ERNIE 4.5 300B-A47B er Baidus store tekstmodell i ERNIE 4.5-familien. Mixture-of-experts-arkitekturen inneholder 300 milliarder parametere totalt og aktiverer 47 milliarder for hvert token. Den publiserte modellkonfigurasjonen oppgir en kontekstlengde på 131 072 tokener. Den tar imot tekst og genererer tekst, og støtter en samtale, en forklaring eller et nytt dokument basert på spørsmålet og materialet som er oppgitt.
Hovedtrekk ved ERNIE 4.5. Baidu beskriver felles trening av språk og visuell informasjon på tvers av familien, med ruting som lar ulike modaliteter dele noen parametere samtidig som de beholder dedikert behandling. Tekstvarianten fokuserer på generell språkforståelse og generering. Familiens utvikling omfatter også infrastruktur for effektiv trening og inferens og ettertrening med veiledede eksempler og preferansebasert optimalisering. Disse designvalgene forklarer modellens bakgrunn; de gjør ikke en tekstforespørsel til bildeinndata.
Modellkonfigurasjon. Den publiserte tekstmodellen har 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder. Konfigurasjonen for teksteksperter oppgir 64 eksperter, med 8 aktivert om gangen. Ved praktisk klargjøring av inndata bør du bruke konteksten til å bevare avsnittene oppgaven trenger, sammen med overskriftene og sammenhengene deres. Samtalen og det genererte svaret deler det tilgjengelige kontekstbudsjettet, så velg relevant materiale og angi lengden på resultatet fremfor å behandle hele vinduet som plass til svaret.
En forespørsel begynner med et spørsmål eller en instruksjon. Ved dokumentanalyse bør du oppgi merkede seksjoner og be om en konklusjon med seksjonen som støtter hvert punkt. Ved utkastarbeid bør du oppgi målgruppe, kildefakta og ønsket struktur. Du kan for eksempel be om en tjenesteforklaring, en kravoppsummering eller en sammenligning av to interne prosedyrer. Ta med reglene som styrer tvetydige tilfeller, og be om en merknad om manglende informasjon når kilden ikke underbygger et sikkert svar.
Referansebaserte svar. Produsenten publiserer kinesiske og engelske instruksjonseksempler for en arbeidsflyt som oppgir gjeldende tidspunkt, referanseartikler og et spørsmål. Modellen instrueres til å vurdere om referansene er relevante og oppdaterte, prioritere autoritativt materiale og opplyse når belegget er utilstrekkelig. For å bruke dette mønsteret bør du merke hver referanse, beholde publiseringstidspunktet der det finnes, og skille referanseinnholdet fra spørsmålet. Det forventede resultatet er et svar basert på disse avsnittene, ikke en antakelse om at et gjenfinningstrinn allerede er utført.
Veiledning for generering. Baidus modellkort anbefaler temperature 0.8 og top-p 0.8 for de publiserte modelleksemplene. Behandle dette som produsentveiledning når du konfigurerer et kompatibelt genereringsoppsett, og evaluer deretter resultatet mot oppgavens krav. Modellens PT- og Paddle-utgaver angir forskjellige vektformater; den navngitte tekstutgaven er forskjellig fra VL-modellen for bilde og språk og fra et Base-treningskontrollpunkt. En praktisk gjennomgang bør kontrollere viktige faktapåstander, talldetaljer og fullstendigheten i de ønskede seksjonene mot materialet som er lagt ved.
