Amazon Nova Pro er den balanserte multimodale forståelsesmodellen i Amazons første generasjon av Nova-familien. Den kombinerer tekst-, bilde- og videoforståelse for oppgaver fra spørsmål og svar om dokumenter og visuell analyse til programvarearbeid og agentflyter. Utdataene er tekst: en forklaring, uttrukket informasjon, kode, en plan eller en verktøyforespørsel. Pro ligger mellom den lettere Nova Lite og det mer krevende arbeidet med lang kontekst som Premier dekker; denne profilen beskriver den opprinnelige Pro v1-utgaven, ikke en Nova 2-modell.
Veiledningen for første generasjon Nova oppgir et kontekstvindu på 300K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. En praktisk arbeidsflyt kan kombinere referanseavsnitt, dokumentinnhold, visuelle belegg og nyere samtale, og deretter returnere et kompakt resultat. For en teknisk gjennomgang bør du legge ved relevant kode, observert atferd og begrensninger og be om en foreslått endring med begrunnelse. For en rapport bør du navngi kildene og feltene som skal sammenlignes. Skill kildegrunnlaget fra instruksjonene, slik at modellen kan skille det dokumentene sier, fra konklusjonen du vil at den skal undersøke.
Amazon dokumenterer Pros evne til å svare på visuelle spørsmål, klassifisere eller oppsummere bilder og returnere avgrensningsbokser for angitte objekter. Bildeveiledningen for første generasjon bruker en koordinatskala på [0, 1000), som omregnes til originalbildets dimensjoner av applikasjonen som bruker resultatet. Bilder skaleres automatisk, med en dokumentert maksimal oppløsning på 8000 × 8000 piksler. Dette støtter arbeid som å identifisere et element i et skjermbilde eller beskrive et diagram. Bevar lesbar tekst og viktig visuell kontekst, og be om relevante observasjoner før du ber om en tolkning.
Produsentens støttede bildeformater omfatter PNG, JPG/JPEG, GIF og WebP. Dokumentflyten tar imot PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstbaserte formater bidrar med tekst, mens PDF og DOCX kan tolkes sammen med visuelle elementer som diagrammer og tabeller. Dokumentveiledningen tillater opptil fem dokumenter og begrenser hvert tekstdokument til 4.5 MB. Den utelukker PDF-innhold som bruker CMYK- eller SVG-bilder og ustøttede kodinger som JPEG2000 og JBIG2. Der en oppgave bare trenger ordene i en PDF, gir uttrukket tekst enklere inndata enn visuell lesing av sider. 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.
Pro kan analysere vanlige videoformater som MP4, MOV, MKV og WebM. Samplingsstrategien version1 bruker ett bilde per sekund for klipp på opptil 16 minutter, deretter 960 bilder fordelt over lengre klipp. Det favoriserer oppsummeringer på scenenivå fremfor presis analyse av svært raske handlinger, særlig når videoen blir lengre. Amazon anbefaler å holde klipp med mye bevegelse under 16 minutter og klipp med lite bevegelse under én time. Legg ved et relevant segment, og angi den synlige hendelsen eller relasjonen som skal undersøkes; en transkripsjon bør formidle muntlig informasjon fordi de dokumenterte inndatamodalitetene ikke omfatter lyd. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.
Pro støtter strømming av svar, funksjonskall utført av klienten og oppgaver utvidet med informasjonsinnhenting. 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. Beskriv verktøyene og argumentene deres, la applikasjonen utføre forespørslene, og returner observasjoner eller feil før du ber modellen fortsette. Første generasjon Nova kan promptes til å arbeide seg gjennom en løsning i trinn, men dette er forskjellig fra Nova 2 Lites separat konfigurerte moduser for utvidet tenkning og innebygde verktøy. Pro fungerer også som destillasjonslærer for Nova Micro og Lite, og Amazon dokumenterer egendefinert finjustering av Pro; disse tilpassede modellene beholder sine egne identiteter.
