Mercury 2.5 er Inceptions diffusjonsbaserte språkmodell for resonnering. Den følger etter Mercury 2 med oppdatert trening formet av tilbakemeldinger fra produksjon og feiltilfeller, samtidig som familiens vekt på responsiv tekstgenerering beholdes. Den publiserte modellvarianten omfatter en kontekst på 260K, justerbar resonnering, parallelle verktøykall og skjematilpasset JSON. Inndataene er en skriftlig oppgave og relevant tekstkontekst; utdataene er tekst, kode, en strukturert post eller foreslått innhold for verktøykall.
Mercury-familien genererer språk gjennom parallell forbedring fremfor utelukkende å forutsi ett token etter et annet fra venstre mot høyre. Denne arkitekturretningen er ment å la gjentatte modelltrinn passe inn i en interaktiv arbeidsflyt. Justerbar resonnering lar produsentens modellvariant tilpasse analysedybden til oppgaven. Angi ønsket sluttresultat uttrykkelig: svaret kan trenge å være kort selv når en mellomliggende prosess er mer omfattende.
Ved en sammenligning oppgir du kriteriene og navngitte kildeutdrag. Ved uttrekking definerer du feltene og betydningen deres. En nyttig oppgaveinstruksjon er: «Gjør disse kildeutdragene om til en post over nødvendige spesifikasjoner, bevar enhetene og identifiser utdraget som underbygger hver verdi.» Skjematilpassede utdata gir applikasjonen et organisert resultat; samsvar med kilden krever fortsatt kontroll.
Produsenten beskriver bruk av Mercury til søkeplanlegging, omskriving av søk, strukturering av fakta, kildesammendrag og kontroll av svar. En applikasjon kan gi hvert trinn et bestemt formål og sende relevante belegg videre til neste. Be en søkeomskriving bevare brukerens faktiske begrensninger, og be et kildesammendrag beholde faktaene sluttsvaret trenger, fremfor bare å forkorte hvert utdrag.
Mercury 2.5s støtte for parallelle verktøykall er nyttig når uavhengige operasjoner kan hente ulike observasjoner for en oppgave. Gi tydelige funksjonsdefinisjoner og parameterskjemaer. Applikasjonen utfører de valgte kallene og returnerer resultatene. Hold kallidentifikatorer og kildemerker samlet, slik at sluttsvaret bruker observert informasjon, ikke en antakelse om at et verktøy ble kjørt.
Produsenten beskriver også kodehjelp og støtteoperasjoner som å komprimere en lang økt eller finne et passende verktøy. Ved komprimering angir du hva neste oppgave trenger: godkjente krav, gjeldende feil, beslutninger og beleggene bak dem. Be modellen bevare disse punktene og skille uferdig arbeid fra et fullført resultat.
Ved en programvareendring legger du ved relevant kode, forventet oppførsel og inndata som feiler eller en observert feil. Be om en målrettet implementasjon og forklaring. Hvis en visuell applikasjon eller taleapplikasjon bruker Mercury som språktrinn, legger du ved teksten eller verktøyobservasjonen denne modellen faktisk bruker; talegjenkjenning, talesyntese og mediegjengivelse er fortsatt separate komponenter.
Konteksten på 260K er den dokumenterte 2.5-varianten, atskilt fra Mercury 2s lanseringskontekst på 128K og de spesialiserte Mercury Voice- og Router-modellene. Planlegg kildemateriale, historikk, resonnering og sluttresultat samlet. Velg utdataformen før oppgaven begynner, og sett av plass til et svar som inneholder de obligatoriske detaljene.
Et nyttig ferdig resultat er et strukturert uttrekk, en kildebasert forklaring, et kodeforslag eller et kort sammendrag av oppgavetilstanden. Kontroller fakta mot det innsendte materialet og kode i det tiltenkte miljøet. Diffusjonsarkitekturen og rollen i responsive arbeidsoppgaver dokumenterer ikke alene riktighet, tilgang til en ekstern kilde eller utførelse av en foreslått handling.
