Inkling er Thinking Machines Labs store multimodale modell for generell bruk. Den offisielle spesifikasjonen har totalt 975 milliarder parametere og 41B aktive parametere. Den tar imot tekst, bilder og lyd og genererer UTF-8-tekst for samtaler, koding, instruksjonsbaserte oppgaver, arbeid støttet av innhentet informasjon og verktøytilkoblede applikasjoner. Den forblir atskilt fra Inkling-Small og separat tilpassede kontrollpunkter.
Modellen bruker 66 dekoderlag, der hvert token rutes til seks av 256 eksperter pluss to delte eksperter. Lokal og global attention kombineres. Produsentens utgivelse beskriver forhåndstrening på 45 billioner tokener som omfatter tekst, bilder, lyd og video, med videre databehandling og ettertrening. Separate BF16- og NVFP4-utgivelser er egne presisjonsartefakter.
Modellen støtter en kontekst på opptil 1M, mens produsentens treningstjeneste tilbyr konfigurasjoner på 64K og 256K. Inndata og utdata må passe i konteksten som brukes for oppgaven, med plass til resonnering så vel som det endelige svaret. Et oppdrag med lang kontekst bør identifisere spørsmålet og materialet som påvirker det, fremfor å behandle all tilgjengelig tekst som like viktig.
Tenkeinnsats er kontinuerlig i produsentens renderer: en endelig verdi fra 0.0 til, men ikke inkludert, 1.0. Navngitte startpunkter kobler none til 0.0, minimal til 0.1, low til 0.2, medium til 0.7, high til 0.9 og xhigh til 0.99; rendereren bruker high som standard. Null oppmuntrer til ingen resonnering uten å håndheve et hardt forbud. Innsats og genereringslengde er separate kontroller, så tenkingen må gi plass til det endelige svaret.
For bilder anbefaler kortet dimensjoner som ideelt sett er mellom 40 og 4096 piksler. Lyd bør være WAV ved 16 kHz og ideelt sett kortere enn tjue minutter. Dette er anbefalinger for optimale inndata. Gi bildet eller opptaket med et tydelig spørsmål og eventuelt ordforråd eller bakgrunn som trengs for å tolke det. Tekstutdataene kan forklare materialet eller organisere relevante funn; de er ikke generert tale eller video.
For kode eller en agentoppgave gir du kilden, målet og observasjonene fra aktuelle kontroller. Modellen foreslår verktøyinteraksjoner, og applikasjonen utfører dem og returnerer resultater. Behold denne historikken, slik at oppfølgende trinn bruker det faktiske belegget. En nyttig sluttleveranse angir den foreslåtte endringen eller konklusjonen og hva som fortsatt trenger en observasjon for å fastslås.
Produsenten utgir Inkling for forskning og tilpasning og dokumenterer multimodale sikkerhetsevalueringer og gjenværende begrensninger, inkludert ujevn språkdekning og svekkelse i lange samtaler. Hold en tilpasset modell atskilt fra det opprinnelige kontrollpunktet, og vurder den faktiske teksten eller koden opp mot oppgavens belegg og krav.
", "aboutText": "Inkling er Thinking Machines Labs store multimodale modell for generell bruk. Den offisielle spesifikasjonen har totalt 975 milliarder parametere og 41B aktive parametere. Den tar imot tekst, bilder og lyd og genererer UTF-8-tekst for samtaler, koding, instruksjonsbaserte oppgaver, arbeid støttet av innhentet informasjon og verktøytilkoblede applikasjoner. Den forblir atskilt fra Inkling-Small og separat tilpassede kontrollpunkter.\n\nModellen bruker 66 dekoderlag, der hvert token rutes til seks av 256 eksperter pluss to delte eksperter. Lokal og global attention kombineres. Produsentens utgivelse beskriver forhåndstrening på 45 billioner tokener som omfatter tekst, bilder, lyd og video, med videre databehandling og ettertrening. Separate BF16- og NVFP4-utgivelser er egne presisjonsartefakter.\n\nModellen støtter en kontekst på opptil 1M, mens produsentens treningstjeneste tilbyr konfigurasjoner på 64K og 256K. Inndata og utdata må passe i konteksten som brukes for oppgaven, med plass til resonnering så vel som det endelige svaret. Et oppdrag med lang kontekst bør identifisere spørsmålet og materialet som påvirker det, fremfor å behandle all tilgjengelig tekst som like viktig.\n\nTenkeinnsats er kontinuerlig i produsentens renderer: en endelig verdi fra 0.0 til, men ikke inkludert, 1.0. Navngitte startpunkter kobler none til 0.0, minimal til 0.1, low til 0.2, medium til 0.7, high til 0.9 og xhigh til 0.99; rendereren bruker high som standard. Null oppmuntrer til ingen resonnering uten å håndheve et hardt forbud. Innsats og genereringslengde er separate kontroller, så tenkingen må gi plass til det endelige svaret.