Command A er Coheres tekstmodell fra mars 2025 for virksomhetsagenter, svar støttet av gjenfinning og flerspråklig arbeid. Denne konkrete utgaven har 111 milliarder parametere, tar imot tekst og produserer tekst. Produsentens modellkontekst er på 256K tokener, med maksimalt 8 000 tokener i utdata i den publiserte tjenesteprofilen. Den er forskjellig fra Command A Vision, Command A Reasoning og den senere multimodale A+-utgaven.
Produsenten beskriver en autoregressiv transformer med lokal oppmerksomhet i glidende vinduer og periodisk global oppmerksomhet. Tre lokale lag bruker et vindu på 4 096 tokener med roterende posisjonskoding; et fjerde lag bruker global oppmerksomhet uten posisjonsinnbygginger. Veiledet finjustering og preferansetrening former hjelpsom samtaleatferd og oppgavefokusert atferd. Modellen er trent på 23 språk og støtter oppgaver på tvers av språk, for eksempel oversettelse eller svar på spørsmål om materiale skrevet på et annet språk.
Angi svarspråket og bevar nødvendig terminologi. For en flerspråklig kunnskapsassistent bør du gi kildeavsnittene egne navn og be om en forklaring som beholder produktnavn, kodeidentifikatorer og sitert ordlyd. Et nyttig sluttsvar identifiserer kilden bak en konklusjon fremfor å oversette bort et skille som er viktig for oppgaven.
Command A er samtaleorientert som standard og legger ofte til en innledning, oppfølgingsspørsmål og Markdown- eller matematisk formatering. Ved uttrekk, kategorisering, oppsummering eller oversettelse bør du bruke produsentens tilnærming med systeminstruksjon for å be om bare det nødvendige svaret og angi om Markdown eller kodeblokker skal være med i utdataene. Dette hindrer at en vennlig samtaleinnledning behandles som del av en datapost i et senere trinn.
Modellkortet beskriver kontekstuelle og strenge sikkerhetsmoduser, med kontekstuell modus som produsentens standard. Dette er dokumenterte atferdsinnstillinger i produsentprofilen, uavhengig av formatet oppgaven ber om. Definer relevant oppgavekontekst og ønskede utdata tydelig.
Command A er trent for svargenereringstrinnet i generering støttet av gjenfinning. Inndataene kombinerer samtalen med vedlagte dokumentutdrag, vanligvis rundt 100–400 ord per del, representert med korte beskrivende nøkler og tekstlige eller halvstrukturerte verdier. Produsenten oppfordrer også til å sammenligne dette spesialiserte formatet med relevante dokumenter plassert direkte i brukermeldingen.
Ved en sammenligning av regelverk eller teknisk materiale bør du merke hvert utdrag og be om en konklusjon støttet av det relevante avsnittet. I produsentformatet med kildehenvisninger knytter utdataene deler av svaret til støttende kilder. Hold identifikatorene til de gjenfunnede dokumentene tilgjengelige, slik at henvisningene fortsatt kan tolkes. En kildehenvisning angir hvilket vedlagt materiale som støtter det genererte tekstspennet; systemet rundt modellen står for selve gjenfinningen.
Produsenten trener Command A for verktøybruk i samtaler med funksjonsbeskrivelser basert på JSON-skjema. Modellen kan generere en plan og valgte kall, applikasjonen utfører kallene, og resultatene returneres som nøkkel-verdi-objekter i samtalen med den tilhørende verktøykallidentifikatoren. Modellen bruker deretter disse observasjonene til å produsere et svar, eventuelt med tekstspenn som er knyttet til verktøyresultater som kilder.
Kodeoppgaver omfatter SQL-generering, kodeforklaring og oversettelse eller omskriving av kode. Oppgi skjemaet eller relevant implementering og atferden som skal bevares. Produsenten anbefaler lav temperatur, inkludert grådig dekoding der det passer, for instruksjoner om kodegenerering. Gjennomgå generert SQL eller kode før den utføres, og returner faktiske valideringsobservasjoner når resultatet revideres.
Modellkortet påpeker et praktisk kontekstskille: modellen støtter 256K, mens den publiserte Hugging Face-konfigurasjonen er satt til 128K og kan justeres. Behold den faktiske kontekstkonfigurasjonen til den valgte arbeidsflyten, og sett av plass til svaret. Et nyttig resultat er den forespurte tekst- eller kodeleveransen med belegg som kan spores til de vedlagte kildene og verktøyobservasjonene.
