Step 3.5 Flash ialah model teks mixture-of-experts jarang StepFun untuk penaakulan dan kerja berorientasikan ejen. Spesifikasi yang diterbitkan mempunyai jumlah parameter 196.81 bilion, termasuk kepala ramalannya, dan mengaktifkan kira-kira 11B parameter bagi setiap token. Ia memproses arahan bertulis dan perbualan untuk menjana teks, kod dan interaksi alat yang dicadangkan.
Tulang belakang 45 lapisannya menggabungkan perhatian tetingkap gelongsor dan perhatian penuh pada nisbah tiga berbanding satu serta menyokong konteks 256K. Setiap lapisan pakar mempunyai 288 pakar yang dirutekan serta satu pakar bersama, dengan lapan pakar yang dirutekan dipilih bagi setiap token. Kepala ramalan berbilang token merupakan sebahagian daripada reka bentuk kecekapan pengeluar. Pilihan seni bina ini menerangkan model; kelajuan aplikasi tertentu turut bergantung pada persediaan penyajian dan beban kerjanya.
Bidang tugasan utama ialah penaakulan, pengekodan dan aliran kerja ejen yang lebih panjang. Untuk tugasan perisian, berikan tingkah laku yang dijangkakan, sumber yang berkaitan dan kegagalan sebenar atau perubahan yang diminta. Minta artifak yang dicadangkan serta semakan yang diperlukan untuk menilainya. Dalam aplikasi yang disambungkan, kembalikan hasil arahan dan semakan sebelum model memilih langkah seterusnya.
Untuk analisis konteks panjang, tetapkan soalan dan bahagian bahan yang penting. Laporan yang berguna mengenal pasti kesimpulannya, bukti sokongan dan sebarang pemerhatian yang tiada. Kekalkan objektif semasa dan dapatan terdahulu yang telah disahkan sepanjang giliran susulan supaya model boleh meneruskan daripada keadaan tugasan tanpa membinanya semula daripada prompt yang tidak lengkap.
StepFun menerbitkan resipi integrasi dan pelaksanaan setempat untuk aplikasi pengekodan dan penyelidikan. Pelaksanaan alat merupakan tugas aliran kerja yang mengelilinginya: model membekalkan tindakan yang dicadangkan, dan aplikasi menjalankannya serta mengembalikan hasil. Artifak berbeza yang ditukar atau terkuantisasi mempunyai syarat pelaksanaan masing-masing; nama model umum tidak memilih mana-mana satu daripadanya.
Isu yang diketahui oleh pengeluar adalah khusus. Model boleh menggunakan trajektori penjanaan yang panjang, dan kestabilan boleh berkurang dalam bidang khusus atau perbualan berbilang giliran yang berlanjutan. Gejala yang dilaporkan termasuk penaakulan berulang, output bercampur bahasa dan ketidakselarasan tentang masa atau identiti. Nyatakan bahasa respons dan tugasan semasa dengan jelas, kekalkan pemerhatian berkaitan dan semak artifak akhir terhadap objektif yang dinyatakan. Bezakan edisi teks ini daripada Step 3.7 Flash yang mempunyai tambahan pengekod penglihatan dan input imej.
", "aboutText": "Step 3.5 Flash ialah model teks mixture-of-experts jarang StepFun untuk penaakulan dan kerja berorientasikan ejen. Spesifikasi yang diterbitkan mempunyai jumlah parameter 196.81 bilion, termasuk kepala ramalannya, dan mengaktifkan kira-kira 11B parameter bagi setiap token. Ia memproses arahan bertulis dan perbualan untuk menjana teks, kod dan interaksi alat yang dicadangkan.\n\nTulang belakang 45 lapisannya menggabungkan perhatian tetingkap gelongsor dan perhatian penuh pada nisbah tiga berbanding satu serta menyokong konteks 256K. Setiap lapisan pakar mempunyai 288 pakar yang dirutekan serta satu pakar bersama, dengan lapan pakar yang dirutekan dipilih bagi setiap token. Kepala ramalan berbilang token merupakan sebahagian daripada reka bentuk kecekapan pengeluar. Pilihan seni bina ini menerangkan model; kelajuan aplikasi tertentu turut bergantung pada persediaan penyajian dan beban kerjanya.\n\nBidang tugasan utama ialah penaakulan, pengekodan dan aliran kerja ejen yang lebih panjang. Untuk tugasan perisian, berikan tingkah laku yang dijangkakan, sumber yang berkaitan dan kegagalan sebenar atau perubahan yang diminta. Minta artifak yang dicadangkan serta semakan yang diperlukan untuk menilainya. Dalam aplikasi yang disambungkan, kembalikan hasil arahan dan semakan sebelum model memilih langkah seterusnya.\n\nUntuk analisis konteks panjang, tetapkan soalan dan bahagian bahan yang penting. Laporan yang berguna mengenal pasti kesimpulannya, bukti sokongan dan sebarang pemerhatian yang tiada. Kekalkan objektif semasa dan dapatan terdahulu yang telah disahkan sepanjang giliran susulan supaya model boleh meneruskan daripada keadaan tugasan tanpa membinanya semula daripada prompt yang tidak lengkap.\n\nStepFun menerbitkan resipi integrasi dan pelaksanaan setempat untuk aplikasi pengekodan dan penyelidikan. Pelaksanaan alat merupakan tugas aliran kerja yang mengelilinginya: model membekalkan tindakan yang dicadangkan, dan aplikasi menjalankannya serta mengembalikan hasil. Artifak berbeza yang ditukar atau terkuantisasi mempunyai syarat pelaksanaan masing-masing; nama model umum tidak memilih mana-mana satu daripadanya.\n\nIsu yang diketahui oleh pengeluar adalah khusus. Model boleh menggunakan trajektori penjanaan yang panjang, dan kestabilan boleh berkurang dalam bidang khusus atau perbualan berbilang giliran yang berlanjutan. Gejala yang dilaporkan termasuk penaakulan berulang, output bercampur bahasa dan ketidakselarasan tentang masa atau identiti. Nyatakan bahasa respons dan tugasan semasa dengan jelas, kekalkan pemerhatian berkaitan dan semak artifak akhir terhadap objektif yang dinyatakan. Bezakan edisi teks ini daripada Step 3.7 Flash yang mempunyai tambahan pengekod penglihatan dan input imej.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStep 3.5 Flash daripada StepFun ialah model teks jarang untuk penaakulan, kod dan aliran kerja ejen. Ia mengaktifkan kira-kira 11B parameter daripada model kelas 196B, menggabungkan perhatian gelongsor dan penuh, serta menyokong konteks 256K.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Step 3.5 Flash ialah model teks mixture-of-experts jarang StepFun untuk penaakulan dan kerja berorientasikan ejen. Spesifikasi yang diterbitkan mempunyai jumlah parameter 196.81 bilion, termasuk kepala ramalannya, dan mengaktifkan kira-kira 11B parameter bagi setiap token. Ia memproses arahan bertulis dan perbualan untuk menjana teks, kod dan interaksi alat yang dicadangkan.
Tulang belakang 45 lapisannya menggabungkan perhatian tetingkap gelongsor dan perhatian penuh pada nisbah tiga berbanding satu serta menyokong konteks 256K. Setiap lapisan pakar mempunyai 288 pakar yang dirutekan serta satu pakar bersama, dengan lapan pakar yang dirutekan dipilih bagi setiap token. Kepala ramalan berbilang token merupakan sebahagian daripada reka bentuk kecekapan pengeluar. Pilihan seni bina ini menerangkan model; kelajuan aplikasi tertentu turut bergantung pada persediaan penyajian dan beban kerjanya.
Bidang tugasan utama ialah penaakulan, pengekodan dan aliran kerja ejen yang lebih panjang. Untuk tugasan perisian, berikan tingkah laku yang dijangkakan, sumber yang berkaitan dan kegagalan sebenar atau perubahan yang diminta. Minta artifak yang dicadangkan serta semakan yang diperlukan untuk menilainya. Dalam aplikasi yang disambungkan, kembalikan hasil arahan dan semakan sebelum model memilih langkah seterusnya.
Untuk analisis konteks panjang, tetapkan soalan dan bahagian bahan yang penting. Laporan yang berguna mengenal pasti kesimpulannya, bukti sokongan dan sebarang pemerhatian yang tiada. Kekalkan objektif semasa dan dapatan terdahulu yang telah disahkan sepanjang giliran susulan supaya model boleh meneruskan daripada keadaan tugasan tanpa membinanya semula daripada prompt yang tidak lengkap.
StepFun menerbitkan resipi integrasi dan pelaksanaan setempat untuk aplikasi pengekodan dan penyelidikan. Pelaksanaan alat merupakan tugas aliran kerja yang mengelilinginya: model membekalkan tindakan yang dicadangkan, dan aplikasi menjalankannya serta mengembalikan hasil. Artifak berbeza yang ditukar atau terkuantisasi mempunyai syarat pelaksanaan masing-masing; nama model umum tidak memilih mana-mana satu daripadanya.
Isu yang diketahui oleh pengeluar adalah khusus. Model boleh menggunakan trajektori penjanaan yang panjang, dan kestabilan boleh berkurang dalam bidang khusus atau perbualan berbilang giliran yang berlanjutan. Gejala yang dilaporkan termasuk penaakulan berulang, output bercampur bahasa dan ketidakselarasan tentang masa atau identiti. Nyatakan bahasa respons dan tugasan semasa dengan jelas, kekalkan pemerhatian berkaitan dan semak artifak akhir terhadap objektif yang dinyatakan. Bezakan edisi teks ini daripada Step 3.7 Flash yang mempunyai tambahan pengekod penglihatan dan input imej.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had stepfun/step-3.5-flash | 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 $0.00022 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 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 $0.00022 / 1K token Output · Token output $0.00066 / 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/step-3.5-flash", "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/step-3.5-flash',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/step-3.5-flash',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/step-3.5-flash
Gunakan laluan kaedah yang dipaparkan di atas.
stepfun/step-3.5-flashStep 3.5 Flash daripada StepFun ialah model teks jarang untuk penaakulan, kod dan aliran kerja ejen. Ia mengaktifkan kira-kira 11B parameter daripada model kelas 196B, menggabungkan perhatian gelongsor dan penuh, serta menyokong konteks 256K.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Step 3.5 Flash ialah model teks mixture-of-experts jarang StepFun untuk penaakulan dan kerja berorientasikan ejen. Spesifikasi yang diterbitkan mempunyai jumlah parameter 196.81 bilion, termasuk kepala ramalannya, dan mengaktifkan kira-kira 11B parameter bagi setiap token. Ia memproses arahan bertulis dan perbualan untuk menjana teks, kod dan interaksi alat yang dicadangkan.
Tulang belakang 45 lapisannya menggabungkan perhatian tetingkap gelongsor dan perhatian penuh pada nisbah tiga berbanding satu serta menyokong konteks 256K. Setiap lapisan pakar mempunyai 288 pakar yang dirutekan serta satu pakar bersama, dengan lapan pakar yang dirutekan dipilih bagi setiap token. Kepala ramalan berbilang token merupakan sebahagian daripada reka bentuk kecekapan pengeluar. Pilihan seni bina ini menerangkan model; kelajuan aplikasi tertentu turut bergantung pada persediaan penyajian dan beban kerjanya.
Bidang tugasan utama ialah penaakulan, pengekodan dan aliran kerja ejen yang lebih panjang. Untuk tugasan perisian, berikan tingkah laku yang dijangkakan, sumber yang berkaitan dan kegagalan sebenar atau perubahan yang diminta. Minta artifak yang dicadangkan serta semakan yang diperlukan untuk menilainya. Dalam aplikasi yang disambungkan, kembalikan hasil arahan dan semakan sebelum model memilih langkah seterusnya.
Untuk analisis konteks panjang, tetapkan soalan dan bahagian bahan yang penting. Laporan yang berguna mengenal pasti kesimpulannya, bukti sokongan dan sebarang pemerhatian yang tiada. Kekalkan objektif semasa dan dapatan terdahulu yang telah disahkan sepanjang giliran susulan supaya model boleh meneruskan daripada keadaan tugasan tanpa membinanya semula daripada prompt yang tidak lengkap.
StepFun menerbitkan resipi integrasi dan pelaksanaan setempat untuk aplikasi pengekodan dan penyelidikan. Pelaksanaan alat merupakan tugas aliran kerja yang mengelilinginya: model membekalkan tindakan yang dicadangkan, dan aplikasi menjalankannya serta mengembalikan hasil. Artifak berbeza yang ditukar atau terkuantisasi mempunyai syarat pelaksanaan masing-masing; nama model umum tidak memilih mana-mana satu daripadanya.
Isu yang diketahui oleh pengeluar adalah khusus. Model boleh menggunakan trajektori penjanaan yang panjang, dan kestabilan boleh berkurang dalam bidang khusus atau perbualan berbilang giliran yang berlanjutan. Gejala yang dilaporkan termasuk penaakulan berulang, output bercampur bahasa dan ketidakselarasan tentang masa atau identiti. Nyatakan bahasa respons dan tugasan semasa dengan jelas, kekalkan pemerhatian berkaitan dan semak artifak akhir terhadap objektif yang dinyatakan. Bezakan edisi teks ini daripada Step 3.7 Flash yang mempunyai tambahan pengekod penglihatan dan input imej.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had stepfun/step-3.5-flash | 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 $0.00022 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 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 $0.00022 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/step-3.5-flash', '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/step-3.5-flash', '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/step-3.5-flash
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.