\n\nFor bilder anbefaler kortet dimensjoner som ideelt sett er mellom 40 og 4096 piksler. Lyd bør være WAV ved 16 kHz og ideelt sett kortere enn tjue minutter. Dette er anbefalinger for optimale inndata. Gi bildet eller opptaket med et tydelig spørsmål og eventuelt ordforråd eller bakgrunn som trengs for å tolke det. Tekstutdataene kan forklare materialet eller organisere relevante funn; de er ikke generert tale eller video.\n\nFor kode eller en agentoppgave gir du kilden, målet og observasjonene fra aktuelle kontroller. Modellen foreslår verktøyinteraksjoner, og applikasjonen utfører dem og returnerer resultater. Behold denne historikken, slik at oppfølgende trinn bruker det faktiske belegget. En nyttig sluttleveranse angir den foreslåtte endringen eller konklusjonen og hva som fortsatt trenger en observasjon for å fastslås.\n\nProdusenten utgir Inkling for forskning og tilpasning og dokumenterer multimodale sikkerhetsevalueringer og gjenværende begrensninger, inkludert ujevn språkdekning og svekkelse i lange samtaler. Hold en tilpasset modell atskilt fra det opprinnelige kontrollpunktet, og vurder den faktiske teksten eller koden opp mot oppgavens belegg og krav.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.thinkingmachines/inklingThinking Machines Labs Inkling er en MoE-modell med 975B parametere og 41B aktive parametere for resonnering over tekst, bilder og lyd. Den genererer tekst, støtter verktøyorienterte applikasjoner og kodeapplikasjoner og tilbyr kontinuerlig tenkeinnsats med en modellkontekst på 1M.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Inkling er Thinking Machines Labs store multimodale modell for generell bruk. Den offisielle spesifikasjonen har totalt 975 milliarder parametere og 41B aktive parametere. Den tar imot tekst, bilder og lyd og genererer UTF-8-tekst for samtaler, koding, instruksjonsbaserte oppgaver, arbeid støttet av innhentet informasjon og verktøytilkoblede applikasjoner. Den forblir atskilt fra Inkling-Small og separat tilpassede kontrollpunkter.
Modellen bruker 66 dekoderlag, der hvert token rutes til seks av 256 eksperter pluss to delte eksperter. Lokal og global attention kombineres. Produsentens utgivelse beskriver forhåndstrening på 45 billioner tokener som omfatter tekst, bilder, lyd og video, med videre databehandling og ettertrening. Separate BF16- og NVFP4-utgivelser er egne presisjonsartefakter.
Modellen støtter en kontekst på opptil 1M, mens produsentens treningstjeneste tilbyr konfigurasjoner på 64K og 256K. Inndata og utdata må passe i konteksten som brukes for oppgaven, med plass til resonnering så vel som det endelige svaret. Et oppdrag med lang kontekst bør identifisere spørsmålet og materialet som påvirker det, fremfor å behandle all tilgjengelig tekst som like viktig.
Tenkeinnsats er kontinuerlig i produsentens renderer: en endelig verdi fra 0.0 til, men ikke inkludert, 1.0. Navngitte startpunkter kobler none til 0.0, minimal til 0.1, low til 0.2, medium til 0.7, high til 0.9 og xhigh til 0.99; rendereren bruker high som standard. Null oppmuntrer til ingen resonnering uten å håndheve et hardt forbud. Innsats og genereringslengde er separate kontroller, så tenkingen må gi plass til det endelige svaret.
For bilder anbefaler kortet dimensjoner som ideelt sett er mellom 40 og 4096 piksler. Lyd bør være WAV ved 16 kHz og ideelt sett kortere enn tjue minutter. Dette er anbefalinger for optimale inndata. Gi bildet eller opptaket med et tydelig spørsmål og eventuelt ordforråd eller bakgrunn som trengs for å tolke det. Tekstutdataene kan forklare materialet eller organisere relevante funn; de er ikke generert tale eller video.
For kode eller en agentoppgave gir du kilden, målet og observasjonene fra aktuelle kontroller. Modellen foreslår verktøyinteraksjoner, og applikasjonen utfører dem og returnerer resultater. Behold denne historikken, slik at oppfølgende trinn bruker det faktiske belegget. En nyttig sluttleveranse angir den foreslåtte endringen eller konklusjonen og hva som fortsatt trenger en observasjon for å fastslås.
