Claude Sonnet 4.6 kombinerer programmering, forståelse av stor kontekst, agentplanlegging, faglig informasjonsarbeid og design. Anthropic fremhever undersøkelse av kode før endringer og evnen til å arbeide gjennom flere trinn i en oppgave. Dette er nyttig når et problem i et stort prosjekt skal finnes, et langt dokument analyseres eller rapportinnhold utarbeides.
Modellen kan analysere opplysninger fra kontrakter, forskningsarbeider og annet materiale i én forespørsel. Oppgaven kan omfatte å hente fakta, resonnere ut fra dem og lage et resultat som samler flere deler. Økonomisk analyse og utarbeiding av grensesnittkode med vekt på komposisjon og design er også blant områdene som beskrives.
Sonnet 4.6 forstår tekst og bilder; modellens eget resultat er tekst. Anthropic beskriver oppgaver der modellen orienterer seg ut fra skjermbilder, velger muse- og tastaturhandlinger og analyserer et komplekst regneark eller trinnene i et nettskjema. Faktisk gjennomføring krever verktøy i programmet som sender skjermbildet og utfører handlingene.
Produsentens vanlige formater for visuelle inndata er JPEG/PNG/GIF/WebP; for animasjon brukes det første bildet. Ved modellens egen analyse er den lengste siden 1568 piksler og antallet visuelle tokener 1568. Store bilder skaleres ned før analyse. Støtte for filer og parametere avhenger av programmets metode.
Dokumenter, regneark og presentasjoner kan også analyseres eller få innhold utarbeidet, men en ferdig fil krever et egnet miljø. Bilder bidrar til å forstå grafer, diagrammer og materialets visuelle struktur; dette gjør ikke modellen til en bildegenerator.
Denne versjonen støtter adaptiv resonnering og manuell extended thinking. Den manuelle modusen er merket som foreldet; den adaptive lar modellen velge når ekstra analyse er nyttig, også mellom verktøykall. Nivåene for effort er low, medium, high og max, med high som standard. Ifølge Anthropic bidrar innsatsvalget til å tilpasse detaljnivå og svartid til oppgavens art.
Den nåværende spesifikasjonen angir 1 million tokener kontekst og opptil 128 tusen tokener svar i vanlig modus. For langvarig arbeid beskriver produsenten også eksperimentell komprimering av gammel kontekst til en oppsummering. Funksjonen krever programstøtte og opphever ikke modellvinduets begrensninger.
Den pålitelige grensen for innebygd kunnskap er august 2025. Nyere opplysninger krever oppgavemateriale eller tilgjengelig søk. Tilkoblede verktøy kan hjelpe med informasjonssøk, kodekjøring og behandling av funnet innhold; tilgjengelighet og tillatte handlinger bestemmes av programmet.
Sonnet 4.6 er trent til å motstå skjulte skadelige instruksjoner i andres materiale, men komplekse visuelle miljøer og uklare oppgaver kan fortsatt gi feil. Tydelige oppgavekrav, kontroll av uthentede fakta og vurdering av handlingsresultater er fortsatt del av pålitelig bruk av modellen.
", "aboutText": "### Kode, dokumenter og en handlingsplan\n\nClaude Sonnet 4.6 kombinerer programmering, forståelse av stor kontekst, agentplanlegging, faglig informasjonsarbeid og design. Anthropic fremhever undersøkelse av kode før endringer og evnen til å arbeide gjennom flere trinn i en oppgave. Dette er nyttig når et problem i et stort prosjekt skal finnes, et langt dokument analyseres eller rapportinnhold utarbeides.\n\nModellen kan analysere opplysninger fra kontrakter, forskningsarbeider og annet materiale i én forespørsel. Oppgaven kan omfatte å hente fakta, resonnere ut fra dem og lage et resultat som samler flere deler. Økonomisk analyse og utarbeiding av grensesnittkode med vekt på komposisjon og design er også blant områdene som beskrives.\n\n### Handlinger i et visuelt miljø\n\nSonnet 4.6 forstår **tekst og bilder**; modellens eget resultat er **tekst**. Anthropic beskriver oppgaver der modellen orienterer seg ut fra skjermbilder, velger muse- og tastaturhandlinger og analyserer et komplekst regneark eller trinnene i et nettskjema. Faktisk gjennomføring krever verktøy i programmet som sender skjermbildet og utfører handlingene.\n\nProdusentens vanlige formater for visuelle inndata er JPEG/PNG/GIF/WebP; for animasjon brukes det første bildet. Ved modellens egen analyse er den lengste siden 1568 piksler og antallet visuelle tokener 1568. Store bilder skaleres ned før analyse. Støtte for filer og parametere avhenger av programmets metode.\n\nDokumenter, regneark og presentasjoner kan også analyseres eller få innhold utarbeidet, men en ferdig fil krever et egnet miljø. Bilder bidrar til å forstå grafer, diagrammer og materialets visuelle struktur; dette gjør ikke modellen til en bildegenerator.\n\n### Hvordan analysen styres\n\nDenne versjonen støtter adaptiv resonnering og manuell extended thinking. Den manuelle modusen er merket som foreldet; den adaptive lar modellen velge når ekstra analyse er nyttig, også mellom verktøykall. Nivåene for `effort` er `low`, `medium`, `high` og `max`, med `high` som standard. Ifølge Anthropic bidrar innsatsvalget til å tilpasse detaljnivå og svartid til oppgavens art.