Pareto er Unbiaseds blandede språkmodellvalg for ett enkelt samtalesvar. Produsenten bruker flere modeller parallelt for hver forespørsel og kombinerer resultatene deres etter oppgaven. Blandingen omfatter ulike modelltyper, og sammensetningen kan endres. Pareto-navnet uten versjonsnummer beskriver dette valget i utvikling, fremfor å fastsette komponentene eller låse det til en nummerert forhåndsvisning.
Produsenten dokumenterer tekst- og bildeinndata og et tekstsvar. Paretos publiserte arbeidsområder omfatter resonnering, forskning og koding med en agent. Det nåværende modellkortet omtaler en navngitt forhåndsvisning, mens den generelle integrasjonsdokumentasjonen bruker Pareto som modellvalg. Dette er beslektede beskrivelser av produktet, men navnet uten versjonsnummer forblir atskilt fra en forespørsel som uttrykkelig velger Pareto 26.10 Preview.
For en dokumentsammenligning gir du tekstutdragene som skal sammenlignes, og kriteriene som er viktige. Be om konklusjonen, belegget for den og en liste over forskjeller som påvirker beslutningen. Hvis materialet inneholder en figur eller et skjermbilde, forklarer du hvilken egenskap modellen skal undersøke. Et nyttig resultat er et kort beslutningsnotat med en tabell med belegg, fremfor et langt svar som lar de relevante tekstutdragene være uidentifisert.
I en kodeoppgave angir du oppførselen som skal endres, og gir relevant implementasjon, feilinformasjon og forventet resultat. Be om en foreslått rettelse eller en sekvens av trinn med begrunnelsen for hvert av dem. Når en applikasjon kobler samtalen til utføringsverktøy, returnerer du det faktiske kommando- eller testresultatet som neste belegg. Det lar neste runde håndtere et observert resultat i stedet for å anta at den foreslåtte handlingen lyktes.
For en utvidet undersøkelse holder du en kort oversikt over målet, de bekreftede funnene og det uavklarte spørsmålet. Angi sluttleveransen fra starten: en sammenligning, en forklaring av en feil eller et endringsforslag med kontroller. En utvikler som gjennomgår en designbeslutning, kan for eksempel gi to implementasjoner og be om forskjellene i oppførsel, de relevante kodestedene og betingelsene der hver tilnærming er nyttig.
Unbiaseds egen integrasjonsdokumentasjon beskriver samtaleforespørsler i to kompatibilitetsformater og støtter strømmet levering. Denne produsentintegrasjonen serverer modellens svar. Søk, kommandoutføring og redigering av prosjektmateriale tilhører applikasjonen rundt samtalen, som stiller med verktøyene og returnerer resultatene deres.
", "aboutText": "Pareto er Unbiaseds blandede språkmodellvalg for ett enkelt samtalesvar. Produsenten bruker flere modeller parallelt for hver forespørsel og kombinerer resultatene deres etter oppgaven. Blandingen omfatter ulike modelltyper, og sammensetningen kan endres. Pareto-navnet uten versjonsnummer beskriver dette valget i utvikling, fremfor å fastsette komponentene eller låse det til en nummerert forhåndsvisning.\n\nProdusenten dokumenterer tekst- og bildeinndata og et tekstsvar. Paretos publiserte arbeidsområder omfatter resonnering, forskning og koding med en agent. Det nåværende modellkortet omtaler en navngitt forhåndsvisning, mens den generelle integrasjonsdokumentasjonen bruker Pareto som modellvalg. Dette er beslektede beskrivelser av produktet, men navnet uten versjonsnummer forblir atskilt fra en forespørsel som uttrykkelig velger Pareto 26.10 Preview.\n\nFor en dokumentsammenligning gir du tekstutdragene som skal sammenlignes, og kriteriene som er viktige. Be om konklusjonen, belegget for den og en liste over forskjeller som påvirker beslutningen. Hvis materialet inneholder en figur eller et skjermbilde, forklarer du hvilken egenskap modellen skal undersøke. Et nyttig resultat er et kort beslutningsnotat med en tabell med belegg, fremfor et langt svar som lar de relevante tekstutdragene være uidentifisert.\n\nI en kodeoppgave angir du oppførselen som skal endres, og gir relevant implementasjon, feilinformasjon og forventet resultat. Be om en foreslått rettelse eller en sekvens av trinn med begrunnelsen for hvert av dem. Når en applikasjon kobler samtalen til utføringsverktøy, returnerer du det faktiske kommando- eller testresultatet som neste belegg. Det lar neste runde håndtere et observert resultat i stedet for å anta at den foreslåtte handlingen lyktes.