Llama 3.1 70B Instruct is het tekstmodel van Meta met 70 miljard parameters, geoptimaliseerd voor meertalige dialoog en verzoeken aan een assistent. Het is een op instructies afgestemd checkpoint binnen een familie die ook 8B- en 405B-groottes en afzonderlijke voorgetrainde modellen omvat. Het accepteert tekst en geeft meertalige tekst of code terug; de benoemde 70B-editie behoudt haar eigen grootte en identiteit.
Modelinformatie en training
De release gebruikt een autoregressieve Transformer-architectuur met grouped-query attention. De afgestemde modellen worden uitgelijnd met supervised fine-tuning en reinforcement learning met menselijke feedback. Dit zijn trainingsfasen voor behulpzaam gespreksgedrag, geen benoemde runtimeschakelaar tussen afzonderlijke modi met en zonder redeneren.
De maker documenteert een context van 128k voor de tekstmodellen en ondersteunt officieel Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. De training omvat een bredere verzameling talen, wat niet betekent dat elke taal even goed wordt ondersteund. Specificeer de uitvoertaal, terminologie en lezer voordat je om een meertalig resultaat vraagt.
Het voortrainingscorpus van de familie wordt beschreven als ongeveer vijftien biljoen tokens, met een kennisgrens van december 2023. De fine-tuning omvat instructiedatasets en meer dan vijfentwintig miljoen synthetische voorbeelden. De kennisgrens betreft de trainingsdata; voor een vraag die afhangt van nieuwere of privé-informatie moet die informatie in de taak worden aangeleverd of door een gekoppelde bron worden teruggegeven.
Assistentgesprekken en bronanalyse
De Instruct-editie is bedoeld om op een gespreksverzoek te reageren, terwijl de voorgetrainde versie een basis is die voor andere generatietaken kan worden aangepast. Lever voor een antwoord op basis van bronnen de vraag en de passages aan die het resultaat bepalen. Geef de bronnen labels en vraag om de ondersteunende sectie of uitspraak bij elke bevinding.
Een praktische vergelijking kan twee procedures aanleveren en vragen om gedeelde voorwaarden, verschillen en onopgeloste tegenstrijdigheden. Een resulterende handleiding kan de oorspronkelijke volgorde behouden en de voorwaarden waaronder elke actie geldt. Een documentredactietaak kan de doelgroep, de te behouden feiten en de gewenste vorm aangeven: alleen een herziene passage of een passage met uitleg.
Benoem voor een langer antwoord de vereiste secties en het doel van elke sectie. Een grote context kan samenhangend materiaal bijeenhouden, terwijl het eindresultaat een beknopte matrix of uitleg blijft. Bronidentiteiten en een goed afgebakende vraag zijn belangrijker dan simpelweg elk beschikbaar document opnemen.
Code en gegenereerde voorbeelden
De gedocumenteerde uitvoer omvat code. Lever voor een voorgestelde implementatie de programmeertaal, invoertypen, het verwachte resultaat en de interface die compatibel moet blijven aan. Voeg het bestaande fragment en de relevante declaraties toe wanneer de taak een correctie betreft. Vraag om de code los van de aannamen en voorbeelden, zodat die in de volgende ontwikkelstap kan worden geïnspecteerd.
Lever voor een code-uitleg de te volgen invoer aan en vraag hoe de aangeleverde functie tot de retourwaarde komt. Definieer voor een wiskundige uitleg de symbolen en aannamen en geef aan of het resultaat exact, benaderend of een bewijs moet zijn. Codegeneratie en schriftelijk redeneren compileren op zichzelf geen programma en voeren geen berekening uit.
De maker noemt ook synthetische datageneratie en distillatie als toepassingen van de familie. Een teksttaak kan om gevarieerde voorbeelden in een gespecificeerd formaat vragen, met behoud van de aangeleverde regels. Of die voorbeelden geschikt zijn voor verdere training is een afzonderlijke applicatiebeslissing; de tekstuitvoer alleen is geen onafhankelijke verificatie van hun juistheid.
