Llama 3.2 1B Instruct is het compacte, op instructies afgestemde tekstmodel van Meta, met volgens de tabel van de maker 1,23 miljard parameters. Het accepteert meertalige tekst en geeft tekst of code terug. De release is bedoeld voor dialoog, kennisophaling, samenvatten, mobiele schrijfassistenten en het herschrijven van zoekopdrachten of prompts, in plaats van de beeldbegriptaken van de afzonderlijke beeldedities van Llama.
Modelinformatie en context
Het model gebruikt een autoregressieve Transformer-architectuur met grouped-query attention en gedeelde embeddings. Meta onderscheidt voorgetrainde en op instructies afgestemde 1B- en 3B-modellen. Deze vermelding betreft het checkpoint 1B Instruct, dat tot taak heeft het gebruikersverzoek in een gesprek te volgen, in plaats van als voorgetrainde basis te dienen.
De gewone tekstrelease is gedocumenteerd met een context van 128k. De maker vermeldt afzonderlijk een context van 8k voor zijn gekwantiseerde tekstmodellen. Die configuraties moeten gescheiden blijven: kwantisatie rechtvaardigt niet dat de context van de gewone release wordt overgenomen voor elk checkpoint in een kleiner formaat of dat de geconfigureerde capaciteit van een bepaalde dienst daaruit wordt afgeleid.
Gebruik de context voor de passages en het gesprek die relevant zijn voor één afgebakende bewerking. Een lang document kan nog steeds vragen om een korte samenvatting, een herschreven zoekopdracht of een antwoord op basis van bronnen. Benoem het materiaal dat in het resultaat behouden moet blijven en de lengte of velden die de volgende applicatiestap nodig heeft.
Informatieophaling, samenvatten en herschrijven
Lever voor een samenvatting de werkelijke passage of het gesprek aan en specificeer de doelgroep, lengte en essentiële feiten. Een bruikbaar resultaat kan het centrale probleem, al genoemde beslissingen en open vragen van elkaar scheiden. Als de bron meerdere onderwerpen bevat, benoem dan welk onderwerp de samenvatting moet behandelen in plaats van om een ongerichte inkorting van alles te vragen.
Lever voor kennisophaling de geselecteerde bronpassages of de informatie aan die een ophaalcomponent heeft teruggegeven. Vraag om de uitspraak die de vraag beantwoordt en de passage die haar ondersteunt. Het tekstantwoord van het model kan opgehaalde informatie uitleggen, terwijl het doorzoeken van een privéverzameling werk blijft voor de gekoppelde applicatie. Het model krijgt die verzameling niet alleen doordat de toepassing als informatieophaling wordt aangeduid.
Geef voor het herschrijven van een zoekopdracht de oorspronkelijke vraag en het doel van de zoekactie. Vraag om een beknopte herformulering die de entiteit, voorwaarde en gezochte informatie behoudt. Een supportvraag kan worden herschreven met de relevante productterm en actie, zonder een feit toe te voegen dat niet in het gebruikersbericht staat. Geef de herziene zoekopdracht los van eventuele uitleg terug als een ander onderdeel die rechtstreeks zal gebruiken.
Specificeer voor een schrijfassistent de lezer, toon en bronfeiten voordat je om een korte brief of herziene passage vraagt. Definieer voor een extractietaak de velden en hoe ontbrekende informatie moet worden weergegeven. Dit zijn concrete bewerkingen die de gedocumenteerde tekstfocus van het compacte model verbinden met een resultaat dat kan worden geïnspecteerd.
Ondersteunde talen en training
De officieel ondersteunde talen zijn Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. Het model is getraind op een bredere verzameling talen, wat verschilt van de acht talen die de modelkaart expliciet ondersteunt. Benoem de uiteindelijke taal en eventuele termen of identifiers die ongewijzigd moeten blijven.
De familie is voorgetraind op maximaal negen biljoen tokens, met een kennisgrens van december 2023. Voor de 1B- en 3B-modellen gebruikt de maker uitvoer van Llama 3.1 8B en 70B als trainingsdoelen op tokenniveau en kennisdistillatie na pruning. Dit is een trainingsproces; het betekent niet dat het geïmplementeerde 1B-model die grotere modellen vraagt elke gebruikersvraag te beantwoorden.
