Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodell for resonnering og agentorientert arbeid. Den publiserte spesifikasjonen har totalt 196,81 milliarder parametere, inkludert prediksjonshodet, og aktiverer omtrent 11B parametere per token. Den behandler skriftlige instruksjoner og samtaler for å generere tekst, kode og foreslåtte verktøyinteraksjoner.
Grunnarkitekturen med 45 lag kombinerer attention med glidende vindu og full attention i et forhold på tre til én, og støtter en kontekst på 256K. Hvert ekspertlag har 288 rutede eksperter pluss en delt ekspert, hvorav åtte rutede eksperter velges per token. Et hode for prediksjon av flere tokener inngår i produsentens effektivitetsdesign. Disse arkitekturvalgene beskriver modellen; hastigheten i en bestemt applikasjon avhenger også av serveringsoppsettet og arbeidsbelastningen.
De sentrale oppgaveområdene er resonnering, koding og lengre agentarbeidsflyter. For et programvareoppdrag gir du forventet oppførsel, relevant kildekode og en faktisk feil eller ønsket endring. Be om den foreslåtte leveransen og kontrollene som trengs for å vurdere den. I en tilkoblet applikasjon returnerer du resultatene fra kommandoer og kontroller før modellen velger neste trinn.
For analyse med lang kontekst definerer du spørsmålet og delene av materialet som er viktige. En nyttig rapport identifiserer konklusjonen, belegget som støtter den, og eventuelle manglende observasjoner. Hold det aktuelle målet og tidligere bekreftede funn tilgjengelige gjennom oppfølgende samtalerunder, slik at modellen kan fortsette fra oppgavens tilstand fremfor å rekonstruere den fra en ufullstendig prompt.
StepFun publiserer oppskrifter for integrasjon og lokal utrulling for kode- og forskningsapplikasjoner. Verktøyutføring tilhører den omkringliggende arbeidsflyten: modellen leverer den foreslåtte handlingen, og applikasjonen kjører den og returnerer utfallet. Egne konverterte eller kvantiserte artefakter har sine egne betingelser for utrulling; det generelle modellnavnet velger ikke ett av dem.
Produsentens kjente problemer er konkrete. Modellen kan bruke lange genereringsforløp, og stabiliteten kan avta i spesialiserte domener eller utvidede samtaler over flere runder. Rapporterte symptomer omfatter gjentakende resonnering, svar som blander språk, og inkonsekvenser om tid eller identitet. Angi tydelig hvilket språk svaret skal være på, og hva den aktuelle oppgaven er, behold relevante observasjoner, og gjennomgå sluttleveransen opp mot det angitte målet. Hold denne tekstutgaven atskilt fra den ekstra synsenkoderen og bildeinndataene i Step 3.7 Flash.
", "aboutText": "Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodell for resonnering og agentorientert arbeid. Den publiserte spesifikasjonen har totalt 196,81 milliarder parametere, inkludert prediksjonshodet, og aktiverer omtrent 11B parametere per token. Den behandler skriftlige instruksjoner og samtaler for å generere tekst, kode og foreslåtte verktøyinteraksjoner.\n\nGrunnarkitekturen med 45 lag kombinerer attention med glidende vindu og full attention i et forhold på tre til én, og støtter en kontekst på 256K. Hvert ekspertlag har 288 rutede eksperter pluss en delt ekspert, hvorav åtte rutede eksperter velges per token. Et hode for prediksjon av flere tokener inngår i produsentens effektivitetsdesign. Disse arkitekturvalgene beskriver modellen; hastigheten i en bestemt applikasjon avhenger også av serveringsoppsettet og arbeidsbelastningen.\n\nDe sentrale oppgaveområdene er resonnering, koding og lengre agentarbeidsflyter. For et programvareoppdrag gir du forventet oppførsel, relevant kildekode og en faktisk feil eller ønsket endring. Be om den foreslåtte leveransen og kontrollene som trengs for å vurdere den. I en tilkoblet applikasjon returnerer du resultatene fra kommandoer og kontroller før modellen velger neste trinn.