LFM2.5-24B-A2B is een mixture-of-experts-model van LiquidAI voor tekstgebaseerd redeneren en agents die tools gebruiken. Het heeft in totaal 24 miljard parameters, waarvan 2,45 miljard actief zijn voor een token. Redenering is onderdeel van elk antwoord, dus de taak zou het doel, het te gebruiken bewijs en het resultaat dat de applicatie nodig heeft moeten definiëren.
Het model past bij workflows waarin een taalmodel een volgende stap kiest, de resulterende observatie leest en daarna verdergaat naar een te leveren resultaat. Formuleer het doel in termen die de applicatie kan controleren: zoek het relevante record, vergelijk twee configuraties, bereid een wijzigingsvoorstel voor of maak een gestructureerde beoordeling.
Bied tools met duidelijke doelen aan en bewaar hun teruggegeven observaties in de taakcontext. Het model publiceert ondersteuning voor toolaanroepen, inclusief het selecteren van een tool wanneer de interface die mogelijkheid biedt. Uitvoering behoort tot de applicatie die deze tools beheert. Houd een teruggegeven observatie gescheiden van een door het model geschreven instructie, vooral wanneer een latere stap afhangt van het resultaat van een zoekactie of opzoeking.
De uitgever beveelt retrieval of webzoekacties aan voor taken die afhankelijk zijn van gedetailleerde externe kennis. Bouw de bewijsstap in de workflow in plaats van het model te vragen feiten te verzinnen die het niet heeft ontvangen. Identificeer de opgehaalde passages en vraag het antwoord de conclusies met die passages te verbinden.
Voor een supportworkflow kan dit betekenen dat het relevante beleid wordt opgezocht en wordt uitgelegd hoe het op het aangeleverde geval van toepassing is. Voor een technische taak kan het betekenen dat documentatie en configuratie worden vergeleken voordat een wijziging wordt voorgesteld. Houd belangrijke opgehaalde inhoud in de context, zodat het eindantwoord kan worden gecontroleerd zonder elke opzoeking te herhalen.
Het gepubliceerde model ondersteunt schemagestuurde gestructureerde uitvoer. Definieer een kleine resultaatstructuur rond wat de applicatie gebruikt, zoals een geselecteerde categorie, uitleg, bewijsverwijzingen en een volgende actie. Scheid het redeneerproces van het model van de velden die de volgende component moet opslaan of weergeven.
LiquidAI vermeldt temperatuur 0,1, top_k 50 en repetition_penalty 1,05 als gepubliceerde samplingaanbevelingen en de opgeslagen catalogus herhaalt die standaardwaarden. Ze vormen een herhaalbaar startpunt voor het beoordelen van een specifieke workflow. Houd de gekozen instellingen consistent wanneer u representatieve taken vergelijkt.
Het gepubliceerde servicerecord vermeldt een contextvenster van 128.000 tokens en een completionlimiet van 8.192 tokens. Bereid een beknopte antwoordspecificatie voor, zodat het eindresultaat binnen die uitvoerruimte past. Houd relevant bewijs samen en laat voldoende uitvoerruimte over voor het gevraagde resultaat.
De fabrikant vermeldt een meertalige set met onder meer Engels, Russisch, Chinees, Spaans, Arabisch en andere talen. Behoud bronterminologie en te behouden namen wanneer u het model voor meertalig werk gebruikt. Een taak met een vaste woordenschat heeft baat bij een expliciete woordenlijst en dezelfde uitvoerconventies in alle talen.
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B is LiquidAI's tekstredeneermodel voor toolgestuurde agents, met in totaal 24 miljard en 2,45 miljard actieve parameters. Het redeneert vóór het antwoorden, ondersteunt toolaanroepen en schemagestuurde uitvoer en is gepubliceerd met een context van 128.000 tokens en een completionlimiet van 8.192 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
LFM2.5-24B-A2B is een mixture-of-experts-model van LiquidAI voor tekstgebaseerd redeneren en agents die tools gebruiken. Het heeft in totaal 24 miljard parameters, waarvan 2,45 miljard actief zijn voor een token. Redenering is onderdeel van elk antwoord, dus de taak zou het doel, het te gebruiken bewijs en het resultaat dat de applicatie nodig heeft moeten definiëren.
