Hy-MT2-7B ialah model terjemahan padat 7B Tencent Hy dalam keluarga Hy-MT2 dengan pemikiran pantas. Ia menerima bahan sumber bertulis dan arahan terjemahan serta menghasilkan teks terjemahan. Keluarga ini direka untuk tugasan dunia sebenar yang memerlukan istilah, khalayak, latar belakang dan keperluan pemformatan diambil kira bersama pasangan bahasa. Jadual bahasa pengeluar merangkumi bahasa Cina, Cina Tradisional, Inggeris, Jepun, Korea, Rusia, Arab, Perancis dan Sepanyol, serta Kantonis, Tibet, Kazakh, Mongolia dan Uyghur.
Konfigurasi tepat 7B mempunyai 32 lapisan, 32 kepala perhatian pertanyaan dan lapan kepala kunci/nilai, dengan maksimum 262,144 kedudukan. Ia berbeza daripada konfigurasi 1.8B yang lebih kecil dan edisi mixture-of-experts 30B-A3B. Keluaran termampat yang berasingan mempunyai identiti artifak dan syarat pelaksanaan masing-masing.
Corak terjemahan lalai pengeluar menyatakan nama penuh bahasa sasaran dan meminta hasil terjemahan sahaja. Gunakan nama penuh bahasa yang selaras dengan bahasa prompt. Nyatakan sumber dan arahan secara berasingan supaya arahan yang dipetik di dalam bahan dianggap sebagai teks untuk diterjemahkan, bukannya tugasan baharu untuk model.
Bekalkan istilah pilihan sebagai pasangan sumber-ke-sasaran yang jelas. Arahan gaya boleh menetapkan laras suara dan khalayak, manakala pemperibadian boleh menyenaraikan keperluan yang mesti dipenuhi oleh petikan. Konteks latar belakang berguna apabila perkataan mempunyai beberapa makna atau ayat bergantung pada maklumat di tempat lain dalam dokumen. Berikan konteks tersebut sebelum meminta terjemahan.
Untuk data berstruktur, kekalkan susunan bersarang, hierarki dan inden asal serta terjemahkan hanya kandungan yang kelihatan kepada pengguna. Contoh pengeluar mengekalkan kunci, tag kod, sifat dan pemegang tempat. Pembatas juga perlu mengekalkan bilangan dan kedudukan asal. Arahan ini membantu memastikan bahan terjemahan kekal boleh digunakan dalam aliran kerja yang memprosesnya.
Tencent mengesyorkan temperature 0.7, top-p 0.6, top-k 20 dan penalti pengulangan 1.05 untuk edisi 7B dan 1.8B, tanpa prompt sistem lalai. Contohnya memperuntukkan 4096 token yang dijana; ia menunjukkan belanjawan permintaan, bukannya maksimum intrinsik model. Tetapan itu ialah panduan pengeluar, berasingan daripada jaminan tentang kawalan yang disediakan oleh aplikasi tertentu.
Untuk hasil yang berguna, minta petikan terjemahan atau objek berstruktur yang utuh, kemudian nilai makna, istilah dan sintaks yang dikekalkan dengan membandingkannya dengan sumber asal. Dokumen berbilang bahasa boleh menggunakan glosari yang sama merentas bahagian; fail bahasa aplikasi boleh mengekalkan setiap pengecam dan pemboleh ubah sambil menukar rentetan yang kelihatan. Output akhir perlu memenuhi kedua-dua bahagian linguistik dan struktur tugasan.
