Amazon Nova Micro er Amazons rene tekstmodell i første generasjon Nova, utviklet for svar med lav ventetid i rutinemessige språkarbeidsflyter. Den tar imot tekst og returnerer tekst. Amazons eksempler omfatter oppsummering av oppgitt informasjon, oversettelse, klassifisering av tekst, besvaring av spørsmål og produksjon av konsist skriftlig innhold. Micro er nyttig når en applikasjon allerede har samlet faktaene og trenger en avgrenset omforming, som å gjøre produktegenskaper til et katalogavsnitt eller møtenotater til en handlingsliste.
Veiledningen for første generasjon Nova oppgir et kontekstvindu på 128K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette er en mindre arbeidskontekst enn vinduene på 300K i Nova Lite og Pro eller vinduet på 1 million tokener i Premier. Bruk den tilgjengelige plassen til teksten svaret faktisk avhenger av: kildeavsnitt, eksempler og relevant samtale. Angi om ønsket artefakt er et kort svar, en kategorietikett, en oversettelse eller et sett med uttrukne felt. En romslig kontekstramme krever ikke et langt svar; uttrykkelig utdatalengde og struktur holder resultatet nyttig.
Micros område er tekst, ikke innebygd forståelse av bilder, video eller lyd. For informasjon som opprinnelig er lagret i et dokument eller en mediefil, bør du legge ved uttrukket tekst eller transkripsjon. En oppdragsbeskrivelse for produktinnhold kan inneholde produktnavn, dimensjoner, materialer, varianter og ønsket stil, og deretter be om ett avsnitt som bare bruker disse egenskapene. Et selvstendig eksempel kan be om en nøytral beskrivelse og en separat liste over manglende spesifikasjoner. Dette bruker modellen som forfatter og omformer av vedlagt kildegrunnlag, i stedet for å be den utlede produktegenskaper som ikke vises.
Amazon dokumenterer system-, bruker- og assistentroller for Nova-tekstprompter. En systeminstruksjon kan fastsette skriverollen og tilbakevendende begrensninger; brukermeldingen leverer oppgaven og kildematerialet; noen få representative eksempler kan vise ønsket format. Strukturer tette inndata med tydelige etiketter, og del sammensatte instruksjoner i separate trinn hvis modellen strever med avhengighetene deres. Ved oversettelse bør du angi målspråket, om egennavn skal bevares og hvilke termer som må forbli uendret. Version1-familien er trent på over 200 språk, med optimalisering for et mindre utvalg, så ikke anta lik kvalitet i alle dialekter.
Micro støtter strømming av svar og verktøykall på klientsiden. Den støtter også promptbufring i Amazons dokumenterte leveringsprofil. Uttrykkelig bufring krever minst 1K tokener per sjekkpunkt og tillater opptil fire sjekkpunkter med fem minutters oppbevaringstid. Produsenten begrenser promptbufring til 20K tokener, hovedsakelig for tekstprompter; denne bufringsrammen er forskjellig fra hele kontekstvinduet. I en kildeforankret assistent kan en applikasjon hente relevant tekst eller utføre en forespurt funksjon og deretter sende det observerte resultatet tilbake for et sluttsvar. Modellen selv er ikke en motor for direkte informasjonsinnhenting. Når et svar avhenger av en gjeldende policy eller en privat kunnskapsbase, bør du ta med den faktiske relevante kilden. Et forespurt JSON-format kan være nyttig for klassifisering eller uttrekking, men produsentprofilen oppgir ikke håndhevede strukturerte utdata som en støttet funksjon; angi hvordan manglende verdier skal behandles, og kontroller de returnerte feltene.
En ytterligere rolle i første generasjon er tilpasning: Amazon dokumenterer finjustering av Micro på merkede eksempler og destillering av oppgavespesifikk kunnskap til den fra Nova Pro eller Premier. En tilpasset avledning er en separat arbeidsflyt, ikke en funksjon som ubemerket endrer grunnutgaven. For den vanlige modellen bør du vurdere den ferdige artefakten mot oppdragsbeskrivelsen: de oppgitte faktaene skal forbli intakte, viktige egenskaper skal ikke forsvinne, og prosaen skal følge ønsket stil. Micro kan også generere kode, men disse fullføringene omfatter ikke automatisk sikkerhetsskanning eller et kjøringsresultat.
