Ling 3.1 Flash er inclusionAIs hybride resonneringsmodell for oppgaver med flere stadier fremfor ett kort svar. Produsenten retter den mot daglig kontorarbeid, omfattende programvareutvikling og komplekse agentflyter. Den bruker en arkitektur med en blanding av eksperter, med omtrent 560 milliarder parametere totalt og omtrent 25 milliarder aktive per token, og balanserer stor modellkapasitet med en mindre mengde aktiv beregning.
Det sentrale designmålet er å bevare oppgavetilstand og korrigere kursen under lengre arbeid. I en verktøytilkoblet arbeidsflyt kan modellen planlegge flere trinn, tolke mellomresultater og revidere neste trinn når beleggene endres. Gi den et presist mål, tilgjengelig materiale og en definisjon av fullføring. For eksempel: «Gjennomgå disse hendelsesnotatene, identifiser uavklarte årsaker og lag en prioritert undersøkelsesplan. Angi for hver handling hvilke belegg som trengs for å avgjøre om den virket.» Dette gjør en vag forespørsel til et resultat som kan undersøkes og videreføres.
For kontorarbeid er nyttige inndata kildenotater, tekst hentet ut fra dokumenter, tabeller med tydelige kolonnedefinisjoner og tiltenkt målgruppe for en rapport. Angi perioden, enhetene og sammenligningen som skal brukes. Be om et skriftlig resultat som en ledelsesorientering, en rapportdisposisjon eller en forklaring av viktige endringer. Et eksempel er: «Bruk bare disse kvartalstabellene til å forklare de største endringene, skill observerte verdier fra forutsetninger og lag en orientering med ubesvarte spørsmål til slutt.» Behold kildemerker i inndataene, slik at påstandene i resultatet kan spores tilbake til riktig materiale.
Ved programvareutvikling fremhever produsenten refaktorering på tvers av programmeringsspråk, ytelsesoptimalisering og analyse av ofte brukte deler av en kodebase. Legg ved relevante filer som tekst, oppførselen som skal bevares, avhengighetsversjoner og eventuelle feilutdata eller målinger. En nyttig forespørsel ber om en foreslått endring og kontrollene som trengs for å vurdere den: «Refaktorer denne parseren samtidig som det dokumenterte utdataformatet bevares. Forklar hvilken oppførsel som påvirkes, vis den reviderte koden og identifiser tilfeller som ville avdekket en regresjon.» Ved ytelsesarbeid legger du ved faktiske profiler eller tidsmålinger og ber modellen knytte hver anbefaling til en målt flaskehals.
Ved faglig analyse samler du relevante regler, definisjoner og belegg før du ber om en anbefaling. Ling 3.1 Flash er ment å sammenstille spredt informasjon, tolke indikatorer og utvikle handlingsforslag. Be om en sammenligning som angir forutsetningene og hvilken informasjon som fortsatt trengs, fremfor en ubegrunnet dom. Legg for eksempel ved flere prosjektforslag og be om et beslutningsnotat med de samme kriteriene for hvert forslag, der kildebaserte observasjoner er atskilt fra utledede konsekvenser. Når beleggene spriker, ber du om de motstridende utdragene og spørsmålet som ville avklart dem.
Produsenten skiller mellom et konteksttak på modellnivå på 1M tokener og konteksten på 256K som den offisielle tjenesten for tiden har åpnet. Tallene beskriver ulike grenser. Organiser arbeidsmaterialet rundt det gjeldende vinduet og sett av plass til svaret; et tak på modellnivå betyr ikke at alle grensesnitt godtar så mye inndata. Ved en stor oppgave holder du mål, ferdige beslutninger, uavklarte spørsmål og kildereferanser samlet. Bruk uttrykkelige grenser rundt dokumenter og kode, slik at materiale som skal analyseres, ikke forveksles med instruksjoner som skal følges.
Forbered verktøytilkoblede oppgaver med tydelige verktøybeskrivelser, forventede argumenter og nyttige resultatposter. Før faktiske resultater tilbake til samtalen, slik at neste forslag bygger på observasjoner. Be modellen forklare hva et returnert resultat endrer, og hvilke belegg som fortsatt mangler. Modellens agentorienterte utforming støtter dette mønsteret med planlegging og tilbakemelding; applikasjonen rundt modellen utfører verktøytrinnene og bevarer resultatene. En foreslått kommando, kodeendring eller rapport er mest nyttig når statusen er tydelig: foreslått, utført med registrert resultat eller fortsatt i påvente av verifikasjon.