", "aboutText": "Hy-MT2-7B ialah model terjemahan padat 7B Tencent Hy dalam keluarga Hy-MT2 dengan pemikiran pantas. Ia menerima bahan sumber bertulis dan arahan terjemahan serta menghasilkan teks terjemahan. Keluarga ini direka untuk tugasan dunia sebenar yang memerlukan istilah, khalayak, latar belakang dan keperluan pemformatan diambil kira bersama pasangan bahasa. Jadual bahasa pengeluar merangkumi bahasa Cina, Cina Tradisional, Inggeris, Jepun, Korea, Rusia, Arab, Perancis dan Sepanyol, serta Kantonis, Tibet, Kazakh, Mongolia dan Uyghur.\n\nKonfigurasi tepat 7B mempunyai 32 lapisan, 32 kepala perhatian pertanyaan dan lapan kepala kunci/nilai, dengan maksimum 262,144 kedudukan. Ia berbeza daripada konfigurasi 1.8B yang lebih kecil dan edisi mixture-of-experts 30B-A3B. Keluaran termampat yang berasingan mempunyai identiti artifak dan syarat pelaksanaan masing-masing.\n\nCorak terjemahan lalai pengeluar menyatakan nama penuh bahasa sasaran dan meminta hasil terjemahan sahaja. Gunakan nama penuh bahasa yang selaras dengan bahasa prompt. Nyatakan sumber dan arahan secara berasingan supaya arahan yang dipetik di dalam bahan dianggap sebagai teks untuk diterjemahkan, bukannya tugasan baharu untuk model.\n\nBekalkan istilah pilihan sebagai pasangan sumber-ke-sasaran yang jelas. Arahan gaya boleh menetapkan laras suara dan khalayak, manakala pemperibadian boleh menyenaraikan keperluan yang mesti dipenuhi oleh petikan. Konteks latar belakang berguna apabila perkataan mempunyai beberapa makna atau ayat bergantung pada maklumat di tempat lain dalam dokumen. Berikan konteks tersebut sebelum meminta terjemahan.\n\nUntuk data berstruktur, kekalkan susunan bersarang, hierarki dan inden asal serta terjemahkan hanya kandungan yang kelihatan kepada pengguna. Contoh pengeluar mengekalkan kunci, tag kod, sifat dan pemegang tempat. Pembatas juga perlu mengekalkan bilangan dan kedudukan asal. Arahan ini membantu memastikan bahan terjemahan kekal boleh digunakan dalam aliran kerja yang memprosesnya.\n\nTencent mengesyorkan temperature 0.7, top-p 0.6, top-k 20 dan penalti pengulangan 1.05 untuk edisi 7B dan 1.8B, tanpa prompt sistem lalai. Contohnya memperuntukkan 4096 token yang dijana; ia menunjukkan belanjawan permintaan, bukannya maksimum intrinsik model. Tetapan itu ialah panduan pengeluar, berasingan daripada jaminan tentang kawalan yang disediakan oleh aplikasi tertentu.\n\nUntuk hasil yang berguna, minta petikan terjemahan atau objek berstruktur yang utuh, kemudian nilai makna, istilah dan sintaks yang dikekalkan dengan membandingkannya dengan sumber asal. Dokumen berbilang bahasa boleh menggunakan glosari yang sama merentas bahagian; fail bahasa aplikasi boleh mengekalkan setiap pengecam dan pemboleh ubah sambil menukar rentetan yang kelihatan. Output akhir perlu memenuhi kedua-dua bahagian linguistik dan struktur tugasan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Translate UI strings with placeholders\n\nTranslate only the user-facing values in this YAML into Russian. Preserve keys, indentation and placeholders exactly. Source:\ncheckout:\n title: "Confirm order"\n greeting: "Hello, {name}"\n total: "Total: {amount} RUB"\nUse a neutral interface tone. Return only the translated YAML; do not translate RUB or add fields.A YAML block with the same hierarchy and keys, translated visible strings and intact placeholders and RUB.Compare keys, indentation, {name}, {amount} and RUB byte-for-byte with the source.tencent/hy-mt2-7bHy-MT2-7B daripada Tencent ialah model padat 7B dalam keluarga terjemahannya yang berpandukan arahan. Ia menyokong prompt glosari, gaya, latar belakang dan pengekalan struktur, dengan konfigurasi 262,144 kedudukan dan identiti berbeza daripada model 1.8B serta MoE dalam keluarga yang sama.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Hy-MT2-7B ialah model terjemahan padat 7B Tencent Hy dalam keluarga Hy-MT2 dengan pemikiran pantas. Ia menerima bahan sumber bertulis dan arahan terjemahan serta menghasilkan teks terjemahan. Keluarga ini direka untuk tugasan dunia sebenar yang memerlukan istilah, khalayak, latar belakang dan keperluan pemformatan diambil kira bersama pasangan bahasa. Jadual bahasa pengeluar merangkumi bahasa Cina, Cina Tradisional, Inggeris, Jepun, Korea, Rusia, Arab, Perancis dan Sepanyol, serta Kantonis, Tibet, Kazakh, Mongolia dan Uyghur.
