Nex-N2.5-Pro er Nex AGIs navngitte multimodale Pro-utgave for langvarige oppgaver i virkelige miljøer. Sammen med mini viderefører den det visuelle grunnlaget fra Nex-N2, med målrettede forbedringer i datamaskinbruk, nettlesing og visuelt forankret agentarbeid. Den forblir separat fra familiens tekstbaserte Max-modell; en Pro-oppgave kan bruke visuelle observasjoner til å kontrollere hva som er endret, og avgjøre hvordan den skal fortsette.
Forbered en produktivitetsoppgave med de faktiske kildene og et tydelig resultat: en fullført sammenligning, en kodeendring eller en spesifikk tilstand oppnådd i en applikasjon. Gi modellen det relevante skjermbildet eller dokumentkonteksten og angi de tillatte handlingene. En praktisk oppgavebeskrivelse er: «Bruk disse kildene og skjermobservasjonene til å fullføre sammenligningen, verifiser hvert påkrevd felt og returner den endelige dataposten med bevisgrunnlaget som underbygger den.»
For en grensesnittoppgave bevarer du synlige etiketter og identifiserer tilstanden som vil fastslå fullføring. For programarbeid gir du implementasjonen, den observerte feilen og atferden som skal bevares. Disse inndataene knytter agentens beslutninger til brukerens mål fremfor å la en plan bli et antatt fullført resultat.
Produsenten trener familien til å handle kontinuerlig og korrigere seg selv ut fra tilbakemelding fra miljøet. Modellen kan tolke en skjerm og foreslå en funksjon eller operasjon, mens applikasjonen utfører den og returnerer den resulterende visuelle eller tekstlige observasjonen. Sammenlign observasjonen med det angitte målet før du avgjør om neste handling er nødvendig.
Hold kilde- og operasjonsidentifikatorer sammen med resultatene. Hvis en oppgave produserer kode, innhenter applikasjonen den faktiske tilbakemeldingen fra kjøring eller validering. Hvis en nettleseroppgave endrer en tilstand, er det nye skjermbildet bevis på hva som skjedde. En generert instruksjon, foreslått koordinat eller skriftlig valideringskommando forblir forskjellig fra utførelsen.
Nex-N2.5 bruker reasoning_effort for tre moduser. None returnerer et direkte svar. Medium er den adaptive standarden som lar modellen velge om og hvor mye den skal resonnere. High aktiverer alltid tenkning før det endelige svaret. Produsenten anbefaler temperatur 0.7, top-p 0.95 og top-k 40 for referansevarianten.
Definer det endelige artefaktet uavhengig av resonneringsmodusen, inkludert språk, obligatoriske detaljer og håndtering av manglende informasjon. Den opprinnelige malen bruker reasoning_effort; thinking-flagget til en annen modell er ikke en utbyttbar kontroll uten eksplisitt oversettelse i den omkringliggende arbeidsflyten.
Produsenten dokumenterer strukturerte funksjonskall og tolkning av resonnering separat fra det endelige svaret. Gi funksjoner med presise formål og parameterdefinisjoner. Bruk returnerte observasjoner til å underbygge den videre oppgaven og angi hvilket resultat som gjør at den kan avsluttes. For forskning eller kunnskapsarbeid gir du autoritative passasjer eller egnede oppslagsfunksjoner slik at konklusjonene kan spores til faktiske bevis.
Langvarig arbeid samler kontekst fra kilder, skjermer, samtale, resonnering og verktøyresultater. Hold relevante observasjoner organisert og bevar fullføringskriteriet gjennom oppfølginger. Produsentens Pro-identitet fastslår ikke i seg selv et udokumentert parameterantall eller et universelt inndata-/utdatatak.
Den nyttige leveransen er en tekstforklaring, et kodeartefakt eller en fullført analytisk datapost som kan gjennomgås mot kildene og miljøobservasjonene. Pro beholder sin egen multimodale utgave og moduskontroller, uten å arve den tekstbaserte arkitekturen til Max-modellen eller anta at alle foreslåtte operasjoner på tvers av applikasjoner allerede er utført.