Ling 3.1 Flash tilhører språkmodellrekken; den separate Ling 3.0 Flash VL-utgaven er produsentens visuelle modell. For denne tekstoppgaven forbereder du tekstbasert kildeinnhold og bevarer struktur, merker og opprinnelse. Angi utdataspråk og form, for eksempel et kort notat, en funntabell, en forklaring av en kodeendring eller en nummerert plan. Be modellen markere manglende informasjon, og kontroller det ønskede resultatet mot de opprinnelige begrensningene. Lange arbeidsflyter trenger fortsatt gjennomgang av mellomresultater: ellers kan en tidlig feilaktig forutsetning føres videre i resonneringen og pusses til en overbevisende sluttrapport.
", "aboutText": "Ling 3.1 Flash er inclusionAIs hybride resonneringsmodell for oppgaver med flere stadier fremfor ett kort svar. Produsenten retter den mot daglig kontorarbeid, omfattende programvareutvikling og komplekse agentflyter. Den bruker en arkitektur med en blanding av eksperter, med omtrent 560 milliarder parametere totalt og omtrent 25 milliarder aktive per token, og balanserer stor modellkapasitet med en mindre mengde aktiv beregning.\n\nDet sentrale designmålet er å bevare oppgavetilstand og korrigere kursen under lengre arbeid. I en verktøytilkoblet arbeidsflyt kan modellen planlegge flere trinn, tolke mellomresultater og revidere neste trinn når beleggene endres. Gi den et presist mål, tilgjengelig materiale og en definisjon av fullføring. For eksempel: «Gjennomgå disse hendelsesnotatene, identifiser uavklarte årsaker og lag en prioritert undersøkelsesplan. Angi for hver handling hvilke belegg som trengs for å avgjøre om den virket.» Dette gjør en vag forespørsel til et resultat som kan undersøkes og videreføres.\n\nFor kontorarbeid er nyttige inndata kildenotater, tekst hentet ut fra dokumenter, tabeller med tydelige kolonnedefinisjoner og tiltenkt målgruppe for en rapport. Angi perioden, enhetene og sammenligningen som skal brukes. Be om et skriftlig resultat som en ledelsesorientering, en rapportdisposisjon eller en forklaring av viktige endringer. Et eksempel er: «Bruk bare disse kvartalstabellene til å forklare de største endringene, skill observerte verdier fra forutsetninger og lag en orientering med ubesvarte spørsmål til slutt.» Behold kildemerker i inndataene, slik at påstandene i resultatet kan spores tilbake til riktig materiale.\n\nVed programvareutvikling fremhever produsenten refaktorering på tvers av programmeringsspråk, ytelsesoptimalisering og analyse av ofte brukte deler av en kodebase. Legg ved relevante filer som tekst, oppførselen som skal bevares, avhengighetsversjoner og eventuelle feilutdata eller målinger. En nyttig forespørsel ber om en foreslått endring og kontrollene som trengs for å vurdere den: «Refaktorer denne parseren samtidig som det dokumenterte utdataformatet bevares. Forklar hvilken oppførsel som påvirkes, vis den reviderte koden og identifiser tilfeller som ville avdekket en regresjon.» Ved ytelsesarbeid legger du ved faktiske profiler eller tidsmålinger og ber modellen knytte hver anbefaling til en målt flaskehals.\n\nVed faglig analyse samler du relevante regler, definisjoner og belegg før du ber om en anbefaling. Ling 3.1 Flash er ment å sammenstille spredt informasjon, tolke indikatorer og utvikle handlingsforslag. Be om en sammenligning som angir forutsetningene og hvilken informasjon som fortsatt trengs, fremfor en ubegrunnet dom. Legg for eksempel ved flere prosjektforslag og be om et beslutningsnotat med de samme kriteriene for hvert forslag, der kildebaserte observasjoner er atskilt fra utledede konsekvenser. Når beleggene spriker, ber du om de motstridende utdragene og spørsmålet som ville avklart dem.\n\nProdusenten skiller mellom et konteksttak på modellnivå på 1M tokener og konteksten på 256K som den offisielle tjenesten for tiden har åpnet. Tallene beskriver ulike grenser. Organiser arbeidsmaterialet rundt det gjeldende vinduet og sett av plass til svaret; et tak på modellnivå betyr ikke at alle grensesnitt godtar så mye inndata. Ved en stor oppgave holder du mål, ferdige beslutninger, uavklarte spørsmål og kildereferanser samlet. Bruk uttrykkelige grenser rundt dokumenter og kode, slik at materiale som skal analyseres, ikke forveksles med instruksjoner som skal følges.