Mercury 2 is het redeneertaalmodel van Inception dat is gebouwd rond tekstgeneratie op basis van diffusie. In plaats van uitsluitend sequentieel van links naar rechts te decoderen, verfijnt het model meerdere tokens parallel richting het resultaat. De fabrikant ontwikkelt dit profiel voor herhaalde interactieve stappen bij programmeren, agents, ophalen en extractie. Het accepteert geschreven instructies en tekstcontext en produceert een tekstantwoord, code, gestructureerde gegevens of voorgestelde hulpmiddelbewerkingen.
De exacte introductiebeschrijving vermeldt een context van 128K, instelbaar redeneren, ingebouwd hulpmiddelgebruik en schemaconforme JSON. Deze functies behoren tot het gedocumenteerde profiel van Mercury 2, los van de latere context van Mercury 2.5 en de gespecialiseerde modellen Voice, Router en Edit. Stel de vorm van het eindantwoord expliciet vast in plaats van uit de familienaam spraak- of bewerkingsuitvoer af te leiden.
Geef voor een eenvoudige extractie de velddefinities en de bronpassage. Formuleer voor een redeneertaak de volledige voorwaarde en de beperkingen waaraan moet worden voldaan. Een praktische opdracht is: “Vergelijk deze implementatie met de vereisten, identificeer de eerste afwijking en geef een gerichte correctie met ondersteunende uitleg terug.” Het eindresultaat moet aan de invoer gekoppeld blijven, ook wanneer het model tussentijdse analyse ontwikkelt.
De maker beschrijft automatisch aanvullen, suggesties voor de volgende bewerking, refactoring en interactieve programmeeragents als relevante toepassingen. Lever de omringende implementatie aan en benoem wat moet veranderen. Leg het verwachte gedrag uit en behoud openbare namen of interfaces die de revisie moet bewaren. Een voorgestelde bewerking kan dan worden gecontroleerd op passendheid voordat die op het daadwerkelijke project wordt toegepast.
Bij een ontwikkelingstaak die door hulpmiddelen wordt gestuurd kiest het model uit aangeleverde bewerkingen en voert de toepassing ze uit. Geef echte foutmeldingen, codefragmenten of validatiewaarnemingen terug in de volgende beurt. De gegenereerde implementatie en een succesvol uitgevoerd resultaat zijn afzonderlijke resultaten; de taak moet om de waarneming vragen die voltooiing vaststelt.
De toepassingen van de fabrikant voor Mercury 2 omvatten ophalen in meerdere stappen, opnieuw rangschikken en samenvatten. Geef elke stap een nauwkeurig doel: benoem de te doorzoeken vraag, de criteria voor een relevante bron en de feiten die het eindantwoord nodig heeft. Behoud bronidentificaties gedurende de werkwijze, zodat een samenvatting naar het oorspronkelijke materiaal kan worden herleid.
Gestructureerde uitvoer moet gedefinieerde velden, duidelijke types en een conventie voor ontbrekende informatie hebben. Schema-afstemming betreft de representatie van het resultaat; vergelijk de waarden met het daadwerkelijke document of de hulpmiddelwaarneming. Behoud in een doorlopende taak nuttige bevindingen en open vragen in plaats van niet-gerelateerde geschiedenis op te stapelen.
Mercury 2 kan de tekstgeneratiestap leveren binnen een spraak- of andere interactieve toepassing. De gedocumenteerde rol daarin is het produceren van de woorden of beslissing die door de omringende componenten worden gebruikt; die verzorgen audio en afspelen. Lever voor transcriptbewerking het transcript aan en specificeer welke formulering, namen en betekenis behouden moeten blijven.
