Step 3.7 Flash ialah model penglihatan-bahasa mixture-of-experts jarang StepFun untuk tugasan ejen dunia sebenar. Sistemnya yang mempunyai kira-kira 198 bilion parameter menggabungkan tulang belakang bahasa 196B dengan pengekod penglihatan 1.8B, mengaktifkan kira-kira 11B parameter bagi setiap token. Ia menerima teks dan imej serta menjana teks, kod atau panggilan alat yang dicadangkan untuk aplikasi yang disambungkan.
Pengeluar menyatakan tetingkap konteks 256K dan tahap penaakulan low, medium serta high. Ini membolehkan aliran kerja pengeluar memperuntukkan jumlah pemikiran yang berbeza bagi sesuatu tugasan. Kerja konteks panjang merangkumi laporan besar dan penyiasatan perisian berbilang fail; sediakan bahan berkaitan bersama soalan dan output yang diperlukan supaya model mempunyai objektif yang ditetapkan dalam konteks tersebut.
Pemahaman visual natif meliputi antara muka produk, dokumen, carta dan adegan semula jadi. Untuk tugasan antara muka, bekalkan tangkapan skrin atau reka bentuk dan kenal pasti ciri yang perlu diperiksa atau dilaksanakan. Untuk carta, nyatakan perbandingan atau trend yang perlu diterangkan. Pengeluar menggabungkan pentafsiran visual dengan pemerolehan maklumat dan penggunaan alat, jadi aliran kerja yang disambungkan boleh mengumpulkan bukti tambahan apabila imej sahaja meninggalkan soalan tanpa jawapan.
Tugasan pengekodan termasuk menelusuri repositori, mencari kegagalan dan mencadangkan tampalan. Berikan isu yang diperhatikan, tingkah laku yang dijangkakan dan fail atau log yang membuktikan hasil semasa. Minta artifak yang diubah dan semakan yang akan menilainya. Apabila aplikasi menjalankan semakan, kembalikan output sebenarnya sebelum langkah seterusnya supaya model boleh menangani pemerhatian itu tanpa menganggap tampalan telah berjaya.
Aliran kerja pengeluar yang lebih luas merangkumi carian, terminal, pelayar dan alat pejabat. Bekalkan takrif alat dan had tugasan, serta bezakan panggilan yang dicadangkan daripada hasil yang dikembalikan oleh aplikasi. Tugasan penyelidikan boleh membandingkan sumber dan mengekalkan bukti di sebalik setiap kesimpulan; tugasan dokumen boleh mengembalikan penjelasan atau kandungan berstruktur untuk ditukarkan menjadi artifak akhir oleh aplikasi yang mengelilinginya.
StepFun menerbitkan varian ketepatan dan resipi pelaksanaan yang berasingan. Contoh GGUF setempatnya membezakan model bahasa daripada projektor visual dan memperuntukkan memori masa jalan tambahan selain fail pemberat. Kad tersebut memberikan kira-kira 120 GB sebagai minimum memori setempat dan mengesyorkan memori bersatu 128 GB bagi persediaan itu. Ini ialah syarat pelaksanaan pengeluar, bukannya dakwaan tentang konfigurasi di sebalik pilihan model tertentu.
Bezakan Step 3.7 Flash daripada model teks Step 3.5 yang lebih awal: pengekod penglihatan dan pemahaman imej ialah penambahan yang ketara. Hasil akhir tugasan perlu menunjukkan sumber atau bukti visual yang digunakan, perubahan atau dapatan yang dicadangkan dan sebarang syarat yang masih memerlukan pemerhatian. Carian luaran, arahan dan perubahan fail bergantung pada alat yang disambungkan oleh aplikasi.
