Hy3 preview ialah model Hy3 pertama Tencent Hy yang dilatih pada infrastrukturnya yang dibina semula. Pengeluar menyatakan seni bina mixture-of-experts dengan 295B jumlah parameter, 21B parameter aktif dan lapisan ramalan berbilang token 3.8B. Model menerima prompt bertulis dan perbualan serta menjana teks untuk tugasan penaakulan, pengekodan dan berasaskan arahan.
Tulang belakang yang diterbitkan mempunyai 80 lapisan, perhatian pertanyaan berkumpulan dengan 64 kepala pertanyaan dan lapan kepala kunci/nilai, serta 192 pakar dengan lapan diaktifkan bagi setiap token. Tetingkap konteksnya ialah 256K. Spesifikasi ini milik edisi preview, manakala keluaran Hy3 yang lebih baharu mengubah pascalatihan dan tingkah laku produk, bukannya model bernama yang sama.
Sorotan pengeluar bermula dengan STEM dan penaakulan. Untuk masalah analisis, berikan premis, pemerhatian dan bentuk jawapan. Minta kesimpulan bersama langkah yang diperlukan untuk menilainya. Tugasan kod perlu menyertakan pelaksanaan semasa, tingkah laku yang dijangkakan dan maklumat kegagalan sebenar, supaya perubahan yang dicadangkan menangani masalah yang ditetapkan.
Pembelajaran konteks dan pematuhan arahan juga menjadi tumpuan keluaran ini. Sediakan bahan panjang bersama peraturan yang mesti digunakan oleh model dan bahagian yang berkaitan dengan soalan. Minta dapatan yang berpandukan sumber dan kekalkan kekangan penting sepanjang giliran susulan. Ini membantu membezakan penggunaan konteks yang dibekalkan dengan betul daripada jawapan berasaskan andaian yang tidak dinyatakan.
Untuk aliran kerja pengekodan atau ejen carian, aplikasi membekalkan alat dan mengembalikan hasilnya. Model mencadangkan interaksi seterusnya dan menggunakan pemerhatian yang terhasil untuk langkah berikutnya. Artifak akhir yang berguna mengenal pasti perubahan atau dapatan penyelidikan yang dicadangkan serta bukti yang masih perlu disemak sebelum aplikasi menggunakannya.
Contoh pengeluar menyenaraikan no_think sebagai pilihan respons langsung lalai, bersama low dan high; panduan penjelasannya mengesyorkan high untuk penaakulan rumit. Panduan pensampelan menggunakan temperature 0.9 dan top-p 1.0. Itu ialah tetapan pengeluar, bukannya jaminan tentang kawalan pilihan dalam integrasi tertentu. Model asas pralatih, instruct preview dan artifak yang ditukar yang dinamakan secara berasingan mengekalkan identiti masing-masing.
", "aboutText": "Hy3 preview ialah model Hy3 pertama Tencent Hy yang dilatih pada infrastrukturnya yang dibina semula. Pengeluar menyatakan seni bina mixture-of-experts dengan 295B jumlah parameter, 21B parameter aktif dan lapisan ramalan berbilang token 3.8B. Model menerima prompt bertulis dan perbualan serta menjana teks untuk tugasan penaakulan, pengekodan dan berasaskan arahan.\n\nTulang belakang yang diterbitkan mempunyai 80 lapisan, perhatian pertanyaan berkumpulan dengan 64 kepala pertanyaan dan lapan kepala kunci/nilai, serta 192 pakar dengan lapan diaktifkan bagi setiap token. Tetingkap konteksnya ialah 256K. Spesifikasi ini milik edisi preview, manakala keluaran Hy3 yang lebih baharu mengubah pascalatihan dan tingkah laku produk, bukannya model bernama yang sama.\n\nSorotan pengeluar bermula dengan STEM dan penaakulan. Untuk masalah analisis, berikan premis, pemerhatian dan bentuk jawapan. Minta kesimpulan bersama langkah yang diperlukan untuk menilainya. Tugasan kod perlu menyertakan pelaksanaan semasa, tingkah laku yang dijangkakan dan maklumat kegagalan sebenar, supaya perubahan yang dicadangkan menangani masalah yang ditetapkan.