"in":0,"in_label":null,"out":0,"out_label":null,"sort_in":0,"sort_out":0,"varies":false},"public_id":"recursive/flint-v1.0:free","short":"Model teks MoE Recursive untuk meneliti pangkalan kod, membaiki ralat serta menyediakan fungsi dan ujian."}

Soalan

Bagaimanakah saya memilih model untuk tugasan saya?

Kenal pasti dahulu input dan output yang diperlukan: teks, imej, audio atau video. Kemudian bandingkan kaedah API yang serasi, ID model yang tepat atau model yang dirujuk oleh alias pada masa ini, harga dan unit pengebilan. GET /v1/models adalah percuma dan menyenaraikan model yang tersedia untuk kunci anda.

Adakah setiap model menyokong semua kaedah API dan jenis media?

Gunakan kaedah API dan jenis input/output yang disenaraikan pada kad model. Sokongan untuk teks, imej, audio atau video bergantung pada model dan kaedah yang dipilih; semak contoh permintaan yang berkenaan sebelum menghantar data anda.

Apakah perbezaan antara ID model dengan alias?

ID model yang tepat mengenal pasti model tertentu. Alias merujuk kepada model dan model sasarannya boleh berubah. Semak model yang dirujuk oleh alias pada masa ini dalam katalog; gunakan ID yang tepat apabila integrasi anda memerlukan model tertentu.

Bagaimanakah saya membandingkan harga sebelum menghantar permintaan?

Semak kad model untuk harga dan unit pengebilan bagi kaedah API yang dipilih. Bandingkan menggunakan unit dan jenis input/output yang sama; sejarah permintaan menunjukkan penggunaan sebenar dan amaun yang dicaj.

Apakah manfaat langganan?

Diskaun pembelian token untuk penggunaan berkala. Pilih pelan berdasarkan jumlah permintaan; terma dan harga langganan dipaparkan semasa pembelian.

Bagaimanakah kod promosi diskaun sehingga 50% digunakan?

Masukkan kod promosi semasa membeli token. Jumlah akhir dikira semula mengikut terma promosi; kadar diskaun kelihatan sebelum pembayaran.