Ember-1 er Fireworks Researchs spesialiserte modell bygget på Kimi K3. Den definerende endringen er trening som forkorter unødvendig resonnering samtidig som nyttig analyse for kode- og agentarbeid bevares. Produsenten posisjonerer den for gjentatte, verktøystyrte oppgaver der lange resonnementsspor kan hope seg opp gjennom en samtale. Den dokumenterte profilen støtter tekstgenerering, bildeinndata og funksjonskall; svaret, koden eller den foreslåtte operasjonen som kommer ut, er tekst.
Produsenten utviklet Ember-1 med oppgaverettet trening på et bredt utvalg av arbeidsoppgaver. Dette er en forskjell som er trent inn i modellen, fremfor bare å velge en lavere innstilling for resonneringsinnsats i grunnmodellen. Den bør beholde sin egen identitet når resultater sammenlignes med Kimi K3: målet er et mer økonomisk resonnementsløp, ikke en antakelse om at alle opprinnelige innstillinger, egenskaper eller fremtidige oppdateringer er identiske.
For en programvareoppgave oppgir du den relevante koden, den observerte feilen, virkemåten du ønsker, og kontraktene som må forbli stabile. Be om en avgrenset implementering og en forklaring knyttet til den faktiske kildekoden. En praktisk oppgavebeskrivelse er: «Spor disse inndataene som utløser feilen, finn den første feilaktige betingelsen og returner den korrigerte funksjonen med grunnlaget som begrunner endringen.» Gjør den endelige leveransen tydelig selv når oppgaven krever flere observasjoner.
Produsentens bruksområder omfatter kodeassistenter og agenter som veksler mellom modellbeslutninger og verktøyresultater. Oppgi funksjonsbeskrivelser og argumentskjemaer som passer oppgaven. Modellen kan foreslå en filinspeksjon, en beregning eller en annen tilgjengelig operasjon; applikasjonen utfører den og returnerer den faktiske observasjonen. Bruk dette resultatet i neste melding fremfor å la en foreslått handling stå som erstatning for utførelse.
For en lengre oppgave beholder du de relevante observasjonene av feil, retting og verifisering i en kortfattet registrering. Be om den ferdige koden eller det analytiske resultatet atskilt fra diskusjonen underveis. Kortere resonnering er bare nyttig hvis resultatet fortsatt oppfyller oppgavens krav til virkemåte og inneholder grunnlaget som trengs for å gjennomgå det.
Produsentens katalog for Ember-1 støtter bildeinndata. En visuell kodeoppgave kan kombinere et skjermbilde med krav og kildekode og be om en forklaring eller implementering forankret i det som er synlig. Merk hvert bilde og skill mellom nåværende tilstand og ønsket resultat. Gjør viktig tekst lesbar, og be om at svaret angir den synlige detaljen som underbygger et funn.
Produsenten oppgir en kontekst i størrelsesorden én million tokener. Dette beskriver kapasiteten for kildemateriale, ikke et selvstendig løfte om like mange tokener i svaret. Prompten, kildematerialet, verktøyhistorikken og den genererte resonneringen deler det gjeldende forespørselsbudsjettet. Organiser et stort kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet, og sett av plass til resultatet.
En nyttig leveranse er en avgrenset kodeendring, en forklaring underbygd av dokumentasjon eller en fullført sammenligning mot oppgitte kriterier. For et faktum som avhenger av oppdatert informasjon, oppgir du et autoritativt tekstutdrag eller et egnet oppslagsverktøy. Modellens retning mot kortere resonnering gjør ikke manglende grunnlag tilgjengelig, utfører ikke en funksjon og validerer ikke kode på egen hånd. Kontroller det resulterende arbeidet mot kravene og observasjonene som den omkringliggende arbeidsflyten returnerer.