", "aboutText": "Command A er Coheres tekstmodell fra mars 2025 for virksomhetsagenter, svar støttet av gjenfinning og flerspråklig arbeid. Denne konkrete utgaven har 111 milliarder parametere, tar imot tekst og produserer tekst. Produsentens modellkontekst er på 256K tokener, med maksimalt 8 000 tokener i utdata i den publiserte tjenesteprofilen. Den er forskjellig fra Command A Vision, Command A Reasoning og den senere multimodale A+-utgaven.\n\n### Modelldetaljer og språk\n\nProdusenten beskriver en autoregressiv transformer med lokal oppmerksomhet i glidende vinduer og periodisk global oppmerksomhet. Tre lokale lag bruker et vindu på 4 096 tokener med roterende posisjonskoding; et fjerde lag bruker global oppmerksomhet uten posisjonsinnbygginger. Veiledet finjustering og preferansetrening former hjelpsom samtaleatferd og oppgavefokusert atferd. Modellen er trent på 23 språk og støtter oppgaver på tvers av språk, for eksempel oversettelse eller svar på spørsmål om materiale skrevet på et annet språk.\n\nAngi svarspråket og bevar nødvendig terminologi. For en flerspråklig kunnskapsassistent bør du gi kildeavsnittene egne navn og be om en forklaring som beholder produktnavn, kodeidentifikatorer og sitert ordlyd. Et nyttig sluttsvar identifiserer kilden bak en konklusjon fremfor å oversette bort et skille som er viktig for oppgaven.\n\n### Samtale og oppgavefokuserte utdata\n\nCommand A er samtaleorientert som standard og legger ofte til en innledning, oppfølgingsspørsmål og Markdown- eller matematisk formatering. Ved uttrekk, kategorisering, oppsummering eller oversettelse bør du bruke produsentens tilnærming med systeminstruksjon for å be om bare det nødvendige svaret og angi om Markdown eller kodeblokker skal være med i utdataene. Dette hindrer at en vennlig samtaleinnledning behandles som del av en datapost i et senere trinn.\n\nModellkortet beskriver kontekstuelle og strenge sikkerhetsmoduser, med kontekstuell modus som produsentens standard. Dette er dokumenterte atferdsinnstillinger i produsentprofilen, uavhengig av formatet oppgaven ber om. Definer relevant oppgavekontekst og ønskede utdata tydelig.\n\n### Kildeforankret generering\n\nCommand A er trent for svargenereringstrinnet i generering støttet av gjenfinning. Inndataene kombinerer samtalen med vedlagte dokumentutdrag, vanligvis rundt 100–400 ord per del, representert med korte beskrivende nøkler og tekstlige eller halvstrukturerte verdier. Produsenten oppfordrer også til å sammenligne dette spesialiserte formatet med relevante dokumenter plassert direkte i brukermeldingen.\n\nVed en sammenligning av regelverk eller teknisk materiale bør du merke hvert utdrag og be om en konklusjon støttet av det relevante avsnittet. I produsentformatet med kildehenvisninger knytter utdataene deler av svaret til støttende kilder. Hold identifikatorene til de gjenfunnede dokumentene tilgjengelige, slik at henvisningene fortsatt kan tolkes. En kildehenvisning angir hvilket vedlagt materiale som støtter det genererte tekstspennet; systemet rundt modellen står for selve gjenfinningen.\n\n### Verktøy og kode\n\nProdusenten trener Command A for verktøybruk i samtaler med funksjonsbeskrivelser basert på JSON-skjema. Modellen kan generere en plan og valgte kall, applikasjonen utfører kallene, og resultatene returneres som nøkkel-verdi-objekter i samtalen med den tilhørende verktøykallidentifikatoren. Modellen bruker deretter disse observasjonene til å produsere et svar, eventuelt med tekstspenn som er knyttet til verktøyresultater som kilder.\n\nKodeoppgaver omfatter SQL-generering, kodeforklaring og oversettelse eller omskriving av kode. Oppgi skjemaet eller relevant implementering og atferden som skal bevares. Produsenten anbefaler lav temperatur, inkludert grådig dekoding der det passer, for instruksjoner om kodegenerering. Gjennomgå generert SQL eller kode før den utføres, og returner faktiske valideringsobservasjoner når resultatet revideres.\n\nModellkortet påpeker et praktisk kontekstskille: modellen støtter 256K, mens den publiserte Hugging Face-konfigurasjonen er satt til 128K og kan justeres. Behold den faktiske kontekstkonfigurasjonen til den valgte arbeidsflyten, og sett av plass til svaret. Et nyttig resultat er den forespurte tekst- eller kodeleveransen med belegg som kan spores til de vedlagte kildene og verktøyobservasjonene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A er Coheres tekstmodell på 111B for flerspråklige virksomhetsagenter, dokumentbaserte svar og verktøystyrt arbeid. Den kombinerer en kontekst på 256K med kildehenvisninger, kodeassistanse og trening på 23 språk, og produserer tekst fra skriftlige instruksjoner og vedlagt belegg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Command A er Coheres tekstmodell fra mars 2025 for virksomhetsagenter, svar støttet av gjenfinning og flerspråklig arbeid. Denne konkrete utgaven har 111 milliarder parametere, tar imot tekst og produserer tekst. Produsentens modellkontekst er på 256K tokener, med maksimalt 8 000 tokener i utdata i den publiserte tjenesteprofilen. Den er forskjellig fra Command A Vision, Command A Reasoning og den senere multimodale A+-utgaven.