", "aboutText": "Amazon Nova Micro er Amazons rene tekstmodell i første generasjon Nova, utviklet for svar med lav ventetid i rutinemessige språkarbeidsflyter. Den tar imot tekst og returnerer tekst. Amazons eksempler omfatter oppsummering av oppgitt informasjon, oversettelse, klassifisering av tekst, besvaring av spørsmål og produksjon av konsist skriftlig innhold. Micro er nyttig når en applikasjon allerede har samlet faktaene og trenger en avgrenset omforming, som å gjøre produktegenskaper til et katalogavsnitt eller møtenotater til en handlingsliste.\n\nVeiledningen for første generasjon Nova oppgir et kontekstvindu på 128K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette er en mindre arbeidskontekst enn vinduene på 300K i Nova Lite og Pro eller vinduet på 1 million tokener i Premier. Bruk den tilgjengelige plassen til teksten svaret faktisk avhenger av: kildeavsnitt, eksempler og relevant samtale. Angi om ønsket artefakt er et kort svar, en kategorietikett, en oversettelse eller et sett med uttrukne felt. En romslig kontekstramme krever ikke et langt svar; uttrykkelig utdatalengde og struktur holder resultatet nyttig.\n\nMicros område er tekst, ikke innebygd forståelse av bilder, video eller lyd. For informasjon som opprinnelig er lagret i et dokument eller en mediefil, bør du legge ved uttrukket tekst eller transkripsjon. En oppdragsbeskrivelse for produktinnhold kan inneholde produktnavn, dimensjoner, materialer, varianter og ønsket stil, og deretter be om ett avsnitt som bare bruker disse egenskapene. Et selvstendig eksempel kan be om en nøytral beskrivelse og en separat liste over manglende spesifikasjoner. Dette bruker modellen som forfatter og omformer av vedlagt kildegrunnlag, i stedet for å be den utlede produktegenskaper som ikke vises.\n\nAmazon dokumenterer system-, bruker- og assistentroller for Nova-tekstprompter. En systeminstruksjon kan fastsette skriverollen og tilbakevendende begrensninger; brukermeldingen leverer oppgaven og kildematerialet; noen få representative eksempler kan vise ønsket format. Strukturer tette inndata med tydelige etiketter, og del sammensatte instruksjoner i separate trinn hvis modellen strever med avhengighetene deres. Ved oversettelse bør du angi målspråket, om egennavn skal bevares og hvilke termer som må forbli uendret. Version1-familien er trent på over 200 språk, med optimalisering for et mindre utvalg, så ikke anta lik kvalitet i alle dialekter.\n\nMicro støtter strømming av svar og verktøykall på klientsiden. Den støtter også promptbufring i Amazons dokumenterte leveringsprofil. Uttrykkelig bufring krever minst 1K tokener per sjekkpunkt og tillater opptil fire sjekkpunkter med fem minutters oppbevaringstid. Produsenten begrenser promptbufring til 20K tokener, hovedsakelig for tekstprompter; denne bufringsrammen er forskjellig fra hele kontekstvinduet. I en kildeforankret assistent kan en applikasjon hente relevant tekst eller utføre en forespurt funksjon og deretter sende det observerte resultatet tilbake for et sluttsvar. Modellen selv er ikke en motor for direkte informasjonsinnhenting. Når et svar avhenger av en gjeldende policy eller en privat kunnskapsbase, bør du ta med den faktiske relevante kilden. Et forespurt JSON-format kan være nyttig for klassifisering eller uttrekking, men produsentprofilen oppgir ikke håndhevede strukturerte utdata som en støttet funksjon; angi hvordan manglende verdier skal behandles, og kontroller de returnerte feltene.\n\nEn ytterligere rolle i første generasjon er tilpasning: Amazon dokumenterer finjustering av Micro på merkede eksempler og destillering av oppgavespesifikk kunnskap til den fra Nova Pro eller Premier. En tilpasset avledning er en separat arbeidsflyt, ikke en funksjon som ubemerket endrer grunnutgaven. For den vanlige modellen bør du vurdere den ferdige artefakten mot oppdragsbeskrivelsen: de oppgitte faktaene skal forbli intakte, viktige egenskaper skal ikke forsvinne, og prosaen skal følge ønsket stil. Micro kan også generere kode, men disse fullføringene omfatter ikke automatisk sikkerhetsskanning eller et kjøringsresultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1Amazon Nova Micro er den rene tekstmodellen i første generasjon av Nova-familien. Den er utviklet for språkoppgaver med lav ventetid, som sammendrag, oversettelse, klassifisering, spørsmål og svar og omforming av oppgitte fakta til konsist innhold.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Amazon Nova Micro er Amazons rene tekstmodell i første generasjon Nova, utviklet for svar med lav ventetid i rutinemessige språkarbeidsflyter. Den tar imot tekst og returnerer tekst. Amazons eksempler omfatter oppsummering av oppgitt informasjon, oversettelse, klassifisering av tekst, besvaring av spørsmål og produksjon av konsist skriftlig innhold. Micro er nyttig når en applikasjon allerede har samlet faktaene og trenger en avgrenset omforming, som å gjøre produktegenskaper til et katalogavsnitt eller møtenotater til en handlingsliste.