", "aboutText": "Ember-1 er Fireworks Researchs spesialiserte modell bygget på Kimi K3. Den definerende endringen er trening som forkorter unødvendig resonnering samtidig som nyttig analyse for kode- og agentarbeid bevares. Produsenten posisjonerer den for gjentatte, verktøystyrte oppgaver der lange resonnementsspor kan hope seg opp gjennom en samtale. Den dokumenterte profilen støtter tekstgenerering, bildeinndata og funksjonskall; svaret, koden eller den foreslåtte operasjonen som kommer ut, er tekst.\n\n### Hva treningen endrer\n\nProdusenten utviklet Ember-1 med oppgaverettet trening på et bredt utvalg av arbeidsoppgaver. Dette er en forskjell som er trent inn i modellen, fremfor bare å velge en lavere innstilling for resonneringsinnsats i grunnmodellen. Den bør beholde sin egen identitet når resultater sammenlignes med Kimi K3: målet er et mer økonomisk resonnementsløp, ikke en antakelse om at alle opprinnelige innstillinger, egenskaper eller fremtidige oppdateringer er identiske.\n\nFor en programvareoppgave oppgir du den relevante koden, den observerte feilen, virkemåten du ønsker, og kontraktene som må forbli stabile. Be om en avgrenset implementering og en forklaring knyttet til den faktiske kildekoden. En praktisk oppgavebeskrivelse er: «Spor disse inndataene som utløser feilen, finn den første feilaktige betingelsen og returner den korrigerte funksjonen med grunnlaget som begrunner endringen.» Gjør den endelige leveransen tydelig selv når oppgaven krever flere observasjoner.\n\n### Kode- og agentarbeid\n\nProdusentens bruksområder omfatter kodeassistenter og agenter som veksler mellom modellbeslutninger og verktøyresultater. Oppgi funksjonsbeskrivelser og argumentskjemaer som passer oppgaven. Modellen kan foreslå en filinspeksjon, en beregning eller en annen tilgjengelig operasjon; applikasjonen utfører den og returnerer den faktiske observasjonen. Bruk dette resultatet i neste melding fremfor å la en foreslått handling stå som erstatning for utførelse.\n\nFor en lengre oppgave beholder du de relevante observasjonene av feil, retting og verifisering i en kortfattet registrering. Be om den ferdige koden eller det analytiske resultatet atskilt fra diskusjonen underveis. Kortere resonnering er bare nyttig hvis resultatet fortsatt oppfyller oppgavens krav til virkemåte og inneholder grunnlaget som trengs for å gjennomgå det.\n\n### Bilder og langt kildemateriale\n\nProdusentens katalog for Ember-1 støtter bildeinndata. En visuell kodeoppgave kan kombinere et skjermbilde med krav og kildekode og be om en forklaring eller implementering forankret i det som er synlig. Merk hvert bilde og skill mellom nåværende tilstand og ønsket resultat. Gjør viktig tekst lesbar, og be om at svaret angir den synlige detaljen som underbygger et funn.\n\nProdusenten oppgir en kontekst i størrelsesorden én million tokener. Dette beskriver kapasiteten for kildemateriale, ikke et selvstendig løfte om like mange tokener i svaret. Prompten, kildematerialet, verktøyhistorikken og den genererte resonneringen deler det gjeldende forespørselsbudsjettet. Organiser et stort kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet, og sett av plass til resultatet.\n\n### Resultater som kan gjennomgås\n\nEn nyttig leveranse er en avgrenset kodeendring, en forklaring underbygd av dokumentasjon eller en fullført sammenligning mot oppgitte kriterier. For et faktum som avhenger av oppdatert informasjon, oppgir du et autoritativt tekstutdrag eller et egnet oppslagsverktøy. Modellens retning mot kortere resonnering gjør ikke manglende grunnlag tilgjengelig, utfører ikke en funksjon og validerer ikke kode på egen hånd. Kontroller det resulterende arbeidet mot kravene og observasjonene som den omkringliggende arbeidsflyten returnerer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 er Fireworks Researchs modell basert på Kimi K3, trent for å forkorte unødvendig resonnering i kode- og agentoppgaver. Produsentens profil støtter tekst og bilder som inndata, tekstgenerering og funksjonskall, noe som gjør den nyttig for avgrenset utviklingsarbeid og kildebasert analyse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ember-1 er Fireworks Researchs spesialiserte modell bygget på Kimi K3. Den definerende endringen er trening som forkorter unødvendig resonnering samtidig som nyttig analyse for kode- og agentarbeid bevares. Produsenten posisjonerer den for gjentatte, verktøystyrte oppgaver der lange resonnementsspor kan hope seg opp gjennom en samtale. Den dokumenterte profilen støtter tekstgenerering, bildeinndata og funksjonskall; svaret, koden eller den foreslåtte operasjonen som kommer ut, er tekst.