Produsenten utgir Inkling for forskning og tilpasning og dokumenterer multimodale sikkerhetsevalueringer og gjenværende begrensninger, inkludert ujevn språkdekning og svekkelse i lange samtaler. Hold en tilpasset modell atskilt fra det opprinnelige kontrollpunktet, og vurder den faktiske teksten eller koden opp mot oppgavens belegg og krav.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser thinkingmachines/inkling | 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.0081 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.0081 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling", "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='thinkingmachines/inkling',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='thinkingmachines/inkling',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 thinkingmachines/inkling
Bruk metodestiene som vises ovenfor.
thinkingmachines/inklingThinking Machines Labs Inkling er en MoE-modell med 975B parametere og 41B aktive parametere for resonnering over tekst, bilder og lyd. Den genererer tekst, støtter verktøyorienterte applikasjoner og kodeapplikasjoner og tilbyr kontinuerlig tenkeinnsats med en modellkontekst på 1M.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Inkling er Thinking Machines Labs store multimodale modell for generell bruk. Den offisielle spesifikasjonen har totalt 975 milliarder parametere og 41B aktive parametere. Den tar imot tekst, bilder og lyd og genererer UTF-8-tekst for samtaler, koding, instruksjonsbaserte oppgaver, arbeid støttet av innhentet informasjon og verktøytilkoblede applikasjoner. Den forblir atskilt fra Inkling-Small og separat tilpassede kontrollpunkter.
Modellen bruker 66 dekoderlag, der hvert token rutes til seks av 256 eksperter pluss to delte eksperter. Lokal og global attention kombineres. Produsentens utgivelse beskriver forhåndstrening på 45 billioner tokener som omfatter tekst, bilder, lyd og video, med videre databehandling og ettertrening. Separate BF16- og NVFP4-utgivelser er egne presisjonsartefakter.
Modellen støtter en kontekst på opptil 1M, mens produsentens treningstjeneste tilbyr konfigurasjoner på 64K og 256K. Inndata og utdata må passe i konteksten som brukes for oppgaven, med plass til resonnering så vel som det endelige svaret. Et oppdrag med lang kontekst bør identifisere spørsmålet og materialet som påvirker det, fremfor å behandle all tilgjengelig tekst som like viktig.
Tenkeinnsats er kontinuerlig i produsentens renderer: en endelig verdi fra 0.0 til, men ikke inkludert, 1.0. Navngitte startpunkter kobler none til 0.0, minimal til 0.1, low til 0.2, medium til 0.7, high til 0.9 og xhigh til 0.99; rendereren bruker high som standard. Null oppmuntrer til ingen resonnering uten å håndheve et hardt forbud. Innsats og genereringslengde er separate kontroller, så tenkingen må gi plass til det endelige svaret.
For bilder anbefaler kortet dimensjoner som ideelt sett er mellom 40 og 4096 piksler. Lyd bør være WAV ved 16 kHz og ideelt sett kortere enn tjue minutter. Dette er anbefalinger for optimale inndata. Gi bildet eller opptaket med et tydelig spørsmål og eventuelt ordforråd eller bakgrunn som trengs for å tolke det. Tekstutdataene kan forklare materialet eller organisere relevante funn; de er ikke generert tale eller video.
For kode eller en agentoppgave gir du kilden, målet og observasjonene fra aktuelle kontroller. Modellen foreslår verktøyinteraksjoner, og applikasjonen utfører dem og returnerer resultater. Behold denne historikken, slik at oppfølgende trinn bruker det faktiske belegget. En nyttig sluttleveranse angir den foreslåtte endringen eller konklusjonen og hva som fortsatt trenger en observasjon for å fastslås.
Produsenten utgir Inkling for forskning og tilpasning og dokumenterer multimodale sikkerhetsevalueringer og gjenværende begrensninger, inkludert ujevn språkdekning og svekkelse i lange samtaler. Hold en tilpasset modell atskilt fra det opprinnelige kontrollpunktet, og vurder den faktiske teksten eller koden opp mot oppgavens belegg og krav.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser thinkingmachines/inkling | 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.0081 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 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 $0.0019 / 1K tokener Utdata · Utgående tokener $0.0081 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00032 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "thinkingmachines/inkling",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'thinkingmachines/inkling', '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': 'thinkingmachines/inkling', '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 thinkingmachines/inkling
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.