Amazon Nova Premier er den mest kapable forståelsesmodellen i Amazons første generasjon av Nova-familien, utviklet for komplekst arbeid som krever dyp forståelse, kontekst og planlegging over flere trinn. Den behandler tekst, bilder og video og produserer tekst. Rollen omfatter resonnering over lange rapporter, sammenligning av belegg på tvers av dokumenter, forståelse av diagrammer og visuelt materiale og koordinering av agentoppgaver. Premier er adskilt fra de lettere modellene Micro, Lite og Pro, og fra Nova-modeller som genererer bilder, video eller samtaletale.
Produsentens konkrete modellprofil oppgir et kontekstvindu på 1 million tokener og maksimale utdata på 25K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette gjør Premier nyttig når en oppgave trenger et stort referansemateriale sammen med instruksjoner og samtale. Organiser materialet med dokumentnavn, seksjonsmarkører og et konkret spørsmål, i stedet for å be om en planløs analyse av alt. Et nyttig resultat kan være en sammenligningsmatrise, en kildebasert rapport eller en foreslått handlingsrekkefølge. Kontekstbudsjettet dekker materialet modellen arbeider med; det er ikke et løfte om at hver detalj vil vises i sluttsvaret.
Premiers dokumenterte multimodale arbeidsflyt håndterer bilder i PNG, JPG/JPEG, GIF og WebP og vanlige videobeholdere som MP4, MOV, MKV og WebM. Dokumentflyten omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterte filer leverer tekst; PDF og DOCX kan levere sidetekst med visuell informasjon. For en rapport med diagrammer bør du holde etiketter lesbare og be modellen beskrive de relevante observasjonene før den tolker dem. Hvis bare prosaen trengs, unngår du å gjøre visuell uttrekking til en forutsetning for dokumentforståelsen ved å legge ved uttrukket tekst. Innebygde medier deler et nyttelastbudsjett på 25 MB, inkludert base64-påslag. En forespørsel inneholder én video, begrenset til 1 GB via S3; samlede S3-medier kan utgjøre 2 GB. PDF- og DOCX-inndata er fortsatt begrenset til fem dokumenter, med en samlet ramme på 25 MB ved direkte opplasting eller 2 GB via S3.
Videoforståelse bygger på utvalgte enkeltbilder. Veiledningen for første generasjon gir spesifikt Premier en samplingsrate på ett bilde per sekund opptil 3200 bilder, en annen ramme enn Nova Lite og Pros strategi med 960 bilder. Dette er nyttig for sceneoppsummeringer og spørsmål om hendelser over tid, mens korte handlinger mellom de utvalgte bildene kan gå ubemerket hen. Legg ved et relevant klipp eller tidsrom, og angi detaljene som skal følges. For en lang sekvens kan analyse av segmenter etterfulgt av et tekstsammendrag bevare fokuset, selv om oppdeling kan miste kontekst på tvers av segmentgrenser. De dokumenterte modellmodalitetene omfatter ikke lydinndata, så muntlig informasjon bør gis som tekst.
Premier støtter strømming av svar, verktøyorienterte arbeidsflyter og arbeidsflyter utvidet med informasjonsinnhenting, samt 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. Gi en agent oppgaven, de tillatte verktøyene og beskrivelsene av argumentene deres, og la deretter applikasjonen utføre forespurte handlinger og returnere observasjoner før neste modelltrinn. Resonneringsrollen innebærer ikke at den kan kjøre et eksternt system uten dette utføringslaget. Veiledningen for første generasjon støtter å forklare en løsning trinnvis gjennom prompting; Nova 2 Lites separate kontroller low, medium og high for utvidet tenkning er ikke en del av denne utgavens dokumenterte grensesnitt. For en rapport eller et verktøyresultat bør du be om uttrykkelige felt og eksempler på ønsket struktur; en forespurt JSON-form er forskjellig fra håndhevede strukturerte utdata.