Produsenten utviklet Ember-1 med oppgaverettet trening på et bredt utvalg av arbeidsoppgaver. Dette er en forskjell som er trent inn i modellen, fremfor bare å velge en lavere innstilling for resonneringsinnsats i grunnmodellen. Den bør beholde sin egen identitet når resultater sammenlignes med Kimi K3: målet er et mer økonomisk resonnementsløp, ikke en antakelse om at alle opprinnelige innstillinger, egenskaper eller fremtidige oppdateringer er identiske.
For en programvareoppgave oppgir du den relevante koden, den observerte feilen, virkemåten du ønsker, og kontraktene som må forbli stabile. Be om en avgrenset implementering og en forklaring knyttet til den faktiske kildekoden. En praktisk oppgavebeskrivelse er: «Spor disse inndataene som utløser feilen, finn den første feilaktige betingelsen og returner den korrigerte funksjonen med grunnlaget som begrunner endringen.» Gjør den endelige leveransen tydelig selv når oppgaven krever flere observasjoner.
Produsentens bruksområder omfatter kodeassistenter og agenter som veksler mellom modellbeslutninger og verktøyresultater. Oppgi funksjonsbeskrivelser og argumentskjemaer som passer oppgaven. Modellen kan foreslå en filinspeksjon, en beregning eller en annen tilgjengelig operasjon; applikasjonen utfører den og returnerer den faktiske observasjonen. Bruk dette resultatet i neste melding fremfor å la en foreslått handling stå som erstatning for utførelse.
For en lengre oppgave beholder du de relevante observasjonene av feil, retting og verifisering i en kortfattet registrering. Be om den ferdige koden eller det analytiske resultatet atskilt fra diskusjonen underveis. Kortere resonnering er bare nyttig hvis resultatet fortsatt oppfyller oppgavens krav til virkemåte og inneholder grunnlaget som trengs for å gjennomgå det.
Produsentens katalog for Ember-1 støtter bildeinndata. En visuell kodeoppgave kan kombinere et skjermbilde med krav og kildekode og be om en forklaring eller implementering forankret i det som er synlig. Merk hvert bilde og skill mellom nåværende tilstand og ønsket resultat. Gjør viktig tekst lesbar, og be om at svaret angir den synlige detaljen som underbygger et funn.
Produsenten oppgir en kontekst i størrelsesorden én million tokener. Dette beskriver kapasiteten for kildemateriale, ikke et selvstendig løfte om like mange tokener i svaret. Prompten, kildematerialet, verktøyhistorikken og den genererte resonneringen deler det gjeldende forespørselsbudsjettet. Organiser et stort kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet, og sett av plass til resultatet.
En nyttig leveranse er en avgrenset kodeendring, en forklaring underbygd av dokumentasjon eller en fullført sammenligning mot oppgitte kriterier. For et faktum som avhenger av oppdatert informasjon, oppgir du et autoritativt tekstutdrag eller et egnet oppslagsverktøy. Modellens retning mot kortere resonnering gjør ikke manglende grunnlag tilgjengelig, utfører ikke en funksjon og validerer ikke kode på egen hånd. Kontroller det resulterende arbeidet mot kravene og observasjonene som den omkringliggende arbeidsflyten returnerer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser fireworks/ember-1 | 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 $0.006 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0006 / 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 $0.006 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0006 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Bruk metodestiene som vises ovenfor.