", "aboutText": "ERNIE 4.5 300B-A47B er Baidus store tekstmodell i ERNIE 4.5-familien. Mixture-of-experts-arkitekturen inneholder 300 milliarder parametere totalt og aktiverer 47 milliarder for hvert token. Den publiserte modellkonfigurasjonen oppgir en kontekstlengde på 131 072 tokener. Den tar imot tekst og genererer tekst, og støtter en samtale, en forklaring eller et nytt dokument basert på spørsmålet og materialet som er oppgitt.\n\nHovedtrekk ved ERNIE 4.5. Baidu beskriver felles trening av språk og visuell informasjon på tvers av familien, med ruting som lar ulike modaliteter dele noen parametere samtidig som de beholder dedikert behandling. Tekstvarianten fokuserer på generell språkforståelse og generering. Familiens utvikling omfatter også infrastruktur for effektiv trening og inferens og ettertrening med veiledede eksempler og preferansebasert optimalisering. Disse designvalgene forklarer modellens bakgrunn; de gjør ikke en tekstforespørsel til bildeinndata.\n\nModellkonfigurasjon. Den publiserte tekstmodellen har 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder. Konfigurasjonen for teksteksperter oppgir 64 eksperter, med 8 aktivert om gangen. Ved praktisk klargjøring av inndata bør du bruke konteksten til å bevare avsnittene oppgaven trenger, sammen med overskriftene og sammenhengene deres. Samtalen og det genererte svaret deler det tilgjengelige kontekstbudsjettet, så velg relevant materiale og angi lengden på resultatet fremfor å behandle hele vinduet som plass til svaret.\n\nEn forespørsel begynner med et spørsmål eller en instruksjon. Ved dokumentanalyse bør du oppgi merkede seksjoner og be om en konklusjon med seksjonen som støtter hvert punkt. Ved utkastarbeid bør du oppgi målgruppe, kildefakta og ønsket struktur. Du kan for eksempel be om en tjenesteforklaring, en kravoppsummering eller en sammenligning av to interne prosedyrer. Ta med reglene som styrer tvetydige tilfeller, og be om en merknad om manglende informasjon når kilden ikke underbygger et sikkert svar.\n\nReferansebaserte svar. Produsenten publiserer kinesiske og engelske instruksjonseksempler for en arbeidsflyt som oppgir gjeldende tidspunkt, referanseartikler og et spørsmål. Modellen instrueres til å vurdere om referansene er relevante og oppdaterte, prioritere autoritativt materiale og opplyse når belegget er utilstrekkelig. For å bruke dette mønsteret bør du merke hver referanse, beholde publiseringstidspunktet der det finnes, og skille referanseinnholdet fra spørsmålet. Det forventede resultatet er et svar basert på disse avsnittene, ikke en antakelse om at et gjenfinningstrinn allerede er utført.\n\nVeiledning for generering. Baidus modellkort anbefaler temperature 0.8 og top-p 0.8 for de publiserte modelleksemplene. Behandle dette som produsentveiledning når du konfigurerer et kompatibelt genereringsoppsett, og evaluer deretter resultatet mot oppgavens krav. Modellens PT- og Paddle-utgaver angir forskjellige vektformater; den navngitte tekstutgaven er forskjellig fra VL-modellen for bilde og språk og fra et Base-treningskontrollpunkt. En praktisk gjennomgang bør kontrollere viktige faktapåstander, talldetaljer og fullstendigheten i de ønskede seksjonene mot materialet som er lagt ved.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Resolve conflicting reference passages\n\nAnswer the question using these references only. R1, old handbook: Trial accounts retain exports for 7 days. R2, current handbook: Trial exports are retained for 14 days; paid-account exports for 90 days. Question: How long can a trial customer retrieve an export? Cite the relevant reference and explain why the other passage differs.A short answer with the retention period, reference identifier and a sentence describing the documented version conflict.Check that the answer uses the current trial rule and does not substitute the paid-account period.baidu/ERNIE-4.5-300B-A47BERNIE 4.5 300B-A47B er Baidus mixture-of-experts-modell for tekst med 300 milliarder parametere totalt, 47 milliarder aktive parametere per token og en publisert kontekst på 131 072 tokener. Den støtter språkforståelse og generering, inkludert svar forankret i referanseavsnitt du oppgir.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
ERNIE 4.5 300B-A47B er Baidus store tekstmodell i ERNIE 4.5-familien. Mixture-of-experts-arkitekturen inneholder 300 milliarder parametere totalt og aktiverer 47 milliarder for hvert token. Den publiserte modellkonfigurasjonen oppgir en kontekstlengde på 131 072 tokener. Den tar imot tekst og genererer tekst, og støtter en samtale, en forklaring eller et nytt dokument basert på spørsmålet og materialet som er oppgitt.