En særpreget rolle for Premier er å lære opp mindre Nova-modeller gjennom destillasjon. Amazon beskriver bruk av Premiers svar som treningseksempler for spesialiserte varianter av Nova Micro, Lite og Pro, etterfulgt av sammenligning av den mindre modellens atferd på måloppgaven. Dette er en arbeidsflyt for modelltilpasning, ikke en endring av identiteten til et vanlig Premier-svar. Ved vanlig bruk bør du legge ved autoritative fakta og kreve at svaret skiller observasjoner, antakelser og manglende belegg. Nova kan generere plausible påstander som motsier en kilde, og generert kode omfatter ikke automatisk sikkerhetsskanning, så den nyttige artefakten bør ha nok belegg og detaljer til å kunne kontrolleres mot inndataene. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.
", "aboutText": "Amazon Nova Premier er den mest kapable forståelsesmodellen i Amazons første generasjon av Nova-familien, utviklet for komplekst arbeid som krever dyp forståelse, kontekst og planlegging over flere trinn. Den behandler tekst, bilder og video og produserer tekst. Rollen omfatter resonnering over lange rapporter, sammenligning av belegg på tvers av dokumenter, forståelse av diagrammer og visuelt materiale og koordinering av agentoppgaver. Premier er adskilt fra de lettere modellene Micro, Lite og Pro, og fra Nova-modeller som genererer bilder, video eller samtaletale.\n\nProdusentens konkrete modellprofil oppgir et kontekstvindu på 1 million tokener og maksimale utdata på 25K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette gjør Premier nyttig når en oppgave trenger et stort referansemateriale sammen med instruksjoner og samtale. Organiser materialet med dokumentnavn, seksjonsmarkører og et konkret spørsmål, i stedet for å be om en planløs analyse av alt. Et nyttig resultat kan være en sammenligningsmatrise, en kildebasert rapport eller en foreslått handlingsrekkefølge. Kontekstbudsjettet dekker materialet modellen arbeider med; det er ikke et løfte om at hver detalj vil vises i sluttsvaret.\n\nPremiers dokumenterte multimodale arbeidsflyt håndterer bilder i PNG, JPG/JPEG, GIF og WebP og vanlige videobeholdere som MP4, MOV, MKV og WebM. Dokumentflyten omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterte filer leverer tekst; PDF og DOCX kan levere sidetekst med visuell informasjon. For en rapport med diagrammer bør du holde etiketter lesbare og be modellen beskrive de relevante observasjonene før den tolker dem. Hvis bare prosaen trengs, unngår du å gjøre visuell uttrekking til en forutsetning for dokumentforståelsen ved å legge ved uttrukket tekst. Innebygde medier deler et nyttelastbudsjett på 25 MB, inkludert base64-påslag. En forespørsel inneholder én video, begrenset til 1 GB via S3; samlede S3-medier kan utgjøre 2 GB. PDF- og DOCX-inndata er fortsatt begrenset til fem dokumenter, med en samlet ramme på 25 MB ved direkte opplasting eller 2 GB via S3.\n\nVideoforståelse bygger på utvalgte enkeltbilder. Veiledningen for første generasjon gir spesifikt Premier en samplingsrate på ett bilde per sekund opptil 3200 bilder, en annen ramme enn Nova Lite og Pros strategi med 960 bilder. Dette er nyttig for sceneoppsummeringer og spørsmål om hendelser over tid, mens korte handlinger mellom de utvalgte bildene kan gå ubemerket hen. Legg ved et relevant klipp eller tidsrom, og angi detaljene som skal følges. For en lang sekvens kan analyse av segmenter etterfulgt av et tekstsammendrag bevare fokuset, selv om oppdeling kan miste kontekst på tvers av segmentgrenser. De dokumenterte modellmodalitetene omfatter ikke lydinndata, så muntlig informasjon bør gis som tekst.