\n\nForbered verktøytilkoblede oppgaver med tydelige verktøybeskrivelser, forventede argumenter og nyttige resultatposter. Før faktiske resultater tilbake til samtalen, slik at neste forslag bygger på observasjoner. Be modellen forklare hva et returnert resultat endrer, og hvilke belegg som fortsatt mangler. Modellens agentorienterte utforming støtter dette mønsteret med planlegging og tilbakemelding; applikasjonen rundt modellen utfører verktøytrinnene og bevarer resultatene. En foreslått kommando, kodeendring eller rapport er mest nyttig når statusen er tydelig: foreslått, utført med registrert resultat eller fortsatt i påvente av verifikasjon.\n\nLing 3.1 Flash tilhører språkmodellrekken; den separate Ling 3.0 Flash VL-utgaven er produsentens visuelle modell. For denne tekstoppgaven forbereder du tekstbasert kildeinnhold og bevarer struktur, merker og opprinnelse. Angi utdataspråk og form, for eksempel et kort notat, en funntabell, en forklaring av en kodeendring eller en nummerert plan. Be modellen markere manglende informasjon, og kontroller det ønskede resultatet mot de opprinnelige begrensningene. Lange arbeidsflyter trenger fortsatt gjennomgang av mellomresultater: ellers kan en tidlig feilaktig forutsetning føres videre i resonneringen og pusses til en overbevisende sluttrapport.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "42e61ccf2b404999c4b1b5fff96529d2ab3c96fad37b35020411765436bd5c80", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash er inclusionAIs hybride resonneringsmodell for kontorarbeid, omfattende programvareutvikling og komplekse agenter. Den sparsomme arkitekturen med 560 milliarder parametere aktiverer omtrent 25 milliarder per token og støtter planlegging i flere trinn, verktøyinteraksjon og revisjoner ut fra mellomresultater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ling 3.1 Flash er inclusionAIs hybride resonneringsmodell for oppgaver med flere stadier fremfor ett kort svar. Produsenten retter den mot daglig kontorarbeid, omfattende programvareutvikling og komplekse agentflyter. Den bruker en arkitektur med en blanding av eksperter, med omtrent 560 milliarder parametere totalt og omtrent 25 milliarder aktive per token, og balanserer stor modellkapasitet med en mindre mengde aktiv beregning.
Det sentrale designmålet er å bevare oppgavetilstand og korrigere kursen under lengre arbeid. I en verktøytilkoblet arbeidsflyt kan modellen planlegge flere trinn, tolke mellomresultater og revidere neste trinn når beleggene endres. Gi den et presist mål, tilgjengelig materiale og en definisjon av fullføring. For eksempel: «Gjennomgå disse hendelsesnotatene, identifiser uavklarte årsaker og lag en prioritert undersøkelsesplan. Angi for hver handling hvilke belegg som trengs for å avgjøre om den virket.» Dette gjør en vag forespørsel til et resultat som kan undersøkes og videreføres.
For kontorarbeid er nyttige inndata kildenotater, tekst hentet ut fra dokumenter, tabeller med tydelige kolonnedefinisjoner og tiltenkt målgruppe for en rapport. Angi perioden, enhetene og sammenligningen som skal brukes. Be om et skriftlig resultat som en ledelsesorientering, en rapportdisposisjon eller en forklaring av viktige endringer. Et eksempel er: «Bruk bare disse kvartalstabellene til å forklare de største endringene, skill observerte verdier fra forutsetninger og lag en orientering med ubesvarte spørsmål til slutt.» Behold kildemerker i inndataene, slik at påstandene i resultatet kan spores tilbake til riktig materiale.
Ved programvareutvikling fremhever produsenten refaktorering på tvers av programmeringsspråk, ytelsesoptimalisering og analyse av ofte brukte deler av en kodebase. Legg ved relevante filer som tekst, oppførselen som skal bevares, avhengighetsversjoner og eventuelle feilutdata eller målinger. En nyttig forespørsel ber om en foreslått endring og kontrollene som trengs for å vurdere den: «Refaktorer denne parseren samtidig som det dokumenterte utdataformatet bevares. Forklar hvilken oppførsel som påvirkes, vis den reviderte koden og identifiser tilfeller som ville avdekket en regresjon.» Ved ytelsesarbeid legger du ved faktiske profiler eller tidsmålinger og ber modellen knytte hver anbefaling til en målt flaskehals.