Hovedtrekk ved ERNIE 4.5. Baidu beskriver felles trening av språk og visuell informasjon på tvers av familien, med ruting som lar ulike modaliteter dele noen parametere samtidig som de beholder dedikert behandling. Tekstvarianten fokuserer på generell språkforståelse og generering. Familiens utvikling omfatter også infrastruktur for effektiv trening og inferens og ettertrening med veiledede eksempler og preferansebasert optimalisering. Disse designvalgene forklarer modellens bakgrunn; de gjør ikke en tekstforespørsel til bildeinndata.
Modellkonfigurasjon. Den publiserte tekstmodellen har 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder. Konfigurasjonen for teksteksperter oppgir 64 eksperter, med 8 aktivert om gangen. Ved praktisk klargjøring av inndata bør du bruke konteksten til å bevare avsnittene oppgaven trenger, sammen med overskriftene og sammenhengene deres. Samtalen og det genererte svaret deler det tilgjengelige kontekstbudsjettet, så velg relevant materiale og angi lengden på resultatet fremfor å behandle hele vinduet som plass til svaret.
En forespørsel begynner med et spørsmål eller en instruksjon. Ved dokumentanalyse bør du oppgi merkede seksjoner og be om en konklusjon med seksjonen som støtter hvert punkt. Ved utkastarbeid bør du oppgi målgruppe, kildefakta og ønsket struktur. Du kan for eksempel be om en tjenesteforklaring, en kravoppsummering eller en sammenligning av to interne prosedyrer. Ta med reglene som styrer tvetydige tilfeller, og be om en merknad om manglende informasjon når kilden ikke underbygger et sikkert svar.
Referansebaserte svar. Produsenten publiserer kinesiske og engelske instruksjonseksempler for en arbeidsflyt som oppgir gjeldende tidspunkt, referanseartikler og et spørsmål. Modellen instrueres til å vurdere om referansene er relevante og oppdaterte, prioritere autoritativt materiale og opplyse når belegget er utilstrekkelig. For å bruke dette mønsteret bør du merke hver referanse, beholde publiseringstidspunktet der det finnes, og skille referanseinnholdet fra spørsmålet. Det forventede resultatet er et svar basert på disse avsnittene, ikke en antakelse om at et gjenfinningstrinn allerede er utført.
Veiledning for generering. Baidus modellkort anbefaler temperature 0.8 og top-p 0.8 for de publiserte modelleksemplene. Behandle dette som produsentveiledning når du konfigurerer et kompatibelt genereringsoppsett, og evaluer deretter resultatet mot oppgavens krav. Modellens PT- og Paddle-utgaver angir forskjellige vektformater; den navngitte tekstutgaven er forskjellig fra VL-modellen for bilde og språk og fra et Base-treningskontrollpunkt. En praktisk gjennomgang bør kontrollere viktige faktapåstander, talldetaljer og fullstendigheten i de ønskede seksjonene mot materialet som er lagt ved.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baidu/ERNIE-4.5-300B-A47B | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.00228 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ERNIE-4.5-300B-A47B", "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='baidu/ERNIE-4.5-300B-A47B',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='baidu/ERNIE-4.5-300B-A47B',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 baidu/ERNIE-4.5-300B-A47B
Bruk metodestiene som vises ovenfor.
baidu/ERNIE-4.5-300B-A47BERNIE 4.5 300B-A47B er Baidus mixture-of-experts-modell for tekst med 300 milliarder parametere totalt, 47 milliarder aktive parametere per token og en publisert kontekst på 131 072 tokener. Den støtter språkforståelse og generering, inkludert svar forankret i referanseavsnitt du oppgir.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
ERNIE 4.5 300B-A47B er Baidus store tekstmodell i ERNIE 4.5-familien. Mixture-of-experts-arkitekturen inneholder 300 milliarder parametere totalt og aktiverer 47 milliarder for hvert token. Den publiserte modellkonfigurasjonen oppgir en kontekstlengde på 131 072 tokener. Den tar imot tekst og genererer tekst, og støtter en samtale, en forklaring eller et nytt dokument basert på spørsmålet og materialet som er oppgitt.
