Trinity-Large-Thinking er den resonneringsoptimaliserte utgivelsen i Arcee AIs Trinity Large-familie. Den er bygget for agenter som planlegger over flere trinn, kaller verktøy og opprettholder en sammenhengende oppgave gjennom en lang samtale, samtidig som generelle tekstgenereringsfunksjoner bevares. Modellen tar imot tekst og genererer tekst, inkludert uttrykkelig resonnering og verktøyforespørsler. Treningen utvider Trinity-Large-Base med instruksjonstilpasning og forsterkningslæring på resonneringskjeder, forløp med verktøykall og agentoppgaver med flere trinn.
Modellkortet beskriver en sparsom mixture-of-experts-arkitektur med omtrent 398 milliarder parametere totalt og 13 milliarder aktive parametere per token. Det oppgir 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindu på 512K etter utvidelse fra en forhåndstreningskontekst på 8192 tokener. Dette er produsentens modellegenskaper, ikke en forutsigelse av svarhastighet. Thinking-sjekkpunktet er forskjellig fra den lett ettertrente, samtaleklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra forhåndstreningssjekkpunktene Base og TrueBase.
Uttrykkelig tenkning vises i blokker med <think>...</think> før sluttsvaret. I det dokumenterte strukturerte svaret inneholder reasoning_content denne resonneringen separat fra content og tool_calls. Å beholde hele assistentens tur er en vesentlig del av bruken av denne modellen: send resonneringen tilbake sammen med svaret og eventuelle verktøykall før neste trinn. Samtalemalen gjenoppretter tenkeblokkene når neste inndata bygges. Hvis historikken må forkortes, anbefaler Arcee å fjerne eldre turer i sin helhet, i stedet for å fjerne tenkningen fra nyere turer.
Produsentens mønster for agentsløyfer starter med brukeroppgaven og verktøydefinisjonene, mottar resonnering, et svar eller verktøyforespørsler, utfører de forespurte verktøyene utenfor modellen og legger til assistentens tur pluss faktiske verktøyresultater før det fortsetter. Dette fortsetter til et sluttsvar returneres uten verktøykall. For assistentturer som inneholder verktøykall, men ingen svartekst, krever veiledningen at content er en tom streng og ikke null. Resonneringsfeltet må også samsvare med leveringsgrensesnittet: Arcees veiledning skiller reasoning_content fra integrasjoner som forventer reasoning.
Dette gjør modellen nyttig i en kundestøtteflyt som først slår opp en post, anvender den vedlagte policyen og deretter ber om den riktige neste handlingen, eller for en kodeagent som undersøker filer, foreslår en endring og tolker et kjøringsresultat. Gi den det faktiske målet, verktøynavn, argumentskjemaer, begrensninger og en fullføringsbetingelse. En eksempelbeskrivelse kan be den finne en feil, forklare belegget og foreslå en minimal rettelse, mens observerte verktøyresultater holdes adskilt fra handlinger som fortsatt bare er planlagt. Verktøykall er forespørsler til et utføringslag, ikke bevis på at modellen allerede har endret en fil eller fullført en ekstern handling.
Kortet anbefaler temperature 0.45–0.6, top_p 0.95 og top_k 50 ved inferens. Dette er anbefalte innstillinger, ikke faste utdatagrenser. Den viktige feiltypen i produsentens veiledning er feilformet verktøybruk over flere trinn når en foregående tur mister resonnering eller har en ugyldig meldingsform: markeringer for verktøykall kan vises i resonneringsfeltet i stedet for i strukturerte verktøykallutdata. Bevar hele turen, behold svarinnhold som ikke er null, og behandle sluttartefakten separat fra den lagrede resonneringshistorikken. Denne utgaven passer særlig godt til arbeidsflyter der sammenheng mellom observasjoner, resonnering og påfølgende handlinger betyr noe.