Gespreksformaat en tools
De modelkaart demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende chatsjabloon. Gebruik de systeeminstructie voor rol, toon en blijvende antwoordregels, terwijl het gebruikersverzoek het werkelijke probleem en de bronnen bevat. Behoud relevante eerdere berichten bij een vervolgvraag die op een eerder antwoord voortbouwt.
Llama 3.1 ondersteunt meerdere gedocumenteerde formaten voor toolgebruik. De applicatie levert de functies en parameters, het model bereidt een voorgestelde aanroep voor, de applicatie voert die uit en voegt het resultaat toe aan het gesprek. Een volgende generatie kan dat resultaat gebruiken. Het korte voorbeeld op de modelkaart laat expliciet zien hoe eerst de aanroep van de assistent en daarna het toolresultaat worden toegevoegd; een functie selecteren staat los van het voltooien van de bewerking.
Geef voor een opzoekactie aan welke informatie nodig is en definieer de functie die haar teruggeeft. Bewaar de werkelijk teruggegeven waarde bij de oorspronkelijke aanroep voordat je om de uiteindelijke uitleg vraagt. Maak bij een berekening onderscheid tussen de voorgestelde bewerking van het model en het resultaat dat de rekenmachine teruggeeft. Native toolopmaak en de zichtbare weergave in een wrapperinterface moeten hun eigen gedocumenteerde conventies behouden.
Editie en praktische grenzen
De generatie-instelling van 256 tokens op de geraadpleegde modelkaart is een gebruiksvoorbeeld, geen afzonderlijk vermelde maximale uitvoercapaciteit. De context van 128k betreft het materiaal en het gegenereerde gesprek binnen de geconfigureerde release. Vervang die niet door de context of visuele mogelijkheden van Llama 4 of de grootte van een ander Llama 3.1-checkpoint.
Dit is een Instruct-model dat uitsluitend tekst verwerkt. De relevante inhoud van een afbeelding, opname of video moet via een ander onderdeel worden voorbereid. Externe informatieophaling, programma-uitvoering en bestandswijzigingen horen eveneens bij de applicatie die aan de assistent is gekoppeld. Behoud de exacte editie 70B Instruct en vraag om de uitleg met bronverwijzingen, het herziene document, de code of de gestructureerde tekst die voor de taak nodig is.
", "aboutText": "Llama 3.1 70B Instruct is het tekstmodel van Meta met 70 miljard parameters, geoptimaliseerd voor meertalige dialoog en verzoeken aan een assistent. Het is een op instructies afgestemd checkpoint binnen een familie die ook 8B- en 405B-groottes en afzonderlijke voorgetrainde modellen omvat. Het accepteert tekst en geeft meertalige tekst of code terug; de benoemde 70B-editie behoudt haar eigen grootte en identiteit.\n\nModelinformatie en training\n\nDe release gebruikt een autoregressieve Transformer-architectuur met grouped-query attention. De afgestemde modellen worden uitgelijnd met supervised fine-tuning en reinforcement learning met menselijke feedback. Dit zijn trainingsfasen voor behulpzaam gespreksgedrag, geen benoemde runtimeschakelaar tussen afzonderlijke modi met en zonder redeneren.\n\nDe maker documenteert een context van 128k voor de tekstmodellen en ondersteunt officieel Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. De training omvat een bredere verzameling talen, wat niet betekent dat elke taal even goed wordt ondersteund. Specificeer de uitvoertaal, terminologie en lezer voordat je om een meertalig resultaat vraagt.\n\nHet voortrainingscorpus van de familie wordt beschreven als ongeveer vijftien biljoen tokens, met een kennisgrens van december 2023. De fine-tuning omvat instructiedatasets en meer dan vijfentwintig miljoen synthetische voorbeelden. De kennisgrens betreft de trainingsdata; voor een vraag die afhangt van nieuwere of privé-informatie moet die informatie in de taak worden aangeleverd of door een gekoppelde bron worden teruggegeven.