", "aboutText": "Mercury 2.5 er Inceptions diffusjonsbaserte språkmodell for resonnering. Den følger etter Mercury 2 med oppdatert trening formet av tilbakemeldinger fra produksjon og feiltilfeller, samtidig som familiens vekt på responsiv tekstgenerering beholdes. Den publiserte modellvarianten omfatter en kontekst på 260K, justerbar resonnering, parallelle verktøykall og skjematilpasset JSON. Inndataene er en skriftlig oppgave og relevant tekstkontekst; utdataene er tekst, kode, en strukturert post eller foreslått innhold for verktøykall.\n\n### Diffusjon og resonnering\n\nMercury-familien genererer språk gjennom parallell forbedring fremfor utelukkende å forutsi ett token etter et annet fra venstre mot høyre. Denne arkitekturretningen er ment å la gjentatte modelltrinn passe inn i en interaktiv arbeidsflyt. Justerbar resonnering lar produsentens modellvariant tilpasse analysedybden til oppgaven. Angi ønsket sluttresultat uttrykkelig: svaret kan trenge å være kort selv når en mellomliggende prosess er mer omfattende.\n\nVed en sammenligning oppgir du kriteriene og navngitte kildeutdrag. Ved uttrekking definerer du feltene og betydningen deres. En nyttig oppgaveinstruksjon er: «Gjør disse kildeutdragene om til en post over nødvendige spesifikasjoner, bevar enhetene og identifiser utdraget som underbygger hver verdi.» Skjematilpassede utdata gir applikasjonen et organisert resultat; samsvar med kilden krever fortsatt kontroll.\n\n### Arbeidsflyter for søk og innhenting\n\nProdusenten beskriver bruk av Mercury til søkeplanlegging, omskriving av søk, strukturering av fakta, kildesammendrag og kontroll av svar. En applikasjon kan gi hvert trinn et bestemt formål og sende relevante belegg videre til neste. Be en søkeomskriving bevare brukerens faktiske begrensninger, og be et kildesammendrag beholde faktaene sluttsvaret trenger, fremfor bare å forkorte hvert utdrag.\n\nMercury 2.5s støtte for parallelle verktøykall er nyttig når uavhengige operasjoner kan hente ulike observasjoner for en oppgave. Gi tydelige funksjonsdefinisjoner og parameterskjemaer. Applikasjonen utfører de valgte kallene og returnerer resultatene. Hold kallidentifikatorer og kildemerker samlet, slik at sluttsvaret bruker observert informasjon, ikke en antakelse om at et verktøy ble kjørt.\n\n### Koding og kontekstarbeid\n\nProdusenten beskriver også kodehjelp og støtteoperasjoner som å komprimere en lang økt eller finne et passende verktøy. Ved komprimering angir du hva neste oppgave trenger: godkjente krav, gjeldende feil, beslutninger og beleggene bak dem. Be modellen bevare disse punktene og skille uferdig arbeid fra et fullført resultat.\n\nVed en programvareendring legger du ved relevant kode, forventet oppførsel og inndata som feiler eller en observert feil. Be om en målrettet implementasjon og forklaring. Hvis en visuell applikasjon eller taleapplikasjon bruker Mercury som språktrinn, legger du ved teksten eller verktøyobservasjonen denne modellen faktisk bruker; talegjenkjenning, talesyntese og mediegjengivelse er fortsatt separate komponenter.\n\n### Grenser og kontroll av utdata\n\nKonteksten på 260K er den dokumenterte 2.5-varianten, atskilt fra Mercury 2s lanseringskontekst på 128K og de spesialiserte Mercury Voice- og Router-modellene. Planlegg kildemateriale, historikk, resonnering og sluttresultat samlet. Velg utdataformen før oppgaven begynner, og sett av plass til et svar som inneholder de obligatoriske detaljene.\n\nEt nyttig ferdig resultat er et strukturert uttrekk, en kildebasert forklaring, et kodeforslag eller et kort sammendrag av oppgavetilstanden. Kontroller fakta mot det innsendte materialet og kode i det tiltenkte miljøet. Diffusjonsarkitekturen og rollen i responsive arbeidsoppgaver dokumenterer ikke alene riktighet, tilgang til en ekstern kilde eller utførelse av en foreslått handling.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 er Inceptions diffusjonsbaserte resonneringsmodell for tekst med en kontekst på 260K. Justerbar resonnering, parallelle verktøykall og skjematilpasset JSON støtter søk, uttrekking, kodehjelp og gjentatte agenttrinn som trenger et tydelig, strukturert resultat.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mercury 2.5 er Inceptions diffusjonsbaserte språkmodell for resonnering. Den følger etter Mercury 2 med oppdatert trening formet av tilbakemeldinger fra produksjon og feiltilfeller, samtidig som familiens vekt på responsiv tekstgenerering beholdes. Den publiserte modellvarianten omfatter en kontekst på 260K, justerbar resonnering, parallelle verktøykall og skjematilpasset JSON. Inndataene er en skriftlig oppgave og relevant tekstkontekst; utdataene er tekst, kode, en strukturert post eller foreslått innhold for verktøykall.