De context van 128K bevat bronmateriaal, gesprek en gegenereerde inhoud samen. Reserveer ruimte voor het eindantwoord, houd de vraag zichtbaar tijdens revisies en behandel contextcapaciteit niet als een onafhankelijk uitvoerbudget. Toets gegenereerde feiten, code en geëxtraheerde velden aan de oorspronkelijke invoer. Het nuttige resultaat is een gericht antwoord of gestructureerd resultaat dat de genoemde taak verder brengt en kan worden gecontroleerd met het daadwerkelijk aangeleverde bewijs.
", "aboutText": "Mercury 2 is het redeneertaalmodel van Inception dat is gebouwd rond tekstgeneratie op basis van diffusie. In plaats van uitsluitend sequentieel van links naar rechts te decoderen, verfijnt het model meerdere tokens parallel richting het resultaat. De fabrikant ontwikkelt dit profiel voor herhaalde interactieve stappen bij programmeren, agents, ophalen en extractie. Het accepteert geschreven instructies en tekstcontext en produceert een tekstantwoord, code, gestructureerde gegevens of voorgestelde hulpmiddelbewerkingen.\n\n### Profiel van de producent\n\nDe exacte introductiebeschrijving vermeldt een context van 128K, instelbaar redeneren, ingebouwd hulpmiddelgebruik en schemaconforme JSON. Deze functies behoren tot het gedocumenteerde profiel van Mercury 2, los van de latere context van Mercury 2.5 en de gespecialiseerde modellen Voice, Router en Edit. Stel de vorm van het eindantwoord expliciet vast in plaats van uit de familienaam spraak- of bewerkingsuitvoer af te leiden.\n\nGeef voor een eenvoudige extractie de velddefinities en de bronpassage. Formuleer voor een redeneertaak de volledige voorwaarde en de beperkingen waaraan moet worden voldaan. Een praktische opdracht is: “Vergelijk deze implementatie met de vereisten, identificeer de eerste afwijking en geef een gerichte correctie met ondersteunende uitleg terug.” Het eindresultaat moet aan de invoer gekoppeld blijven, ook wanneer het model tussentijdse analyse ontwikkelt.\n\n### Hulp bij programmeren en bewerken\n\nDe maker beschrijft automatisch aanvullen, suggesties voor de volgende bewerking, refactoring en interactieve programmeeragents als relevante toepassingen. Lever de omringende implementatie aan en benoem wat moet veranderen. Leg het verwachte gedrag uit en behoud openbare namen of interfaces die de revisie moet bewaren. Een voorgestelde bewerking kan dan worden gecontroleerd op passendheid voordat die op het daadwerkelijke project wordt toegepast.\n\nBij een ontwikkelingstaak die door hulpmiddelen wordt gestuurd kiest het model uit aangeleverde bewerkingen en voert de toepassing ze uit. Geef echte foutmeldingen, codefragmenten of validatiewaarnemingen terug in de volgende beurt. De gegenereerde implementatie en een succesvol uitgevoerd resultaat zijn afzonderlijke resultaten; de taak moet om de waarneming vragen die voltooiing vaststelt.\n\n### Zoek- en agentlussen\n\nDe toepassingen van de fabrikant voor Mercury 2 omvatten ophalen in meerdere stappen, opnieuw rangschikken en samenvatten. Geef elke stap een nauwkeurig doel: benoem de te doorzoeken vraag, de criteria voor een relevante bron en de feiten die het eindantwoord nodig heeft. Behoud bronidentificaties gedurende de werkwijze, zodat een samenvatting naar het oorspronkelijke materiaal kan worden herleid.\n\nGestructureerde uitvoer moet gedefinieerde velden, duidelijke types en een conventie voor ontbrekende informatie hebben. Schema-afstemming betreft de representatie van het resultaat; vergelijk de waarden met het daadwerkelijke document of de hulpmiddelwaarneming. Behoud in een doorlopende taak nuttige bevindingen en open vragen in plaats van niet-gerelateerde geschiedenis op te stapelen.