Step3 er StepFuns multimodale resonneringsmodell for oppgaver med syn og språk. Produsenten beskriver en mixture-of-experts-arkitektur med totalt 321 milliarder parametere og 38 milliarder aktive parametere. Det publiserte modellkortet angir en maksimal kontekst på 65 536 tokener og viser hvordan et bilde kombineres med et skriftlig spørsmål for å gi et tekstsvar.
Send inn et bilde og angi informasjonen oppgaven trenger. En beskrivelse kan spørre hvilke objekter og sammenhenger som er synlige. Et resonneringsspørsmål kan angi betingelsene og spørre hvilke detaljer som støtter konklusjonen. Hold ekstra skriftlige fakta atskilt fra belegg som er synlig i bildet.
Produsentens inferenseksempel spør hva som er i et bilde. For en avgrenset arbeidsflyt angir du det relevante objektet, området eller forholdet og definerer formen på det endelige svaret. Behold kildebildet sammen med den returnerte teksten, slik at viktige detaljer kan kontrolleres.
Produsentens beskrivelse av lokal inferens omfatter bildeforbehandling med flere utsnitt. Bruk bildeformatet og forbehandlingen det valgte grensesnittet støtter, og behold nok detaljer til spørsmålet. Hvis en del av bildet er uklar, ber du om at svaret registrerer denne usikkerheten.
En oppfølging kan undersøke én tolkning eller legge til en manglende betingelse. Hold bildet og det relevante tidligere svaret tilgjengelig, slik at endringen har et tydelig referansepunkt.
Step3 bruker Multi-Matrix Factorization Attention og et Attention-FFN Disaggregation-design. Disse beskriver produsentens modell- og utføringsarkitektur; de fastslår ikke en universell svarhastighet for en forespørsel til en driftet tjeneste.
Den nøyaktige driftede profilen oppgir en kontekst på 64 000 tokener, mens produsentens modellkort publiserer 65 536 som maksimum. Forbered den faktiske forespørselen ut fra grensene i det valgte grensesnittet. Hold Step3 atskilt fra Step3-VL-varianter og senere Step-utgivelser når du registrerer oppgaven og resultatet.
", "aboutText": "Step3 er StepFuns multimodale resonneringsmodell for oppgaver med syn og språk. Produsenten beskriver en mixture-of-experts-arkitektur med totalt 321 milliarder parametere og 38 milliarder aktive parametere. Det publiserte modellkortet angir en maksimal kontekst på 65 536 tokener og viser hvordan et bilde kombineres med et skriftlig spørsmål for å gi et tekstsvar.\n\n### Spør om det visuelle belegget\n\nSend inn et bilde og angi informasjonen oppgaven trenger. En beskrivelse kan spørre hvilke objekter og sammenhenger som er synlige. Et resonneringsspørsmål kan angi betingelsene og spørre hvilke detaljer som støtter konklusjonen. Hold ekstra skriftlige fakta atskilt fra belegg som er synlig i bildet.\n\nProdusentens inferenseksempel spør hva som er i et bilde. For en avgrenset arbeidsflyt angir du det relevante objektet, området eller forholdet og definerer formen på det endelige svaret. Behold kildebildet sammen med den returnerte teksten, slik at viktige detaljer kan kontrolleres.\n\n### Forbered bilder og oppfølginger\n\nProdusentens beskrivelse av lokal inferens omfatter bildeforbehandling med flere utsnitt. Bruk bildeformatet og forbehandlingen det valgte grensesnittet støtter, og behold nok detaljer til spørsmålet. Hvis en del av bildet er uklar, ber du om at svaret registrerer denne usikkerheten.\n\nEn oppfølging kan undersøke én tolkning eller legge til en manglende betingelse. Hold bildet og det relevante tidligere svaret tilgjengelig, slik at endringen har et tydelig referansepunkt.\n\n### Arkitektur og arbeidsomfang\n\nStep3 bruker Multi-Matrix Factorization Attention og et Attention-FFN Disaggregation-design. Disse beskriver produsentens modell- og utføringsarkitektur; de fastslår ikke en universell svarhastighet for en forespørsel til en driftet tjeneste.\n\nDen nøyaktige driftede profilen oppgir en kontekst på 64 000 tokener, mens produsentens modellkort publiserer 65 536 som maksimum. Forbered den faktiske forespørselen ut fra grensene i det valgte grensesnittet. Hold Step3 atskilt fra Step3-VL-varianter og senere Step-utgivelser når du registrerer oppgaven og resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a written object relationship\n\nUse these written observations of shelf S, without inspecting an image: "A blue box is above a red bin. A yellow pouch is inside the red bin. The box label is unreadable." Describe the stated spatial relationships and answer whether the box contents are known. Separate reported facts from information the notes cannot establish.A short relationship list and an explicit statement of the unknown box contents.Check that above is not changed to inside and an unreadable label does not become an identified product.stepfun-ai/step3Step3 er StepFuns multimodale resonneringsmodell for bilder og skriftlige spørsmål. Produsenten beskriver en mixture-of-experts-modell med totalt 321B parametere, 38B aktive parametere og en maksimal kontekst på 65 536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Step3 er StepFuns multimodale resonneringsmodell for oppgaver med syn og språk. Produsenten beskriver en mixture-of-experts-arkitektur med totalt 321 milliarder parametere og 38 milliarder aktive parametere. Det publiserte modellkortet angir en maksimal kontekst på 65 536 tokener og viser hvordan et bilde kombineres med et skriftlig spørsmål for å gi et tekstsvar.