Het model past bij workflows waarin een taalmodel een volgende stap kiest, de resulterende observatie leest en daarna verdergaat naar een te leveren resultaat. Formuleer het doel in termen die de applicatie kan controleren: zoek het relevante record, vergelijk twee configuraties, bereid een wijzigingsvoorstel voor of maak een gestructureerde beoordeling.
Bied tools met duidelijke doelen aan en bewaar hun teruggegeven observaties in de taakcontext. Het model publiceert ondersteuning voor toolaanroepen, inclusief het selecteren van een tool wanneer de interface die mogelijkheid biedt. Uitvoering behoort tot de applicatie die deze tools beheert. Houd een teruggegeven observatie gescheiden van een door het model geschreven instructie, vooral wanneer een latere stap afhangt van het resultaat van een zoekactie of opzoeking.
De uitgever beveelt retrieval of webzoekacties aan voor taken die afhankelijk zijn van gedetailleerde externe kennis. Bouw de bewijsstap in de workflow in plaats van het model te vragen feiten te verzinnen die het niet heeft ontvangen. Identificeer de opgehaalde passages en vraag het antwoord de conclusies met die passages te verbinden.
Voor een supportworkflow kan dit betekenen dat het relevante beleid wordt opgezocht en wordt uitgelegd hoe het op het aangeleverde geval van toepassing is. Voor een technische taak kan het betekenen dat documentatie en configuratie worden vergeleken voordat een wijziging wordt voorgesteld. Houd belangrijke opgehaalde inhoud in de context, zodat het eindantwoord kan worden gecontroleerd zonder elke opzoeking te herhalen.
Het gepubliceerde model ondersteunt schemagestuurde gestructureerde uitvoer. Definieer een kleine resultaatstructuur rond wat de applicatie gebruikt, zoals een geselecteerde categorie, uitleg, bewijsverwijzingen en een volgende actie. Scheid het redeneerproces van het model van de velden die de volgende component moet opslaan of weergeven.
LiquidAI vermeldt temperatuur 0,1, top_k 50 en repetition_penalty 1,05 als gepubliceerde samplingaanbevelingen en de opgeslagen catalogus herhaalt die standaardwaarden. Ze vormen een herhaalbaar startpunt voor het beoordelen van een specifieke workflow. Houd de gekozen instellingen consistent wanneer u representatieve taken vergelijkt.
Het gepubliceerde servicerecord vermeldt een contextvenster van 128.000 tokens en een completionlimiet van 8.192 tokens. Bereid een beknopte antwoordspecificatie voor, zodat het eindresultaat binnen die uitvoerruimte past. Houd relevant bewijs samen en laat voldoende uitvoerruimte over voor het gevraagde resultaat.
De fabrikant vermeldt een meertalige set met onder meer Engels, Russisch, Chinees, Spaans, Arabisch en andere talen. Behoud bronterminologie en te behouden namen wanneer u het model voor meertalig werk gebruikt. Een taak met een vaste woordenschat heeft baat bij een expliciete woordenlijst en dezelfde uitvoerconventies in alle talen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten liquid/lfm-2.5-24b-a2b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0014 / 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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0014 / 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":"liquid/lfm-2.5-24b-a2b","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="liquid/lfm-2.5-24b-a2b", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 liquid/lfm-2.5-24b-a2b
/chat/completions
liquid/lfm-2.5-24b-a2bLFM2.5-24B-A2B is LiquidAI's tekstredeneermodel voor toolgestuurde agents, met in totaal 24 miljard en 2,45 miljard actieve parameters. Het redeneert vóór het antwoorden, ondersteunt toolaanroepen en schemagestuurde uitvoer en is gepubliceerd met een context van 128.000 tokens en een completionlimiet van 8.192 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
LFM2.5-24B-A2B is een mixture-of-experts-model van LiquidAI voor tekstgebaseerd redeneren en agents die tools gebruiken. Het heeft in totaal 24 miljard parameters, waarvan 2,45 miljard actief zijn voor een token. Redenering is onderdeel van elk antwoord, dus de taak zou het doel, het te gebruiken bewijs en het resultaat dat de applicatie nodig heeft moeten definiëren.