\n\nPembelajaran konteks dan pematuhan arahan juga menjadi tumpuan keluaran ini. Sediakan bahan panjang bersama peraturan yang mesti digunakan oleh model dan bahagian yang berkaitan dengan soalan. Minta dapatan yang berpandukan sumber dan kekalkan kekangan penting sepanjang giliran susulan. Ini membantu membezakan penggunaan konteks yang dibekalkan dengan betul daripada jawapan berasaskan andaian yang tidak dinyatakan.\n\nUntuk aliran kerja pengekodan atau ejen carian, aplikasi membekalkan alat dan mengembalikan hasilnya. Model mencadangkan interaksi seterusnya dan menggunakan pemerhatian yang terhasil untuk langkah berikutnya. Artifak akhir yang berguna mengenal pasti perubahan atau dapatan penyelidikan yang dicadangkan serta bukti yang masih perlu disemak sebelum aplikasi menggunakannya.\n\nContoh pengeluar menyenaraikan no_think sebagai pilihan respons langsung lalai, bersama low dan high; panduan penjelasannya mengesyorkan high untuk penaakulan rumit. Panduan pensampelan menggunakan temperature 0.9 dan top-p 1.0. Itu ialah tetapan pengeluar, bukannya jaminan tentang kawalan pilihan dalam integrasi tertentu. Model asas pralatih, instruct preview dan artifak yang ditukar yang dinamakan secara berasingan mengekalkan identiti masing-masing.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.tencent/hy3-previewHy3 preview daripada Tencent ialah model teks MoE 295B dengan 21B parameter aktif dan konteks 256K. Ia menyasarkan penaakulan STEM, pembelajaran konteks, arahan, pengekodan dan ejen, dengan pilihan respons langsung dan pemikiran dalam contoh pengeluar.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Hy3 preview ialah model Hy3 pertama Tencent Hy yang dilatih pada infrastrukturnya yang dibina semula. Pengeluar menyatakan seni bina mixture-of-experts dengan 295B jumlah parameter, 21B parameter aktif dan lapisan ramalan berbilang token 3.8B. Model menerima prompt bertulis dan perbualan serta menjana teks untuk tugasan penaakulan, pengekodan dan berasaskan arahan.
Tulang belakang yang diterbitkan mempunyai 80 lapisan, perhatian pertanyaan berkumpulan dengan 64 kepala pertanyaan dan lapan kepala kunci/nilai, serta 192 pakar dengan lapan diaktifkan bagi setiap token. Tetingkap konteksnya ialah 256K. Spesifikasi ini milik edisi preview, manakala keluaran Hy3 yang lebih baharu mengubah pascalatihan dan tingkah laku produk, bukannya model bernama yang sama.
Sorotan pengeluar bermula dengan STEM dan penaakulan. Untuk masalah analisis, berikan premis, pemerhatian dan bentuk jawapan. Minta kesimpulan bersama langkah yang diperlukan untuk menilainya. Tugasan kod perlu menyertakan pelaksanaan semasa, tingkah laku yang dijangkakan dan maklumat kegagalan sebenar, supaya perubahan yang dicadangkan menangani masalah yang ditetapkan.
Pembelajaran konteks dan pematuhan arahan juga menjadi tumpuan keluaran ini. Sediakan bahan panjang bersama peraturan yang mesti digunakan oleh model dan bahagian yang berkaitan dengan soalan. Minta dapatan yang berpandukan sumber dan kekalkan kekangan penting sepanjang giliran susulan. Ini membantu membezakan penggunaan konteks yang dibekalkan dengan betul daripada jawapan berasaskan andaian yang tidak dinyatakan.
Untuk aliran kerja pengekodan atau ejen carian, aplikasi membekalkan alat dan mengembalikan hasilnya. Model mencadangkan interaksi seterusnya dan menggunakan pemerhatian yang terhasil untuk langkah berikutnya. Artifak akhir yang berguna mengenal pasti perubahan atau dapatan penyelidikan yang dicadangkan serta bukti yang masih perlu disemak sebelum aplikasi menggunakannya.