\n\nFor analyse med lang kontekst definerer du spørsmålet og delene av materialet som er viktige. En nyttig rapport identifiserer konklusjonen, belegget som støtter den, og eventuelle manglende observasjoner. Hold det aktuelle målet og tidligere bekreftede funn tilgjengelige gjennom oppfølgende samtalerunder, slik at modellen kan fortsette fra oppgavens tilstand fremfor å rekonstruere den fra en ufullstendig prompt.\n\nStepFun publiserer oppskrifter for integrasjon og lokal utrulling for kode- og forskningsapplikasjoner. Verktøyutføring tilhører den omkringliggende arbeidsflyten: modellen leverer den foreslåtte handlingen, og applikasjonen kjører den og returnerer utfallet. Egne konverterte eller kvantiserte artefakter har sine egne betingelser for utrulling; det generelle modellnavnet velger ikke ett av dem.\n\nProdusentens kjente problemer er konkrete. Modellen kan bruke lange genereringsforløp, og stabiliteten kan avta i spesialiserte domener eller utvidede samtaler over flere runder. Rapporterte symptomer omfatter gjentakende resonnering, svar som blander språk, og inkonsekvenser om tid eller identitet. Angi tydelig hvilket språk svaret skal være på, og hva den aktuelle oppgaven er, behold relevante observasjoner, og gjennomgå sluttleveransen opp mot det angitte målet. Hold denne tekstutgaven atskilt fra den ekstra synsenkoderen og bildeinndataene i Step 3.7 Flash.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStepFuns Step 3.5 Flash er en sparsom tekstmodell for resonnering, kode og agentarbeidsflyter. Den aktiverer omtrent 11B parametere fra modellen sin i 196B-klassen, kombinerer glidende og full attention og støtter en kontekst på 256K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodell for resonnering og agentorientert arbeid. Den publiserte spesifikasjonen har totalt 196,81 milliarder parametere, inkludert prediksjonshodet, og aktiverer omtrent 11B parametere per token. Den behandler skriftlige instruksjoner og samtaler for å generere tekst, kode og foreslåtte verktøyinteraksjoner.
Grunnarkitekturen med 45 lag kombinerer attention med glidende vindu og full attention i et forhold på tre til én, og støtter en kontekst på 256K. Hvert ekspertlag har 288 rutede eksperter pluss en delt ekspert, hvorav åtte rutede eksperter velges per token. Et hode for prediksjon av flere tokener inngår i produsentens effektivitetsdesign. Disse arkitekturvalgene beskriver modellen; hastigheten i en bestemt applikasjon avhenger også av serveringsoppsettet og arbeidsbelastningen.
De sentrale oppgaveområdene er resonnering, koding og lengre agentarbeidsflyter. For et programvareoppdrag gir du forventet oppførsel, relevant kildekode og en faktisk feil eller ønsket endring. Be om den foreslåtte leveransen og kontrollene som trengs for å vurdere den. I en tilkoblet applikasjon returnerer du resultatene fra kommandoer og kontroller før modellen velger neste trinn.
For analyse med lang kontekst definerer du spørsmålet og delene av materialet som er viktige. En nyttig rapport identifiserer konklusjonen, belegget som støtter den, og eventuelle manglende observasjoner. Hold det aktuelle målet og tidligere bekreftede funn tilgjengelige gjennom oppfølgende samtalerunder, slik at modellen kan fortsette fra oppgavens tilstand fremfor å rekonstruere den fra en ufullstendig prompt.
StepFun publiserer oppskrifter for integrasjon og lokal utrulling for kode- og forskningsapplikasjoner. Verktøyutføring tilhører den omkringliggende arbeidsflyten: modellen leverer den foreslåtte handlingen, og applikasjonen kjører den og returnerer utfallet. Egne konverterte eller kvantiserte artefakter har sine egne betingelser for utrulling; det generelle modellnavnet velger ikke ett av dem.