", "aboutText": "Nex-N2.5-Pro er Nex AGIs navngitte multimodale Pro-utgave for langvarige oppgaver i virkelige miljøer. Sammen med mini viderefører den det visuelle grunnlaget fra Nex-N2, med målrettede forbedringer i datamaskinbruk, nettlesing og visuelt forankret agentarbeid. Den forblir separat fra familiens tekstbaserte Max-modell; en Pro-oppgave kan bruke visuelle observasjoner til å kontrollere hva som er endret, og avgjøre hvordan den skal fortsette.\n\n### Mål, kilde og miljø\n\nForbered en produktivitetsoppgave med de faktiske kildene og et tydelig resultat: en fullført sammenligning, en kodeendring eller en spesifikk tilstand oppnådd i en applikasjon. Gi modellen det relevante skjermbildet eller dokumentkonteksten og angi de tillatte handlingene. En praktisk oppgavebeskrivelse er: «Bruk disse kildene og skjermobservasjonene til å fullføre sammenligningen, verifiser hvert påkrevd felt og returner den endelige dataposten med bevisgrunnlaget som underbygger den.»\n\nFor en grensesnittoppgave bevarer du synlige etiketter og identifiserer tilstanden som vil fastslå fullføring. For programarbeid gir du implementasjonen, den observerte feilen og atferden som skal bevares. Disse inndataene knytter agentens beslutninger til brukerens mål fremfor å la en plan bli et antatt fullført resultat.\n\n### Visuell tilbakemelding og selvkorrigering\n\nProdusenten trener familien til å handle kontinuerlig og korrigere seg selv ut fra tilbakemelding fra miljøet. Modellen kan tolke en skjerm og foreslå en funksjon eller operasjon, mens applikasjonen utfører den og returnerer den resulterende visuelle eller tekstlige observasjonen. Sammenlign observasjonen med det angitte målet før du avgjør om neste handling er nødvendig.\n\nHold kilde- og operasjonsidentifikatorer sammen med resultatene. Hvis en oppgave produserer kode, innhenter applikasjonen den faktiske tilbakemeldingen fra kjøring eller validering. Hvis en nettleseroppgave endrer en tilstand, er det nye skjermbildet bevis på hva som skjedde. En generert instruksjon, foreslått koordinat eller skriftlig valideringskommando forblir forskjellig fra utførelsen.\n\n### Tenkningsmoduser og produsentveiledning\n\nNex-N2.5 bruker reasoning_effort for tre moduser. None returnerer et direkte svar. Medium er den adaptive standarden som lar modellen velge om og hvor mye den skal resonnere. High aktiverer alltid tenkning før det endelige svaret. Produsenten anbefaler temperatur 0.7, top-p 0.95 og top-k 40 for referansevarianten.\n\nDefiner det endelige artefaktet uavhengig av resonneringsmodusen, inkludert språk, obligatoriske detaljer og håndtering av manglende informasjon. Den opprinnelige malen bruker reasoning_effort; thinking-flagget til en annen modell er ikke en utbyttbar kontroll uten eksplisitt oversettelse i den omkringliggende arbeidsflyten.\n\n### Funksjonskall og nyttige artefakter\n\nProdusenten dokumenterer strukturerte funksjonskall og tolkning av resonnering separat fra det endelige svaret. Gi funksjoner med presise formål og parameterdefinisjoner. Bruk returnerte observasjoner til å underbygge den videre oppgaven og angi hvilket resultat som gjør at den kan avsluttes. For forskning eller kunnskapsarbeid gir du autoritative passasjer eller egnede oppslagsfunksjoner slik at konklusjonene kan spores til faktiske bevis.\n\nLangvarig arbeid samler kontekst fra kilder, skjermer, samtale, resonnering og verktøyresultater. Hold relevante observasjoner organisert og bevar fullføringskriteriet gjennom oppfølginger. Produsentens Pro-identitet fastslår ikke i seg selv et udokumentert parameterantall eller et universelt inndata-/utdatatak.\n\nDen nyttige leveransen er en tekstforklaring, et kodeartefakt eller en fullført analytisk datapost som kan gjennomgås mot kildene og miljøobservasjonene. Pro beholder sin egen multimodale utgave og moduskontroller, uten å arve den tekstbaserte arkitekturen til Max-modellen eller anta at alle foreslåtte operasjoner på tvers av applikasjoner allerede er utført.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.nex-agi/nex-n2.5-proNex-N2.5-Pro er Nex AGIs multimodale agentutgave for datamaskinbruk, nettlesing og langvarige produktivitetsoppgaver. Den bruker visuell tilbakemelding, funksjonskall og direkte, adaptive eller tenkende moduser til å knytte et definert mål til tekst, kode og foreslåtte applikasjonshandlinger.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Nex-N2.5-Pro er Nex AGIs navngitte multimodale Pro-utgave for langvarige oppgaver i virkelige miljøer. Sammen med mini viderefører den det visuelle grunnlaget fra Nex-N2, med målrettede forbedringer i datamaskinbruk, nettlesing og visuelt forankret agentarbeid. Den forblir separat fra familiens tekstbaserte Max-modell; en Pro-oppgave kan bruke visuelle observasjoner til å kontrollere hva som er endret, og avgjøre hvordan den skal fortsette.