De modelkaart beschrijft supervised fine-tuning en afstemming op basis van voorkeuren, met natrainingsrondes die begeleide voorbeelden, rejection sampling en direct preference optimization omvatten. Die fasen brengen het Instruct-gedrag voort, met behoud van het benoemde checkpoint en de uitsluitend tekstuele modaliteit.
Gesprek en gekwantiseerde edities
De maker demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende gespreksformaat. Definieer de rol van de assistent en de antwoordvereisten los van de werkelijke brontekst. Bewaar het relevante eerdere antwoord wanneer een vervolgvraag vraagt om een herziening, verduidelijking of een andere vorm van dezelfde informatie.
De release documenteert ook afzonderlijke varianten met quantization-aware training en kwantisatie na training. Hun precisie en context van 8k horen bij die varianten, in plaats van een universele specificatie voor deze gewone Instruct-vermelding te zijn. Gebruik het exacte checkpoint en de configuratie bij het vergelijken van een herhaalde taak of het voorbereiden van een afgeleide implementatie.
Inhoudelijke grenzen
Deze 1B-release verwerkt uitsluitend tekst. Ze mag geen afbeeldingsinvoer overnemen van de 11B- of 90B-beeldmodellen van Llama 3.2, de tekst- en beeldmogelijkheden van Llama 4 of de benoemde instellingen voor redeneerinspanning van Muse Spark. Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling, geen afzonderlijk vermelde maximale antwoordcapaciteit.
Een praktisch eindresultaat is de gevraagde samenvatting, zoekopdracht, geëxtraheerde registratie of herschreven tekst, met behoud van de relevante betekenis en identifiers uit de bron. De geraadpleegde bronnen vermelden geen afzonderlijke harde bovengrens voor uitvoertokens. Houd de taak gericht, het invoermateriaal volledig voor die bewerking en het contextverschil tussen de gewone en gekwantiseerde edities expliciet.
", "aboutText": "Llama 3.2 1B Instruct is het compacte, op instructies afgestemde tekstmodel van Meta, met volgens de tabel van de maker 1,23 miljard parameters. Het accepteert meertalige tekst en geeft tekst of code terug. De release is bedoeld voor dialoog, kennisophaling, samenvatten, mobiele schrijfassistenten en het herschrijven van zoekopdrachten of prompts, in plaats van de beeldbegriptaken van de afzonderlijke beeldedities van Llama.\n\nModelinformatie en context\n\nHet model gebruikt een autoregressieve Transformer-architectuur met grouped-query attention en gedeelde embeddings. Meta onderscheidt voorgetrainde en op instructies afgestemde 1B- en 3B-modellen. Deze vermelding betreft het checkpoint 1B Instruct, dat tot taak heeft het gebruikersverzoek in een gesprek te volgen, in plaats van als voorgetrainde basis te dienen.\n\nDe gewone tekstrelease is gedocumenteerd met een context van 128k. De maker vermeldt afzonderlijk een context van 8k voor zijn gekwantiseerde tekstmodellen. Die configuraties moeten gescheiden blijven: kwantisatie rechtvaardigt niet dat de context van de gewone release wordt overgenomen voor elk checkpoint in een kleiner formaat of dat de geconfigureerde capaciteit van een bepaalde dienst daaruit wordt afgeleid.\n\nGebruik de context voor de passages en het gesprek die relevant zijn voor één afgebakende bewerking. Een lang document kan nog steeds vragen om een korte samenvatting, een herschreven zoekopdracht of een antwoord op basis van bronnen. Benoem het materiaal dat in het resultaat behouden moet blijven en de lengte of velden die de volgende applicatiestap nodig heeft.\n\nInformatieophaling, samenvatten en herschrijven\n\nLever voor een samenvatting de werkelijke passage of het gesprek aan en specificeer de doelgroep, lengte en essentiële feiten. Een bruikbaar resultaat kan het centrale probleem, al genoemde beslissingen en open vragen van elkaar scheiden. Als de bron meerdere onderwerpen bevat, benoem dan welk onderwerp de samenvatting moet behandelen in plaats van om een ongerichte inkorting van alles te vragen.\n\nLever voor kennisophaling de geselecteerde bronpassages of de informatie aan die een ophaalcomponent heeft teruggegeven. Vraag om de uitspraak die de vraag beantwoordt en de passage die haar ondersteunt. Het tekstantwoord van het model kan opgehaalde informatie uitleggen, terwijl het doorzoeken van een privéverzameling werk blijft voor de gekoppelde applicatie. Het model krijgt die verzameling niet alleen doordat de toepassing als informatieophaling wordt aangeduid.