\n\nDen nåværende spesifikasjonen angir **1 million tokener kontekst** og opptil **128 tusen tokener svar i vanlig modus**. For langvarig arbeid beskriver produsenten også eksperimentell komprimering av gammel kontekst til en oppsummering. Funksjonen krever programstøtte og opphever ikke modellvinduets begrensninger.\n\n### Hva som bør tas hensyn til\n\nDen pålitelige grensen for innebygd kunnskap er **august 2025**. Nyere opplysninger krever oppgavemateriale eller tilgjengelig søk. Tilkoblede verktøy kan hjelpe med informasjonssøk, kodekjøring og behandling av funnet innhold; tilgjengelighet og tillatte handlinger bestemmes av programmet.\n\nSonnet 4.6 er trent til å motstå skjulte skadelige instruksjoner i andres materiale, men komplekse visuelle miljøer og uklare oppgaver kan fortsatt gi feil. Tydelige oppgavekrav, kontroll av uthentede fakta og vurdering av handlingsresultater er fortsatt del av pålitelig bruk av modellen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d32ca5babf0e313a03e3ae30882a9c79007628487ce301146c2dabaa53ea37ff", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "claude-sonnet-4-6-thinkingClaude Sonnet 4.6 hjelper med utvikling, forståelse av lange dokumenter, planlegging og oppgaver med visuelle data. Støtter adaptiv resonnering og verktøyarbeid i flere trinn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Claude Sonnet 4.6 kombinerer programmering, forståelse av stor kontekst, agentplanlegging, faglig informasjonsarbeid og design. Anthropic fremhever undersøkelse av kode før endringer og evnen til å arbeide gjennom flere trinn i en oppgave. Dette er nyttig når et problem i et stort prosjekt skal finnes, et langt dokument analyseres eller rapportinnhold utarbeides.
Modellen kan analysere opplysninger fra kontrakter, forskningsarbeider og annet materiale i én forespørsel. Oppgaven kan omfatte å hente fakta, resonnere ut fra dem og lage et resultat som samler flere deler. Økonomisk analyse og utarbeiding av grensesnittkode med vekt på komposisjon og design er også blant områdene som beskrives.
Sonnet 4.6 forstår tekst og bilder; modellens eget resultat er tekst. Anthropic beskriver oppgaver der modellen orienterer seg ut fra skjermbilder, velger muse- og tastaturhandlinger og analyserer et komplekst regneark eller trinnene i et nettskjema. Faktisk gjennomføring krever verktøy i programmet som sender skjermbildet og utfører handlingene.
Produsentens vanlige formater for visuelle inndata er JPEG/PNG/GIF/WebP; for animasjon brukes det første bildet. Ved modellens egen analyse er den lengste siden 1568 piksler og antallet visuelle tokener 1568. Store bilder skaleres ned før analyse. Støtte for filer og parametere avhenger av programmets metode.
Dokumenter, regneark og presentasjoner kan også analyseres eller få innhold utarbeidet, men en ferdig fil krever et egnet miljø. Bilder bidrar til å forstå grafer, diagrammer og materialets visuelle struktur; dette gjør ikke modellen til en bildegenerator.
Denne versjonen støtter adaptiv resonnering og manuell extended thinking. Den manuelle modusen er merket som foreldet; den adaptive lar modellen velge når ekstra analyse er nyttig, også mellom verktøykall. Nivåene for effort er low, medium, high og max, med high som standard. Ifølge Anthropic bidrar innsatsvalget til å tilpasse detaljnivå og svartid til oppgavens art.
Den nåværende spesifikasjonen angir 1 million tokener kontekst og opptil 128 tusen tokener svar i vanlig modus. For langvarig arbeid beskriver produsenten også eksperimentell komprimering av gammel kontekst til en oppsummering. Funksjonen krever programstøtte og opphever ikke modellvinduets begrensninger.
Den pålitelige grensen for innebygd kunnskap er august 2025. Nyere opplysninger krever oppgavemateriale eller tilgjengelig søk. Tilkoblede verktøy kan hjelpe med informasjonssøk, kodekjøring og behandling av funnet innhold; tilgjengelighet og tillatte handlinger bestemmes av programmet.
Sonnet 4.6 er trent til å motstå skjulte skadelige instruksjoner i andres materiale, men komplekse visuelle miljøer og uklare oppgaver kan fortsatt gi feil. Tydelige oppgavekrav, kontroll av uthentede fakta og vurdering av handlingsresultater er fortsatt del av pålitelig bruk av modellen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser claude-sonnet-4-6-thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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 $0.006 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0006 / 1K tokener Inndata · Skriving til hurtigbuffer $0.0075 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"claude-sonnet-4-6-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="claude-sonnet-4-6-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 claude-sonnet-4-6-thinking
/chat/completions