Mercury-familien genererer språk gjennom parallell forbedring fremfor utelukkende å forutsi ett token etter et annet fra venstre mot høyre. Denne arkitekturretningen er ment å la gjentatte modelltrinn passe inn i en interaktiv arbeidsflyt. Justerbar resonnering lar produsentens modellvariant tilpasse analysedybden til oppgaven. Angi ønsket sluttresultat uttrykkelig: svaret kan trenge å være kort selv når en mellomliggende prosess er mer omfattende.
Ved en sammenligning oppgir du kriteriene og navngitte kildeutdrag. Ved uttrekking definerer du feltene og betydningen deres. En nyttig oppgaveinstruksjon er: «Gjør disse kildeutdragene om til en post over nødvendige spesifikasjoner, bevar enhetene og identifiser utdraget som underbygger hver verdi.» Skjematilpassede utdata gir applikasjonen et organisert resultat; samsvar med kilden krever fortsatt kontroll.
Produsenten beskriver bruk av Mercury til søkeplanlegging, omskriving av søk, strukturering av fakta, kildesammendrag og kontroll av svar. En applikasjon kan gi hvert trinn et bestemt formål og sende relevante belegg videre til neste. Be en søkeomskriving bevare brukerens faktiske begrensninger, og be et kildesammendrag beholde faktaene sluttsvaret trenger, fremfor bare å forkorte hvert utdrag.
Mercury 2.5s støtte for parallelle verktøykall er nyttig når uavhengige operasjoner kan hente ulike observasjoner for en oppgave. Gi tydelige funksjonsdefinisjoner og parameterskjemaer. Applikasjonen utfører de valgte kallene og returnerer resultatene. Hold kallidentifikatorer og kildemerker samlet, slik at sluttsvaret bruker observert informasjon, ikke en antakelse om at et verktøy ble kjørt.
Produsenten beskriver også kodehjelp og støtteoperasjoner som å komprimere en lang økt eller finne et passende verktøy. Ved komprimering angir du hva neste oppgave trenger: godkjente krav, gjeldende feil, beslutninger og beleggene bak dem. Be modellen bevare disse punktene og skille uferdig arbeid fra et fullført resultat.
Ved en programvareendring legger du ved relevant kode, forventet oppførsel og inndata som feiler eller en observert feil. Be om en målrettet implementasjon og forklaring. Hvis en visuell applikasjon eller taleapplikasjon bruker Mercury som språktrinn, legger du ved teksten eller verktøyobservasjonen denne modellen faktisk bruker; talegjenkjenning, talesyntese og mediegjengivelse er fortsatt separate komponenter.
Konteksten på 260K er den dokumenterte 2.5-varianten, atskilt fra Mercury 2s lanseringskontekst på 128K og de spesialiserte Mercury Voice- og Router-modellene. Planlegg kildemateriale, historikk, resonnering og sluttresultat samlet. Velg utdataformen før oppgaven begynner, og sett av plass til et svar som inneholder de obligatoriske detaljene.
Et nyttig ferdig resultat er et strukturert uttrekk, en kildebasert forklaring, et kodeforslag eller et kort sammendrag av oppgavetilstanden. Kontroller fakta mot det innsendte materialet og kode i det tiltenkte miljøet. Diffusjonsarkitekturen og rollen i responsive arbeidsoppgaver dokumenterer ikke alene riktighet, tilgang til en ekstern kilde eller utførelse av en foreslått handling.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser inception/mercury-2.5 | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Bruk metodestiene som vises ovenfor.