\n\nFor en utvidet undersøkelse holder du en kort oversikt over målet, de bekreftede funnene og det uavklarte spørsmålet. Angi sluttleveransen fra starten: en sammenligning, en forklaring av en feil eller et endringsforslag med kontroller. En utvikler som gjennomgår en designbeslutning, kan for eksempel gi to implementasjoner og be om forskjellene i oppførsel, de relevante kodestedene og betingelsene der hver tilnærming er nyttig.\n\nUnbiaseds egen integrasjonsdokumentasjon beskriver samtaleforespørsler i to kompatibilitetsformater og støtter strømmet levering. Denne produsentintegrasjonen serverer modellens svar. Søk, kommandoutføring og redigering av prosjektmateriale tilhører applikasjonen rundt samtalen, som stiller med verktøyene og returnerer resultatene deres.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare lookup implementations\n\nCompare these implementations for repeated customer-ID lookup. [A] find(id): scan the original records and return the first match. [B] build a map by assigning map[row.id]=row for each record; find(id): map[id]. Records may contain duplicate IDs; the required result is the earliest record. Explain behavioral differences, preprocessing trade-offs and a correction for B, with one duplicate example.A decision memo with an implementation comparison, a proposed correction and a duplicate-ID test case.Check the result identifies first-match versus last-assignment behavior rather than comparing speed alone.unbiased/paretoUnbiaseds Pareto er en blandet modell som samler flere språkmodellsvar til ett svar. Tekst- og bildeinndata støtter forsknings-, resonnerings- og kodearbeidsflyter, mens modellsammensetningen kan utvikle seg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Pareto er Unbiaseds blandede språkmodellvalg for ett enkelt samtalesvar. Produsenten bruker flere modeller parallelt for hver forespørsel og kombinerer resultatene deres etter oppgaven. Blandingen omfatter ulike modelltyper, og sammensetningen kan endres. Pareto-navnet uten versjonsnummer beskriver dette valget i utvikling, fremfor å fastsette komponentene eller låse det til en nummerert forhåndsvisning.
Produsenten dokumenterer tekst- og bildeinndata og et tekstsvar. Paretos publiserte arbeidsområder omfatter resonnering, forskning og koding med en agent. Det nåværende modellkortet omtaler en navngitt forhåndsvisning, mens den generelle integrasjonsdokumentasjonen bruker Pareto som modellvalg. Dette er beslektede beskrivelser av produktet, men navnet uten versjonsnummer forblir atskilt fra en forespørsel som uttrykkelig velger Pareto 26.10 Preview.
For en dokumentsammenligning gir du tekstutdragene som skal sammenlignes, og kriteriene som er viktige. Be om konklusjonen, belegget for den og en liste over forskjeller som påvirker beslutningen. Hvis materialet inneholder en figur eller et skjermbilde, forklarer du hvilken egenskap modellen skal undersøke. Et nyttig resultat er et kort beslutningsnotat med en tabell med belegg, fremfor et langt svar som lar de relevante tekstutdragene være uidentifisert.
I en kodeoppgave angir du oppførselen som skal endres, og gir relevant implementasjon, feilinformasjon og forventet resultat. Be om en foreslått rettelse eller en sekvens av trinn med begrunnelsen for hvert av dem. Når en applikasjon kobler samtalen til utføringsverktøy, returnerer du det faktiske kommando- eller testresultatet som neste belegg. Det lar neste runde håndtere et observert resultat i stedet for å anta at den foreslåtte handlingen lyktes.
For en utvidet undersøkelse holder du en kort oversikt over målet, de bekreftede funnene og det uavklarte spørsmålet. Angi sluttleveransen fra starten: en sammenligning, en forklaring av en feil eller et endringsforslag med kontroller. En utvikler som gjennomgår en designbeslutning, kan for eksempel gi to implementasjoner og be om forskjellene i oppførsel, de relevante kodestedene og betingelsene der hver tilnærming er nyttig.