\n\n### Interactieve taaltaken en grenzen\n\nMercury 2 kan de tekstgeneratiestap leveren binnen een spraak- of andere interactieve toepassing. De gedocumenteerde rol daarin is het produceren van de woorden of beslissing die door de omringende componenten worden gebruikt; die verzorgen audio en afspelen. Lever voor transcriptbewerking het transcript aan en specificeer welke formulering, namen en betekenis behouden moeten blijven.\n\nDe context van 128K bevat bronmateriaal, gesprek en gegenereerde inhoud samen. Reserveer ruimte voor het eindantwoord, houd de vraag zichtbaar tijdens revisies en behandel contextcapaciteit niet als een onafhankelijk uitvoerbudget. Toets gegenereerde feiten, code en geëxtraheerde velden aan de oorspronkelijke invoer. Het nuttige resultaat is een gericht antwoord of gestructureerd resultaat dat de genoemde taak verder brengt en kan worden gecontroleerd met het daadwerkelijk aangeleverde bewijs.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Clean up a dictated task note\n\nClean up this supplied transcript for a task tracker: "Um, ask Rina, no, ask Sam to review invoice INV-209 before Thursday. Keep Rina copied. It is 480 euros, not 840." Remove fillers and false starts while preserving the corrected owner, copied person, invoice ID, deadline and amount. Return one clear task sentence.One cleaned task sentence retaining the final owner, copy instruction, invoice ID, deadline and corrected amount.Check that Sam owns review, Rina is copied and the amount is 480 euros.inception/mercury-2Mercury 2 is het op diffusie gebaseerde redeneertekstmodel van Inception voor interactief programmeren, zoeken en werkwijzen met agents. Parallelle verfijning, een context van 128K, instelbaar redeneren, ingebouwd hulpmiddelgebruik en schemaconforme JSON helpen bij het maken van gerichte antwoorden en gestructureerde resultaten uit tekst.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mercury 2 is het redeneertaalmodel van Inception dat is gebouwd rond tekstgeneratie op basis van diffusie. In plaats van uitsluitend sequentieel van links naar rechts te decoderen, verfijnt het model meerdere tokens parallel richting het resultaat. De fabrikant ontwikkelt dit profiel voor herhaalde interactieve stappen bij programmeren, agents, ophalen en extractie. Het accepteert geschreven instructies en tekstcontext en produceert een tekstantwoord, code, gestructureerde gegevens of voorgestelde hulpmiddelbewerkingen.
De exacte introductiebeschrijving vermeldt een context van 128K, instelbaar redeneren, ingebouwd hulpmiddelgebruik en schemaconforme JSON. Deze functies behoren tot het gedocumenteerde profiel van Mercury 2, los van de latere context van Mercury 2.5 en de gespecialiseerde modellen Voice, Router en Edit. Stel de vorm van het eindantwoord expliciet vast in plaats van uit de familienaam spraak- of bewerkingsuitvoer af te leiden.
Geef voor een eenvoudige extractie de velddefinities en de bronpassage. Formuleer voor een redeneertaak de volledige voorwaarde en de beperkingen waaraan moet worden voldaan. Een praktische opdracht is: “Vergelijk deze implementatie met de vereisten, identificeer de eerste afwijking en geef een gerichte correctie met ondersteunende uitleg terug.” Het eindresultaat moet aan de invoer gekoppeld blijven, ook wanneer het model tussentijdse analyse ontwikkelt.
De maker beschrijft automatisch aanvullen, suggesties voor de volgende bewerking, refactoring en interactieve programmeeragents als relevante toepassingen. Lever de omringende implementatie aan en benoem wat moet veranderen. Leg het verwachte gedrag uit en behoud openbare namen of interfaces die de revisie moet bewaren. Een voorgestelde bewerking kan dan worden gecontroleerd op passendheid voordat die op het daadwerkelijke project wordt toegepast.
