Hy3 preview er Tencent Hys første Hy3-modell trent på selskapets ombygde infrastruktur. Produsenten angir en mixture-of-experts-arkitektur med totalt 295B parametere, 21B aktive parametere og et lag med 3.8B parametere for prediksjon av flere tokener. Modellen tar imot skriftlige prompter og samtaler og genererer tekst for resonnering, koding og instruksjonsbaserte oppgaver.
Den publiserte grunnarkitekturen har 80 lag, grouped-query attention med 64 spørringshoder og åtte nøkkel/verdi-hoder, samt 192 eksperter hvorav åtte aktiveres per token. Kontekstvinduet er 256K. Disse spesifikasjonene gjelder forhåndsvisningsutgaven, mens den senere Hy3-utgivelsen endrer ettertrening og produktoppførsel og derfor ikke er den samme navngitte modellen.
Produsentens fremhevede egenskaper begynner med STEM og resonnering. For et analytisk problem gir du premissene, observasjonene og formen på svaret. Be om konklusjonen med trinnene som trengs for å vurdere den. En kodeoppgave bør inneholde den nåværende implementasjonen, forventet oppførsel og faktisk feilinformasjon, slik at en foreslått endring løser et definert problem.
Læring fra kontekst og det å følge instruksjoner står også sentralt i denne utgivelsen. Forbered langt materiale med reglene modellen skal bruke, og delene som er relevante for spørsmålet. Be om funn knyttet til kilden, og hold viktige begrensninger synlige gjennom oppfølgende samtalerunder. Dette bidrar til å skille korrekt bruk av den innsendte konteksten fra et svar basert på en uuttalt antakelse.
I en arbeidsflyt for en kode- eller søkeagent stiller applikasjonen verktøyene til rådighet og returnerer resultatene deres. Modellen foreslår neste interaksjon og bruker observasjonene som følger, i et videre trinn. Et nyttig sluttresultat identifiserer den foreslåtte endringen eller undersøkelsesfunnet og belegget som fortsatt må kontrolleres før applikasjonen bruker det.
Produsentens eksempel oppgir no_think som standardvalget for direkte svar, sammen med low og high; den forklarende veiledningen anbefaler high for komplisert resonnering. Samplingsveiledningen bruker temperature 0.9 og top-p 1.0. Dette er produsentinnstillinger, ikke en garanti for valgfrie kontroller i en bestemt integrasjon. Den separat navngitte forhåndstrente basismodellen, instruct-forhåndsvisningen og de konverterte artefaktene beholder sine egne identiteter.
", "aboutText": "Hy3 preview er Tencent Hys første Hy3-modell trent på selskapets ombygde infrastruktur. Produsenten angir en mixture-of-experts-arkitektur med totalt 295B parametere, 21B aktive parametere og et lag med 3.8B parametere for prediksjon av flere tokener. Modellen tar imot skriftlige prompter og samtaler og genererer tekst for resonnering, koding og instruksjonsbaserte oppgaver.\n\nDen publiserte grunnarkitekturen har 80 lag, grouped-query attention med 64 spørringshoder og åtte nøkkel/verdi-hoder, samt 192 eksperter hvorav åtte aktiveres per token. Kontekstvinduet er 256K. Disse spesifikasjonene gjelder forhåndsvisningsutgaven, mens den senere Hy3-utgivelsen endrer ettertrening og produktoppførsel og derfor ikke er den samme navngitte modellen.\n\nProdusentens fremhevede egenskaper begynner med STEM og resonnering. For et analytisk problem gir du premissene, observasjonene og formen på svaret. Be om konklusjonen med trinnene som trengs for å vurdere den. En kodeoppgave bør inneholde den nåværende implementasjonen, forventet oppførsel og faktisk feilinformasjon, slik at en foreslått endring løser et definert problem.\n\nLæring fra kontekst og det å følge instruksjoner står også sentralt i denne utgivelsen. Forbered langt materiale med reglene modellen skal bruke, og delene som er relevante for spørsmålet. Be om funn knyttet til kilden, og hold viktige begrensninger synlige gjennom oppfølgende samtalerunder. Dette bidrar til å skille korrekt bruk av den innsendte konteksten fra et svar basert på en uuttalt antakelse.\n\nI en arbeidsflyt for en kode- eller søkeagent stiller applikasjonen verktøyene til rådighet og returnerer resultatene deres. Modellen foreslår neste interaksjon og bruker observasjonene som følger, i et videre trinn. Et nyttig sluttresultat identifiserer den foreslåtte endringen eller undersøkelsesfunnet og belegget som fortsatt må kontrolleres før applikasjonen bruker det.\n\nProdusentens eksempel oppgir no_think som standardvalget for direkte svar, sammen med low og high; den forklarende veiledningen anbefaler high for komplisert resonnering. Samplingsveiledningen bruker temperature 0.9 og top-p 1.0. Dette er produsentinnstillinger, ikke en garanti for valgfrie kontroller i en bestemt integrasjon. Den separat navngitte forhåndstrente basismodellen, instruct-forhåndsvisningen og de konverterte artefaktene beholder sine egne identiteter.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.tencent/hy3-previewTencents Hy3 preview er en MoE-tekstmodell med 295B parametere, 21B aktive parametere og en kontekst på 256K. Den er rettet mot STEM-resonnering, læring fra kontekst, instruksjoner, koding og agenter, med valg mellom direkte svar og tenking i produsentens eksempel.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Hy3 preview er Tencent Hys første Hy3-modell trent på selskapets ombygde infrastruktur. Produsenten angir en mixture-of-experts-arkitektur med totalt 295B parametere, 21B aktive parametere og et lag med 3.8B parametere for prediksjon av flere tokener. Modellen tar imot skriftlige prompter og samtaler og genererer tekst for resonnering, koding og instruksjonsbaserte oppgaver.