Veiledningen for første generasjon Nova oppgir et kontekstvindu på 128K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette er en mindre arbeidskontekst enn vinduene på 300K i Nova Lite og Pro eller vinduet på 1 million tokener i Premier. Bruk den tilgjengelige plassen til teksten svaret faktisk avhenger av: kildeavsnitt, eksempler og relevant samtale. Angi om ønsket artefakt er et kort svar, en kategorietikett, en oversettelse eller et sett med uttrukne felt. En romslig kontekstramme krever ikke et langt svar; uttrykkelig utdatalengde og struktur holder resultatet nyttig.
Micros område er tekst, ikke innebygd forståelse av bilder, video eller lyd. For informasjon som opprinnelig er lagret i et dokument eller en mediefil, bør du legge ved uttrukket tekst eller transkripsjon. En oppdragsbeskrivelse for produktinnhold kan inneholde produktnavn, dimensjoner, materialer, varianter og ønsket stil, og deretter be om ett avsnitt som bare bruker disse egenskapene. Et selvstendig eksempel kan be om en nøytral beskrivelse og en separat liste over manglende spesifikasjoner. Dette bruker modellen som forfatter og omformer av vedlagt kildegrunnlag, i stedet for å be den utlede produktegenskaper som ikke vises.
Amazon dokumenterer system-, bruker- og assistentroller for Nova-tekstprompter. En systeminstruksjon kan fastsette skriverollen og tilbakevendende begrensninger; brukermeldingen leverer oppgaven og kildematerialet; noen få representative eksempler kan vise ønsket format. Strukturer tette inndata med tydelige etiketter, og del sammensatte instruksjoner i separate trinn hvis modellen strever med avhengighetene deres. Ved oversettelse bør du angi målspråket, om egennavn skal bevares og hvilke termer som må forbli uendret. Version1-familien er trent på over 200 språk, med optimalisering for et mindre utvalg, så ikke anta lik kvalitet i alle dialekter.
Micro støtter strømming av svar og verktøykall på klientsiden. Den støtter også promptbufring i Amazons dokumenterte leveringsprofil. Uttrykkelig bufring krever minst 1K tokener per sjekkpunkt og tillater opptil fire sjekkpunkter med fem minutters oppbevaringstid. Produsenten begrenser promptbufring til 20K tokener, hovedsakelig for tekstprompter; denne bufringsrammen er forskjellig fra hele kontekstvinduet. I en kildeforankret assistent kan en applikasjon hente relevant tekst eller utføre en forespurt funksjon og deretter sende det observerte resultatet tilbake for et sluttsvar. Modellen selv er ikke en motor for direkte informasjonsinnhenting. Når et svar avhenger av en gjeldende policy eller en privat kunnskapsbase, bør du ta med den faktiske relevante kilden. Et forespurt JSON-format kan være nyttig for klassifisering eller uttrekking, men produsentprofilen oppgir ikke håndhevede strukturerte utdata som en støttet funksjon; angi hvordan manglende verdier skal behandles, og kontroller de returnerte feltene.
En ytterligere rolle i første generasjon er tilpasning: Amazon dokumenterer finjustering av Micro på merkede eksempler og destillering av oppgavespesifikk kunnskap til den fra Nova Pro eller Premier. En tilpasset avledning er en separat arbeidsflyt, ikke en funksjon som ubemerket endrer grunnutgaven. For den vanlige modellen bør du vurdere den ferdige artefakten mot oppdragsbeskrivelsen: de oppgitte faktaene skal forbli intakte, viktige egenskaper skal ikke forsvinne, og prosaen skal følge ønsket stil. Micro kan også generere kode, men disse fullføringene omfatter ikke automatisk sikkerhetsskanning eller et kjøringsresultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser amazon/nova-micro-v1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00007 / 1K tokener Utdata · Utgående tokener $0.00028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00007 / 1K tokener Utdata · Utgående tokener $0.00028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-v1", "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='amazon/nova-micro-v1',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='amazon/nova-micro-v1',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra amazon/nova-micro-v1
Bruk metodestiene som vises ovenfor.
amazon/nova-micro-v1Amazon Nova Micro er den rene tekstmodellen i første generasjon av Nova-familien. Den er utviklet for språkoppgaver med lav ventetid, som sammendrag, oversettelse, klassifisering, spørsmål og svar og omforming av oppgitte fakta til konsist innhold.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Amazon Nova Micro er Amazons rene tekstmodell i første generasjon Nova, utviklet for svar med lav ventetid i rutinemessige språkarbeidsflyter. Den tar imot tekst og returnerer tekst. Amazons eksempler omfatter oppsummering av oppgitt informasjon, oversettelse, klassifisering av tekst, besvaring av spørsmål og produksjon av konsist skriftlig innhold. Micro er nyttig når en applikasjon allerede har samlet faktaene og trenger en avgrenset omforming, som å gjøre produktegenskaper til et katalogavsnitt eller møtenotater til en handlingsliste.