", "aboutText": "Trinity-Large-Thinking er den resonneringsoptimaliserte utgivelsen i Arcee AIs Trinity Large-familie. Den er bygget for agenter som planlegger over flere trinn, kaller verktøy og opprettholder en sammenhengende oppgave gjennom en lang samtale, samtidig som generelle tekstgenereringsfunksjoner bevares. Modellen tar imot tekst og genererer tekst, inkludert uttrykkelig resonnering og verktøyforespørsler. Treningen utvider Trinity-Large-Base med instruksjonstilpasning og forsterkningslæring på resonneringskjeder, forløp med verktøykall og agentoppgaver med flere trinn.\n\nModellkortet beskriver en sparsom mixture-of-experts-arkitektur med omtrent 398 milliarder parametere totalt og 13 milliarder aktive parametere per token. Det oppgir 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindu på 512K etter utvidelse fra en forhåndstreningskontekst på 8192 tokener. Dette er produsentens modellegenskaper, ikke en forutsigelse av svarhastighet. Thinking-sjekkpunktet er forskjellig fra den lett ettertrente, samtaleklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra forhåndstreningssjekkpunktene Base og TrueBase.\n\nUttrykkelig tenkning vises i blokker medTeknisk eksempel på engelsk
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingTrinity-Large-Thinking er Arcee AIs resonneringsmodell for agenter som arbeider i flere trinn og bruker verktøykall. Den genererer uttrykkelig tenkning før svaret og krever at denne resonneringen bevares på tvers av samtalerunder og verktøydrevne arbeidsflyter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Trinity-Large-Thinking er den resonneringsoptimaliserte utgivelsen i Arcee AIs Trinity Large-familie. Den er bygget for agenter som planlegger over flere trinn, kaller verktøy og opprettholder en sammenhengende oppgave gjennom en lang samtale, samtidig som generelle tekstgenereringsfunksjoner bevares. Modellen tar imot tekst og genererer tekst, inkludert uttrykkelig resonnering og verktøyforespørsler. Treningen utvider Trinity-Large-Base med instruksjonstilpasning og forsterkningslæring på resonneringskjeder, forløp med verktøykall og agentoppgaver med flere trinn.
Modellkortet beskriver en sparsom mixture-of-experts-arkitektur med omtrent 398 milliarder parametere totalt og 13 milliarder aktive parametere per token. Det oppgir 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindu på 512K etter utvidelse fra en forhåndstreningskontekst på 8192 tokener. Dette er produsentens modellegenskaper, ikke en forutsigelse av svarhastighet. Thinking-sjekkpunktet er forskjellig fra den lett ettertrente, samtaleklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra forhåndstreningssjekkpunktene Base og TrueBase.
Uttrykkelig tenkning vises i blokker med <think>...</think> før sluttsvaret. I det dokumenterte strukturerte svaret inneholder reasoning_content denne resonneringen separat fra content og tool_calls. Å beholde hele assistentens tur er en vesentlig del av bruken av denne modellen: send resonneringen tilbake sammen med svaret og eventuelle verktøykall før neste trinn. Samtalemalen gjenoppretter tenkeblokkene når neste inndata bygges. Hvis historikken må forkortes, anbefaler Arcee å fjerne eldre turer i sin helhet, i stedet for å fjerne tenkningen fra nyere turer.
Produsentens mønster for agentsløyfer starter med brukeroppgaven og verktøydefinisjonene, mottar resonnering, et svar eller verktøyforespørsler, utfører de forespurte verktøyene utenfor modellen og legger til assistentens tur pluss faktiske verktøyresultater før det fortsetter. Dette fortsetter til et sluttsvar returneres uten verktøykall. For assistentturer som inneholder verktøykall, men ingen svartekst, krever veiledningen at content er en tom streng og ikke null. Resonneringsfeltet må også samsvare med leveringsgrensesnittet: Arcees veiledning skiller reasoning_content fra integrasjoner som forventer reasoning.
Dette gjør modellen nyttig i en kundestøtteflyt som først slår opp en post, anvender den vedlagte policyen og deretter ber om den riktige neste handlingen, eller for en kodeagent som undersøker filer, foreslår en endring og tolker et kjøringsresultat. Gi den det faktiske målet, verktøynavn, argumentskjemaer, begrensninger og en fullføringsbetingelse. En eksempelbeskrivelse kan be den finne en feil, forklare belegget og foreslå en minimal rettelse, mens observerte verktøyresultater holdes adskilt fra handlinger som fortsatt bare er planlagt. Verktøykall er forespørsler til et utføringslag, ikke bevis på at modellen allerede har endret en fil eller fullført en ekstern handling.
Kortet anbefaler temperature 0.45–0.6, top_p 0.95 og top_k 50 ved inferens. Dette er anbefalte innstillinger, ikke faste utdatagrenser. Den viktige feiltypen i produsentens veiledning er feilformet verktøybruk over flere trinn når en foregående tur mister resonnering eller har en ugyldig meldingsform: markeringer for verktøykall kan vises i resonneringsfeltet i stedet for i strukturerte verktøykallutdata. Bevar hele turen, behold svarinnhold som ikke er null, og behandle sluttartefakten separat fra den lagrede resonneringshistorikken. Denne utgaven passer særlig godt til arbeidsflyter der sammenheng mellom observasjoner, resonnering og påfølgende handlinger betyr noe.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "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='arcee-ai/trinity-large-thinking',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='arcee-ai/trinity-large-thinking',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 arcee-ai/trinity-large-thinking
Bruk metodestiene som vises ovenfor.
