Step3 ialah model penaakulan multimodal StepFun untuk tugasan penglihatan-bahasa. Pengeluarnya menerangkan seni bina mixture-of-experts dengan 321 bilion jumlah parameter dan 38 bilion parameter aktif. Kad model yang diterbitkan memberikan konteks maksimum 65,536 token dan menunjukkan penggabungan imej dengan soalan bertulis untuk menghasilkan jawapan teks.
Bekalkan imej dan kenal pasti maklumat yang diperlukan oleh tugasan. Huraian boleh menanyakan objek dan hubungan yang kelihatan. Soalan penaakulan boleh menyatakan syarat dan menanyakan butiran yang menyokong kesimpulan. Asingkan fakta bertulis tambahan daripada bukti yang kelihatan dalam imej.
Contoh inferens pengeluar bertanya tentang kandungan gambar. Untuk aliran kerja yang khusus, nyatakan objek, kawasan atau hubungan yang berkaitan dan tetapkan bentuk jawapan akhir. Simpan imej sumber bersama teks yang dikembalikan supaya butiran penting boleh disemak.
Huraian inferens setempat pengeluar merangkumi prapemprosesan imej berbilang tampalan. Gunakan format imej dan prapemprosesan yang disokong oleh antara muka yang dipilih, sambil mengekalkan butiran yang mencukupi untuk soalan. Jika sebahagian imej tidak jelas, minta respons merekodkan ketidakpastian itu.
Susulan boleh memeriksa satu pentafsiran atau menambahkan syarat yang tiada. Kekalkan imej dan jawapan terdahulu yang berkaitan supaya perubahan mempunyai titik rujukan yang jelas.
Step3 menggunakan Multi-Matrix Factorization Attention dan reka bentuk Attention-FFN Disaggregation. Ini menerangkan seni bina model dan pelaksanaan pengeluar; ia tidak menetapkan kelajuan respons sejagat untuk permintaan yang dihoskan.
Profil dihoskan yang tepat menyenaraikan konteks 64,000 token, manakala kad model pengeluar menerbitkan 65,536 sebagai maksimumnya. Sediakan permintaan sebenar menggunakan had antara muka yang dipilih. Bezakan Step3 daripada varian Step3-VL dan keluaran Step yang lebih baharu apabila merekodkan tugasan serta hasil.
", "aboutText": "Step3 ialah model penaakulan multimodal StepFun untuk tugasan penglihatan-bahasa. Pengeluarnya menerangkan seni bina mixture-of-experts dengan 321 bilion jumlah parameter dan 38 bilion parameter aktif. Kad model yang diterbitkan memberikan konteks maksimum 65,536 token dan menunjukkan penggabungan imej dengan soalan bertulis untuk menghasilkan jawapan teks.\n\n### Tanyakan soalan tentang bukti visual\n\nBekalkan imej dan kenal pasti maklumat yang diperlukan oleh tugasan. Huraian boleh menanyakan objek dan hubungan yang kelihatan. Soalan penaakulan boleh menyatakan syarat dan menanyakan butiran yang menyokong kesimpulan. Asingkan fakta bertulis tambahan daripada bukti yang kelihatan dalam imej.\n\nContoh inferens pengeluar bertanya tentang kandungan gambar. Untuk aliran kerja yang khusus, nyatakan objek, kawasan atau hubungan yang berkaitan dan tetapkan bentuk jawapan akhir. Simpan imej sumber bersama teks yang dikembalikan supaya butiran penting boleh disemak.\n\n### Sediakan imej dan susulan\n\nHuraian inferens setempat pengeluar merangkumi prapemprosesan imej berbilang tampalan. Gunakan format imej dan prapemprosesan yang disokong oleh antara muka yang dipilih, sambil mengekalkan butiran yang mencukupi untuk soalan. Jika sebahagian imej tidak jelas, minta respons merekodkan ketidakpastian itu.\n\nSusulan boleh memeriksa satu pentafsiran atau menambahkan syarat yang tiada. Kekalkan imej dan jawapan terdahulu yang berkaitan supaya perubahan mempunyai titik rujukan yang jelas.\n\n### Seni bina dan skop kerja\n\nStep3 menggunakan Multi-Matrix Factorization Attention dan reka bentuk Attention-FFN Disaggregation. Ini menerangkan seni bina model dan pelaksanaan pengeluar; ia tidak menetapkan kelajuan respons sejagat untuk permintaan yang dihoskan.\n\nProfil dihoskan yang tepat menyenaraikan konteks 64,000 token, manakala kad model pengeluar menerbitkan 65,536 sebagai maksimumnya. Sediakan permintaan sebenar menggunakan had antara muka yang dipilih. Bezakan Step3 daripada varian Step3-VL dan keluaran Step yang lebih baharu apabila merekodkan tugasan serta hasil.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Explain a written object relationship\n\nUse these written observations of shelf S, without inspecting an image: "A blue box is above a red bin. A yellow pouch is inside the red bin. The box label is unreadable." Describe the stated spatial relationships and answer whether the box contents are known. Separate reported facts from information the notes cannot establish.A short relationship list and an explicit statement of the unknown box contents.Check that above is not changed to inside and an unreadable label does not become an identified product.stepfun-ai/step3Step3 ialah model penaakulan multimodal StepFun untuk imej dan soalan bertulis. Pengeluar menerangkan model mixture-of-experts dengan 321B jumlah parameter, 38B parameter aktif dan konteks maksimum 65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Step3 ialah model penaakulan multimodal StepFun untuk tugasan penglihatan-bahasa. Pengeluarnya menerangkan seni bina mixture-of-experts dengan 321 bilion jumlah parameter dan 38 bilion parameter aktif. Kad model yang diterbitkan memberikan konteks maksimum 65,536 token dan menunjukkan penggabungan imej dengan soalan bertulis untuk menghasilkan jawapan teks.