Hovedtrekk ved ERNIE 4.5. Baidu beskriver felles trening av språk og visuell informasjon på tvers av familien, med ruting som lar ulike modaliteter dele noen parametere samtidig som de beholder dedikert behandling. Tekstvarianten fokuserer på generell språkforståelse og generering. Familiens utvikling omfatter også infrastruktur for effektiv trening og inferens og ettertrening med veiledede eksempler og preferansebasert optimalisering. Disse designvalgene forklarer modellens bakgrunn; de gjør ikke en tekstforespørsel til bildeinndata.
Modellkonfigurasjon. Den publiserte tekstmodellen har 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder. Konfigurasjonen for teksteksperter oppgir 64 eksperter, med 8 aktivert om gangen. Ved praktisk klargjøring av inndata bør du bruke konteksten til å bevare avsnittene oppgaven trenger, sammen med overskriftene og sammenhengene deres. Samtalen og det genererte svaret deler det tilgjengelige kontekstbudsjettet, så velg relevant materiale og angi lengden på resultatet fremfor å behandle hele vinduet som plass til svaret.
En forespørsel begynner med et spørsmål eller en instruksjon. Ved dokumentanalyse bør du oppgi merkede seksjoner og be om en konklusjon med seksjonen som støtter hvert punkt. Ved utkastarbeid bør du oppgi målgruppe, kildefakta og ønsket struktur. Du kan for eksempel be om en tjenesteforklaring, en kravoppsummering eller en sammenligning av to interne prosedyrer. Ta med reglene som styrer tvetydige tilfeller, og be om en merknad om manglende informasjon når kilden ikke underbygger et sikkert svar.
Referansebaserte svar. Produsenten publiserer kinesiske og engelske instruksjonseksempler for en arbeidsflyt som oppgir gjeldende tidspunkt, referanseartikler og et spørsmål. Modellen instrueres til å vurdere om referansene er relevante og oppdaterte, prioritere autoritativt materiale og opplyse når belegget er utilstrekkelig. For å bruke dette mønsteret bør du merke hver referanse, beholde publiseringstidspunktet der det finnes, og skille referanseinnholdet fra spørsmålet. Det forventede resultatet er et svar basert på disse avsnittene, ikke en antakelse om at et gjenfinningstrinn allerede er utført.
Veiledning for generering. Baidus modellkort anbefaler temperature 0.8 og top-p 0.8 for de publiserte modelleksemplene. Behandle dette som produsentveiledning når du konfigurerer et kompatibelt genereringsoppsett, og evaluer deretter resultatet mot oppgavens krav. Modellens PT- og Paddle-utgaver angir forskjellige vektformater; den navngitte tekstutgaven er forskjellig fra VL-modellen for bilde og språk og fra et Base-treningskontrollpunkt. En praktisk gjennomgang bør kontrollere viktige faktapåstander, talldetaljer og fullstendigheten i de ønskede seksjonene mot materialet som er lagt ved.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baidu/ERNIE-4.5-300B-A47B | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.00228 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "baidu/ERNIE-4.5-300B-A47B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'baidu/ERNIE-4.5-300B-A47B', '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': 'baidu/ERNIE-4.5-300B-A47B', '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 baidu/ERNIE-4.5-300B-A47B
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Resolve conflicting reference passages\n\nAnswer the question using these references only. R1, old handbook: Trial accounts retain exports for 7 days. R2, current handbook: Trial exports are retained for 14 days; paid-account exports for 90 days. Question: How long can a trial customer retrieve an export? Cite the relevant reference and explain why the other passage differs.A short answer with the retention period, reference identifier and a sentence describing the documented version conflict.Check that the answer uses the current trial rule and does not substitute the paid-account period.