\n\nAssistentgesprekken en bronanalyse\n\nDe Instruct-editie is bedoeld om op een gespreksverzoek te reageren, terwijl de voorgetrainde versie een basis is die voor andere generatietaken kan worden aangepast. Lever voor een antwoord op basis van bronnen de vraag en de passages aan die het resultaat bepalen. Geef de bronnen labels en vraag om de ondersteunende sectie of uitspraak bij elke bevinding.\n\nEen praktische vergelijking kan twee procedures aanleveren en vragen om gedeelde voorwaarden, verschillen en onopgeloste tegenstrijdigheden. Een resulterende handleiding kan de oorspronkelijke volgorde behouden en de voorwaarden waaronder elke actie geldt. Een documentredactietaak kan de doelgroep, de te behouden feiten en de gewenste vorm aangeven: alleen een herziene passage of een passage met uitleg.\n\nBenoem voor een langer antwoord de vereiste secties en het doel van elke sectie. Een grote context kan samenhangend materiaal bijeenhouden, terwijl het eindresultaat een beknopte matrix of uitleg blijft. Bronidentiteiten en een goed afgebakende vraag zijn belangrijker dan simpelweg elk beschikbaar document opnemen.\n\nCode en gegenereerde voorbeelden\n\nDe gedocumenteerde uitvoer omvat code. Lever voor een voorgestelde implementatie de programmeertaal, invoertypen, het verwachte resultaat en de interface die compatibel moet blijven aan. Voeg het bestaande fragment en de relevante declaraties toe wanneer de taak een correctie betreft. Vraag om de code los van de aannamen en voorbeelden, zodat die in de volgende ontwikkelstap kan worden geïnspecteerd.\n\nLever voor een code-uitleg de te volgen invoer aan en vraag hoe de aangeleverde functie tot de retourwaarde komt. Definieer voor een wiskundige uitleg de symbolen en aannamen en geef aan of het resultaat exact, benaderend of een bewijs moet zijn. Codegeneratie en schriftelijk redeneren compileren op zichzelf geen programma en voeren geen berekening uit.\n\nDe maker noemt ook synthetische datageneratie en distillatie als toepassingen van de familie. Een teksttaak kan om gevarieerde voorbeelden in een gespecificeerd formaat vragen, met behoud van de aangeleverde regels. Of die voorbeelden geschikt zijn voor verdere training is een afzonderlijke applicatiebeslissing; de tekstuitvoer alleen is geen onafhankelijke verificatie van hun juistheid.\n\nGespreksformaat en tools\n\nDe modelkaart demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende chatsjabloon. Gebruik de systeeminstructie voor rol, toon en blijvende antwoordregels, terwijl het gebruikersverzoek het werkelijke probleem en de bronnen bevat. Behoud relevante eerdere berichten bij een vervolgvraag die op een eerder antwoord voortbouwt.\n\nLlama 3.1 ondersteunt meerdere gedocumenteerde formaten voor toolgebruik. De applicatie levert de functies en parameters, het model bereidt een voorgestelde aanroep voor, de applicatie voert die uit en voegt het resultaat toe aan het gesprek. Een volgende generatie kan dat resultaat gebruiken. Het korte voorbeeld op de modelkaart laat expliciet zien hoe eerst de aanroep van de assistent en daarna het toolresultaat worden toegevoegd; een functie selecteren staat los van het voltooien van de bewerking.\n\nGeef voor een opzoekactie aan welke informatie nodig is en definieer de functie die haar teruggeeft. Bewaar de werkelijk teruggegeven waarde bij de oorspronkelijke aanroep voordat je om de uiteindelijke uitleg vraagt. Maak bij een berekening onderscheid tussen de voorgestelde bewerking van het model en het resultaat dat de rekenmachine teruggeeft. Native toolopmaak en de zichtbare weergave in een wrapperinterface moeten hun eigen gedocumenteerde conventies behouden.