Ved faglig analyse samler du relevante regler, definisjoner og belegg før du ber om en anbefaling. Ling 3.1 Flash er ment å sammenstille spredt informasjon, tolke indikatorer og utvikle handlingsforslag. Be om en sammenligning som angir forutsetningene og hvilken informasjon som fortsatt trengs, fremfor en ubegrunnet dom. Legg for eksempel ved flere prosjektforslag og be om et beslutningsnotat med de samme kriteriene for hvert forslag, der kildebaserte observasjoner er atskilt fra utledede konsekvenser. Når beleggene spriker, ber du om de motstridende utdragene og spørsmålet som ville avklart dem.
Produsenten skiller mellom et konteksttak på modellnivå på 1M tokener og konteksten på 256K som den offisielle tjenesten for tiden har åpnet. Tallene beskriver ulike grenser. Organiser arbeidsmaterialet rundt det gjeldende vinduet og sett av plass til svaret; et tak på modellnivå betyr ikke at alle grensesnitt godtar så mye inndata. Ved en stor oppgave holder du mål, ferdige beslutninger, uavklarte spørsmål og kildereferanser samlet. Bruk uttrykkelige grenser rundt dokumenter og kode, slik at materiale som skal analyseres, ikke forveksles med instruksjoner som skal følges.
Forbered verktøytilkoblede oppgaver med tydelige verktøybeskrivelser, forventede argumenter og nyttige resultatposter. Før faktiske resultater tilbake til samtalen, slik at neste forslag bygger på observasjoner. Be modellen forklare hva et returnert resultat endrer, og hvilke belegg som fortsatt mangler. Modellens agentorienterte utforming støtter dette mønsteret med planlegging og tilbakemelding; applikasjonen rundt modellen utfører verktøytrinnene og bevarer resultatene. En foreslått kommando, kodeendring eller rapport er mest nyttig når statusen er tydelig: foreslått, utført med registrert resultat eller fortsatt i påvente av verifikasjon.
Ling 3.1 Flash tilhører språkmodellrekken; den separate Ling 3.0 Flash VL-utgaven er produsentens visuelle modell. For denne tekstoppgaven forbereder du tekstbasert kildeinnhold og bevarer struktur, merker og opprinnelse. Angi utdataspråk og form, for eksempel et kort notat, en funntabell, en forklaring av en kodeendring eller en nummerert plan. Be modellen markere manglende informasjon, og kontroller det ønskede resultatet mot de opprinnelige begrensningene. Lange arbeidsflyter trenger fortsatt gjennomgang av mellomresultater: ellers kan en tidlig feilaktig forutsetning føres videre i resonneringen og pusses til en overbevisende sluttrapport.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser inclusionai/ling-3.1-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
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 $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 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 $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash er inclusionAIs hybride resonneringsmodell for kontorarbeid, omfattende programvareutvikling og komplekse agenter. Den sparsomme arkitekturen med 560 milliarder parametere aktiverer omtrent 25 milliarder per token og støtter planlegging i flere trinn, verktøyinteraksjon og revisjoner ut fra mellomresultater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ling 3.1 Flash er inclusionAIs hybride resonneringsmodell for oppgaver med flere stadier fremfor ett kort svar. Produsenten retter den mot daglig kontorarbeid, omfattende programvareutvikling og komplekse agentflyter. Den bruker en arkitektur med en blanding av eksperter, med omtrent 560 milliarder parametere totalt og omtrent 25 milliarder aktive per token, og balanserer stor modellkapasitet med en mindre mengde aktiv beregning.
Det sentrale designmålet er å bevare oppgavetilstand og korrigere kursen under lengre arbeid. I en verktøytilkoblet arbeidsflyt kan modellen planlegge flere trinn, tolke mellomresultater og revidere neste trinn når beleggene endres. Gi den et presist mål, tilgjengelig materiale og en definisjon av fullføring. For eksempel: «Gjennomgå disse hendelsesnotatene, identifiser uavklarte årsaker og lag en prioritert undersøkelsesplan. Angi for hver handling hvilke belegg som trengs for å avgjøre om den virket.» Dette gjør en vag forespørsel til et resultat som kan undersøkes og videreføres.