Bekalkan imej dan kenal pasti maklumat yang diperlukan oleh tugasan. Huraian boleh menanyakan objek dan hubungan yang kelihatan. Soalan penaakulan boleh menyatakan syarat dan menanyakan butiran yang menyokong kesimpulan. Asingkan fakta bertulis tambahan daripada bukti yang kelihatan dalam imej.
Contoh inferens pengeluar bertanya tentang kandungan gambar. Untuk aliran kerja yang khusus, nyatakan objek, kawasan atau hubungan yang berkaitan dan tetapkan bentuk jawapan akhir. Simpan imej sumber bersama teks yang dikembalikan supaya butiran penting boleh disemak.
Huraian inferens setempat pengeluar merangkumi prapemprosesan imej berbilang tampalan. Gunakan format imej dan prapemprosesan yang disokong oleh antara muka yang dipilih, sambil mengekalkan butiran yang mencukupi untuk soalan. Jika sebahagian imej tidak jelas, minta respons merekodkan ketidakpastian itu.
Susulan boleh memeriksa satu pentafsiran atau menambahkan syarat yang tiada. Kekalkan imej dan jawapan terdahulu yang berkaitan supaya perubahan mempunyai titik rujukan yang jelas.
Step3 menggunakan Multi-Matrix Factorization Attention dan reka bentuk Attention-FFN Disaggregation. Ini menerangkan seni bina model dan pelaksanaan pengeluar; ia tidak menetapkan kelajuan respons sejagat untuk permintaan yang dihoskan.
Profil dihoskan yang tepat menyenaraikan konteks 64,000 token, manakala kad model pengeluar menerbitkan 65,536 sebagai maksimumnya. Sediakan permintaan sebenar menggunakan had antara muka yang dipilih. Bezakan Step3 daripada varian Step3-VL dan keluaran Step yang lebih baharu apabila merekodkan tugasan serta hasil.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had stepfun-ai/step3 | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.001144 / 1K token Output · Token output $0.00286 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun-ai/step3", "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='stepfun-ai/step3',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='stepfun-ai/step3',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 stepfun-ai/step3
Gunakan laluan kaedah yang dipaparkan di atas.
stepfun-ai/step3Step3 ialah model penaakulan multimodal StepFun untuk imej dan soalan bertulis. Pengeluar menerangkan model mixture-of-experts dengan 321B jumlah parameter, 38B parameter aktif dan konteks maksimum 65,536 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Step3 ialah model penaakulan multimodal StepFun untuk tugasan penglihatan-bahasa. Pengeluarnya menerangkan seni bina mixture-of-experts dengan 321 bilion jumlah parameter dan 38 bilion parameter aktif. Kad model yang diterbitkan memberikan konteks maksimum 65,536 token dan menunjukkan penggabungan imej dengan soalan bertulis untuk menghasilkan jawapan teks.
Bekalkan imej dan kenal pasti maklumat yang diperlukan oleh tugasan. Huraian boleh menanyakan objek dan hubungan yang kelihatan. Soalan penaakulan boleh menyatakan syarat dan menanyakan butiran yang menyokong kesimpulan. Asingkan fakta bertulis tambahan daripada bukti yang kelihatan dalam imej.
Contoh inferens pengeluar bertanya tentang kandungan gambar. Untuk aliran kerja yang khusus, nyatakan objek, kawasan atau hubungan yang berkaitan dan tetapkan bentuk jawapan akhir. Simpan imej sumber bersama teks yang dikembalikan supaya butiran penting boleh disemak.
Huraian inferens setempat pengeluar merangkumi prapemprosesan imej berbilang tampalan. Gunakan format imej dan prapemprosesan yang disokong oleh antara muka yang dipilih, sambil mengekalkan butiran yang mencukupi untuk soalan. Jika sebahagian imej tidak jelas, minta respons merekodkan ketidakpastian itu.
Susulan boleh memeriksa satu pentafsiran atau menambahkan syarat yang tiada. Kekalkan imej dan jawapan terdahulu yang berkaitan supaya perubahan mempunyai titik rujukan yang jelas.
Step3 menggunakan Multi-Matrix Factorization Attention dan reka bentuk Attention-FFN Disaggregation. Ini menerangkan seni bina model dan pelaksanaan pengeluar; ia tidak menetapkan kelajuan respons sejagat untuk permintaan yang dihoskan.
Profil dihoskan yang tepat menyenaraikan konteks 64,000 token, manakala kad model pengeluar menerbitkan 65,536 sebagai maksimumnya. Sediakan permintaan sebenar menggunakan had antara muka yang dipilih. Bezakan Step3 daripada varian Step3-VL dan keluaran Step yang lebih baharu apabila merekodkan tugasan serta hasil.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had stepfun-ai/step3 | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.001144 / 1K token Output · Token output $0.00286 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "stepfun-ai/step3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun-ai/step3', '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': 'stepfun-ai/step3', '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 stepfun-ai/step3
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Explain a written object relationship\n\nUse these written observations of shelf S, without inspecting an image: "A blue box is above a red bin. A yellow pouch is inside the red bin. The box label is unreadable." Describe the stated spatial relationships and answer whether the box contents are known. Separate reported facts from information the notes cannot establish.A short relationship list and an explicit statement of the unknown box contents.Check that above is not changed to inside and an unreadable label does not become an identified product.