\n\nEditie en praktische grenzen\n\nDe generatie-instelling van 256 tokens op de geraadpleegde modelkaart is een gebruiksvoorbeeld, geen afzonderlijk vermelde maximale uitvoercapaciteit. De context van 128k betreft het materiaal en het gegenereerde gesprek binnen de geconfigureerde release. Vervang die niet door de context of visuele mogelijkheden van Llama 4 of de grootte van een ander Llama 3.1-checkpoint.\n\nDit is een Instruct-model dat uitsluitend tekst verwerkt. De relevante inhoud van een afbeelding, opname of video moet via een ander onderdeel worden voorbereid. Externe informatieophaling, programma-uitvoering en bestandswijzigingen horen eveneens bij de applicatie die aan de assistent is gekoppeld. Behoud de exacte editie 70B Instruct en vraag om de uitleg met bronverwijzingen, het herziene document, de code of de gestructureerde tekst die voor de taak nodig is.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Produce a bilingual maintenance notice\n\nWrite a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.Two labelled language blocks with equivalent three-sentence notices.Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.meta-llama/llama-3.1-70b-instructLlama 3.1 70B Instruct is het tekstmodel van Meta voor meertalige dialoog, redeneren over documenten en code. De op instructies afgestemde 70B-release gebruikt grouped-query attention, een door de maker opgegeven context van 128k en gedocumenteerde gespreksformaten voor toolaanroepen, met tekst- en code-uitvoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama 3.1 70B Instruct is het tekstmodel van Meta met 70 miljard parameters, geoptimaliseerd voor meertalige dialoog en verzoeken aan een assistent. Het is een op instructies afgestemd checkpoint binnen een familie die ook 8B- en 405B-groottes en afzonderlijke voorgetrainde modellen omvat. Het accepteert tekst en geeft meertalige tekst of code terug; de benoemde 70B-editie behoudt haar eigen grootte en identiteit.
Modelinformatie en training
De release gebruikt een autoregressieve Transformer-architectuur met grouped-query attention. De afgestemde modellen worden uitgelijnd met supervised fine-tuning en reinforcement learning met menselijke feedback. Dit zijn trainingsfasen voor behulpzaam gespreksgedrag, geen benoemde runtimeschakelaar tussen afzonderlijke modi met en zonder redeneren.
De maker documenteert een context van 128k voor de tekstmodellen en ondersteunt officieel Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. De training omvat een bredere verzameling talen, wat niet betekent dat elke taal even goed wordt ondersteund. Specificeer de uitvoertaal, terminologie en lezer voordat je om een meertalig resultaat vraagt.
Het voortrainingscorpus van de familie wordt beschreven als ongeveer vijftien biljoen tokens, met een kennisgrens van december 2023. De fine-tuning omvat instructiedatasets en meer dan vijfentwintig miljoen synthetische voorbeelden. De kennisgrens betreft de trainingsdata; voor een vraag die afhangt van nieuwere of privé-informatie moet die informatie in de taak worden aangeleverd of door een gekoppelde bron worden teruggegeven.
Assistentgesprekken en bronanalyse
De Instruct-editie is bedoeld om op een gespreksverzoek te reageren, terwijl de voorgetrainde versie een basis is die voor andere generatietaken kan worden aangepast. Lever voor een antwoord op basis van bronnen de vraag en de passages aan die het resultaat bepalen. Geef de bronnen labels en vraag om de ondersteunende sectie of uitspraak bij elke bevinding.
Een praktische vergelijking kan twee procedures aanleveren en vragen om gedeelde voorwaarden, verschillen en onopgeloste tegenstrijdigheden. Een resulterende handleiding kan de oorspronkelijke volgorde behouden en de voorwaarden waaronder elke actie geldt. Een documentredactietaak kan de doelgroep, de te behouden feiten en de gewenste vorm aangeven: alleen een herziene passage of een passage met uitleg.
