modeller

Meta: Llama 3.1 70B Instruct

Markdown · JSON

Meta: Llama 3.1 70B Instruct

Llama 3.1 70B Instruct er Metas tekstmodell for flerspråklig dialog, resonnering over dokumenter og kode. Den instruksjonsjusterte 70B-utgaven bruker grouped-query attention, en produsentangitt kontekst på 128k og dokumenterte samtaleformater for verktøykall, med tekst og kode som utdata.

Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

Llama 3.1 70B Instruct er Metas tekstmodell med 70 milliarder parametere, optimalisert for flerspråklig dialog og assistentlignende forespørsler. Det er et instruksjonsjustert kontrollpunkt i en familie som også omfatter størrelsene 8B og 405B samt separate forhåndstrente modeller. Den tar imot tekst og returnerer flerspråklig tekst eller kode; den navngitte 70B-utgaven beholder sin egen størrelse og identitet.

Modellinformasjon og trening

Utgaven bruker en autoregressiv Transformer-arkitektur med grouped-query attention. De justerte modellene tilpasses gjennom veiledet finjustering og forsterkningslæring med menneskelig tilbakemelding. Dette er treningstrinn for nyttig samtaleatferd, ikke en navngitt bryter under kjøring mellom separate moduser med og uten resonnering.

Produsenten dokumenterer en kontekst på 128k for tekstmodellene og støtter offisielt engelsk, tysk, fransk, italiensk, portugisisk, hindi, spansk og thai. Treningen omfatter et bredere språkutvalg, noe som ikke gjør alle språk like godt støttet. Angi svarspråk, terminologi og leser før du ber om et flerspråklig artefakt.

Familiens forhåndstreningskorpus beskrives som omtrent femten billioner tokener, med skjæringsdato i desember 2023. Finjusteringen omfatter instruksjonsdatasett og mer enn tjuefem millioner syntetiske eksempler. Skjæringsdatoen er en grense for treningsdataene; et spørsmål som avhenger av nyere eller privat informasjon, krever at informasjonen legges ved oppgaven eller returneres av en tilkoblet kilde.

Assistentlignende chat og kildeanalyse

Instruct-utgaven er beregnet på å svare på en forespørsel i en samtale, mens den forhåndstrente versjonen er et grunnlag som kan tilpasses andre genereringsoppgaver. For et kildebasert svar legger du ved spørsmålet og utdragene som bestemmer resultatet. Merk kildene og be om støttende avsnitt eller utsagn ved siden av hvert funn.

En praktisk sammenligning kan legge ved to prosedyrer og be om felles vilkår, forskjeller og uavklarte konflikter. En resulterende veiledning kan bevare den opprinnelige rekkefølgen og vilkårene som gjelder for hver handling. En dokumentredigeringsoppgave kan angi målgruppe, fakta som må beholdes, og om sluttartefaktet skal være bare et revidert utdrag eller et utdrag med en forklaring.

For et lengre svar angir du nødvendige deler og formålet med hver av dem. En stor kontekst kan holde beslektet materiale samlet, mens sluttresultatet fortsatt er en kortfattet matrise eller forklaring. Kildenes identitet og et tydelig definert spørsmål er viktigere enn bare å ta med alle tilgjengelige dokumenter.

Kode og genererte eksempler

De dokumenterte utdataene omfatter kode. For et implementeringsforslag oppgir du språk, inndatatyper, forventet resultat og grensesnittet som må være kompatibelt. Ta med det eksisterende fragmentet og relevante deklarasjoner når oppgaven gjelder en rettelse. Be om koden atskilt fra forutsetningene og eksemplene, slik at den kan undersøkes i neste utviklingstrinn.

For en kodeforklaring legger du ved inndataene som skal spores, og spør hvordan den vedlagte funksjonen kommer frem til returverdien. For en matematisk forklaring definerer du symboler og forutsetninger og angir om resultatet skal være eksakt, omtrentlig eller et bevis. Kodegenerering og skriftlig resonnering kompilerer ikke i seg selv et program eller utfører en beregning.

Produsenten nevner også generering av syntetiske data og destillasjon som bruksområder for familien. En tekstoppgave kan be om varierte eksempler i et angitt format, med de oppgitte reglene bevart. Om eksemplene egner seg til videre trening, er en separat avgjørelse for applikasjonen; tekstresultatet alene er ingen uavhengig bekreftelse på at de er korrekte.

Samtaleformat og verktøy

Kortet viser separate system- og brukermeldinger med den tilhørende chatmalen. Bruk systeminstruksjonen til rolle, tone og varige svarregler, mens brukerforespørselen inneholder selve problemet og kildene. Behold relevante tidligere meldinger når du ber om en oppfølging som bygger på et tidligere svar.

Llama 3.1 støtter flere dokumenterte formater for verktøybruk. Applikasjonen leverer funksjonene og parameterne, modellen forbereder et foreslått kall, applikasjonen utfører det og legger resultatet til i samtalen. En påfølgende generering kan bruke resultatet. Kortets korte eksempel viser uttrykkelig at assistentens kall legges til først, og deretter verktøyresultatet; å velge en funksjon er forskjellig fra å fullføre operasjonen.

For et oppslag angir du hvilken informasjon som kreves, og definerer funksjonen som returnerer den. Behold den faktisk returnerte verdien sammen med det opprinnelige kallet før du ber om den endelige forklaringen. For en beregning skiller du mellom modellens foreslåtte operasjon og resultatet som kalkulatoren returnerer. Verktøyets native formatering og den synlige representasjonen i et innpakningsgrensesnitt bør beholde sine egne dokumenterte konvensjoner.

Utgave og praktiske grenser

Genereringsinnstillingen på 256 tokener i det leste kortet er et brukseksempel, ikke en særskilt angitt maksimal utdatakapasitet. Konteksten på 128k gjelder materialet og den genererte samtalen innenfor den konfigurerte utgaven. Ikke erstatt dette med konteksten eller de visuelle funksjonene til Llama 4 eller størrelsen til et annet Llama 3.1-kontrollpunkt.

Dette er en Instruct-modell som bare bruker tekst. Et bilde, opptak eller en video trenger at det relevante innholdet forberedes gjennom en annen komponent. Ekstern informasjonsgjenfinning, programkjøring og filendringer tilhører på samme måte applikasjonen som er koblet til assistenten. Behold den nøyaktige 70B Instruct-utgaven og be om den kildeknyttede forklaringen, det reviderte dokumentet, koden eller den strukturerte teksten oppgaven trenger.

Praktisk oppgave

Praktisk oppgave

Teknisk eksempel på engelsk

Produce a bilingual maintenance notice

Write a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.

Forventet resultat

Two labelled language blocks with equivalent three-sentence notices.

Kontroller resultatet

Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta-llama/llama-3.1-70b-instruct

meta-llama/llama-3.1-70b-instruct

Meta /meta-llama/llama-3.1-70b-instruct

Start

Llama 3.1 70B Instruct er Metas tekstmodell for flerspråklig dialog, resonnering over dokumenter og kode. Den instruksjonsjusterte 70B-utgaven bruker grouped-query attention, en produsentangitt kontekst på 128k og dokumenterte samtaleformater for verktøykall, med tekst og kode som utdata.

Godkjente inndata
Tekst
Resultater
Tekst

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Inndatatyper
text
Utdatatyper
text
Utdataformat
json eller SSE
FeltTypeKravVerdier & grenserStandard
FeltmodelTypestringKravPåkrevdVerdier & grenser
meta-llama/llama-3.1-70b-instruct
Standard—
FeltmessagesTypemessage[]KravPåkrevdVerdier & grenser
Minste antall elementer: 1
Standard—
Feltmessages[].roleTypestringKravPåkrevdVerdier & 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[].contentTypestring|content_part[]|nullKravValgfrittVerdier & grenserStandard—
Feltmessages[].tool_callsTypetool_call[]KravValgfrittVerdier & grenserStandard—
Feltmessages[].tool_call_idTypestringKravValgfrittVerdier & grenser
Gjelder når: role=tool; bruk faktisk returnert ID
Standard—
Feltmessages[].nameTypestringKravValgfrittVerdier & grenserStandard—
Feltmessages[].reasoning_contentTypestringKravValgfrittVerdier & grenser
Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den
Standard—
Feltmessages[].reasoning_detailsTypeobject|arrayKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltmax_tokensTypeintegerKravValgfrittVerdier & grenser
Minimum: 1
Avhenger av modellen
Standard—
Feltmax_completion_tokensTypeintegerKravValgfrittVerdier & grenser
Minimum: 1
Avhenger av modellen
Standard—
FeltstreamTypebooleanKravValgfrittVerdier & grenserStandardfalse
Feltstream_options.include_usageTypebooleanKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
FelttemperatureTypenumberKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Felttop_pTypenumberKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
FeltstopTypestring|string[]KravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
FelttoolsTypefunction_tool[]KravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Felttools[].typeTypestringKravValgfrittVerdier & grenser
function
Avhenger av modellen
Standard—
Felttools[].function.nameTypestringKravPåkrevdVerdier & grenser
Gjelder når: funksjonsverktøy oppgitt
Standard—
Felttools[].function.descriptionTypestringKravValgfrittVerdier & grenserStandard—
Felttools[].function.parametersTypeJSON_schemaKravValgfrittVerdier & grenserStandard—
Felttool_choiceTypestring|objectKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltparallel_tool_callsTypebooleanKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltresponse_formatTypeobjectKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltreasoning_effortTypestringKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
FeltreasoningTypeobjectKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltservice_tierTypestringKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
FeltinstructionsTypestringKravValgfrittVerdier & grenser
Kompatibilitetsfelt
Standard—
FeltfunctionsTypefunction[]KravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltfunction_callTypestring|objectKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
Feltprompt_cache_optionsTypeobjectKravValgfrittVerdier & grenser
Avhenger av modellen
Standard—
FeltmodalitiesTypestring[]KravValgfrittVerdier & grenser
text
Standard—
FeltproviderTypeobjectKravValgfrittVerdier & grenser
Vilkår: provider.options avvises på denne Ultra-tekstruten
Standard—
Feltcache_control.ttlTypestringKravValgfrittVerdier & grenser
Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster
Standard—
Kombinasjoner av inngående materialer

Tekst · UTF8-tekst

messages[].content

Metodeparametere og livssyklus
ParameterAvtale
Parametercontent_typeAvtaleapplication/json
ParameterrequiredAvtalemodel, messages
Parametermaterial_typesAvtaletext
ParametermessagesAvtalemeldingstabell med role/content-struktur
Parameterfile_materialAvtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes
Parameteroptional_controlsAvtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeAvtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy
Parameteroutput_modalitiesAvtaletext
Parameterhosted_operationsAvtalefalse
Parametermultimodal_input_bindingAvtalenull

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.

Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus
Standardpris Når hurtigmodus er valgt
Flex-modus
Standardpris Når flex-modus er valgt
Maksimal resonneringsinnsats
Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats

Ailoot-satser

Priser etter konfigurasjon

Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.

KonfigurasjonPrisplanKonteksttokener, mer ennKonteksttokener, opptil og medKostnad
KonfigurasjonGrunnpriser for tokenerPrisplanGrunnsatsKonteksttokener, mer enn—Konteksttokener, opptil og medIngen øvre grenseKostnad
Inndata · Inngående tokener $0.00144 / 1K tokener
Utdata · Utgående tokener $0.00144 / 1K tokener
Inndata · Lesing fra hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener
KonfigurasjonNivå 1 for forespørselslengdePrisplan—Konteksttokener, mer enn0Konteksttokener, opptil og medIngen øvre grenseKostnad
Inndata · Inngående tokener $0.00144 / 1K tokener
Utdata · Utgående tokener $0.00144 / 1K tokener
Inndata · Lesing fra hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener

Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →

Eksempelforespørsler

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-strømming
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta-llama/llama-3.1-70b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta-llama/llama-3.1-70b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta-llama/llama-3.1-70b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Motta og lagre resultater

Ailoot Ultra · OpenAI Chat

json eller SSE

Behold alle ferdige resultater

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.

Hvis det opprinnelige svaret må kontrolleres

Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.

Svarfelter
FeltType
Feltchoices[].indexTypeinteger
Feltchoices[].message.contentTypestring|null
Feltchoices[].message.tool_callsTypetool_call[]
Feltchoices[].message.reasoning_contentTypestring
Feltchoices[].message.reasoning_detailsTypeobject|array
Feltchoices[].finish_reasonTypestring|null
FeltusageTypeobject
Feil og neste trinn
SvarVilkårNeste trinn
Svar400 · invalid_request_errorVilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdiNeste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel.

Aliaser

Modellaliaser

Ailoot Ultra meta-llama/llama-3.1-70b-instruct

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

meta-llama/llama-3.1-70b-instruct

Ailoot Ultra · Anthropic Messages POST /v1/messages meta-llama/llama-3.1-70b-instruct

meta-llama/llama-3.1-70b-instruct

Meta /meta-llama/llama-3.1-70b-instruct

Start

Llama 3.1 70B Instruct er Metas tekstmodell for flerspråklig dialog, resonnering over dokumenter og kode. Den instruksjonsjusterte 70B-utgaven bruker grouped-query attention, en produsentangitt kontekst på 128k og dokumenterte samtaleformater for verktøykall, med tekst og kode som utdata.