Het model past bij workflows waarin een taalmodel een volgende stap kiest, de resulterende observatie leest en daarna verdergaat naar een te leveren resultaat. Formuleer het doel in termen die de applicatie kan controleren: zoek het relevante record, vergelijk twee configuraties, bereid een wijzigingsvoorstel voor of maak een gestructureerde beoordeling.
Bied tools met duidelijke doelen aan en bewaar hun teruggegeven observaties in de taakcontext. Het model publiceert ondersteuning voor toolaanroepen, inclusief het selecteren van een tool wanneer de interface die mogelijkheid biedt. Uitvoering behoort tot de applicatie die deze tools beheert. Houd een teruggegeven observatie gescheiden van een door het model geschreven instructie, vooral wanneer een latere stap afhangt van het resultaat van een zoekactie of opzoeking.
De uitgever beveelt retrieval of webzoekacties aan voor taken die afhankelijk zijn van gedetailleerde externe kennis. Bouw de bewijsstap in de workflow in plaats van het model te vragen feiten te verzinnen die het niet heeft ontvangen. Identificeer de opgehaalde passages en vraag het antwoord de conclusies met die passages te verbinden.
Voor een supportworkflow kan dit betekenen dat het relevante beleid wordt opgezocht en wordt uitgelegd hoe het op het aangeleverde geval van toepassing is. Voor een technische taak kan het betekenen dat documentatie en configuratie worden vergeleken voordat een wijziging wordt voorgesteld. Houd belangrijke opgehaalde inhoud in de context, zodat het eindantwoord kan worden gecontroleerd zonder elke opzoeking te herhalen.
Het gepubliceerde model ondersteunt schemagestuurde gestructureerde uitvoer. Definieer een kleine resultaatstructuur rond wat de applicatie gebruikt, zoals een geselecteerde categorie, uitleg, bewijsverwijzingen en een volgende actie. Scheid het redeneerproces van het model van de velden die de volgende component moet opslaan of weergeven.
LiquidAI vermeldt temperatuur 0,1, top_k 50 en repetition_penalty 1,05 als gepubliceerde samplingaanbevelingen en de opgeslagen catalogus herhaalt die standaardwaarden. Ze vormen een herhaalbaar startpunt voor het beoordelen van een specifieke workflow. Houd de gekozen instellingen consistent wanneer u representatieve taken vergelijkt.
Het gepubliceerde servicerecord vermeldt een contextvenster van 128.000 tokens en een completionlimiet van 8.192 tokens. Bereid een beknopte antwoordspecificatie voor, zodat het eindresultaat binnen die uitvoerruimte past. Houd relevant bewijs samen en laat voldoende uitvoerruimte over voor het gevraagde resultaat.
De fabrikant vermeldt een meertalige set met onder meer Engels, Russisch, Chinees, Spaans, Arabisch en andere talen. Behoud bronterminologie en te behouden namen wanneer u het model voor meertalig werk gebruikt. Een taak met een vaste woordenschat heeft baat bij een expliciete woordenlijst en dezelfde uitvoerconventies in alle talen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten liquid/lfm-2.5-24b-a2b | 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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0014 / 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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0014 / 1K tokens Invoer · Cache lezen $0.00005 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "liquid/lfm-2.5-24b-a2b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'liquid/lfm-2.5-24b-a2b', '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': 'liquid/lfm-2.5-24b-a2b', '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 liquid/lfm-2.5-24b-a2b
/chat/completions