\n\nPremier støtter strømming av svar, verktøyorienterte arbeidsflyter og arbeidsflyter utvidet med informasjonsinnhenting, samt 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. Gi en agent oppgaven, de tillatte verktøyene og beskrivelsene av argumentene deres, og la deretter applikasjonen utføre forespurte handlinger og returnere observasjoner før neste modelltrinn. Resonneringsrollen innebærer ikke at den kan kjøre et eksternt system uten dette utføringslaget. Veiledningen for første generasjon støtter å forklare en løsning trinnvis gjennom prompting; Nova 2 Lites separate kontroller low, medium og high for utvidet tenkning er ikke en del av denne utgavens dokumenterte grensesnitt. For en rapport eller et verktøyresultat bør du be om uttrykkelige felt og eksempler på ønsket struktur; en forespurt JSON-form er forskjellig fra håndhevede strukturerte utdata.\n\nEn særpreget rolle for Premier er å lære opp mindre Nova-modeller gjennom destillasjon. Amazon beskriver bruk av Premiers svar som treningseksempler for spesialiserte varianter av Nova Micro, Lite og Pro, etterfulgt av sammenligning av den mindre modellens atferd på måloppgaven. Dette er en arbeidsflyt for modelltilpasning, ikke en endring av identiteten til et vanlig Premier-svar. Ved vanlig bruk bør du legge ved autoritative fakta og kreve at svaret skiller observasjoner, antakelser og manglende belegg. Nova kan generere plausible påstander som motsier en kilde, og generert kode omfatter ikke automatisk sikkerhetsskanning, så den nyttige artefakten bør ha nok belegg og detaljer til å kunne kontrolleres mot inndataene. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier er modellen i første generasjon Nova for kompleks multimodal resonnering, analyse av lange dokumenter og agenter. Den tar imot tekst, bilder og video, returnerer tekst og fungerer også som lærer for destillering av spesialiserte Nova-modeller.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Amazon Nova Premier er den mest kapable forståelsesmodellen i Amazons første generasjon av Nova-familien, utviklet for komplekst arbeid som krever dyp forståelse, kontekst og planlegging over flere trinn. Den behandler tekst, bilder og video og produserer tekst. Rollen omfatter resonnering over lange rapporter, sammenligning av belegg på tvers av dokumenter, forståelse av diagrammer og visuelt materiale og koordinering av agentoppgaver. Premier er adskilt fra de lettere modellene Micro, Lite og Pro, og fra Nova-modeller som genererer bilder, video eller samtaletale.
Produsentens konkrete modellprofil oppgir et kontekstvindu på 1 million tokener og maksimale utdata på 25K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette gjør Premier nyttig når en oppgave trenger et stort referansemateriale sammen med instruksjoner og samtale. Organiser materialet med dokumentnavn, seksjonsmarkører og et konkret spørsmål, i stedet for å be om en planløs analyse av alt. Et nyttig resultat kan være en sammenligningsmatrise, en kildebasert rapport eller en foreslått handlingsrekkefølge. Kontekstbudsjettet dekker materialet modellen arbeider med; det er ikke et løfte om at hver detalj vil vises i sluttsvaret.
Premiers dokumenterte multimodale arbeidsflyt håndterer bilder i PNG, JPG/JPEG, GIF og WebP og vanlige videobeholdere som MP4, MOV, MKV og WebM. Dokumentflyten omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterte filer leverer tekst; PDF og DOCX kan levere sidetekst med visuell informasjon. For en rapport med diagrammer bør du holde etiketter lesbare og be modellen beskrive de relevante observasjonene før den tolker dem. Hvis bare prosaen trengs, unngår du å gjøre visuell uttrekking til en forutsetning for dokumentforståelsen ved å legge ved uttrukket tekst. Innebygde medier deler et nyttelastbudsjett på 25 MB, inkludert base64-påslag. En forespørsel inneholder én video, begrenset til 1 GB via S3; samlede S3-medier kan utgjøre 2 GB. PDF- og DOCX-inndata er fortsatt begrenset til fem dokumenter, med en samlet ramme på 25 MB ved direkte opplasting eller 2 GB via S3.
