Trinity-Large-Thinking is de voor redenering geoptimaliseerde release van de Trinity Large-familie van Arcee AI. Het is gebouwd voor agents die over meerdere stappen plannen, tools aanroepen en tijdens een lang gesprek een samenhangende taak behouden, terwijl de algemene mogelijkheden voor tekstgeneratie behouden blijven. Het model accepteert tekst en genereert tekst, waaronder expliciete redenering en toolverzoeken. De training breidt Trinity-Large-Base uit met instructieafstemming en reinforcement learning op redeneerketens, reeksen toolaanroepen en agenttaken met meerdere stappen.
De modelkaart beschrijft een sparse mixture-of-experts-architectuur met ongeveer 398 miljard totale parameters en 13 miljard actieve parameters per token. Ze vermeldt 256 experts, één gedeelde expert, vier actieve experts en een contextvenster van 512K na uitbreiding vanuit een pretrainingscontext van 8,192 tokens. Dit zijn modeleigenschappen van de producent en geen voorspelling van de antwoordsnelheid. Het Thinking-checkpoint verschilt van het licht nabewerkte, gebruiksklare chatmodel Trinity-Large-Preview, dat geen reasoning_content levert, en van de pretrainingscheckpoints Base en TrueBase.
Expliciete redenering verschijnt vóór het uiteindelijke antwoord in blokken <think>...</think>. In het gedocumenteerde gestructureerde antwoord bevat reasoning_content die redenering apart van content en tool_calls. Het bewaren van de volledige assistentbeurt is een wezenlijk onderdeel van het gebruik van dit model: geef de redenering vóór de volgende stap terug, samen met het antwoord en eventuele toolaanroepen. De chatsjabloon herstelt de denkblokken bij het samenstellen van de volgende invoer. Als de geschiedenis moet worden ingekort, adviseert Arcee om oudere beurten als geheel te verwijderen, in plaats van redenering uit recente beurten te strippen.
Het patroon van de fabrikant voor de agentcyclus begint met de gebruikerstaak en tooldefinities, ontvangt redenering, een antwoord of toolverzoeken, voert de gevraagde tools buiten het model uit en voegt de assistentbeurt plus daadwerkelijke toolresultaten toe voordat het verdergaat. Dit gaat door totdat een definitief antwoord zonder toolaanroepen wordt teruggegeven. Voor assistentbeurten die toolaanroepen maar geen antwoordtekst bevatten, vereist de handleiding dat content een lege tekenreeks is in plaats van null. Ook het redeneerveld moet passen bij de interface die het verzoek afhandelt: de handleiding van Arcee maakt onderscheid tussen reasoning_content en integraties die reasoning verwachten.
Dit maakt het model nuttig voor een supportworkflow die eerst een record opzoekt, het aangeleverde beleid toepast en vervolgens om de passende vervolghandeling vraagt, of voor een code-agent die bestanden inspecteert, een wijziging voorstelt en een uitvoeringsresultaat interpreteert. Geef het het daadwerkelijke doel, de toolnamen, argumentschema's, beperkingen en een voltooiingsvoorwaarde. Een voorbeeldbriefing kan vragen om een defect te vinden, het bewijs uit te leggen en een minimale patch voor te stellen, met een duidelijk onderscheid tussen waargenomen toolresultaten en nog geplande handelingen. Toolaanroepen zijn verzoeken aan een uitvoeringslaag, geen bewijs dat het model al een bestand heeft gewijzigd of een externe handeling heeft voltooid.