Bij een ontwikkelingstaak die door hulpmiddelen wordt gestuurd kiest het model uit aangeleverde bewerkingen en voert de toepassing ze uit. Geef echte foutmeldingen, codefragmenten of validatiewaarnemingen terug in de volgende beurt. De gegenereerde implementatie en een succesvol uitgevoerd resultaat zijn afzonderlijke resultaten; de taak moet om de waarneming vragen die voltooiing vaststelt.
De toepassingen van de fabrikant voor Mercury 2 omvatten ophalen in meerdere stappen, opnieuw rangschikken en samenvatten. Geef elke stap een nauwkeurig doel: benoem de te doorzoeken vraag, de criteria voor een relevante bron en de feiten die het eindantwoord nodig heeft. Behoud bronidentificaties gedurende de werkwijze, zodat een samenvatting naar het oorspronkelijke materiaal kan worden herleid.
Gestructureerde uitvoer moet gedefinieerde velden, duidelijke types en een conventie voor ontbrekende informatie hebben. Schema-afstemming betreft de representatie van het resultaat; vergelijk de waarden met het daadwerkelijke document of de hulpmiddelwaarneming. Behoud in een doorlopende taak nuttige bevindingen en open vragen in plaats van niet-gerelateerde geschiedenis op te stapelen.
Mercury 2 kan de tekstgeneratiestap leveren binnen een spraak- of andere interactieve toepassing. De gedocumenteerde rol daarin is het produceren van de woorden of beslissing die door de omringende componenten worden gebruikt; die verzorgen audio en afspelen. Lever voor transcriptbewerking het transcript aan en specificeer welke formulering, namen en betekenis behouden moeten blijven.
De context van 128K bevat bronmateriaal, gesprek en gegenereerde inhoud samen. Reserveer ruimte voor het eindantwoord, houd de vraag zichtbaar tijdens revisies en behandel contextcapaciteit niet als een onafhankelijk uitvoerbudget. Toets gegenereerde feiten, code en geëxtraheerde velden aan de oorspronkelijke invoer. Het nuttige resultaat is een gericht antwoord of gestructureerd resultaat dat de genoemde taak verder brengt en kan worden gecontroleerd met het daadwerkelijk aangeleverde bewijs.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten inception/mercury-2 | 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 $0.0015 / 1K tokens Invoer · Cache lezen $0.00005 / 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 $0.0015 / 1K tokens Invoer · Cache lezen $0.00005 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2", "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='inception/mercury-2',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='inception/mercury-2',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 inception/mercury-2
Gebruik de hierboven getoonde methodepaden.
inception/mercury-2Mercury 2 is het op diffusie gebaseerde redeneertekstmodel van Inception voor interactief programmeren, zoeken en werkwijzen met agents. Parallelle verfijning, een context van 128K, instelbaar redeneren, ingebouwd hulpmiddelgebruik en schemaconforme JSON helpen bij het maken van gerichte antwoorden en gestructureerde resultaten uit tekst.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mercury 2 is het redeneertaalmodel van Inception dat is gebouwd rond tekstgeneratie op basis van diffusie. In plaats van uitsluitend sequentieel van links naar rechts te decoderen, verfijnt het model meerdere tokens parallel richting het resultaat. De fabrikant ontwikkelt dit profiel voor herhaalde interactieve stappen bij programmeren, agents, ophalen en extractie. Het accepteert geschreven instructies en tekstcontext en produceert een tekstantwoord, code, gestructureerde gegevens of voorgestelde hulpmiddelbewerkingen.
De exacte introductiebeschrijving vermeldt een context van 128K, instelbaar redeneren, ingebouwd hulpmiddelgebruik en schemaconforme JSON. Deze functies behoren tot het gedocumenteerde profiel van Mercury 2, los van de latere context van Mercury 2.5 en de gespecialiseerde modellen Voice, Router en Edit. Stel de vorm van het eindantwoord expliciet vast in plaats van uit de familienaam spraak- of bewerkingsuitvoer af te leiden.