Videoforståelse bygger på utvalgte enkeltbilder. Veiledningen for første generasjon gir spesifikt Premier en samplingsrate på ett bilde per sekund opptil 3200 bilder, en annen ramme enn Nova Lite og Pros strategi med 960 bilder. Dette er nyttig for sceneoppsummeringer og spørsmål om hendelser over tid, mens korte handlinger mellom de utvalgte bildene kan gå ubemerket hen. Legg ved et relevant klipp eller tidsrom, og angi detaljene som skal følges. For en lang sekvens kan analyse av segmenter etterfulgt av et tekstsammendrag bevare fokuset, selv om oppdeling kan miste kontekst på tvers av segmentgrenser. De dokumenterte modellmodalitetene omfatter ikke lydinndata, så muntlig informasjon bør gis som tekst.
Premier støtter strømming av svar, verktøyorienterte arbeidsflyter og arbeidsflyter utvidet med informasjonsinnhenting, samt 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. Gi en agent oppgaven, de tillatte verktøyene og beskrivelsene av argumentene deres, og la deretter applikasjonen utføre forespurte handlinger og returnere observasjoner før neste modelltrinn. Resonneringsrollen innebærer ikke at den kan kjøre et eksternt system uten dette utføringslaget. Veiledningen for første generasjon støtter å forklare en løsning trinnvis gjennom prompting; Nova 2 Lites separate kontroller low, medium og high for utvidet tenkning er ikke en del av denne utgavens dokumenterte grensesnitt. For en rapport eller et verktøyresultat bør du be om uttrykkelige felt og eksempler på ønsket struktur; en forespurt JSON-form er forskjellig fra håndhevede strukturerte utdata.
En særpreget rolle for Premier er å lære opp mindre Nova-modeller gjennom destillasjon. Amazon beskriver bruk av Premiers svar som treningseksempler for spesialiserte varianter av Nova Micro, Lite og Pro, etterfulgt av sammenligning av den mindre modellens atferd på måloppgaven. Dette er en arbeidsflyt for modelltilpasning, ikke en endring av identiteten til et vanlig Premier-svar. Ved vanlig bruk bør du legge ved autoritative fakta og kreve at svaret skiller observasjoner, antakelser og manglende belegg. Nova kan generere plausible påstander som motsier en kilde, og generert kode omfatter ikke automatisk sikkerhetsskanning, så den nyttige artefakten bør ha nok belegg og detaljer til å kunne kontrolleres mot inndataene. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser amazon/nova-premier-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 $0.005 / 1K tokener Utdata · Utgående tokener $0.025 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00125 / 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.025 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00125 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-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-premier-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-premier-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-premier-v1
Bruk metodestiene som vises ovenfor.
amazon/nova-premier-v1Amazon Nova Premier er modellen i første generasjon Nova for kompleks multimodal resonnering, analyse av lange dokumenter og agenter. Den tar imot tekst, bilder og video, returnerer tekst og fungerer også som lærer for destillering av spesialiserte Nova-modeller.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Amazon Nova Premier er den mest kapable forståelsesmodellen i Amazons første generasjon av Nova-familien, utviklet for komplekst arbeid som krever dyp forståelse, kontekst og planlegging over flere trinn. Den behandler tekst, bilder og video og produserer tekst. Rollen omfatter resonnering over lange rapporter, sammenligning av belegg på tvers av dokumenter, forståelse av diagrammer og visuelt materiale og koordinering av agentoppgaver. Premier er adskilt fra de lettere modellene Micro, Lite og Pro, og fra Nova-modeller som genererer bilder, video eller samtaletale.
Produsentens konkrete modellprofil oppgir et kontekstvindu på 1 million tokener og maksimale utdata på 25K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. Dette gjør Premier nyttig når en oppgave trenger et stort referansemateriale sammen med instruksjoner og samtale. Organiser materialet med dokumentnavn, seksjonsmarkører og et konkret spørsmål, i stedet for å be om en planløs analyse av alt. Et nyttig resultat kan være en sammenligningsmatrise, en kildebasert rapport eller en foreslått handlingsrekkefølge. Kontekstbudsjettet dekker materialet modellen arbeider med; det er ikke et løfte om at hver detalj vil vises i sluttsvaret.