Den publiserte grunnarkitekturen har 80 lag, grouped-query attention med 64 spørringshoder og åtte nøkkel/verdi-hoder, samt 192 eksperter hvorav åtte aktiveres per token. Kontekstvinduet er 256K. Disse spesifikasjonene gjelder forhåndsvisningsutgaven, mens den senere Hy3-utgivelsen endrer ettertrening og produktoppførsel og derfor ikke er den samme navngitte modellen.
Produsentens fremhevede egenskaper begynner med STEM og resonnering. For et analytisk problem gir du premissene, observasjonene og formen på svaret. Be om konklusjonen med trinnene som trengs for å vurdere den. En kodeoppgave bør inneholde den nåværende implementasjonen, forventet oppførsel og faktisk feilinformasjon, slik at en foreslått endring løser et definert problem.
Læring fra kontekst og det å følge instruksjoner står også sentralt i denne utgivelsen. Forbered langt materiale med reglene modellen skal bruke, og delene som er relevante for spørsmålet. Be om funn knyttet til kilden, og hold viktige begrensninger synlige gjennom oppfølgende samtalerunder. Dette bidrar til å skille korrekt bruk av den innsendte konteksten fra et svar basert på en uuttalt antakelse.
I en arbeidsflyt for en kode- eller søkeagent stiller applikasjonen verktøyene til rådighet og returnerer resultatene deres. Modellen foreslår neste interaksjon og bruker observasjonene som følger, i et videre trinn. Et nyttig sluttresultat identifiserer den foreslåtte endringen eller undersøkelsesfunnet og belegget som fortsatt må kontrolleres før applikasjonen bruker det.
Produsentens eksempel oppgir no_think som standardvalget for direkte svar, sammen med low og high; den forklarende veiledningen anbefaler high for komplisert resonnering. Samplingsveiledningen bruker temperature 0.9 og top-p 1.0. Dette er produsentinnstillinger, ikke en garanti for valgfrie kontroller i en bestemt integrasjon. Den separat navngitte forhåndstrente basismodellen, instruct-forhåndsvisningen og de konverterte artefaktene beholder sine egne identiteter.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser tencent/hy3-preview | 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "tencent/hy3-preview", "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='tencent/hy3-preview',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='tencent/hy3-preview',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 tencent/hy3-preview
Bruk metodestiene som vises ovenfor.
tencent/hy3-previewTencents Hy3 preview er en MoE-tekstmodell med 295B parametere, 21B aktive parametere og en kontekst på 256K. Den er rettet mot STEM-resonnering, læring fra kontekst, instruksjoner, koding og agenter, med valg mellom direkte svar og tenking i produsentens eksempel.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Hy3 preview er Tencent Hys første Hy3-modell trent på selskapets ombygde infrastruktur. Produsenten angir en mixture-of-experts-arkitektur med totalt 295B parametere, 21B aktive parametere og et lag med 3.8B parametere for prediksjon av flere tokener. Modellen tar imot skriftlige prompter og samtaler og genererer tekst for resonnering, koding og instruksjonsbaserte oppgaver.
Den publiserte grunnarkitekturen har 80 lag, grouped-query attention med 64 spørringshoder og åtte nøkkel/verdi-hoder, samt 192 eksperter hvorav åtte aktiveres per token. Kontekstvinduet er 256K. Disse spesifikasjonene gjelder forhåndsvisningsutgaven, mens den senere Hy3-utgivelsen endrer ettertrening og produktoppførsel og derfor ikke er den samme navngitte modellen.
Produsentens fremhevede egenskaper begynner med STEM og resonnering. For et analytisk problem gir du premissene, observasjonene og formen på svaret. Be om konklusjonen med trinnene som trengs for å vurdere den. En kodeoppgave bør inneholde den nåværende implementasjonen, forventet oppførsel og faktisk feilinformasjon, slik at en foreslått endring løser et definert problem.
Læring fra kontekst og det å følge instruksjoner står også sentralt i denne utgivelsen. Forbered langt materiale med reglene modellen skal bruke, og delene som er relevante for spørsmålet. Be om funn knyttet til kilden, og hold viktige begrensninger synlige gjennom oppfølgende samtalerunder. Dette bidrar til å skille korrekt bruk av den innsendte konteksten fra et svar basert på en uuttalt antakelse.
I en arbeidsflyt for en kode- eller søkeagent stiller applikasjonen verktøyene til rådighet og returnerer resultatene deres. Modellen foreslår neste interaksjon og bruker observasjonene som følger, i et videre trinn. Et nyttig sluttresultat identifiserer den foreslåtte endringen eller undersøkelsesfunnet og belegget som fortsatt må kontrolleres før applikasjonen bruker det.
Produsentens eksempel oppgir no_think som standardvalget for direkte svar, sammen med low og high; den forklarende veiledningen anbefaler high for komplisert resonnering. Samplingsveiledningen bruker temperature 0.9 og top-p 1.0. Dette er produsentinnstillinger, ikke en garanti for valgfrie kontroller i en bestemt integrasjon. Den separat navngitte forhåndstrente basismodellen, instruct-forhåndsvisningen og de konverterte artefaktene beholder sine egne identiteter.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser tencent/hy3-preview | 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00012 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "tencent/hy3-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'tencent/hy3-preview', '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': 'tencent/hy3-preview', '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 tencent/hy3-preview
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.