Geef voor een eenvoudige extractie de velddefinities en de bronpassage. Formuleer voor een redeneertaak de volledige voorwaarde en de beperkingen waaraan moet worden voldaan. Een praktische opdracht is: “Vergelijk deze implementatie met de vereisten, identificeer de eerste afwijking en geef een gerichte correctie met ondersteunende uitleg terug.” Het eindresultaat moet aan de invoer gekoppeld blijven, ook wanneer het model tussentijdse analyse ontwikkelt.
De maker beschrijft automatisch aanvullen, suggesties voor de volgende bewerking, refactoring en interactieve programmeeragents als relevante toepassingen. Lever de omringende implementatie aan en benoem wat moet veranderen. Leg het verwachte gedrag uit en behoud openbare namen of interfaces die de revisie moet bewaren. Een voorgestelde bewerking kan dan worden gecontroleerd op passendheid voordat die op het daadwerkelijke project wordt toegepast.
Bij een ontwikkelingstaak die door hulpmiddelen wordt gestuurd kiest het model uit aangeleverde bewerkingen en voert de toepassing ze uit. Geef echte foutmeldingen, codefragmenten of validatiewaarnemingen terug in de volgende beurt. De gegenereerde implementatie en een succesvol uitgevoerd resultaat zijn afzonderlijke resultaten; de taak moet om de waarneming vragen die voltooiing vaststelt.
De toepassingen van de fabrikant voor Mercury 2 omvatten ophalen in meerdere stappen, opnieuw rangschikken en samenvatten. Geef elke stap een nauwkeurig doel: benoem de te doorzoeken vraag, de criteria voor een relevante bron en de feiten die het eindantwoord nodig heeft. Behoud bronidentificaties gedurende de werkwijze, zodat een samenvatting naar het oorspronkelijke materiaal kan worden herleid.
Gestructureerde uitvoer moet gedefinieerde velden, duidelijke types en een conventie voor ontbrekende informatie hebben. Schema-afstemming betreft de representatie van het resultaat; vergelijk de waarden met het daadwerkelijke document of de hulpmiddelwaarneming. Behoud in een doorlopende taak nuttige bevindingen en open vragen in plaats van niet-gerelateerde geschiedenis op te stapelen.
Mercury 2 kan de tekstgeneratiestap leveren binnen een spraak- of andere interactieve toepassing. De gedocumenteerde rol daarin is het produceren van de woorden of beslissing die door de omringende componenten worden gebruikt; die verzorgen audio en afspelen. Lever voor transcriptbewerking het transcript aan en specificeer welke formulering, namen en betekenis behouden moeten blijven.
De context van 128K bevat bronmateriaal, gesprek en gegenereerde inhoud samen. Reserveer ruimte voor het eindantwoord, houd de vraag zichtbaar tijdens revisies en behandel contextcapaciteit niet als een onafhankelijk uitvoerbudget. Toets gegenereerde feiten, code en geëxtraheerde velden aan de oorspronkelijke invoer. Het nuttige resultaat is een gericht antwoord of gestructureerd resultaat dat de genoemde taak verder brengt en kan worden gecontroleerd met het daadwerkelijk aangeleverde bewijs.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten inception/mercury-2 | 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 $0.0015 / 1K tokens Invoer · Cache lezen $0.00005 / 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 $0.0015 / 1K tokens Invoer · Cache lezen $0.00005 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "inception/mercury-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2', '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': 'inception/mercury-2', '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 inception/mercury-2
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Clean up a dictated task note\n\nClean up this supplied transcript for a task tracker: "Um, ask Rina, no, ask Sam to review invoice INV-209 before Thursday. Keep Rina copied. It is 480 euros, not 840." Remove fillers and false starts while preserving the corrected owner, copied person, invoice ID, deadline and amount. Return one clear task sentence.One cleaned task sentence retaining the final owner, copy instruction, invoice ID, deadline and corrected amount.Check that Sam owns review, Rina is copied and the amount is 480 euros.