Benoem voor een langer antwoord de vereiste secties en het doel van elke sectie. Een grote context kan samenhangend materiaal bijeenhouden, terwijl het eindresultaat een beknopte matrix of uitleg blijft. Bronidentiteiten en een goed afgebakende vraag zijn belangrijker dan simpelweg elk beschikbaar document opnemen.
Code en gegenereerde voorbeelden
De gedocumenteerde uitvoer omvat code. Lever voor een voorgestelde implementatie de programmeertaal, invoertypen, het verwachte resultaat en de interface die compatibel moet blijven aan. Voeg het bestaande fragment en de relevante declaraties toe wanneer de taak een correctie betreft. Vraag om de code los van de aannamen en voorbeelden, zodat die in de volgende ontwikkelstap kan worden geïnspecteerd.
Lever voor een code-uitleg de te volgen invoer aan en vraag hoe de aangeleverde functie tot de retourwaarde komt. Definieer voor een wiskundige uitleg de symbolen en aannamen en geef aan of het resultaat exact, benaderend of een bewijs moet zijn. Codegeneratie en schriftelijk redeneren compileren op zichzelf geen programma en voeren geen berekening uit.
De maker noemt ook synthetische datageneratie en distillatie als toepassingen van de familie. Een teksttaak kan om gevarieerde voorbeelden in een gespecificeerd formaat vragen, met behoud van de aangeleverde regels. Of die voorbeelden geschikt zijn voor verdere training is een afzonderlijke applicatiebeslissing; de tekstuitvoer alleen is geen onafhankelijke verificatie van hun juistheid.
Gespreksformaat en tools
De modelkaart demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende chatsjabloon. Gebruik de systeeminstructie voor rol, toon en blijvende antwoordregels, terwijl het gebruikersverzoek het werkelijke probleem en de bronnen bevat. Behoud relevante eerdere berichten bij een vervolgvraag die op een eerder antwoord voortbouwt.
Llama 3.1 ondersteunt meerdere gedocumenteerde formaten voor toolgebruik. De applicatie levert de functies en parameters, het model bereidt een voorgestelde aanroep voor, de applicatie voert die uit en voegt het resultaat toe aan het gesprek. Een volgende generatie kan dat resultaat gebruiken. Het korte voorbeeld op de modelkaart laat expliciet zien hoe eerst de aanroep van de assistent en daarna het toolresultaat worden toegevoegd; een functie selecteren staat los van het voltooien van de bewerking.
Geef voor een opzoekactie aan welke informatie nodig is en definieer de functie die haar teruggeeft. Bewaar de werkelijk teruggegeven waarde bij de oorspronkelijke aanroep voordat je om de uiteindelijke uitleg vraagt. Maak bij een berekening onderscheid tussen de voorgestelde bewerking van het model en het resultaat dat de rekenmachine teruggeeft. Native toolopmaak en de zichtbare weergave in een wrapperinterface moeten hun eigen gedocumenteerde conventies behouden.
Editie en praktische grenzen
De generatie-instelling van 256 tokens op de geraadpleegde modelkaart is een gebruiksvoorbeeld, geen afzonderlijk vermelde maximale uitvoercapaciteit. De context van 128k betreft het materiaal en het gegenereerde gesprek binnen de geconfigureerde release. Vervang die niet door de context of visuele mogelijkheden van Llama 4 of de grootte van een ander Llama 3.1-checkpoint.
Dit is een Instruct-model dat uitsluitend tekst verwerkt. De relevante inhoud van een afbeelding, opname of video moet via een ander onderdeel worden voorbereid. Externe informatieophaling, programma-uitvoering en bestandswijzigingen horen eveneens bij de applicatie die aan de assistent is gekoppeld. Behoud de exacte editie 70B Instruct en vraag om de uitleg met bronverwijzingen, het herziene document, de code of de gestructureerde tekst die voor de taak nodig is.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-3.1-70b-instruct | 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 $0.00144 / 1K tokens Uitvoer · Uitvoertokens $0.00144 / 1K tokens Invoer · Cache lezen — / 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 $0.00144 / 1K tokens Uitvoer · Uitvoertokens $0.00144 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.1-70b-instruct", "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='meta-llama/llama-3.1-70b-instruct',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='meta-llama/llama-3.1-70b-instruct',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 meta-llama/llama-3.1-70b-instruct
Gebruik de hierboven getoonde methodepaden.