Veiledningen for første generasjon Nova oppgir et kontekstvindu på 128K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette er en mindre arbeidskontekst enn vinduene på 300K i Nova Lite og Pro eller vinduet på 1 million tokener i Premier. Bruk den tilgjengelige plassen til teksten svaret faktisk avhenger av: kildeavsnitt, eksempler og relevant samtale. Angi om ønsket artefakt er et kort svar, en kategorietikett, en oversettelse eller et sett med uttrukne felt. En romslig kontekstramme krever ikke et langt svar; uttrykkelig utdatalengde og struktur holder resultatet nyttig.
Micros område er tekst, ikke innebygd forståelse av bilder, video eller lyd. For informasjon som opprinnelig er lagret i et dokument eller en mediefil, bør du legge ved uttrukket tekst eller transkripsjon. En oppdragsbeskrivelse for produktinnhold kan inneholde produktnavn, dimensjoner, materialer, varianter og ønsket stil, og deretter be om ett avsnitt som bare bruker disse egenskapene. Et selvstendig eksempel kan be om en nøytral beskrivelse og en separat liste over manglende spesifikasjoner. Dette bruker modellen som forfatter og omformer av vedlagt kildegrunnlag, i stedet for å be den utlede produktegenskaper som ikke vises.
Amazon dokumenterer system-, bruker- og assistentroller for Nova-tekstprompter. En systeminstruksjon kan fastsette skriverollen og tilbakevendende begrensninger; brukermeldingen leverer oppgaven og kildematerialet; noen få representative eksempler kan vise ønsket format. Strukturer tette inndata med tydelige etiketter, og del sammensatte instruksjoner i separate trinn hvis modellen strever med avhengighetene deres. Ved oversettelse bør du angi målspråket, om egennavn skal bevares og hvilke termer som må forbli uendret. Version1-familien er trent på over 200 språk, med optimalisering for et mindre utvalg, så ikke anta lik kvalitet i alle dialekter.
Micro støtter strømming av svar og verktøykall på klientsiden. Den støtter også promptbufring i Amazons dokumenterte leveringsprofil. Uttrykkelig bufring krever minst 1K tokener per sjekkpunkt og tillater opptil fire sjekkpunkter med fem minutters oppbevaringstid. Produsenten begrenser promptbufring til 20K tokener, hovedsakelig for tekstprompter; denne bufringsrammen er forskjellig fra hele kontekstvinduet. I en kildeforankret assistent kan en applikasjon hente relevant tekst eller utføre en forespurt funksjon og deretter sende det observerte resultatet tilbake for et sluttsvar. Modellen selv er ikke en motor for direkte informasjonsinnhenting. Når et svar avhenger av en gjeldende policy eller en privat kunnskapsbase, bør du ta med den faktiske relevante kilden. Et forespurt JSON-format kan være nyttig for klassifisering eller uttrekking, men produsentprofilen oppgir ikke håndhevede strukturerte utdata som en støttet funksjon; angi hvordan manglende verdier skal behandles, og kontroller de returnerte feltene.
En ytterligere rolle i første generasjon er tilpasning: Amazon dokumenterer finjustering av Micro på merkede eksempler og destillering av oppgavespesifikk kunnskap til den fra Nova Pro eller Premier. En tilpasset avledning er en separat arbeidsflyt, ikke en funksjon som ubemerket endrer grunnutgaven. For den vanlige modellen bør du vurdere den ferdige artefakten mot oppdragsbeskrivelsen: de oppgitte faktaene skal forbli intakte, viktige egenskaper skal ikke forsvinne, og prosaen skal følge ønsket stil. Micro kan også generere kode, men disse fullføringene omfatter ikke automatisk sikkerhetsskanning eller et kjøringsresultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser amazon/nova-micro-v1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00007 / 1K tokener Utdata · Utgående tokener $0.00028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00007 / 1K tokener Utdata · Utgående tokener $0.00028 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-micro-v1', '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': 'amazon/nova-micro-v1', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra amazon/nova-micro-v1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.