", "aboutText": "Step 3.7 Flash ialah model penglihatan-bahasa mixture-of-experts jarang StepFun untuk tugasan ejen dunia sebenar. Sistemnya yang mempunyai kira-kira 198 bilion parameter menggabungkan tulang belakang bahasa 196B dengan pengekod penglihatan 1.8B, mengaktifkan kira-kira 11B parameter bagi setiap token. Ia menerima teks dan imej serta menjana teks, kod atau panggilan alat yang dicadangkan untuk aplikasi yang disambungkan.\n\nPengeluar menyatakan tetingkap konteks 256K dan tahap penaakulan low, medium serta high. Ini membolehkan aliran kerja pengeluar memperuntukkan jumlah pemikiran yang berbeza bagi sesuatu tugasan. Kerja konteks panjang merangkumi laporan besar dan penyiasatan perisian berbilang fail; sediakan bahan berkaitan bersama soalan dan output yang diperlukan supaya model mempunyai objektif yang ditetapkan dalam konteks tersebut.\n\nPemahaman visual natif meliputi antara muka produk, dokumen, carta dan adegan semula jadi. Untuk tugasan antara muka, bekalkan tangkapan skrin atau reka bentuk dan kenal pasti ciri yang perlu diperiksa atau dilaksanakan. Untuk carta, nyatakan perbandingan atau trend yang perlu diterangkan. Pengeluar menggabungkan pentafsiran visual dengan pemerolehan maklumat dan penggunaan alat, jadi aliran kerja yang disambungkan boleh mengumpulkan bukti tambahan apabila imej sahaja meninggalkan soalan tanpa jawapan.\n\nTugasan pengekodan termasuk menelusuri repositori, mencari kegagalan dan mencadangkan tampalan. Berikan isu yang diperhatikan, tingkah laku yang dijangkakan dan fail atau log yang membuktikan hasil semasa. Minta artifak yang diubah dan semakan yang akan menilainya. Apabila aplikasi menjalankan semakan, kembalikan output sebenarnya sebelum langkah seterusnya supaya model boleh menangani pemerhatian itu tanpa menganggap tampalan telah berjaya.\n\nAliran kerja pengeluar yang lebih luas merangkumi carian, terminal, pelayar dan alat pejabat. Bekalkan takrif alat dan had tugasan, serta bezakan panggilan yang dicadangkan daripada hasil yang dikembalikan oleh aplikasi. Tugasan penyelidikan boleh membandingkan sumber dan mengekalkan bukti di sebalik setiap kesimpulan; tugasan dokumen boleh mengembalikan penjelasan atau kandungan berstruktur untuk ditukarkan menjadi artifak akhir oleh aplikasi yang mengelilinginya.\n\nStepFun menerbitkan varian ketepatan dan resipi pelaksanaan yang berasingan. Contoh GGUF setempatnya membezakan model bahasa daripada projektor visual dan memperuntukkan memori masa jalan tambahan selain fail pemberat. Kad tersebut memberikan kira-kira 120 GB sebagai minimum memori setempat dan mengesyorkan memori bersatu 128 GB bagi persediaan itu. Ini ialah syarat pelaksanaan pengeluar, bukannya dakwaan tentang konfigurasi di sebalik pilihan model tertentu.\n\nBezakan Step 3.7 Flash daripada model teks Step 3.5 yang lebih awal: pengekod penglihatan dan pemahaman imej ialah penambahan yang ketara. Hasil akhir tugasan perlu menunjukkan sumber atau bukti visual yang digunakan, perubahan atau dapatan yang dicadangkan dan sebarang syarat yang masih memerlukan pemerhatian. Carian luaran, arahan dan perubahan fail bergantung pada alat yang disambungkan oleh aplikasi.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Trace a failed configuration lookup\n\nSource excerpt: settings = {"timeout_seconds": 30}; timeout = settings["timeout"]. Log: KeyError: timeout. Required public setting remains timeout_seconds. Identify the mismatch, propose the smallest source correction and give a test that reads the configured value plus a test for a missing required setting. Do not rename the public field.A source-linked diagnosis, focused patch and two test cases.Check that the patch reads timeout_seconds and that the missing-setting case is not hidden by an invented default.stepfun/step-3.7-flashStep 3.7 Flash daripada StepFun ialah model penglihatan-bahasa jarang untuk pengekodan, pemahaman visual dan aliran kerja dipacu alat. Ia menggabungkan tulang belakang bahasa 196B dengan pengekod penglihatan 1.8B, konteks 256K dan tiga tahap penaakulan yang didokumenkan oleh pengeluar.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Step 3.7 Flash ialah model penglihatan-bahasa mixture-of-experts jarang StepFun untuk tugasan ejen dunia sebenar. Sistemnya yang mempunyai kira-kira 198 bilion parameter menggabungkan tulang belakang bahasa 196B dengan pengekod penglihatan 1.8B, mengaktifkan kira-kira 11B parameter bagi setiap token. Ia menerima teks dan imej serta menjana teks, kod atau panggilan alat yang dicadangkan untuk aplikasi yang disambungkan.