meta-llama/llama-3.1-70b-instructLlama 3.1 70B Instruct is het tekstmodel van Meta voor meertalige dialoog, redeneren over documenten en code. De op instructies afgestemde 70B-release gebruikt grouped-query attention, een door de maker opgegeven context van 128k en gedocumenteerde gespreksformaten voor toolaanroepen, met tekst- en code-uitvoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama 3.1 70B Instruct is het tekstmodel van Meta met 70 miljard parameters, geoptimaliseerd voor meertalige dialoog en verzoeken aan een assistent. Het is een op instructies afgestemd checkpoint binnen een familie die ook 8B- en 405B-groottes en afzonderlijke voorgetrainde modellen omvat. Het accepteert tekst en geeft meertalige tekst of code terug; de benoemde 70B-editie behoudt haar eigen grootte en identiteit.
Modelinformatie en training
De release gebruikt een autoregressieve Transformer-architectuur met grouped-query attention. De afgestemde modellen worden uitgelijnd met supervised fine-tuning en reinforcement learning met menselijke feedback. Dit zijn trainingsfasen voor behulpzaam gespreksgedrag, geen benoemde runtimeschakelaar tussen afzonderlijke modi met en zonder redeneren.
De maker documenteert een context van 128k voor de tekstmodellen en ondersteunt officieel Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. De training omvat een bredere verzameling talen, wat niet betekent dat elke taal even goed wordt ondersteund. Specificeer de uitvoertaal, terminologie en lezer voordat je om een meertalig resultaat vraagt.
Het voortrainingscorpus van de familie wordt beschreven als ongeveer vijftien biljoen tokens, met een kennisgrens van december 2023. De fine-tuning omvat instructiedatasets en meer dan vijfentwintig miljoen synthetische voorbeelden. De kennisgrens betreft de trainingsdata; voor een vraag die afhangt van nieuwere of privé-informatie moet die informatie in de taak worden aangeleverd of door een gekoppelde bron worden teruggegeven.
Assistentgesprekken en bronanalyse
De Instruct-editie is bedoeld om op een gespreksverzoek te reageren, terwijl de voorgetrainde versie een basis is die voor andere generatietaken kan worden aangepast. Lever voor een antwoord op basis van bronnen de vraag en de passages aan die het resultaat bepalen. Geef de bronnen labels en vraag om de ondersteunende sectie of uitspraak bij elke bevinding.
Een praktische vergelijking kan twee procedures aanleveren en vragen om gedeelde voorwaarden, verschillen en onopgeloste tegenstrijdigheden. Een resulterende handleiding kan de oorspronkelijke volgorde behouden en de voorwaarden waaronder elke actie geldt. Een documentredactietaak kan de doelgroep, de te behouden feiten en de gewenste vorm aangeven: alleen een herziene passage of een passage met uitleg.
Benoem voor een langer antwoord de vereiste secties en het doel van elke sectie. Een grote context kan samenhangend materiaal bijeenhouden, terwijl het eindresultaat een beknopte matrix of uitleg blijft. Bronidentiteiten en een goed afgebakende vraag zijn belangrijker dan simpelweg elk beschikbaar document opnemen.
Code en gegenereerde voorbeelden
De gedocumenteerde uitvoer omvat code. Lever voor een voorgestelde implementatie de programmeertaal, invoertypen, het verwachte resultaat en de interface die compatibel moet blijven aan. Voeg het bestaande fragment en de relevante declaraties toe wanneer de taak een correctie betreft. Vraag om de code los van de aannamen en voorbeelden, zodat die in de volgende ontwikkelstap kan worden geïnspecteerd.