Produsenten beskriver en autoregressiv transformer med lokal oppmerksomhet i glidende vinduer og periodisk global oppmerksomhet. Tre lokale lag bruker et vindu på 4 096 tokener med roterende posisjonskoding; et fjerde lag bruker global oppmerksomhet uten posisjonsinnbygginger. Veiledet finjustering og preferansetrening former hjelpsom samtaleatferd og oppgavefokusert atferd. Modellen er trent på 23 språk og støtter oppgaver på tvers av språk, for eksempel oversettelse eller svar på spørsmål om materiale skrevet på et annet språk.
Angi svarspråket og bevar nødvendig terminologi. For en flerspråklig kunnskapsassistent bør du gi kildeavsnittene egne navn og be om en forklaring som beholder produktnavn, kodeidentifikatorer og sitert ordlyd. Et nyttig sluttsvar identifiserer kilden bak en konklusjon fremfor å oversette bort et skille som er viktig for oppgaven.
Command A er samtaleorientert som standard og legger ofte til en innledning, oppfølgingsspørsmål og Markdown- eller matematisk formatering. Ved uttrekk, kategorisering, oppsummering eller oversettelse bør du bruke produsentens tilnærming med systeminstruksjon for å be om bare det nødvendige svaret og angi om Markdown eller kodeblokker skal være med i utdataene. Dette hindrer at en vennlig samtaleinnledning behandles som del av en datapost i et senere trinn.
Modellkortet beskriver kontekstuelle og strenge sikkerhetsmoduser, med kontekstuell modus som produsentens standard. Dette er dokumenterte atferdsinnstillinger i produsentprofilen, uavhengig av formatet oppgaven ber om. Definer relevant oppgavekontekst og ønskede utdata tydelig.
Command A er trent for svargenereringstrinnet i generering støttet av gjenfinning. Inndataene kombinerer samtalen med vedlagte dokumentutdrag, vanligvis rundt 100–400 ord per del, representert med korte beskrivende nøkler og tekstlige eller halvstrukturerte verdier. Produsenten oppfordrer også til å sammenligne dette spesialiserte formatet med relevante dokumenter plassert direkte i brukermeldingen.
Ved en sammenligning av regelverk eller teknisk materiale bør du merke hvert utdrag og be om en konklusjon støttet av det relevante avsnittet. I produsentformatet med kildehenvisninger knytter utdataene deler av svaret til støttende kilder. Hold identifikatorene til de gjenfunnede dokumentene tilgjengelige, slik at henvisningene fortsatt kan tolkes. En kildehenvisning angir hvilket vedlagt materiale som støtter det genererte tekstspennet; systemet rundt modellen står for selve gjenfinningen.
Produsenten trener Command A for verktøybruk i samtaler med funksjonsbeskrivelser basert på JSON-skjema. Modellen kan generere en plan og valgte kall, applikasjonen utfører kallene, og resultatene returneres som nøkkel-verdi-objekter i samtalen med den tilhørende verktøykallidentifikatoren. Modellen bruker deretter disse observasjonene til å produsere et svar, eventuelt med tekstspenn som er knyttet til verktøyresultater som kilder.
Kodeoppgaver omfatter SQL-generering, kodeforklaring og oversettelse eller omskriving av kode. Oppgi skjemaet eller relevant implementering og atferden som skal bevares. Produsenten anbefaler lav temperatur, inkludert grådig dekoding der det passer, for instruksjoner om kodegenerering. Gjennomgå generert SQL eller kode før den utføres, og returner faktiske valideringsobservasjoner når resultatet revideres.
Modellkortet påpeker et praktisk kontekstskille: modellen støtter 256K, mens den publiserte Hugging Face-konfigurasjonen er satt til 128K og kan justeres. Behold den faktiske kontekstkonfigurasjonen til den valgte arbeidsflyten, og sett av plass til svaret. Et nyttig resultat er den forespurte tekst- eller kodeleveransen med belegg som kan spores til de vedlagte kildene og verktøyobservasjonene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser cohere/command-a | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.02 / 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Bruk metodestiene som vises ovenfor.
cohere/command-aCommand A er Coheres tekstmodell på 111B for flerspråklige virksomhetsagenter, dokumentbaserte svar og verktøystyrt arbeid. Den kombinerer en kontekst på 256K med kildehenvisninger, kodeassistanse og trening på 23 språk, og produserer tekst fra skriftlige instruksjoner og vedlagt belegg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Command A er Coheres tekstmodell fra mars 2025 for virksomhetsagenter, svar støttet av gjenfinning og flerspråklig arbeid. Denne konkrete utgaven har 111 milliarder parametere, tar imot tekst og produserer tekst. Produsentens modellkontekst er på 256K tokener, med maksimalt 8 000 tokener i utdata i den publiserte tjenesteprofilen. Den er forskjellig fra Command A Vision, Command A Reasoning og den senere multimodale A+-utgaven.