fireworks/ember-1Ember-1 er Fireworks Researchs modell basert på Kimi K3, trent for å forkorte unødvendig resonnering i kode- og agentoppgaver. Produsentens profil støtter tekst og bilder som inndata, tekstgenerering og funksjonskall, noe som gjør den nyttig for avgrenset utviklingsarbeid og kildebasert analyse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ember-1 er Fireworks Researchs spesialiserte modell bygget på Kimi K3. Den definerende endringen er trening som forkorter unødvendig resonnering samtidig som nyttig analyse for kode- og agentarbeid bevares. Produsenten posisjonerer den for gjentatte, verktøystyrte oppgaver der lange resonnementsspor kan hope seg opp gjennom en samtale. Den dokumenterte profilen støtter tekstgenerering, bildeinndata og funksjonskall; svaret, koden eller den foreslåtte operasjonen som kommer ut, er tekst.
Produsenten utviklet Ember-1 med oppgaverettet trening på et bredt utvalg av arbeidsoppgaver. Dette er en forskjell som er trent inn i modellen, fremfor bare å velge en lavere innstilling for resonneringsinnsats i grunnmodellen. Den bør beholde sin egen identitet når resultater sammenlignes med Kimi K3: målet er et mer økonomisk resonnementsløp, ikke en antakelse om at alle opprinnelige innstillinger, egenskaper eller fremtidige oppdateringer er identiske.
For en programvareoppgave oppgir du den relevante koden, den observerte feilen, virkemåten du ønsker, og kontraktene som må forbli stabile. Be om en avgrenset implementering og en forklaring knyttet til den faktiske kildekoden. En praktisk oppgavebeskrivelse er: «Spor disse inndataene som utløser feilen, finn den første feilaktige betingelsen og returner den korrigerte funksjonen med grunnlaget som begrunner endringen.» Gjør den endelige leveransen tydelig selv når oppgaven krever flere observasjoner.
Produsentens bruksområder omfatter kodeassistenter og agenter som veksler mellom modellbeslutninger og verktøyresultater. Oppgi funksjonsbeskrivelser og argumentskjemaer som passer oppgaven. Modellen kan foreslå en filinspeksjon, en beregning eller en annen tilgjengelig operasjon; applikasjonen utfører den og returnerer den faktiske observasjonen. Bruk dette resultatet i neste melding fremfor å la en foreslått handling stå som erstatning for utførelse.
For en lengre oppgave beholder du de relevante observasjonene av feil, retting og verifisering i en kortfattet registrering. Be om den ferdige koden eller det analytiske resultatet atskilt fra diskusjonen underveis. Kortere resonnering er bare nyttig hvis resultatet fortsatt oppfyller oppgavens krav til virkemåte og inneholder grunnlaget som trengs for å gjennomgå det.
Produsentens katalog for Ember-1 støtter bildeinndata. En visuell kodeoppgave kan kombinere et skjermbilde med krav og kildekode og be om en forklaring eller implementering forankret i det som er synlig. Merk hvert bilde og skill mellom nåværende tilstand og ønsket resultat. Gjør viktig tekst lesbar, og be om at svaret angir den synlige detaljen som underbygger et funn.
Produsenten oppgir en kontekst i størrelsesorden én million tokener. Dette beskriver kapasiteten for kildemateriale, ikke et selvstendig løfte om like mange tokener i svaret. Prompten, kildematerialet, verktøyhistorikken og den genererte resonneringen deler det gjeldende forespørselsbudsjettet. Organiser et stort kodearkiv eller en dokumentsamling rundt det faktiske spørsmålet, og sett av plass til resultatet.
En nyttig leveranse er en avgrenset kodeendring, en forklaring underbygd av dokumentasjon eller en fullført sammenligning mot oppgitte kriterier. For et faktum som avhenger av oppdatert informasjon, oppgir du et autoritativt tekstutdrag eller et egnet oppslagsverktøy. Modellens retning mot kortere resonnering gjør ikke manglende grunnlag tilgjengelig, utfører ikke en funksjon og validerer ikke kode på egen hånd. Kontroller det resulterende arbeidet mot kravene og observasjonene som den omkringliggende arbeidsflyten returnerer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser fireworks/ember-1 | 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 $0.006 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0006 / 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 $0.006 / 1K tokener Utdata · Utgående tokener $0.03 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0006 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.