inception/mercury-2.5Mercury 2.5 er Inceptions diffusjonsbaserte resonneringsmodell for tekst med en kontekst på 260K. Justerbar resonnering, parallelle verktøykall og skjematilpasset JSON støtter søk, uttrekking, kodehjelp og gjentatte agenttrinn som trenger et tydelig, strukturert resultat.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mercury 2.5 er Inceptions diffusjonsbaserte språkmodell for resonnering. Den følger etter Mercury 2 med oppdatert trening formet av tilbakemeldinger fra produksjon og feiltilfeller, samtidig som familiens vekt på responsiv tekstgenerering beholdes. Den publiserte modellvarianten omfatter en kontekst på 260K, justerbar resonnering, parallelle verktøykall og skjematilpasset JSON. Inndataene er en skriftlig oppgave og relevant tekstkontekst; utdataene er tekst, kode, en strukturert post eller foreslått innhold for verktøykall.
Mercury-familien genererer språk gjennom parallell forbedring fremfor utelukkende å forutsi ett token etter et annet fra venstre mot høyre. Denne arkitekturretningen er ment å la gjentatte modelltrinn passe inn i en interaktiv arbeidsflyt. Justerbar resonnering lar produsentens modellvariant tilpasse analysedybden til oppgaven. Angi ønsket sluttresultat uttrykkelig: svaret kan trenge å være kort selv når en mellomliggende prosess er mer omfattende.
Ved en sammenligning oppgir du kriteriene og navngitte kildeutdrag. Ved uttrekking definerer du feltene og betydningen deres. En nyttig oppgaveinstruksjon er: «Gjør disse kildeutdragene om til en post over nødvendige spesifikasjoner, bevar enhetene og identifiser utdraget som underbygger hver verdi.» Skjematilpassede utdata gir applikasjonen et organisert resultat; samsvar med kilden krever fortsatt kontroll.
Produsenten beskriver bruk av Mercury til søkeplanlegging, omskriving av søk, strukturering av fakta, kildesammendrag og kontroll av svar. En applikasjon kan gi hvert trinn et bestemt formål og sende relevante belegg videre til neste. Be en søkeomskriving bevare brukerens faktiske begrensninger, og be et kildesammendrag beholde faktaene sluttsvaret trenger, fremfor bare å forkorte hvert utdrag.
Mercury 2.5s støtte for parallelle verktøykall er nyttig når uavhengige operasjoner kan hente ulike observasjoner for en oppgave. Gi tydelige funksjonsdefinisjoner og parameterskjemaer. Applikasjonen utfører de valgte kallene og returnerer resultatene. Hold kallidentifikatorer og kildemerker samlet, slik at sluttsvaret bruker observert informasjon, ikke en antakelse om at et verktøy ble kjørt.
Produsenten beskriver også kodehjelp og støtteoperasjoner som å komprimere en lang økt eller finne et passende verktøy. Ved komprimering angir du hva neste oppgave trenger: godkjente krav, gjeldende feil, beslutninger og beleggene bak dem. Be modellen bevare disse punktene og skille uferdig arbeid fra et fullført resultat.
Ved en programvareendring legger du ved relevant kode, forventet oppførsel og inndata som feiler eller en observert feil. Be om en målrettet implementasjon og forklaring. Hvis en visuell applikasjon eller taleapplikasjon bruker Mercury som språktrinn, legger du ved teksten eller verktøyobservasjonen denne modellen faktisk bruker; talegjenkjenning, talesyntese og mediegjengivelse er fortsatt separate komponenter.
Konteksten på 260K er den dokumenterte 2.5-varianten, atskilt fra Mercury 2s lanseringskontekst på 128K og de spesialiserte Mercury Voice- og Router-modellene. Planlegg kildemateriale, historikk, resonnering og sluttresultat samlet. Velg utdataformen før oppgaven begynner, og sett av plass til et svar som inneholder de obligatoriske detaljene.
Et nyttig ferdig resultat er et strukturert uttrekk, en kildebasert forklaring, et kodeforslag eller et kort sammendrag av oppgavetilstanden. Kontroller fakta mot det innsendte materialet og kode i det tiltenkte miljøet. Diffusjonsarkitekturen og rollen i responsive arbeidsoppgaver dokumenterer ikke alene riktighet, tilgang til en ekstern kilde eller utførelse av en foreslått handling.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser inception/mercury-2.5 | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.