De kaart adviseert temperature 0.45–0.6, top_p 0.95 en top_k 50 voor inferentie. Dit zijn aanbevolen instellingen, geen vaste uitvoerlimieten. De belangrijke foutmodus in de handleiding van de fabrikant is verkeerd gevormd toolgebruik in meerdere stappen wanneer een voorafgaande beurt redenering verliest of een ongeldige berichtstructuur heeft: opmaak voor toolaanroepen kan dan in het redeneerveld verschijnen in plaats van in de gestructureerde uitvoer voor toolaanroepen. Bewaar de volledige beurt, behoud antwoordinhoud die niet null is en behandel het eindresultaat apart van de opgeslagen redeneergeschiedenis. Deze editie past vooral bij workflows waarin continuïteit tussen waarnemingen, redenering en daaropvolgende handelingen belangrijk is.
", "aboutText": "Trinity-Large-Thinking is de voor redenering geoptimaliseerde release van de Trinity Large-familie van Arcee AI. Het is gebouwd voor agents die over meerdere stappen plannen, tools aanroepen en tijdens een lang gesprek een samenhangende taak behouden, terwijl de algemene mogelijkheden voor tekstgeneratie behouden blijven. Het model accepteert tekst en genereert tekst, waaronder expliciete redenering en toolverzoeken. De training breidt Trinity-Large-Base uit met instructieafstemming en reinforcement learning op redeneerketens, reeksen toolaanroepen en agenttaken met meerdere stappen.\n\nDe modelkaart beschrijft een sparse mixture-of-experts-architectuur met ongeveer 398 miljard totale parameters en 13 miljard actieve parameters per token. Ze vermeldt 256 experts, één gedeelde expert, vier actieve experts en een contextvenster van 512K na uitbreiding vanuit een pretrainingscontext van 8,192 tokens. Dit zijn modeleigenschappen van de producent en geen voorspelling van de antwoordsnelheid. Het Thinking-checkpoint verschilt van het licht nabewerkte, gebruiksklare chatmodel Trinity-Large-Preview, dat geen reasoning_content levert, en van de pretrainingscheckpoints Base en TrueBase.\n\nExpliciete redenering verschijnt vóór het uiteindelijke antwoord in blokkenTechnisch voorbeeld in het Engels
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingTrinity-Large-Thinking is het redeneermodel van Arcee AI voor agents met meerdere stappen en toolaanroepen. Het genereert expliciete redenering vóór het antwoord en vereist dat die redenering behouden blijft tussen gespreksbeurten en in workflows die tools gebruiken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Trinity-Large-Thinking is de voor redenering geoptimaliseerde release van de Trinity Large-familie van Arcee AI. Het is gebouwd voor agents die over meerdere stappen plannen, tools aanroepen en tijdens een lang gesprek een samenhangende taak behouden, terwijl de algemene mogelijkheden voor tekstgeneratie behouden blijven. Het model accepteert tekst en genereert tekst, waaronder expliciete redenering en toolverzoeken. De training breidt Trinity-Large-Base uit met instructieafstemming en reinforcement learning op redeneerketens, reeksen toolaanroepen en agenttaken met meerdere stappen.
De modelkaart beschrijft een sparse mixture-of-experts-architectuur met ongeveer 398 miljard totale parameters en 13 miljard actieve parameters per token. Ze vermeldt 256 experts, één gedeelde expert, vier actieve experts en een contextvenster van 512K na uitbreiding vanuit een pretrainingscontext van 8,192 tokens. Dit zijn modeleigenschappen van de producent en geen voorspelling van de antwoordsnelheid. Het Thinking-checkpoint verschilt van het licht nabewerkte, gebruiksklare chatmodel Trinity-Large-Preview, dat geen reasoning_content levert, en van de pretrainingscheckpoints Base en TrueBase.
Expliciete redenering verschijnt vóór het uiteindelijke antwoord in blokken <think>...</think>. In het gedocumenteerde gestructureerde antwoord bevat reasoning_content die redenering apart van content en tool_calls. Het bewaren van de volledige assistentbeurt is een wezenlijk onderdeel van het gebruik van dit model: geef de redenering vóór de volgende stap terug, samen met het antwoord en eventuele toolaanroepen. De chatsjabloon herstelt de denkblokken bij het samenstellen van de volgende invoer. Als de geschiedenis moet worden ingekort, adviseert Arcee om oudere beurten als geheel te verwijderen, in plaats van redenering uit recente beurten te strippen.