Produsentens kjente problemer er konkrete. Modellen kan bruke lange genereringsforløp, og stabiliteten kan avta i spesialiserte domener eller utvidede samtaler over flere runder. Rapporterte symptomer omfatter gjentakende resonnering, svar som blander språk, og inkonsekvenser om tid eller identitet. Angi tydelig hvilket språk svaret skal være på, og hva den aktuelle oppgaven er, behold relevante observasjoner, og gjennomgå sluttleveransen opp mot det angitte målet. Hold denne tekstutgaven atskilt fra den ekstra synsenkoderen og bildeinndataene i Step 3.7 Flash.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser stepfun/step-3.5-flash | 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 $0.00022 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 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 $0.00022 / 1K tokener Utdata · Utgående tokener $0.00066 / 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/step-3.5-flash", "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/step-3.5-flash',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/step-3.5-flash',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/step-3.5-flash
Bruk metodestiene som vises ovenfor.
stepfun/step-3.5-flashStepFuns Step 3.5 Flash er en sparsom tekstmodell for resonnering, kode og agentarbeidsflyter. Den aktiverer omtrent 11B parametere fra modellen sin i 196B-klassen, kombinerer glidende og full attention og støtter en kontekst på 256K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Step 3.5 Flash er StepFuns sparsomme mixture-of-experts-tekstmodell for resonnering og agentorientert arbeid. Den publiserte spesifikasjonen har totalt 196,81 milliarder parametere, inkludert prediksjonshodet, og aktiverer omtrent 11B parametere per token. Den behandler skriftlige instruksjoner og samtaler for å generere tekst, kode og foreslåtte verktøyinteraksjoner.
Grunnarkitekturen med 45 lag kombinerer attention med glidende vindu og full attention i et forhold på tre til én, og støtter en kontekst på 256K. Hvert ekspertlag har 288 rutede eksperter pluss en delt ekspert, hvorav åtte rutede eksperter velges per token. Et hode for prediksjon av flere tokener inngår i produsentens effektivitetsdesign. Disse arkitekturvalgene beskriver modellen; hastigheten i en bestemt applikasjon avhenger også av serveringsoppsettet og arbeidsbelastningen.
De sentrale oppgaveområdene er resonnering, koding og lengre agentarbeidsflyter. For et programvareoppdrag gir du forventet oppførsel, relevant kildekode og en faktisk feil eller ønsket endring. Be om den foreslåtte leveransen og kontrollene som trengs for å vurdere den. I en tilkoblet applikasjon returnerer du resultatene fra kommandoer og kontroller før modellen velger neste trinn.
For analyse med lang kontekst definerer du spørsmålet og delene av materialet som er viktige. En nyttig rapport identifiserer konklusjonen, belegget som støtter den, og eventuelle manglende observasjoner. Hold det aktuelle målet og tidligere bekreftede funn tilgjengelige gjennom oppfølgende samtalerunder, slik at modellen kan fortsette fra oppgavens tilstand fremfor å rekonstruere den fra en ufullstendig prompt.
StepFun publiserer oppskrifter for integrasjon og lokal utrulling for kode- og forskningsapplikasjoner. Verktøyutføring tilhører den omkringliggende arbeidsflyten: modellen leverer den foreslåtte handlingen, og applikasjonen kjører den og returnerer utfallet. Egne konverterte eller kvantiserte artefakter har sine egne betingelser for utrulling; det generelle modellnavnet velger ikke ett av dem.
Produsentens kjente problemer er konkrete. Modellen kan bruke lange genereringsforløp, og stabiliteten kan avta i spesialiserte domener eller utvidede samtaler over flere runder. Rapporterte symptomer omfatter gjentakende resonnering, svar som blander språk, og inkonsekvenser om tid eller identitet. Angi tydelig hvilket språk svaret skal være på, og hva den aktuelle oppgaven er, behold relevante observasjoner, og gjennomgå sluttleveransen opp mot det angitte målet. Hold denne tekstutgaven atskilt fra den ekstra synsenkoderen og bildeinndataene i Step 3.7 Flash.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser stepfun/step-3.5-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00022 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 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 $0.00022 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'stepfun/step-3.5-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'stepfun/step-3.5-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra stepfun/step-3.5-flash
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.