Forbered en produktivitetsoppgave med de faktiske kildene og et tydelig resultat: en fullført sammenligning, en kodeendring eller en spesifikk tilstand oppnådd i en applikasjon. Gi modellen det relevante skjermbildet eller dokumentkonteksten og angi de tillatte handlingene. En praktisk oppgavebeskrivelse er: «Bruk disse kildene og skjermobservasjonene til å fullføre sammenligningen, verifiser hvert påkrevd felt og returner den endelige dataposten med bevisgrunnlaget som underbygger den.»
For en grensesnittoppgave bevarer du synlige etiketter og identifiserer tilstanden som vil fastslå fullføring. For programarbeid gir du implementasjonen, den observerte feilen og atferden som skal bevares. Disse inndataene knytter agentens beslutninger til brukerens mål fremfor å la en plan bli et antatt fullført resultat.
Produsenten trener familien til å handle kontinuerlig og korrigere seg selv ut fra tilbakemelding fra miljøet. Modellen kan tolke en skjerm og foreslå en funksjon eller operasjon, mens applikasjonen utfører den og returnerer den resulterende visuelle eller tekstlige observasjonen. Sammenlign observasjonen med det angitte målet før du avgjør om neste handling er nødvendig.
Hold kilde- og operasjonsidentifikatorer sammen med resultatene. Hvis en oppgave produserer kode, innhenter applikasjonen den faktiske tilbakemeldingen fra kjøring eller validering. Hvis en nettleseroppgave endrer en tilstand, er det nye skjermbildet bevis på hva som skjedde. En generert instruksjon, foreslått koordinat eller skriftlig valideringskommando forblir forskjellig fra utførelsen.
Nex-N2.5 bruker reasoning_effort for tre moduser. None returnerer et direkte svar. Medium er den adaptive standarden som lar modellen velge om og hvor mye den skal resonnere. High aktiverer alltid tenkning før det endelige svaret. Produsenten anbefaler temperatur 0.7, top-p 0.95 og top-k 40 for referansevarianten.
Definer det endelige artefaktet uavhengig av resonneringsmodusen, inkludert språk, obligatoriske detaljer og håndtering av manglende informasjon. Den opprinnelige malen bruker reasoning_effort; thinking-flagget til en annen modell er ikke en utbyttbar kontroll uten eksplisitt oversettelse i den omkringliggende arbeidsflyten.
Produsenten dokumenterer strukturerte funksjonskall og tolkning av resonnering separat fra det endelige svaret. Gi funksjoner med presise formål og parameterdefinisjoner. Bruk returnerte observasjoner til å underbygge den videre oppgaven og angi hvilket resultat som gjør at den kan avsluttes. For forskning eller kunnskapsarbeid gir du autoritative passasjer eller egnede oppslagsfunksjoner slik at konklusjonene kan spores til faktiske bevis.
Langvarig arbeid samler kontekst fra kilder, skjermer, samtale, resonnering og verktøyresultater. Hold relevante observasjoner organisert og bevar fullføringskriteriet gjennom oppfølginger. Produsentens Pro-identitet fastslår ikke i seg selv et udokumentert parameterantall eller et universelt inndata-/utdatatak.
Den nyttige leveransen er en tekstforklaring, et kodeartefakt eller en fullført analytisk datapost som kan gjennomgås mot kildene og miljøobservasjonene. Pro beholder sin egen multimodale utgave og moduskontroller, uten å arve den tekstbaserte arkitekturen til Max-modellen eller anta at alle foreslåtte operasjoner på tvers av applikasjoner allerede er utført.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K tokener Utdata · Utgående tokener $0.0005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 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 $0.00015 / 1K tokener Utdata · Utgående tokener $0.0005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nex-agi/nex-n2.5-pro", "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='nex-agi/nex-n2.5-pro',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='nex-agi/nex-n2.5-pro',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 nex-agi/nex-n2.5-pro
Bruk metodestiene som vises ovenfor.
nex-agi/nex-n2.5-proNex-N2.5-Pro er Nex AGIs multimodale agentutgave for datamaskinbruk, nettlesing og langvarige produktivitetsoppgaver. Den bruker visuell tilbakemelding, funksjonskall og direkte, adaptive eller tenkende moduser til å knytte et definert mål til tekst, kode og foreslåtte applikasjonshandlinger.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Nex-N2.5-Pro er Nex AGIs navngitte multimodale Pro-utgave for langvarige oppgaver i virkelige miljøer. Sammen med mini viderefører den det visuelle grunnlaget fra Nex-N2, med målrettede forbedringer i datamaskinbruk, nettlesing og visuelt forankret agentarbeid. Den forblir separat fra familiens tekstbaserte Max-modell; en Pro-oppgave kan bruke visuelle observasjoner til å kontrollere hva som er endret, og avgjøre hvordan den skal fortsette.