arcee-ai/trinity-large-thinkingTrinity-Large-Thinking er Arcee AIs resonneringsmodell for agenter som arbeider i flere trinn og bruker verktøykall. Den genererer uttrykkelig tenkning før svaret og krever at denne resonneringen bevares på tvers av samtalerunder og verktøydrevne arbeidsflyter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Trinity-Large-Thinking er den resonneringsoptimaliserte utgivelsen i Arcee AIs Trinity Large-familie. Den er bygget for agenter som planlegger over flere trinn, kaller verktøy og opprettholder en sammenhengende oppgave gjennom en lang samtale, samtidig som generelle tekstgenereringsfunksjoner bevares. Modellen tar imot tekst og genererer tekst, inkludert uttrykkelig resonnering og verktøyforespørsler. Treningen utvider Trinity-Large-Base med instruksjonstilpasning og forsterkningslæring på resonneringskjeder, forløp med verktøykall og agentoppgaver med flere trinn.
Modellkortet beskriver en sparsom mixture-of-experts-arkitektur med omtrent 398 milliarder parametere totalt og 13 milliarder aktive parametere per token. Det oppgir 256 eksperter, én delt ekspert, fire aktive eksperter og et kontekstvindu på 512K etter utvidelse fra en forhåndstreningskontekst på 8192 tokener. Dette er produsentens modellegenskaper, ikke en forutsigelse av svarhastighet. Thinking-sjekkpunktet er forskjellig fra den lett ettertrente, samtaleklare Trinity-Large-Preview, som ikke leverer reasoning_content, og fra forhåndstreningssjekkpunktene Base og TrueBase.
Uttrykkelig tenkning vises i blokker med <think>...</think> før sluttsvaret. I det dokumenterte strukturerte svaret inneholder reasoning_content denne resonneringen separat fra content og tool_calls. Å beholde hele assistentens tur er en vesentlig del av bruken av denne modellen: send resonneringen tilbake sammen med svaret og eventuelle verktøykall før neste trinn. Samtalemalen gjenoppretter tenkeblokkene når neste inndata bygges. Hvis historikken må forkortes, anbefaler Arcee å fjerne eldre turer i sin helhet, i stedet for å fjerne tenkningen fra nyere turer.
Produsentens mønster for agentsløyfer starter med brukeroppgaven og verktøydefinisjonene, mottar resonnering, et svar eller verktøyforespørsler, utfører de forespurte verktøyene utenfor modellen og legger til assistentens tur pluss faktiske verktøyresultater før det fortsetter. Dette fortsetter til et sluttsvar returneres uten verktøykall. For assistentturer som inneholder verktøykall, men ingen svartekst, krever veiledningen at content er en tom streng og ikke null. Resonneringsfeltet må også samsvare med leveringsgrensesnittet: Arcees veiledning skiller reasoning_content fra integrasjoner som forventer reasoning.
Dette gjør modellen nyttig i en kundestøtteflyt som først slår opp en post, anvender den vedlagte policyen og deretter ber om den riktige neste handlingen, eller for en kodeagent som undersøker filer, foreslår en endring og tolker et kjøringsresultat. Gi den det faktiske målet, verktøynavn, argumentskjemaer, begrensninger og en fullføringsbetingelse. En eksempelbeskrivelse kan be den finne en feil, forklare belegget og foreslå en minimal rettelse, mens observerte verktøyresultater holdes adskilt fra handlinger som fortsatt bare er planlagt. Verktøykall er forespørsler til et utføringslag, ikke bevis på at modellen allerede har endret en fil eller fullført en ekstern handling.
Kortet anbefaler temperature 0.45–0.6, top_p 0.95 og top_k 50 ved inferens. Dette er anbefalte innstillinger, ikke faste utdatagrenser. Den viktige feiltypen i produsentens veiledning er feilformet verktøybruk over flere trinn når en foregående tur mister resonnering eller har en ugyldig meldingsform: markeringer for verktøykall kan vises i resonneringsfeltet i stedet for i strukturerte verktøykallutdata. Bevar hele turen, behold svarinnhold som ikke er null, og behandle sluttartefakten separat fra den lagrede resonneringshistorikken. Denne utgaven passer særlig godt til arbeidsflyter der sammenheng mellom observasjoner, resonnering og påfølgende handlinger betyr noe.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0016 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 arcee-ai/trinity-large-thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.