Version1-veiledningen beskriver trening på over 200 språk med optimalisering for 15, inkludert engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angi ønsket språk og terminologi, i stedet for å anta lik ytelse på tvers av dialekter. For en gjenbrukbar arbeidsflyt bør du angi sluttstrukturen og hvilket kildegrunnlag hvert felt skal ha. Pro kan returnere plausible, men feilaktige påstander eller kode som ikke er kjørt; uttrykkelige fakta og et tydelig skille mellom verktøyresultater og forslag gjør utdataene enklere å bruke og kontrollere.
", "aboutText": "Amazon Nova Pro er den balanserte multimodale forståelsesmodellen i Amazons første generasjon av Nova-familien. Den kombinerer tekst-, bilde- og videoforståelse for oppgaver fra spørsmål og svar om dokumenter og visuell analyse til programvarearbeid og agentflyter. Utdataene er tekst: en forklaring, uttrukket informasjon, kode, en plan eller en verktøyforespørsel. Pro ligger mellom den lettere Nova Lite og det mer krevende arbeidet med lang kontekst som Premier dekker; denne profilen beskriver den opprinnelige Pro v1-utgaven, ikke en Nova 2-modell.\n\nVeiledningen for første generasjon Nova oppgir et kontekstvindu på 300K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. En praktisk arbeidsflyt kan kombinere referanseavsnitt, dokumentinnhold, visuelle belegg og nyere samtale, og deretter returnere et kompakt resultat. For en teknisk gjennomgang bør du legge ved relevant kode, observert atferd og begrensninger og be om en foreslått endring med begrunnelse. For en rapport bør du navngi kildene og feltene som skal sammenlignes. Skill kildegrunnlaget fra instruksjonene, slik at modellen kan skille det dokumentene sier, fra konklusjonen du vil at den skal undersøke.\n\nAmazon dokumenterer Pros evne til å svare på visuelle spørsmål, klassifisere eller oppsummere bilder og returnere avgrensningsbokser for angitte objekter. Bildeveiledningen for første generasjon bruker en koordinatskala på [0, 1000), som omregnes til originalbildets dimensjoner av applikasjonen som bruker resultatet. Bilder skaleres automatisk, med en dokumentert maksimal oppløsning på 8000 × 8000 piksler. Dette støtter arbeid som å identifisere et element i et skjermbilde eller beskrive et diagram. Bevar lesbar tekst og viktig visuell kontekst, og be om relevante observasjoner før du ber om en tolkning.\n\nProdusentens støttede bildeformater omfatter PNG, JPG/JPEG, GIF og WebP. Dokumentflyten tar imot PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstbaserte formater bidrar med tekst, mens PDF og DOCX kan tolkes sammen med visuelle elementer som diagrammer og tabeller. Dokumentveiledningen tillater opptil fem dokumenter og begrenser hvert tekstdokument til 4.5 MB. Den utelukker PDF-innhold som bruker CMYK- eller SVG-bilder og ustøttede kodinger som JPEG2000 og JBIG2. Der en oppgave bare trenger ordene i en PDF, gir uttrukket tekst enklere inndata enn visuell lesing av sider. 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\nPro kan analysere vanlige videoformater som MP4, MOV, MKV og WebM. Samplingsstrategien version1 bruker ett bilde per sekund for klipp på opptil 16 minutter, deretter 960 bilder fordelt over lengre klipp. Det favoriserer oppsummeringer på scenenivå fremfor presis analyse av svært raske handlinger, særlig når videoen blir lengre. Amazon anbefaler å holde klipp med mye bevegelse under 16 minutter og klipp med lite bevegelse under én time. Legg ved et relevant segment, og angi den synlige hendelsen eller relasjonen som skal undersøkes; en transkripsjon bør formidle muntlig informasjon fordi de dokumenterte inndatamodalitetene ikke omfatter lyd. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.\n\nPro støtter strømming av svar, funksjonskall utført av klienten og oppgaver utvidet med informasjonsinnhenting. 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. Beskriv verktøyene og argumentene deres, la applikasjonen utføre forespørslene, og returner observasjoner eller feil før du ber modellen fortsette. Første generasjon Nova kan promptes til å arbeide seg gjennom en løsning i trinn, men dette er forskjellig fra Nova 2 Lites separat konfigurerte moduser for utvidet tenkning og innebygde verktøy. Pro fungerer også som destillasjonslærer for Nova Micro og Lite, og Amazon dokumenterer egendefinert finjustering av Pro; disse tilpassede modellene beholder sine egne identiteter.