Send inn et bilde og angi informasjonen oppgaven trenger. En beskrivelse kan spørre hvilke objekter og sammenhenger som er synlige. Et resonneringsspørsmål kan angi betingelsene og spørre hvilke detaljer som støtter konklusjonen. Hold ekstra skriftlige fakta atskilt fra belegg som er synlig i bildet.
Produsentens inferenseksempel spør hva som er i et bilde. For en avgrenset arbeidsflyt angir du det relevante objektet, området eller forholdet og definerer formen på det endelige svaret. Behold kildebildet sammen med den returnerte teksten, slik at viktige detaljer kan kontrolleres.
Produsentens beskrivelse av lokal inferens omfatter bildeforbehandling med flere utsnitt. Bruk bildeformatet og forbehandlingen det valgte grensesnittet støtter, og behold nok detaljer til spørsmålet. Hvis en del av bildet er uklar, ber du om at svaret registrerer denne usikkerheten.
En oppfølging kan undersøke én tolkning eller legge til en manglende betingelse. Hold bildet og det relevante tidligere svaret tilgjengelig, slik at endringen har et tydelig referansepunkt.
Step3 bruker Multi-Matrix Factorization Attention og et Attention-FFN Disaggregation-design. Disse beskriver produsentens modell- og utføringsarkitektur; de fastslår ikke en universell svarhastighet for en forespørsel til en driftet tjeneste.
Den nøyaktige driftede profilen oppgir en kontekst på 64 000 tokener, mens produsentens modellkort publiserer 65 536 som maksimum. Forbered den faktiske forespørselen ut fra grensene i det valgte grensesnittet. Hold Step3 atskilt fra Step3-VL-varianter og senere Step-utgivelser når du registrerer oppgaven og resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser stepfun-ai/step3 | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.001144 / 1K tokener Utdata · Utgående tokener $0.00286 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun-ai/step3", "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='stepfun-ai/step3',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='stepfun-ai/step3',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 stepfun-ai/step3
Bruk metodestiene som vises ovenfor.
stepfun-ai/step3Step3 er StepFuns multimodale resonneringsmodell for bilder og skriftlige spørsmål. Produsenten beskriver en mixture-of-experts-modell med totalt 321B parametere, 38B aktive parametere og en maksimal kontekst på 65 536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Step3 er StepFuns multimodale resonneringsmodell for oppgaver med syn og språk. Produsenten beskriver en mixture-of-experts-arkitektur med totalt 321 milliarder parametere og 38 milliarder aktive parametere. Det publiserte modellkortet angir en maksimal kontekst på 65 536 tokener og viser hvordan et bilde kombineres med et skriftlig spørsmål for å gi et tekstsvar.
Send inn et bilde og angi informasjonen oppgaven trenger. En beskrivelse kan spørre hvilke objekter og sammenhenger som er synlige. Et resonneringsspørsmål kan angi betingelsene og spørre hvilke detaljer som støtter konklusjonen. Hold ekstra skriftlige fakta atskilt fra belegg som er synlig i bildet.
Produsentens inferenseksempel spør hva som er i et bilde. For en avgrenset arbeidsflyt angir du det relevante objektet, området eller forholdet og definerer formen på det endelige svaret. Behold kildebildet sammen med den returnerte teksten, slik at viktige detaljer kan kontrolleres.
Produsentens beskrivelse av lokal inferens omfatter bildeforbehandling med flere utsnitt. Bruk bildeformatet og forbehandlingen det valgte grensesnittet støtter, og behold nok detaljer til spørsmålet. Hvis en del av bildet er uklar, ber du om at svaret registrerer denne usikkerheten.
En oppfølging kan undersøke én tolkning eller legge til en manglende betingelse. Hold bildet og det relevante tidligere svaret tilgjengelig, slik at endringen har et tydelig referansepunkt.
Step3 bruker Multi-Matrix Factorization Attention og et Attention-FFN Disaggregation-design. Disse beskriver produsentens modell- og utføringsarkitektur; de fastslår ikke en universell svarhastighet for en forespørsel til en driftet tjeneste.
Den nøyaktige driftede profilen oppgir en kontekst på 64 000 tokener, mens produsentens modellkort publiserer 65 536 som maksimum. Forbered den faktiske forespørselen ut fra grensene i det valgte grensesnittet. Hold Step3 atskilt fra Step3-VL-varianter og senere Step-utgivelser når du registrerer oppgaven og resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser stepfun-ai/step3 | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.001144 / 1K tokener Utdata · Utgående tokener $0.00286 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "stepfun-ai/step3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun-ai/step3', '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': 'stepfun-ai/step3', '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 stepfun-ai/step3
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Explain a written object relationship\n\nUse these written observations of shelf S, without inspecting an image: "A blue box is above a red bin. A yellow pouch is inside the red bin. The box label is unreadable." Describe the stated spatial relationships and answer whether the box contents are known. Separate reported facts from information the notes cannot establish.A short relationship list and an explicit statement of the unknown box contents.Check that above is not changed to inside and an unreadable label does not become an identified product.