Forbered en produktivitetsoppgave med de faktiske kildene og et tydelig resultat: en fullført sammenligning, en kodeendring eller en spesifikk tilstand oppnådd i en applikasjon. Gi modellen det relevante skjermbildet eller dokumentkonteksten og angi de tillatte handlingene. En praktisk oppgavebeskrivelse er: «Bruk disse kildene og skjermobservasjonene til å fullføre sammenligningen, verifiser hvert påkrevd felt og returner den endelige dataposten med bevisgrunnlaget som underbygger den.»
For en grensesnittoppgave bevarer du synlige etiketter og identifiserer tilstanden som vil fastslå fullføring. For programarbeid gir du implementasjonen, den observerte feilen og atferden som skal bevares. Disse inndataene knytter agentens beslutninger til brukerens mål fremfor å la en plan bli et antatt fullført resultat.
Produsenten trener familien til å handle kontinuerlig og korrigere seg selv ut fra tilbakemelding fra miljøet. Modellen kan tolke en skjerm og foreslå en funksjon eller operasjon, mens applikasjonen utfører den og returnerer den resulterende visuelle eller tekstlige observasjonen. Sammenlign observasjonen med det angitte målet før du avgjør om neste handling er nødvendig.
Hold kilde- og operasjonsidentifikatorer sammen med resultatene. Hvis en oppgave produserer kode, innhenter applikasjonen den faktiske tilbakemeldingen fra kjøring eller validering. Hvis en nettleseroppgave endrer en tilstand, er det nye skjermbildet bevis på hva som skjedde. En generert instruksjon, foreslått koordinat eller skriftlig valideringskommando forblir forskjellig fra utførelsen.
Nex-N2.5 bruker reasoning_effort for tre moduser. None returnerer et direkte svar. Medium er den adaptive standarden som lar modellen velge om og hvor mye den skal resonnere. High aktiverer alltid tenkning før det endelige svaret. Produsenten anbefaler temperatur 0.7, top-p 0.95 og top-k 40 for referansevarianten.
Definer det endelige artefaktet uavhengig av resonneringsmodusen, inkludert språk, obligatoriske detaljer og håndtering av manglende informasjon. Den opprinnelige malen bruker reasoning_effort; thinking-flagget til en annen modell er ikke en utbyttbar kontroll uten eksplisitt oversettelse i den omkringliggende arbeidsflyten.
Produsenten dokumenterer strukturerte funksjonskall og tolkning av resonnering separat fra det endelige svaret. Gi funksjoner med presise formål og parameterdefinisjoner. Bruk returnerte observasjoner til å underbygge den videre oppgaven og angi hvilket resultat som gjør at den kan avsluttes. For forskning eller kunnskapsarbeid gir du autoritative passasjer eller egnede oppslagsfunksjoner slik at konklusjonene kan spores til faktiske bevis.
Langvarig arbeid samler kontekst fra kilder, skjermer, samtale, resonnering og verktøyresultater. Hold relevante observasjoner organisert og bevar fullføringskriteriet gjennom oppfølginger. Produsentens Pro-identitet fastslår ikke i seg selv et udokumentert parameterantall eller et universelt inndata-/utdatatak.
Den nyttige leveransen er en tekstforklaring, et kodeartefakt eller en fullført analytisk datapost som kan gjennomgås mot kildene og miljøobservasjonene. Pro beholder sin egen multimodale utgave og moduskontroller, uten å arve den tekstbaserte arkitekturen til Max-modellen eller anta at alle foreslåtte operasjoner på tvers av applikasjoner allerede er utført.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K tokener Utdata · Utgående tokener $0.0005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 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 $0.00015 / 1K tokener Utdata · Utgående tokener $0.0005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "nex-agi/nex-n2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nex-agi/nex-n2.5-pro', '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': 'nex-agi/nex-n2.5-pro', '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 nex-agi/nex-n2.5-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.