\n\nVersion1-veiledningen beskriver trening på over 200 språk med optimalisering for 15, inkludert engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angi ønsket språk og terminologi, i stedet for å anta lik ytelse på tvers av dialekter. For en gjenbrukbar arbeidsflyt bør du angi sluttstrukturen og hvilket kildegrunnlag hvert felt skal ha. Pro kan returnere plausible, men feilaktige påstander eller kode som ikke er kjørt; uttrykkelige fakta og et tydelig skille mellom verktøyresultater og forslag gjør utdataene enklere å bruke og kontrollere.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare supplier delivery terms\n\nCompare these supplier notes for a purchasing manager. Note A: 120 units, delivery within 14 calendar days, damaged units reported within 48 hours. Note B: 120 units, delivery within 10 business days, damage reported within five calendar days. Give a three-row comparison and identify what prevents a reliable delivery-date comparison.A table covering quantity, delivery timing and damage reporting, followed by one clarification about the delivery calendar or start date.The answer preserves calendar versus business days and does not invent arrival dates.amazon/nova-pro-v1Amazon Nova Pro er den balanserte modellen i første generasjon Nova for resonnering på tvers av tekst, bilder, dokumenter og video. Den produserer tekst for visuell analyse, programvareoppgaver, dokumentflyter og agenter som kombinerer vedlagt kildegrunnlag med verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Amazon Nova Pro er den balanserte multimodale forståelsesmodellen i Amazons første generasjon av Nova-familien. Den kombinerer tekst-, bilde- og videoforståelse for oppgaver fra spørsmål og svar om dokumenter og visuell analyse til programvarearbeid og agentflyter. Utdataene er tekst: en forklaring, uttrukket informasjon, kode, en plan eller en verktøyforespørsel. Pro ligger mellom den lettere Nova Lite og det mer krevende arbeidet med lang kontekst som Premier dekker; denne profilen beskriver den opprinnelige Pro v1-utgaven, ikke en Nova 2-modell.
Veiledningen for første generasjon Nova oppgir et kontekstvindu på 300K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. En praktisk arbeidsflyt kan kombinere referanseavsnitt, dokumentinnhold, visuelle belegg og nyere samtale, og deretter returnere et kompakt resultat. For en teknisk gjennomgang bør du legge ved relevant kode, observert atferd og begrensninger og be om en foreslått endring med begrunnelse. For en rapport bør du navngi kildene og feltene som skal sammenlignes. Skill kildegrunnlaget fra instruksjonene, slik at modellen kan skille det dokumentene sier, fra konklusjonen du vil at den skal undersøke.
Amazon dokumenterer Pros evne til å svare på visuelle spørsmål, klassifisere eller oppsummere bilder og returnere avgrensningsbokser for angitte objekter. Bildeveiledningen for første generasjon bruker en koordinatskala på [0, 1000), som omregnes til originalbildets dimensjoner av applikasjonen som bruker resultatet. Bilder skaleres automatisk, med en dokumentert maksimal oppløsning på 8000 × 8000 piksler. Dette støtter arbeid som å identifisere et element i et skjermbilde eller beskrive et diagram. Bevar lesbar tekst og viktig visuell kontekst, og be om relevante observasjoner før du ber om en tolkning.
Produsentens støttede bildeformater omfatter PNG, JPG/JPEG, GIF og WebP. Dokumentflyten tar imot PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstbaserte formater bidrar med tekst, mens PDF og DOCX kan tolkes sammen med visuelle elementer som diagrammer og tabeller. Dokumentveiledningen tillater opptil fem dokumenter og begrenser hvert tekstdokument til 4.5 MB. Den utelukker PDF-innhold som bruker CMYK- eller SVG-bilder og ustøttede kodinger som JPEG2000 og JBIG2. Der en oppgave bare trenger ordene i en PDF, gir uttrukket tekst enklere inndata enn visuell lesing av sider. 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.