Unbiaseds egen integrasjonsdokumentasjon beskriver samtaleforespørsler i to kompatibilitetsformater og støtter strømmet levering. Denne produsentintegrasjonen serverer modellens svar. Søk, kommandoutføring og redigering av prosjektmateriale tilhører applikasjonen rundt samtalen, som stiller med verktøyene og returnerer resultatene deres.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser unbiased/pareto | 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "unbiased/pareto", "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='unbiased/pareto',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='unbiased/pareto',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 unbiased/pareto
Bruk metodestiene som vises ovenfor.
unbiased/paretoUnbiaseds Pareto er en blandet modell som samler flere språkmodellsvar til ett svar. Tekst- og bildeinndata støtter forsknings-, resonnerings- og kodearbeidsflyter, mens modellsammensetningen kan utvikle seg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Pareto er Unbiaseds blandede språkmodellvalg for ett enkelt samtalesvar. Produsenten bruker flere modeller parallelt for hver forespørsel og kombinerer resultatene deres etter oppgaven. Blandingen omfatter ulike modelltyper, og sammensetningen kan endres. Pareto-navnet uten versjonsnummer beskriver dette valget i utvikling, fremfor å fastsette komponentene eller låse det til en nummerert forhåndsvisning.
Produsenten dokumenterer tekst- og bildeinndata og et tekstsvar. Paretos publiserte arbeidsområder omfatter resonnering, forskning og koding med en agent. Det nåværende modellkortet omtaler en navngitt forhåndsvisning, mens den generelle integrasjonsdokumentasjonen bruker Pareto som modellvalg. Dette er beslektede beskrivelser av produktet, men navnet uten versjonsnummer forblir atskilt fra en forespørsel som uttrykkelig velger Pareto 26.10 Preview.
For en dokumentsammenligning gir du tekstutdragene som skal sammenlignes, og kriteriene som er viktige. Be om konklusjonen, belegget for den og en liste over forskjeller som påvirker beslutningen. Hvis materialet inneholder en figur eller et skjermbilde, forklarer du hvilken egenskap modellen skal undersøke. Et nyttig resultat er et kort beslutningsnotat med en tabell med belegg, fremfor et langt svar som lar de relevante tekstutdragene være uidentifisert.
I en kodeoppgave angir du oppførselen som skal endres, og gir relevant implementasjon, feilinformasjon og forventet resultat. Be om en foreslått rettelse eller en sekvens av trinn med begrunnelsen for hvert av dem. Når en applikasjon kobler samtalen til utføringsverktøy, returnerer du det faktiske kommando- eller testresultatet som neste belegg. Det lar neste runde håndtere et observert resultat i stedet for å anta at den foreslåtte handlingen lyktes.
For en utvidet undersøkelse holder du en kort oversikt over målet, de bekreftede funnene og det uavklarte spørsmålet. Angi sluttleveransen fra starten: en sammenligning, en forklaring av en feil eller et endringsforslag med kontroller. En utvikler som gjennomgår en designbeslutning, kan for eksempel gi to implementasjoner og be om forskjellene i oppførsel, de relevante kodestedene og betingelsene der hver tilnærming er nyttig.
Unbiaseds egen integrasjonsdokumentasjon beskriver samtaleforespørsler i to kompatibilitetsformater og støtter strømmet levering. Denne produsentintegrasjonen serverer modellens svar. Søk, kommandoutføring og redigering av prosjektmateriale tilhører applikasjonen rundt samtalen, som stiller med verktøyene og returnerer resultatene deres.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser unbiased/pareto | 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 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 $0.005 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "unbiased/pareto",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'unbiased/pareto', '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': 'unbiased/pareto', '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 unbiased/pareto
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare lookup implementations\n\nCompare these implementations for repeated customer-ID lookup. [A] find(id): scan the original records and return the first match. [B] build a map by assigning map[row.id]=row for each record; find(id): map[id]. Records may contain duplicate IDs; the required result is the earliest record. Explain behavioral differences, preprocessing trade-offs and a correction for B, with one duplicate example.A decision memo with an implementation comparison, a proposed correction and a duplicate-ID test case.Check the result identifies first-match versus last-assignment behavior rather than comparing speed alone.