For kontorarbeid er nyttige inndata kildenotater, tekst hentet ut fra dokumenter, tabeller med tydelige kolonnedefinisjoner og tiltenkt målgruppe for en rapport. Angi perioden, enhetene og sammenligningen som skal brukes. Be om et skriftlig resultat som en ledelsesorientering, en rapportdisposisjon eller en forklaring av viktige endringer. Et eksempel er: «Bruk bare disse kvartalstabellene til å forklare de største endringene, skill observerte verdier fra forutsetninger og lag en orientering med ubesvarte spørsmål til slutt.» Behold kildemerker i inndataene, slik at påstandene i resultatet kan spores tilbake til riktig materiale.
Ved programvareutvikling fremhever produsenten refaktorering på tvers av programmeringsspråk, ytelsesoptimalisering og analyse av ofte brukte deler av en kodebase. Legg ved relevante filer som tekst, oppførselen som skal bevares, avhengighetsversjoner og eventuelle feilutdata eller målinger. En nyttig forespørsel ber om en foreslått endring og kontrollene som trengs for å vurdere den: «Refaktorer denne parseren samtidig som det dokumenterte utdataformatet bevares. Forklar hvilken oppførsel som påvirkes, vis den reviderte koden og identifiser tilfeller som ville avdekket en regresjon.» Ved ytelsesarbeid legger du ved faktiske profiler eller tidsmålinger og ber modellen knytte hver anbefaling til en målt flaskehals.
Ved faglig analyse samler du relevante regler, definisjoner og belegg før du ber om en anbefaling. Ling 3.1 Flash er ment å sammenstille spredt informasjon, tolke indikatorer og utvikle handlingsforslag. Be om en sammenligning som angir forutsetningene og hvilken informasjon som fortsatt trengs, fremfor en ubegrunnet dom. Legg for eksempel ved flere prosjektforslag og be om et beslutningsnotat med de samme kriteriene for hvert forslag, der kildebaserte observasjoner er atskilt fra utledede konsekvenser. Når beleggene spriker, ber du om de motstridende utdragene og spørsmålet som ville avklart dem.
Produsenten skiller mellom et konteksttak på modellnivå på 1M tokener og konteksten på 256K som den offisielle tjenesten for tiden har åpnet. Tallene beskriver ulike grenser. Organiser arbeidsmaterialet rundt det gjeldende vinduet og sett av plass til svaret; et tak på modellnivå betyr ikke at alle grensesnitt godtar så mye inndata. Ved en stor oppgave holder du mål, ferdige beslutninger, uavklarte spørsmål og kildereferanser samlet. Bruk uttrykkelige grenser rundt dokumenter og kode, slik at materiale som skal analyseres, ikke forveksles med instruksjoner som skal følges.
Forbered verktøytilkoblede oppgaver med tydelige verktøybeskrivelser, forventede argumenter og nyttige resultatposter. Før faktiske resultater tilbake til samtalen, slik at neste forslag bygger på observasjoner. Be modellen forklare hva et returnert resultat endrer, og hvilke belegg som fortsatt mangler. Modellens agentorienterte utforming støtter dette mønsteret med planlegging og tilbakemelding; applikasjonen rundt modellen utfører verktøytrinnene og bevarer resultatene. En foreslått kommando, kodeendring eller rapport er mest nyttig når statusen er tydelig: foreslått, utført med registrert resultat eller fortsatt i påvente av verifikasjon.
Ling 3.1 Flash tilhører språkmodellrekken; den separate Ling 3.0 Flash VL-utgaven er produsentens visuelle modell. For denne tekstoppgaven forbereder du tekstbasert kildeinnhold og bevarer struktur, merker og opprinnelse. Angi utdataspråk og form, for eksempel et kort notat, en funntabell, en forklaring av en kodeendring eller en nummerert plan. Be modellen markere manglende informasjon, og kontroller det ønskede resultatet mot de opprinnelige begrensningene. Lange arbeidsflyter trenger fortsatt gjennomgang av mellomresultater: ellers kan en tidlig feilaktig forutsetning føres videre i resonneringen og pusses til en overbevisende sluttrapport.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser inclusionai/ling-3.1-flash | 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 $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 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 $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions