WizardLM-2 8x22B er WizardLM-teamets store utgave for komplekse samtaler, flerspråklig arbeid, resonnering og agentorienterte oppgaver. Den er atskilt fra familiens 70B- og 7B-versjoner. Skriftlige instruksjoner produserer tekstsvar, forklaringer eller kode.
Produsenten analyserer kildedata, justerer sampling og trener gradvis på påfølgende datapartisjoner. Evol-Instruct lager varierte, krevende instruksjoner, og Evol-Answer forbedrer svar gjennom generering og omskriving. Samlæring og selvlæring bidrar med ytterligere treningsmateriale. Veiledet læring, trinnvis preferanseoptimalisering og forsterkningslæring utvikler deretter den utgitte modellens evne til å følge instruksjoner.
Bruksveiledningen angir en instruksjon i Vicuna-stil med en innledende assistentrolle og uttrykkelige bruker- og assistentrunder. Utgivelsen støtter samtaler med flere runder. Forbered oppgaven med ønsket oppførsel, relevant materiale og svarets form. Senere runder kan gi en retting eller en ny begrensning samtidig som utvekslingen holdes tydelig.
Ved en skriveoppgave angir du målgruppen, emnet og faktaene utkastet må bevare. Ved kodegjennomgang legger du ved implementasjonen, forventet oppførsel og et tilfelle som avdekker problemet; be om en foreslått retting og kontroller for den. Ved et matematisk eller analytisk spørsmål oppgir du premissene og ber om konklusjonen med trinnene som trengs for å vurdere den. Dette er praktiske måter å bruke utgivelsens dokumenterte skrive-, kode- og resonneringsområder på.
I en agentorientert applikasjon fører du nye observasjoner fra verktøyene rundt tilbake som samtalebelegg før du ber om neste trinn. Et nyttig resultat er et endringsforslag, en forklaring eller en tydelig instruksjon applikasjonen kan vurdere. Produsentens beskrivelse av samtaleutgivelsen leverer den instruksjonsfølgende modellen; tilgang til ekstern informasjon og utførelse av handlinger tilhører applikasjonen rundt den.
", "aboutText": "WizardLM-2 8x22B er WizardLM-teamets store utgave for komplekse samtaler, flerspråklig arbeid, resonnering og agentorienterte oppgaver. Den er atskilt fra familiens 70B- og 7B-versjoner. Skriftlige instruksjoner produserer tekstsvar, forklaringer eller kode.\n\nProdusenten analyserer kildedata, justerer sampling og trener gradvis på påfølgende datapartisjoner. Evol-Instruct lager varierte, krevende instruksjoner, og Evol-Answer forbedrer svar gjennom generering og omskriving. Samlæring og selvlæring bidrar med ytterligere treningsmateriale. Veiledet læring, trinnvis preferanseoptimalisering og forsterkningslæring utvikler deretter den utgitte modellens evne til å følge instruksjoner.\n\nBruksveiledningen angir en instruksjon i Vicuna-stil med en innledende assistentrolle og uttrykkelige bruker- og assistentrunder. Utgivelsen støtter samtaler med flere runder. Forbered oppgaven med ønsket oppførsel, relevant materiale og svarets form. Senere runder kan gi en retting eller en ny begrensning samtidig som utvekslingen holdes tydelig.\n\nVed en skriveoppgave angir du målgruppen, emnet og faktaene utkastet må bevare. Ved kodegjennomgang legger du ved implementasjonen, forventet oppførsel og et tilfelle som avdekker problemet; be om en foreslått retting og kontroller for den. Ved et matematisk eller analytisk spørsmål oppgir du premissene og ber om konklusjonen med trinnene som trengs for å vurdere den. Dette er praktiske måter å bruke utgivelsens dokumenterte skrive-, kode- og resonneringsområder på.\n\nI en agentorientert applikasjon fører du nye observasjoner fra verktøyene rundt tilbake som samtalebelegg før du ber om neste trinn. Et nyttig resultat er et endringsforslag, en forklaring eller en tydelig instruksjon applikasjonen kan vurdere. Produsentens beskrivelse av samtaleutgivelsen leverer den instruksjonsfølgende modellen; tilgang til ekstern informasjon og utførelse av handlinger tilhører applikasjonen rundt den.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile multilingual event details\n\nDraft a bilingual English-Spanish event note using these fixed details: workshop on 12 June at 14:00; venue Room B; participants bring a laptop; registration closes 5 June. Provide one short paragraph in each language, preserving the dates, time and room identifier. Finish with a checklist showing which fixed details appear in both versions.Parallel English and Spanish paragraphs plus a four-item detail-preservation checklist.Check neither language changes the workshop date, registration deadline, time or room name.microsoft/wizardlm-2-8x22bWizardLM-2 8x22B er WizardLM-teamets store instruksjonsjusterte utgave for komplekse samtaler, skriving, kode og resonnering. Produsenten beskriver flerspråklige oppgaver, gradvis trening med syntetiske data og et instruksjonsformat i Vicuna-stil for samtaler over flere runder.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
WizardLM-2 8x22B er WizardLM-teamets store utgave for komplekse samtaler, flerspråklig arbeid, resonnering og agentorienterte oppgaver. Den er atskilt fra familiens 70B- og 7B-versjoner. Skriftlige instruksjoner produserer tekstsvar, forklaringer eller kode.
Produsenten analyserer kildedata, justerer sampling og trener gradvis på påfølgende datapartisjoner. Evol-Instruct lager varierte, krevende instruksjoner, og Evol-Answer forbedrer svar gjennom generering og omskriving. Samlæring og selvlæring bidrar med ytterligere treningsmateriale. Veiledet læring, trinnvis preferanseoptimalisering og forsterkningslæring utvikler deretter den utgitte modellens evne til å følge instruksjoner.
Bruksveiledningen angir en instruksjon i Vicuna-stil med en innledende assistentrolle og uttrykkelige bruker- og assistentrunder. Utgivelsen støtter samtaler med flere runder. Forbered oppgaven med ønsket oppførsel, relevant materiale og svarets form. Senere runder kan gi en retting eller en ny begrensning samtidig som utvekslingen holdes tydelig.
Ved en skriveoppgave angir du målgruppen, emnet og faktaene utkastet må bevare. Ved kodegjennomgang legger du ved implementasjonen, forventet oppførsel og et tilfelle som avdekker problemet; be om en foreslått retting og kontroller for den. Ved et matematisk eller analytisk spørsmål oppgir du premissene og ber om konklusjonen med trinnene som trengs for å vurdere den. Dette er praktiske måter å bruke utgivelsens dokumenterte skrive-, kode- og resonneringsområder på.
I en agentorientert applikasjon fører du nye observasjoner fra verktøyene rundt tilbake som samtalebelegg før du ber om neste trinn. Et nyttig resultat er et endringsforslag, en forklaring eller en tydelig instruksjon applikasjonen kan vurdere. Produsentens beskrivelse av samtaleutgivelsen leverer den instruksjonsfølgende modellen; tilgang til ekstern informasjon og utførelse av handlinger tilhører applikasjonen rundt den.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser microsoft/wizardlm-2-8x22b | 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 $0.00124 / 1K tokener Utdata · Utgående tokener $0.00124 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00124 / 1K tokener Utdata · Utgående tokener $0.00124 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "microsoft/wizardlm-2-8x22b", "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='microsoft/wizardlm-2-8x22b',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='microsoft/wizardlm-2-8x22b',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 microsoft/wizardlm-2-8x22b
Bruk metodestiene som vises ovenfor.
microsoft/wizardlm-2-8x22bWizardLM-2 8x22B er WizardLM-teamets store instruksjonsjusterte utgave for komplekse samtaler, skriving, kode og resonnering. Produsenten beskriver flerspråklige oppgaver, gradvis trening med syntetiske data og et instruksjonsformat i Vicuna-stil for samtaler over flere runder.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
WizardLM-2 8x22B er WizardLM-teamets store utgave for komplekse samtaler, flerspråklig arbeid, resonnering og agentorienterte oppgaver. Den er atskilt fra familiens 70B- og 7B-versjoner. Skriftlige instruksjoner produserer tekstsvar, forklaringer eller kode.
Produsenten analyserer kildedata, justerer sampling og trener gradvis på påfølgende datapartisjoner. Evol-Instruct lager varierte, krevende instruksjoner, og Evol-Answer forbedrer svar gjennom generering og omskriving. Samlæring og selvlæring bidrar med ytterligere treningsmateriale. Veiledet læring, trinnvis preferanseoptimalisering og forsterkningslæring utvikler deretter den utgitte modellens evne til å følge instruksjoner.
Bruksveiledningen angir en instruksjon i Vicuna-stil med en innledende assistentrolle og uttrykkelige bruker- og assistentrunder. Utgivelsen støtter samtaler med flere runder. Forbered oppgaven med ønsket oppførsel, relevant materiale og svarets form. Senere runder kan gi en retting eller en ny begrensning samtidig som utvekslingen holdes tydelig.
Ved en skriveoppgave angir du målgruppen, emnet og faktaene utkastet må bevare. Ved kodegjennomgang legger du ved implementasjonen, forventet oppførsel og et tilfelle som avdekker problemet; be om en foreslått retting og kontroller for den. Ved et matematisk eller analytisk spørsmål oppgir du premissene og ber om konklusjonen med trinnene som trengs for å vurdere den. Dette er praktiske måter å bruke utgivelsens dokumenterte skrive-, kode- og resonneringsområder på.
I en agentorientert applikasjon fører du nye observasjoner fra verktøyene rundt tilbake som samtalebelegg før du ber om neste trinn. Et nyttig resultat er et endringsforslag, en forklaring eller en tydelig instruksjon applikasjonen kan vurdere. Produsentens beskrivelse av samtaleutgivelsen leverer den instruksjonsfølgende modellen; tilgang til ekstern informasjon og utførelse av handlinger tilhører applikasjonen rundt den.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser microsoft/wizardlm-2-8x22b | 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 $0.00124 / 1K tokener Utdata · Utgående tokener $0.00124 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00124 / 1K tokener Utdata · Utgående tokener $0.00124 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "microsoft/wizardlm-2-8x22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'microsoft/wizardlm-2-8x22b', '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': 'microsoft/wizardlm-2-8x22b', '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 microsoft/wizardlm-2-8x22b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reconcile multilingual event details\n\nDraft a bilingual English-Spanish event note using these fixed details: workshop on 12 June at 14:00; venue Room B; participants bring a laptop; registration closes 5 June. Provide one short paragraph in each language, preserving the dates, time and room identifier. Finish with a checklist showing which fixed details appear in both versions.Parallel English and Spanish paragraphs plus a four-item detail-preservation checklist.Check neither language changes the workshop date, registration deadline, time or room name.