Het patroon van de fabrikant voor de agentcyclus begint met de gebruikerstaak en tooldefinities, ontvangt redenering, een antwoord of toolverzoeken, voert de gevraagde tools buiten het model uit en voegt de assistentbeurt plus daadwerkelijke toolresultaten toe voordat het verdergaat. Dit gaat door totdat een definitief antwoord zonder toolaanroepen wordt teruggegeven. Voor assistentbeurten die toolaanroepen maar geen antwoordtekst bevatten, vereist de handleiding dat content een lege tekenreeks is in plaats van null. Ook het redeneerveld moet passen bij de interface die het verzoek afhandelt: de handleiding van Arcee maakt onderscheid tussen reasoning_content en integraties die reasoning verwachten.
Dit maakt het model nuttig voor een supportworkflow die eerst een record opzoekt, het aangeleverde beleid toepast en vervolgens om de passende vervolghandeling vraagt, of voor een code-agent die bestanden inspecteert, een wijziging voorstelt en een uitvoeringsresultaat interpreteert. Geef het het daadwerkelijke doel, de toolnamen, argumentschema's, beperkingen en een voltooiingsvoorwaarde. Een voorbeeldbriefing kan vragen om een defect te vinden, het bewijs uit te leggen en een minimale patch voor te stellen, met een duidelijk onderscheid tussen waargenomen toolresultaten en nog geplande handelingen. Toolaanroepen zijn verzoeken aan een uitvoeringslaag, geen bewijs dat het model al een bestand heeft gewijzigd of een externe handeling heeft voltooid.
De kaart adviseert temperature 0.45–0.6, top_p 0.95 en top_k 50 voor inferentie. Dit zijn aanbevolen instellingen, geen vaste uitvoerlimieten. De belangrijke foutmodus in de handleiding van de fabrikant is verkeerd gevormd toolgebruik in meerdere stappen wanneer een voorafgaande beurt redenering verliest of een ongeldige berichtstructuur heeft: opmaak voor toolaanroepen kan dan in het redeneerveld verschijnen in plaats van in de gestructureerde uitvoer voor toolaanroepen. Bewaar de volledige beurt, behoud antwoordinhoud die niet null is en behandel het eindresultaat apart van de opgeslagen redeneergeschiedenis. Deze editie past vooral bij workflows waarin continuïteit tussen waarnemingen, redenering en daaropvolgende handelingen belangrijk is.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten arcee-ai/trinity-large-thinking | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0005 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00012 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0005 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00012 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "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='arcee-ai/trinity-large-thinking',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='arcee-ai/trinity-large-thinking',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra arcee-ai/trinity-large-thinking
Gebruik de hierboven getoonde methodepaden.
arcee-ai/trinity-large-thinkingTrinity-Large-Thinking is het redeneermodel van Arcee AI voor agents met meerdere stappen en toolaanroepen. Het genereert expliciete redenering vóór het antwoord en vereist dat die redenering behouden blijft tussen gespreksbeurten en in workflows die tools gebruiken.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Trinity-Large-Thinking is de voor redenering geoptimaliseerde release van de Trinity Large-familie van Arcee AI. Het is gebouwd voor agents die over meerdere stappen plannen, tools aanroepen en tijdens een lang gesprek een samenhangende taak behouden, terwijl de algemene mogelijkheden voor tekstgeneratie behouden blijven. Het model accepteert tekst en genereert tekst, waaronder expliciete redenering en toolverzoeken. De training breidt Trinity-Large-Base uit met instructieafstemming en reinforcement learning op redeneerketens, reeksen toolaanroepen en agenttaken met meerdere stappen.