Godkjente inndata
Tekst
Resultater
json · sse

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · Anthropic Messages POST /v1/messages
Inndatatyper
text
Utdatatyper
json, sse
Utdataformat
JSON eller SSE
FeltTypeKravVerdier & grenserStandard
FeltmodelTypestringKravPåkrevdVerdier & grenser
meta-llama/llama-3.1-70b-instruct
Standard—
FeltmessagesTypemessage[]KravPåkrevdVerdier & grenserStandard—
Feltmessages[].roleTypestringKravPåkrevdVerdier & grenser
user, assistant
Standard—
Feltmessages[].contentTypestringKravPåkrevdVerdier & grenserStandard—
Feltmax_tokensTypeintegerKravPåkrevdVerdier & grenserStandard—
FeltstreamTypebooleanKravValgfrittVerdier & grenserStandardfalse
Kombinasjoner av inngående materialer

Tekst · UTF-8-tekst

messages[].content-streng

Metodeparametere og livssyklus
ParameterAvtale
Parametercontent_typeAvtaleapplication/json
ParameterrequiredAvtalemodel, messages, max_tokens
Parameteroptional_controlsAvtalestream
Parametermaterial_typesAvtaletext
Parametertext_file_materialAvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen.

Livssyklus: synchronous_or_streamed

Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus
Standardpris Når hurtigmodus er valgt
Flex-modus
Standardpris Når flex-modus er valgt
Maksimal resonneringsinnsats
Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats

Ailoot-satser

Priser etter konfigurasjon

Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.

KonfigurasjonPrisplanKonteksttokener, mer ennKonteksttokener, opptil og medKostnad
KonfigurasjonGrunnpriser for tokenerPrisplanGrunnsatsKonteksttokener, mer enn—Konteksttokener, opptil og medIngen øvre grenseKostnad
Inndata · Inngående tokener $0.00144 / 1K tokener
Utdata · Utgående tokener $0.00144 / 1K tokener
Inndata · Lesing fra hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener
KonfigurasjonNivå 1 for forespørselslengdePrisplan—Konteksttokener, mer enn0Konteksttokener, opptil og medIngen øvre grenseKostnad
Inndata · Inngående tokener $0.00144 / 1K tokener
Utdata · Utgående tokener $0.00144 / 1K tokener
Inndata · Lesing fra hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer — / 1K tokener
Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener

Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →

Eksempelforespørsler

Ailoot Ultra · Anthropic Messages

Komplett, minimal JSON-kroppcurl · bruk UTF-8-dokumentet dittPython · lagre hele resultatet
{
  "model": "meta-llama/llama-3.1-70b-instruct",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.1-70b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.1-70b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Motta og lagre resultater

Ailoot Ultra · Anthropic Messages

JSON eller SSE

Behold alle ferdige resultater

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.

Hvis det opprinnelige svaret må kontrolleres

Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.

Svarfelter
FeltType
FeltidTypestring
FeltmodelTypestring
Feltcontent[]Typetext|thinking|tool_use|other content block
Feltstop_reasonTypestring|null
FeltusageTypeobject
Feil og neste trinn
SvarVilkårNeste trinn
Svar400 · invalid_request_errorVilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdiNeste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel.

Aliaser

Modellaliaser

Ailoot Ultra meta-llama/llama-3.1-70b-instruct

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

meta-llama/llama-3.1-70b-instruct

FAQ · Meta: Llama 3.1 70B Instruct
Hvilke inndata og resultater er tilgjengelige?

POST /v1/chat/completions · meta-llama/llama-3.1-70b-instruct: text → text

POST /v1/messages · meta-llama/llama-3.1-70b-instruct: text → json, sse

Hvilke felt bruker forespørselen?

POST /v1/chat/completions · meta-llama/llama-3.1-70b-instruct: model, messages, stream, modalities, provider

POST /v1/messages · meta-llama/llama-3.1-70b-instruct: model, messages, max_tokens, stream

Hvilke grenser gjelder?

POST /v1/chat/completions · meta-llama/llama-3.1-70b-instruct: messages.min_items: 1

Flere detaljer

Koble Ailoot til Claude Code, OpenCode, Hermes eller egen applikasjon.

Selskapet og dets prosjektportefølje

Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.

Kjøp tokener med rabatt.

Abonnementsrabatt for jevnlig bruk. Kampanjekoder gir opptil 50% på tokenkjøp.

Abonnement
Velg et rabattabonnement for faste forespørsler.
Kampanjekode opptil 50%
Oppgi kode ved kjøp. Prisen beregnes på nytt etter gjeldende kampanje.
Kostnader i historikken
Modell, tokener og beløp lagres for hver forespørsel.

Velg abonnement · Se modellpriser

Koble API-et til produktet du selger.

SaaS, apper og boter etter Ailoots offentlige tilbud og lisensavtale. Be om forhandlerlisens for videresalg.

Kommersiell applikasjon
Bygg tekst-, bilde-, video- og lydgenerering inn i betalte funksjoner i tjenesten.
Forhandlerlisens
Send prosjektbeskrivelse og tilgangsopplegg. Be om skriftlige vilkår for bruk og videresalg.
Dokumenter på nettstedet
Offentlig tilbud, lisensavtale og retningslinjer for databehandling er tilgjengelige før tilkobling.

Be om forhandlerlisens · Offentlig tilbud og lisensavtale