Pengeluar menyatakan tetingkap konteks 256K dan tahap penaakulan low, medium serta high. Ini membolehkan aliran kerja pengeluar memperuntukkan jumlah pemikiran yang berbeza bagi sesuatu tugasan. Kerja konteks panjang merangkumi laporan besar dan penyiasatan perisian berbilang fail; sediakan bahan berkaitan bersama soalan dan output yang diperlukan supaya model mempunyai objektif yang ditetapkan dalam konteks tersebut.
Pemahaman visual natif meliputi antara muka produk, dokumen, carta dan adegan semula jadi. Untuk tugasan antara muka, bekalkan tangkapan skrin atau reka bentuk dan kenal pasti ciri yang perlu diperiksa atau dilaksanakan. Untuk carta, nyatakan perbandingan atau trend yang perlu diterangkan. Pengeluar menggabungkan pentafsiran visual dengan pemerolehan maklumat dan penggunaan alat, jadi aliran kerja yang disambungkan boleh mengumpulkan bukti tambahan apabila imej sahaja meninggalkan soalan tanpa jawapan.
Tugasan pengekodan termasuk menelusuri repositori, mencari kegagalan dan mencadangkan tampalan. Berikan isu yang diperhatikan, tingkah laku yang dijangkakan dan fail atau log yang membuktikan hasil semasa. Minta artifak yang diubah dan semakan yang akan menilainya. Apabila aplikasi menjalankan semakan, kembalikan output sebenarnya sebelum langkah seterusnya supaya model boleh menangani pemerhatian itu tanpa menganggap tampalan telah berjaya.
Aliran kerja pengeluar yang lebih luas merangkumi carian, terminal, pelayar dan alat pejabat. Bekalkan takrif alat dan had tugasan, serta bezakan panggilan yang dicadangkan daripada hasil yang dikembalikan oleh aplikasi. Tugasan penyelidikan boleh membandingkan sumber dan mengekalkan bukti di sebalik setiap kesimpulan; tugasan dokumen boleh mengembalikan penjelasan atau kandungan berstruktur untuk ditukarkan menjadi artifak akhir oleh aplikasi yang mengelilinginya.
StepFun menerbitkan varian ketepatan dan resipi pelaksanaan yang berasingan. Contoh GGUF setempatnya membezakan model bahasa daripada projektor visual dan memperuntukkan memori masa jalan tambahan selain fail pemberat. Kad tersebut memberikan kira-kira 120 GB sebagai minimum memori setempat dan mengesyorkan memori bersatu 128 GB bagi persediaan itu. Ini ialah syarat pelaksanaan pengeluar, bukannya dakwaan tentang konfigurasi di sebalik pilihan model tertentu.
Bezakan Step 3.7 Flash daripada model teks Step 3.5 yang lebih awal: pengekod penglihatan dan pemahaman imej ialah penambahan yang ketara. Hasil akhir tugasan perlu menunjukkan sumber atau bukti visual yang digunakan, perubahan atau dapatan yang dicadangkan dan sebarang syarat yang masih memerlukan pemerhatian. Carian luaran, arahan dan perubahan fail bergantung pada alat yang disambungkan oleh aplikasi.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had stepfun/step-3.7-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 $0.0004 / 1K token Output · Token output $0.0023 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0.0023 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun/step-3.7-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-3.7-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-3.7-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-3.7-flash
Gunakan laluan kaedah yang dipaparkan di atas.
stepfun/step-3.7-flashStep 3.7 Flash daripada StepFun ialah model penglihatan-bahasa jarang untuk pengekodan, pemahaman visual dan aliran kerja dipacu alat. Ia menggabungkan tulang belakang bahasa 196B dengan pengekod penglihatan 1.8B, konteks 256K dan tiga tahap penaakulan yang didokumenkan oleh pengeluar.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Step 3.7 Flash ialah model penglihatan-bahasa mixture-of-experts jarang StepFun untuk tugasan ejen dunia sebenar. Sistemnya yang mempunyai kira-kira 198 bilion parameter menggabungkan tulang belakang bahasa 196B dengan pengekod penglihatan 1.8B, mengaktifkan kira-kira 11B parameter bagi setiap token. Ia menerima teks dan imej serta menjana teks, kod atau panggilan alat yang dicadangkan untuk aplikasi yang disambungkan.