Pro kan analysere vanlige videoformater som MP4, MOV, MKV og WebM. Samplingsstrategien version1 bruker ett bilde per sekund for klipp på opptil 16 minutter, deretter 960 bilder fordelt over lengre klipp. Det favoriserer oppsummeringer på scenenivå fremfor presis analyse av svært raske handlinger, særlig når videoen blir lengre. Amazon anbefaler å holde klipp med mye bevegelse under 16 minutter og klipp med lite bevegelse under én time. Legg ved et relevant segment, og angi den synlige hendelsen eller relasjonen som skal undersøkes; en transkripsjon bør formidle muntlig informasjon fordi de dokumenterte inndatamodalitetene ikke omfatter lyd. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.
Pro støtter strømming av svar, funksjonskall utført av klienten og oppgaver utvidet med informasjonsinnhenting. 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. Beskriv verktøyene og argumentene deres, la applikasjonen utføre forespørslene, og returner observasjoner eller feil før du ber modellen fortsette. Første generasjon Nova kan promptes til å arbeide seg gjennom en løsning i trinn, men dette er forskjellig fra Nova 2 Lites separat konfigurerte moduser for utvidet tenkning og innebygde verktøy. Pro fungerer også som destillasjonslærer for Nova Micro og Lite, og Amazon dokumenterer egendefinert finjustering av Pro; disse tilpassede modellene beholder sine egne identiteter.
Version1-veiledningen beskriver trening på over 200 språk med optimalisering for 15, inkludert engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angi ønsket språk og terminologi, i stedet for å anta lik ytelse på tvers av dialekter. For en gjenbrukbar arbeidsflyt bør du angi sluttstrukturen og hvilket kildegrunnlag hvert felt skal ha. Pro kan returnere plausible, men feilaktige påstander eller kode som ikke er kjørt; uttrykkelige fakta og et tydelig skille mellom verktøyresultater og forslag gjør utdataene enklere å bruke og kontrollere.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser amazon/nova-pro-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 $0.0016 / 1K tokener Utdata · Utgående tokener $0.0064 / 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 $0.0016 / 1K tokener Utdata · Utgående tokener $0.0064 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-pro-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-pro-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-pro-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-pro-v1
Bruk metodestiene som vises ovenfor.
amazon/nova-pro-v1Amazon Nova Pro er den balanserte modellen i første generasjon Nova for resonnering på tvers av tekst, bilder, dokumenter og video. Den produserer tekst for visuell analyse, programvareoppgaver, dokumentflyter og agenter som kombinerer vedlagt kildegrunnlag med verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Amazon Nova Pro er den balanserte multimodale forståelsesmodellen i Amazons første generasjon av Nova-familien. Den kombinerer tekst-, bilde- og videoforståelse for oppgaver fra spørsmål og svar om dokumenter og visuell analyse til programvarearbeid og agentflyter. Utdataene er tekst: en forklaring, uttrukket informasjon, kode, en plan eller en verktøyforespørsel. Pro ligger mellom den lettere Nova Lite og det mer krevende arbeidet med lang kontekst som Premier dekker; denne profilen beskriver den opprinnelige Pro v1-utgaven, ikke en Nova 2-modell.
Veiledningen for første generasjon Nova oppgir et kontekstvindu på 300K tokener og maksimale utdata på 10K tokener. Den dokumenterte kunnskapsgrensen er oktober 2024. En praktisk arbeidsflyt kan kombinere referanseavsnitt, dokumentinnhold, visuelle belegg og nyere samtale, og deretter returnere et kompakt resultat. For en teknisk gjennomgang bør du legge ved relevant kode, observert atferd og begrensninger og be om en foreslått endring med begrunnelse. For en rapport bør du navngi kildene og feltene som skal sammenlignes. Skill kildegrunnlaget fra instruksjonene, slik at modellen kan skille det dokumentene sier, fra konklusjonen du vil at den skal undersøke.
Amazon dokumenterer Pros evne til å svare på visuelle spørsmål, klassifisere eller oppsummere bilder og returnere avgrensningsbokser for angitte objekter. Bildeveiledningen for første generasjon bruker en koordinatskala på [0, 1000), som omregnes til originalbildets dimensjoner av applikasjonen som bruker resultatet. Bilder skaleres automatisk, med en dokumentert maksimal oppløsning på 8000 × 8000 piksler. Dette støtter arbeid som å identifisere et element i et skjermbilde eller beskrive et diagram. Bevar lesbar tekst og viktig visuell kontekst, og be om relevante observasjoner før du ber om en tolkning.
Produsentens støttede bildeformater omfatter PNG, JPG/JPEG, GIF og WebP. Dokumentflyten tar imot PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT og Markdown. Tekstbaserte formater bidrar med tekst, mens PDF og DOCX kan tolkes sammen med visuelle elementer som diagrammer og tabeller. Dokumentveiledningen tillater opptil fem dokumenter og begrenser hvert tekstdokument til 4.5 MB. Den utelukker PDF-innhold som bruker CMYK- eller SVG-bilder og ustøttede kodinger som JPEG2000 og JBIG2. Der en oppgave bare trenger ordene i en PDF, gir uttrukket tekst enklere inndata enn visuell lesing av sider. 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.
Pro kan analysere vanlige videoformater som MP4, MOV, MKV og WebM. Samplingsstrategien version1 bruker ett bilde per sekund for klipp på opptil 16 minutter, deretter 960 bilder fordelt over lengre klipp. Det favoriserer oppsummeringer på scenenivå fremfor presis analyse av svært raske handlinger, særlig når videoen blir lengre. Amazon anbefaler å holde klipp med mye bevegelse under 16 minutter og klipp med lite bevegelse under én time. Legg ved et relevant segment, og angi den synlige hendelsen eller relasjonen som skal undersøkes; en transkripsjon bør formidle muntlig informasjon fordi de dokumenterte inndatamodalitetene ikke omfatter lyd. Produsenten sier også at denne modellen ikke identifiserer eller navngir personer i bilder, dokumenter eller videoer.
Pro støtter strømming av svar, funksjonskall utført av klienten og oppgaver utvidet med informasjonsinnhenting. 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. Beskriv verktøyene og argumentene deres, la applikasjonen utføre forespørslene, og returner observasjoner eller feil før du ber modellen fortsette. Første generasjon Nova kan promptes til å arbeide seg gjennom en løsning i trinn, men dette er forskjellig fra Nova 2 Lites separat konfigurerte moduser for utvidet tenkning og innebygde verktøy. Pro fungerer også som destillasjonslærer for Nova Micro og Lite, og Amazon dokumenterer egendefinert finjustering av Pro; disse tilpassede modellene beholder sine egne identiteter.
Version1-veiledningen beskriver trening på over 200 språk med optimalisering for 15, inkludert engelsk, tysk, spansk, fransk, italiensk, japansk, koreansk, arabisk, forenklet kinesisk, russisk, hindi, portugisisk, nederlandsk, tyrkisk og hebraisk. Angi ønsket språk og terminologi, i stedet for å anta lik ytelse på tvers av dialekter. For en gjenbrukbar arbeidsflyt bør du angi sluttstrukturen og hvilket kildegrunnlag hvert felt skal ha. Pro kan returnere plausible, men feilaktige påstander eller kode som ikke er kjørt; uttrykkelige fakta og et tydelig skille mellom verktøyresultater og forslag gjør utdataene enklere å bruke og kontrollere.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser amazon/nova-pro-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 $0.0016 / 1K tokener Utdata · Utgående tokener $0.0064 / 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 $0.0016 / 1K tokener Utdata · Utgående tokener $0.0064 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "amazon/nova-pro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-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-pro-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-pro-v1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare supplier delivery terms\n\nCompare these supplier notes for a purchasing manager. Note A: 120 units, delivery within 14 calendar days, damaged units reported within 48 hours. Note B: 120 units, delivery within 10 business days, damage reported within five calendar days. Give a three-row comparison and identify what prevents a reliable delivery-date comparison.A table covering quantity, delivery timing and damage reporting, followed by one clarification about the delivery calendar or start date.The answer preserves calendar versus business days and does not invent arrival dates.