De modelkaart beschrijft een sparse mixture-of-experts-architectuur met ongeveer 398 miljard totale parameters en 13 miljard actieve parameters per token. Ze vermeldt 256 experts, één gedeelde expert, vier actieve experts en een contextvenster van 512K na uitbreiding vanuit een pretrainingscontext van 8,192 tokens. Dit zijn modeleigenschappen van de producent en geen voorspelling van de antwoordsnelheid. Het Thinking-checkpoint verschilt van het licht nabewerkte, gebruiksklare chatmodel Trinity-Large-Preview, dat geen reasoning_content levert, en van de pretrainingscheckpoints Base en TrueBase.
Expliciete redenering verschijnt vóór het uiteindelijke antwoord in blokken <think>...</think>. In het gedocumenteerde gestructureerde antwoord bevat reasoning_content die redenering apart van content en tool_calls. Het bewaren van de volledige assistentbeurt is een wezenlijk onderdeel van het gebruik van dit model: geef de redenering vóór de volgende stap terug, samen met het antwoord en eventuele toolaanroepen. De chatsjabloon herstelt de denkblokken bij het samenstellen van de volgende invoer. Als de geschiedenis moet worden ingekort, adviseert Arcee om oudere beurten als geheel te verwijderen, in plaats van redenering uit recente beurten te strippen.
Het patroon van de fabrikant voor de agentcyclus begint met de gebruikerstaak en tooldefinities, ontvangt redenering, een antwoord of toolverzoeken, voert de gevraagde tools buiten het model uit en voegt de assistentbeurt plus daadwerkelijke toolresultaten toe voordat het verdergaat. Dit gaat door totdat een definitief antwoord zonder toolaanroepen wordt teruggegeven. Voor assistentbeurten die toolaanroepen maar geen antwoordtekst bevatten, vereist de handleiding dat content een lege tekenreeks is in plaats van null. Ook het redeneerveld moet passen bij de interface die het verzoek afhandelt: de handleiding van Arcee maakt onderscheid tussen reasoning_content en integraties die reasoning verwachten.
Dit maakt het model nuttig voor een supportworkflow die eerst een record opzoekt, het aangeleverde beleid toepast en vervolgens om de passende vervolghandeling vraagt, of voor een code-agent die bestanden inspecteert, een wijziging voorstelt en een uitvoeringsresultaat interpreteert. Geef het het daadwerkelijke doel, de toolnamen, argumentschema's, beperkingen en een voltooiingsvoorwaarde. Een voorbeeldbriefing kan vragen om een defect te vinden, het bewijs uit te leggen en een minimale patch voor te stellen, met een duidelijk onderscheid tussen waargenomen toolresultaten en nog geplande handelingen. Toolaanroepen zijn verzoeken aan een uitvoeringslaag, geen bewijs dat het model al een bestand heeft gewijzigd of een externe handeling heeft voltooid.
De kaart adviseert temperature 0.45–0.6, top_p 0.95 en top_k 50 voor inferentie. Dit zijn aanbevolen instellingen, geen vaste uitvoerlimieten. De belangrijke foutmodus in de handleiding van de fabrikant is verkeerd gevormd toolgebruik in meerdere stappen wanneer een voorafgaande beurt redenering verliest of een ongeldige berichtstructuur heeft: opmaak voor toolaanroepen kan dan in het redeneerveld verschijnen in plaats van in de gestructureerde uitvoer voor toolaanroepen. Bewaar de volledige beurt, behoud antwoordinhoud die niet null is en behandel het eindresultaat apart van de opgeslagen redeneergeschiedenis. Deze editie past vooral bij workflows waarin continuïteit tussen waarnemingen, redenering en daaropvolgende handelingen belangrijk is.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten arcee-ai/trinity-large-thinking | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0005 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00012 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0005 / 1K tokens Uitvoer · Uitvoertokens $0.0016 / 1K tokens Invoer · Cache lezen $0.00012 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra arcee-ai/trinity-large-thinking
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.