Premiers dokumenterte multimodale arbeidsflyt håndterer bilder i PNG, JPG/JPEG, GIF og WebP og vanlige videobeholdere som MP4, MOV, MKV og WebM. Dokumentflyten omfatter PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstorienterte filer leverer tekst; PDF og DOCX kan levere sidetekst med visuell informasjon. For en rapport med diagrammer bør du holde etiketter lesbare og be modellen beskrive de relevante observasjonene før den tolker dem. Hvis bare prosaen trengs, unngår du å gjøre visuell uttrekking til en forutsetning for dokumentforståelsen ved å legge ved uttrukket tekst. Innebygde medier deler et nyttelastbudsjett på 25 MB, inkludert base64-påslag. En forespørsel inneholder én video, begrenset til 1 GB via S3; samlede S3-medier kan utgjøre 2 GB. PDF- og DOCX-inndata er fortsatt begrenset til fem dokumenter, med en samlet ramme på 25 MB ved direkte opplasting eller 2 GB via S3.
Videoforståelse bygger på utvalgte enkeltbilder. Veiledningen for første generasjon gir spesifikt Premier en samplingsrate på ett bilde per sekund opptil 3200 bilder, en annen ramme enn Nova Lite og Pros strategi med 960 bilder. Dette er nyttig for sceneoppsummeringer og spørsmål om hendelser over tid, mens korte handlinger mellom de utvalgte bildene kan gå ubemerket hen. Legg ved et relevant klipp eller tidsrom, og angi detaljene som skal følges. For en lang sekvens kan analyse av segmenter etterfulgt av et tekstsammendrag bevare fokuset, selv om oppdeling kan miste kontekst på tvers av segmentgrenser. De dokumenterte modellmodalitetene omfatter ikke lydinndata, så muntlig informasjon bør gis som tekst.
Premier støtter strømming av svar, verktøyorienterte arbeidsflyter og arbeidsflyter utvidet med informasjonsinnhenting, samt 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. Gi en agent oppgaven, de tillatte verktøyene og beskrivelsene av argumentene deres, og la deretter applikasjonen utføre forespurte handlinger og returnere observasjoner før neste modelltrinn. Resonneringsrollen innebærer ikke at den kan kjøre et eksternt system uten dette utføringslaget. Veiledningen for første generasjon støtter å forklare en løsning trinnvis gjennom prompting; Nova 2 Lites separate kontroller low, medium og high for utvidet tenkning er ikke en del av denne utgavens dokumenterte grensesnitt. For en rapport eller et verktøyresultat bør du be om uttrykkelige felt og eksempler på ønsket struktur; en forespurt JSON-form er forskjellig fra håndhevede strukturerte utdata.
En særpreget rolle for Premier er å lære opp mindre Nova-modeller gjennom destillasjon. Amazon beskriver bruk av Premiers svar som treningseksempler for spesialiserte varianter av Nova Micro, Lite og Pro, etterfulgt av sammenligning av den mindre modellens atferd på måloppgaven. Dette er en arbeidsflyt for modelltilpasning, ikke en endring av identiteten til et vanlig Premier-svar. Ved vanlig bruk bør du legge ved autoritative fakta og kreve at svaret skiller observasjoner, antakelser og manglende belegg. Nova kan generere plausible påstander som motsier en kilde, og generert kode omfatter ikke automatisk sikkerhetsskanning, så den nyttige artefakten bør ha nok belegg og detaljer til å kunne kontrolleres mot inndataene. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser amazon/nova-premier-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 $0.005 / 1K tokener Utdata · Utgående tokener $0.025 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00125 / 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.025 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00125 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-premier-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-premier-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-premier-v1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.