Produsenten beskriver en autoregressiv transformer med lokal oppmerksomhet i glidende vinduer og periodisk global oppmerksomhet. Tre lokale lag bruker et vindu på 4 096 tokener med roterende posisjonskoding; et fjerde lag bruker global oppmerksomhet uten posisjonsinnbygginger. Veiledet finjustering og preferansetrening former hjelpsom samtaleatferd og oppgavefokusert atferd. Modellen er trent på 23 språk og støtter oppgaver på tvers av språk, for eksempel oversettelse eller svar på spørsmål om materiale skrevet på et annet språk.
Angi svarspråket og bevar nødvendig terminologi. For en flerspråklig kunnskapsassistent bør du gi kildeavsnittene egne navn og be om en forklaring som beholder produktnavn, kodeidentifikatorer og sitert ordlyd. Et nyttig sluttsvar identifiserer kilden bak en konklusjon fremfor å oversette bort et skille som er viktig for oppgaven.
Command A er samtaleorientert som standard og legger ofte til en innledning, oppfølgingsspørsmål og Markdown- eller matematisk formatering. Ved uttrekk, kategorisering, oppsummering eller oversettelse bør du bruke produsentens tilnærming med systeminstruksjon for å be om bare det nødvendige svaret og angi om Markdown eller kodeblokker skal være med i utdataene. Dette hindrer at en vennlig samtaleinnledning behandles som del av en datapost i et senere trinn.
Modellkortet beskriver kontekstuelle og strenge sikkerhetsmoduser, med kontekstuell modus som produsentens standard. Dette er dokumenterte atferdsinnstillinger i produsentprofilen, uavhengig av formatet oppgaven ber om. Definer relevant oppgavekontekst og ønskede utdata tydelig.
Command A er trent for svargenereringstrinnet i generering støttet av gjenfinning. Inndataene kombinerer samtalen med vedlagte dokumentutdrag, vanligvis rundt 100–400 ord per del, representert med korte beskrivende nøkler og tekstlige eller halvstrukturerte verdier. Produsenten oppfordrer også til å sammenligne dette spesialiserte formatet med relevante dokumenter plassert direkte i brukermeldingen.
Ved en sammenligning av regelverk eller teknisk materiale bør du merke hvert utdrag og be om en konklusjon støttet av det relevante avsnittet. I produsentformatet med kildehenvisninger knytter utdataene deler av svaret til støttende kilder. Hold identifikatorene til de gjenfunnede dokumentene tilgjengelige, slik at henvisningene fortsatt kan tolkes. En kildehenvisning angir hvilket vedlagt materiale som støtter det genererte tekstspennet; systemet rundt modellen står for selve gjenfinningen.
Produsenten trener Command A for verktøybruk i samtaler med funksjonsbeskrivelser basert på JSON-skjema. Modellen kan generere en plan og valgte kall, applikasjonen utfører kallene, og resultatene returneres som nøkkel-verdi-objekter i samtalen med den tilhørende verktøykallidentifikatoren. Modellen bruker deretter disse observasjonene til å produsere et svar, eventuelt med tekstspenn som er knyttet til verktøyresultater som kilder.
Kodeoppgaver omfatter SQL-generering, kodeforklaring og oversettelse eller omskriving av kode. Oppgi skjemaet eller relevant implementering og atferden som skal bevares. Produsenten anbefaler lav temperatur, inkludert grådig dekoding der det passer, for instruksjoner om kodegenerering. Gjennomgå generert SQL eller kode før den utføres, og returner faktiske valideringsobservasjoner når resultatet revideres.
Modellkortet påpeker et praktisk kontekstskille: modellen støtter 256K, mens den publiserte Hugging Face-konfigurasjonen er satt til 128K og kan justeres. Behold den faktiske kontekstkonfigurasjonen til den valgte arbeidsflyten, og sett av plass til svaret. Et nyttig resultat er den forespurte tekst- eller kodeleveransen med belegg som kan spores til de vedlagte kildene og verktøyobservasjonene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser cohere/command-a | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.005 / 1K tokener Utdata · Utgående tokener $0.02 / 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.02 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.