Lever voor een code-uitleg de te volgen invoer aan en vraag hoe de aangeleverde functie tot de retourwaarde komt. Definieer voor een wiskundige uitleg de symbolen en aannamen en geef aan of het resultaat exact, benaderend of een bewijs moet zijn. Codegeneratie en schriftelijk redeneren compileren op zichzelf geen programma en voeren geen berekening uit.
De maker noemt ook synthetische datageneratie en distillatie als toepassingen van de familie. Een teksttaak kan om gevarieerde voorbeelden in een gespecificeerd formaat vragen, met behoud van de aangeleverde regels. Of die voorbeelden geschikt zijn voor verdere training is een afzonderlijke applicatiebeslissing; de tekstuitvoer alleen is geen onafhankelijke verificatie van hun juistheid.
Gespreksformaat en tools
De modelkaart demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende chatsjabloon. Gebruik de systeeminstructie voor rol, toon en blijvende antwoordregels, terwijl het gebruikersverzoek het werkelijke probleem en de bronnen bevat. Behoud relevante eerdere berichten bij een vervolgvraag die op een eerder antwoord voortbouwt.
Llama 3.1 ondersteunt meerdere gedocumenteerde formaten voor toolgebruik. De applicatie levert de functies en parameters, het model bereidt een voorgestelde aanroep voor, de applicatie voert die uit en voegt het resultaat toe aan het gesprek. Een volgende generatie kan dat resultaat gebruiken. Het korte voorbeeld op de modelkaart laat expliciet zien hoe eerst de aanroep van de assistent en daarna het toolresultaat worden toegevoegd; een functie selecteren staat los van het voltooien van de bewerking.
Geef voor een opzoekactie aan welke informatie nodig is en definieer de functie die haar teruggeeft. Bewaar de werkelijk teruggegeven waarde bij de oorspronkelijke aanroep voordat je om de uiteindelijke uitleg vraagt. Maak bij een berekening onderscheid tussen de voorgestelde bewerking van het model en het resultaat dat de rekenmachine teruggeeft. Native toolopmaak en de zichtbare weergave in een wrapperinterface moeten hun eigen gedocumenteerde conventies behouden.
Editie en praktische grenzen
De generatie-instelling van 256 tokens op de geraadpleegde modelkaart is een gebruiksvoorbeeld, geen afzonderlijk vermelde maximale uitvoercapaciteit. De context van 128k betreft het materiaal en het gegenereerde gesprek binnen de geconfigureerde release. Vervang die niet door de context of visuele mogelijkheden van Llama 4 of de grootte van een ander Llama 3.1-checkpoint.
Dit is een Instruct-model dat uitsluitend tekst verwerkt. De relevante inhoud van een afbeelding, opname of video moet via een ander onderdeel worden voorbereid. Externe informatieophaling, programma-uitvoering en bestandswijzigingen horen eveneens bij de applicatie die aan de assistent is gekoppeld. Behoud de exacte editie 70B Instruct en vraag om de uitleg met bronverwijzingen, het herziene document, de code of de gestructureerde tekst die voor de taak nodig is.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-3.1-70b-instruct | 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 $0.00144 / 1K tokens Uitvoer · Uitvoertokens $0.00144 / 1K tokens Invoer · Cache lezen — / 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 $0.00144 / 1K tokens Uitvoer · Uitvoertokens $0.00144 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "meta-llama/llama-3.1-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.1-70b-instruct', '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': 'meta-llama/llama-3.1-70b-instruct', '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 meta-llama/llama-3.1-70b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Produce a bilingual maintenance notice\n\nWrite a maintenance notice in English and Spanish from these facts: warehouse entrance B closes on Tuesday from 08:00 to 11:00; deliveries must use entrance A; pedestrian access is unchanged. Use three short sentences per language and preserve entrance letters and times. Do not add a date, delay estimate or closure of pedestrian access.Two labelled language blocks with equivalent three-sentence notices.Compare both versions for entrance A/B, Tuesday, the time range and unchanged pedestrian access.