Pengeluar menyatakan tetingkap konteks 256K dan tahap penaakulan low, medium serta high. Ini membolehkan aliran kerja pengeluar memperuntukkan jumlah pemikiran yang berbeza bagi sesuatu tugasan. Kerja konteks panjang merangkumi laporan besar dan penyiasatan perisian berbilang fail; sediakan bahan berkaitan bersama soalan dan output yang diperlukan supaya model mempunyai objektif yang ditetapkan dalam konteks tersebut.
Pemahaman visual natif meliputi antara muka produk, dokumen, carta dan adegan semula jadi. Untuk tugasan antara muka, bekalkan tangkapan skrin atau reka bentuk dan kenal pasti ciri yang perlu diperiksa atau dilaksanakan. Untuk carta, nyatakan perbandingan atau trend yang perlu diterangkan. Pengeluar menggabungkan pentafsiran visual dengan pemerolehan maklumat dan penggunaan alat, jadi aliran kerja yang disambungkan boleh mengumpulkan bukti tambahan apabila imej sahaja meninggalkan soalan tanpa jawapan.
Tugasan pengekodan termasuk menelusuri repositori, mencari kegagalan dan mencadangkan tampalan. Berikan isu yang diperhatikan, tingkah laku yang dijangkakan dan fail atau log yang membuktikan hasil semasa. Minta artifak yang diubah dan semakan yang akan menilainya. Apabila aplikasi menjalankan semakan, kembalikan output sebenarnya sebelum langkah seterusnya supaya model boleh menangani pemerhatian itu tanpa menganggap tampalan telah berjaya.
Aliran kerja pengeluar yang lebih luas merangkumi carian, terminal, pelayar dan alat pejabat. Bekalkan takrif alat dan had tugasan, serta bezakan panggilan yang dicadangkan daripada hasil yang dikembalikan oleh aplikasi. Tugasan penyelidikan boleh membandingkan sumber dan mengekalkan bukti di sebalik setiap kesimpulan; tugasan dokumen boleh mengembalikan penjelasan atau kandungan berstruktur untuk ditukarkan menjadi artifak akhir oleh aplikasi yang mengelilinginya.
StepFun menerbitkan varian ketepatan dan resipi pelaksanaan yang berasingan. Contoh GGUF setempatnya membezakan model bahasa daripada projektor visual dan memperuntukkan memori masa jalan tambahan selain fail pemberat. Kad tersebut memberikan kira-kira 120 GB sebagai minimum memori setempat dan mengesyorkan memori bersatu 128 GB bagi persediaan itu. Ini ialah syarat pelaksanaan pengeluar, bukannya dakwaan tentang konfigurasi di sebalik pilihan model tertentu.
Bezakan Step 3.7 Flash daripada model teks Step 3.5 yang lebih awal: pengekod penglihatan dan pemahaman imej ialah penambahan yang ketara. Hasil akhir tugasan perlu menunjukkan sumber atau bukti visual yang digunakan, perubahan atau dapatan yang dicadangkan dan sebarang syarat yang masih memerlukan pemerhatian. Carian luaran, arahan dan perubahan fail bergantung pada alat yang disambungkan oleh aplikasi.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had stepfun/step-3.7-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 $0.0004 / 1K token Output · Token output $0.0023 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0.0023 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "stepfun/step-3.7-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.7-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-3.7-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-3.7-flash
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Trace a failed configuration lookup\n\nSource excerpt: settings = {"timeout_seconds": 30}; timeout = settings["timeout"]. Log: KeyError: timeout. Required public setting remains timeout_seconds. Identify the mismatch, propose the smallest source correction and give a test that reads the configured value plus a test for a missing required setting. Do not rename the public field.A source-linked diagnosis, focused patch and two test cases.Check that the patch reads timeout_seconds and that the missing-setting case is not hidden by an invented default.