Konfigurasi tepat 7B mempunyai 32 lapisan, 32 kepala perhatian pertanyaan dan lapan kepala kunci/nilai, dengan maksimum 262,144 kedudukan. Ia berbeza daripada konfigurasi 1.8B yang lebih kecil dan edisi mixture-of-experts 30B-A3B. Keluaran termampat yang berasingan mempunyai identiti artifak dan syarat pelaksanaan masing-masing.
Corak terjemahan lalai pengeluar menyatakan nama penuh bahasa sasaran dan meminta hasil terjemahan sahaja. Gunakan nama penuh bahasa yang selaras dengan bahasa prompt. Nyatakan sumber dan arahan secara berasingan supaya arahan yang dipetik di dalam bahan dianggap sebagai teks untuk diterjemahkan, bukannya tugasan baharu untuk model.
Bekalkan istilah pilihan sebagai pasangan sumber-ke-sasaran yang jelas. Arahan gaya boleh menetapkan laras suara dan khalayak, manakala pemperibadian boleh menyenaraikan keperluan yang mesti dipenuhi oleh petikan. Konteks latar belakang berguna apabila perkataan mempunyai beberapa makna atau ayat bergantung pada maklumat di tempat lain dalam dokumen. Berikan konteks tersebut sebelum meminta terjemahan.
Untuk data berstruktur, kekalkan susunan bersarang, hierarki dan inden asal serta terjemahkan hanya kandungan yang kelihatan kepada pengguna. Contoh pengeluar mengekalkan kunci, tag kod, sifat dan pemegang tempat. Pembatas juga perlu mengekalkan bilangan dan kedudukan asal. Arahan ini membantu memastikan bahan terjemahan kekal boleh digunakan dalam aliran kerja yang memprosesnya.
Tencent mengesyorkan temperature 0.7, top-p 0.6, top-k 20 dan penalti pengulangan 1.05 untuk edisi 7B dan 1.8B, tanpa prompt sistem lalai. Contohnya memperuntukkan 4096 token yang dijana; ia menunjukkan belanjawan permintaan, bukannya maksimum intrinsik model. Tetapan itu ialah panduan pengeluar, berasingan daripada jaminan tentang kawalan yang disediakan oleh aplikasi tertentu.
Untuk hasil yang berguna, minta petikan terjemahan atau objek berstruktur yang utuh, kemudian nilai makna, istilah dan sintaks yang dikekalkan dengan membandingkannya dengan sumber asal. Dokumen berbilang bahasa boleh menggunakan glosari yang sama merentas bahagian; fail bahasa aplikasi boleh mengekalkan setiap pengecam dan pemboleh ubah sambil menukar rentetan yang kelihatan. Output akhir perlu memenuhi kedua-dua bahagian linguistik dan struktur tugasan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had tencent/hy-mt2-7b | 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 $0.000148 / 1K token Output · Token output $0.00059 / 1K token Input · Bacaan cache — / 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 $0.000148 / 1K token Output · Token output $0.00059 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "tencent/hy-mt2-7b", "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='tencent/hy-mt2-7b',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='tencent/hy-mt2-7b',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 tencent/hy-mt2-7b
Gunakan laluan kaedah yang dipaparkan di atas.
tencent/hy-mt2-7bHy-MT2-7B daripada Tencent ialah model padat 7B dalam keluarga terjemahannya yang berpandukan arahan. Ia menyokong prompt glosari, gaya, latar belakang dan pengekalan struktur, dengan konfigurasi 262,144 kedudukan dan identiti berbeza daripada model 1.8B serta MoE dalam keluarga yang sama.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Hy-MT2-7B ialah model terjemahan padat 7B Tencent Hy dalam keluarga Hy-MT2 dengan pemikiran pantas. Ia menerima bahan sumber bertulis dan arahan terjemahan serta menghasilkan teks terjemahan. Keluarga ini direka untuk tugasan dunia sebenar yang memerlukan istilah, khalayak, latar belakang dan keperluan pemformatan diambil kira bersama pasangan bahasa. Jadual bahasa pengeluar merangkumi bahasa Cina, Cina Tradisional, Inggeris, Jepun, Korea, Rusia, Arab, Perancis dan Sepanyol, serta Kantonis, Tibet, Kazakh, Mongolia dan Uyghur.