Contoh pengeluar menyenaraikan no_think sebagai pilihan respons langsung lalai, bersama low dan high; panduan penjelasannya mengesyorkan high untuk penaakulan rumit. Panduan pensampelan menggunakan temperature 0.9 dan top-p 1.0. Itu ialah tetapan pengeluar, bukannya jaminan tentang kawalan pilihan dalam integrasi tertentu. Model asas pralatih, instruct preview dan artifak yang ditukar yang dinamakan secara berasingan mengekalkan identiti masing-masing.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had tencent/hy3-preview | 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 $0.00036 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00012 / 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 $0.00036 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00012 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "tencent/hy3-preview", "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/hy3-preview',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/hy3-preview',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/hy3-preview
Gunakan laluan kaedah yang dipaparkan di atas.
tencent/hy3-previewHy3 preview daripada Tencent ialah model teks MoE 295B dengan 21B parameter aktif dan konteks 256K. Ia menyasarkan penaakulan STEM, pembelajaran konteks, arahan, pengekodan dan ejen, dengan pilihan respons langsung dan pemikiran dalam contoh pengeluar.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Hy3 preview ialah model Hy3 pertama Tencent Hy yang dilatih pada infrastrukturnya yang dibina semula. Pengeluar menyatakan seni bina mixture-of-experts dengan 295B jumlah parameter, 21B parameter aktif dan lapisan ramalan berbilang token 3.8B. Model menerima prompt bertulis dan perbualan serta menjana teks untuk tugasan penaakulan, pengekodan dan berasaskan arahan.
Tulang belakang yang diterbitkan mempunyai 80 lapisan, perhatian pertanyaan berkumpulan dengan 64 kepala pertanyaan dan lapan kepala kunci/nilai, serta 192 pakar dengan lapan diaktifkan bagi setiap token. Tetingkap konteksnya ialah 256K. Spesifikasi ini milik edisi preview, manakala keluaran Hy3 yang lebih baharu mengubah pascalatihan dan tingkah laku produk, bukannya model bernama yang sama.
Sorotan pengeluar bermula dengan STEM dan penaakulan. Untuk masalah analisis, berikan premis, pemerhatian dan bentuk jawapan. Minta kesimpulan bersama langkah yang diperlukan untuk menilainya. Tugasan kod perlu menyertakan pelaksanaan semasa, tingkah laku yang dijangkakan dan maklumat kegagalan sebenar, supaya perubahan yang dicadangkan menangani masalah yang ditetapkan.
Pembelajaran konteks dan pematuhan arahan juga menjadi tumpuan keluaran ini. Sediakan bahan panjang bersama peraturan yang mesti digunakan oleh model dan bahagian yang berkaitan dengan soalan. Minta dapatan yang berpandukan sumber dan kekalkan kekangan penting sepanjang giliran susulan. Ini membantu membezakan penggunaan konteks yang dibekalkan dengan betul daripada jawapan berasaskan andaian yang tidak dinyatakan.
Untuk aliran kerja pengekodan atau ejen carian, aplikasi membekalkan alat dan mengembalikan hasilnya. Model mencadangkan interaksi seterusnya dan menggunakan pemerhatian yang terhasil untuk langkah berikutnya. Artifak akhir yang berguna mengenal pasti perubahan atau dapatan penyelidikan yang dicadangkan serta bukti yang masih perlu disemak sebelum aplikasi menggunakannya.
Contoh pengeluar menyenaraikan no_think sebagai pilihan respons langsung lalai, bersama low dan high; panduan penjelasannya mengesyorkan high untuk penaakulan rumit. Panduan pensampelan menggunakan temperature 0.9 dan top-p 1.0. Itu ialah tetapan pengeluar, bukannya jaminan tentang kawalan pilihan dalam integrasi tertentu. Model asas pralatih, instruct preview dan artifak yang ditukar yang dinamakan secara berasingan mengekalkan identiti masing-masing.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had tencent/hy3-preview | 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 $0.00036 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00012 / 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 $0.00036 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00012 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "tencent/hy3-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/hy3-preview', '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/hy3-preview', '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/hy3-preview
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.