Konfigurasi tepat 7B mempunyai 32 lapisan, 32 kepala perhatian pertanyaan dan lapan kepala kunci/nilai, dengan maksimum 262,144 kedudukan. Ia berbeza daripada konfigurasi 1.8B yang lebih kecil dan edisi mixture-of-experts 30B-A3B. Keluaran termampat yang berasingan mempunyai identiti artifak dan syarat pelaksanaan masing-masing.
Corak terjemahan lalai pengeluar menyatakan nama penuh bahasa sasaran dan meminta hasil terjemahan sahaja. Gunakan nama penuh bahasa yang selaras dengan bahasa prompt. Nyatakan sumber dan arahan secara berasingan supaya arahan yang dipetik di dalam bahan dianggap sebagai teks untuk diterjemahkan, bukannya tugasan baharu untuk model.
Bekalkan istilah pilihan sebagai pasangan sumber-ke-sasaran yang jelas. Arahan gaya boleh menetapkan laras suara dan khalayak, manakala pemperibadian boleh menyenaraikan keperluan yang mesti dipenuhi oleh petikan. Konteks latar belakang berguna apabila perkataan mempunyai beberapa makna atau ayat bergantung pada maklumat di tempat lain dalam dokumen. Berikan konteks tersebut sebelum meminta terjemahan.
Untuk data berstruktur, kekalkan susunan bersarang, hierarki dan inden asal serta terjemahkan hanya kandungan yang kelihatan kepada pengguna. Contoh pengeluar mengekalkan kunci, tag kod, sifat dan pemegang tempat. Pembatas juga perlu mengekalkan bilangan dan kedudukan asal. Arahan ini membantu memastikan bahan terjemahan kekal boleh digunakan dalam aliran kerja yang memprosesnya.
Tencent mengesyorkan temperature 0.7, top-p 0.6, top-k 20 dan penalti pengulangan 1.05 untuk edisi 7B dan 1.8B, tanpa prompt sistem lalai. Contohnya memperuntukkan 4096 token yang dijana; ia menunjukkan belanjawan permintaan, bukannya maksimum intrinsik model. Tetapan itu ialah panduan pengeluar, berasingan daripada jaminan tentang kawalan yang disediakan oleh aplikasi tertentu.
Untuk hasil yang berguna, minta petikan terjemahan atau objek berstruktur yang utuh, kemudian nilai makna, istilah dan sintaks yang dikekalkan dengan membandingkannya dengan sumber asal. Dokumen berbilang bahasa boleh menggunakan glosari yang sama merentas bahagian; fail bahasa aplikasi boleh mengekalkan setiap pengecam dan pemboleh ubah sambil menukar rentetan yang kelihatan. Output akhir perlu memenuhi kedua-dua bahagian linguistik dan struktur tugasan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had tencent/hy-mt2-7b | 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 $0.000148 / 1K token Output · Token output $0.00059 / 1K token Input · Bacaan cache — / 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 $0.000148 / 1K token Output · Token output $0.00059 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "tencent/hy-mt2-7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'tencent/hy-mt2-7b', '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': 'tencent/hy-mt2-7b', '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 tencent/hy-mt2-7b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Translate UI strings with placeholders\n\nTranslate only the user-facing values in this YAML into Russian. Preserve keys, indentation and placeholders exactly. Source:\ncheckout:\n title: "Confirm order"\n greeting: "Hello, {name}"\n total: "Total: {amount} RUB"\nUse a neutral interface tone. Return only the translated YAML; do not translate RUB or add fields.A YAML block with the same hierarchy and keys, translated visible strings and intact placeholders and RUB.Compare keys, indentation, {name}, {amount} and RUB byte-for-byte with the source.