\n\nGeef voor het herschrijven van een zoekopdracht de oorspronkelijke vraag en het doel van de zoekactie. Vraag om een beknopte herformulering die de entiteit, voorwaarde en gezochte informatie behoudt. Een supportvraag kan worden herschreven met de relevante productterm en actie, zonder een feit toe te voegen dat niet in het gebruikersbericht staat. Geef de herziene zoekopdracht los van eventuele uitleg terug als een ander onderdeel die rechtstreeks zal gebruiken.\n\nSpecificeer voor een schrijfassistent de lezer, toon en bronfeiten voordat je om een korte brief of herziene passage vraagt. Definieer voor een extractietaak de velden en hoe ontbrekende informatie moet worden weergegeven. Dit zijn concrete bewerkingen die de gedocumenteerde tekstfocus van het compacte model verbinden met een resultaat dat kan worden geïnspecteerd.\n\nOndersteunde talen en training\n\nDe officieel ondersteunde talen zijn Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. Het model is getraind op een bredere verzameling talen, wat verschilt van de acht talen die de modelkaart expliciet ondersteunt. Benoem de uiteindelijke taal en eventuele termen of identifiers die ongewijzigd moeten blijven.\n\nDe familie is voorgetraind op maximaal negen biljoen tokens, met een kennisgrens van december 2023. Voor de 1B- en 3B-modellen gebruikt de maker uitvoer van Llama 3.1 8B en 70B als trainingsdoelen op tokenniveau en kennisdistillatie na pruning. Dit is een trainingsproces; het betekent niet dat het geïmplementeerde 1B-model die grotere modellen vraagt elke gebruikersvraag te beantwoorden.\n\nDe modelkaart beschrijft supervised fine-tuning en afstemming op basis van voorkeuren, met natrainingsrondes die begeleide voorbeelden, rejection sampling en direct preference optimization omvatten. Die fasen brengen het Instruct-gedrag voort, met behoud van het benoemde checkpoint en de uitsluitend tekstuele modaliteit.\n\nGesprek en gekwantiseerde edities\n\nDe maker demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende gespreksformaat. Definieer de rol van de assistent en de antwoordvereisten los van de werkelijke brontekst. Bewaar het relevante eerdere antwoord wanneer een vervolgvraag vraagt om een herziening, verduidelijking of een andere vorm van dezelfde informatie.\n\nDe release documenteert ook afzonderlijke varianten met quantization-aware training en kwantisatie na training. Hun precisie en context van 8k horen bij die varianten, in plaats van een universele specificatie voor deze gewone Instruct-vermelding te zijn. Gebruik het exacte checkpoint en de configuratie bij het vergelijken van een herhaalde taak of het voorbereiden van een afgeleide implementatie.\n\nInhoudelijke grenzen\n\nDeze 1B-release verwerkt uitsluitend tekst. Ze mag geen afbeeldingsinvoer overnemen van de 11B- of 90B-beeldmodellen van Llama 3.2, de tekst- en beeldmogelijkheden van Llama 4 of de benoemde instellingen voor redeneerinspanning van Muse Spark. Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling, geen afzonderlijk vermelde maximale antwoordcapaciteit.\n\nEen praktisch eindresultaat is de gevraagde samenvatting, zoekopdracht, geëxtraheerde registratie of herschreven tekst, met behoud van de relevante betekenis en identifiers uit de bron. De geraadpleegde bronnen vermelden geen afzonderlijke harde bovengrens voor uitvoertokens. Houd de taak gericht, het invoermateriaal volledig voor die bewerking en het contextverschil tussen de gewone en gekwantiseerde edities expliciet.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct is het compacte tekstmodel van Meta met 1,23 miljard parameters voor dialoog, samenvatten, kennisophaling en het herschrijven van zoekopdrachten. De maker vermeldt een context van 128k voor de gewone release en 8k voor afzonderlijke gekwantiseerde varianten, met meertalige 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 3.2 1B Instruct is het compacte, op instructies afgestemde tekstmodel van Meta, met volgens de tabel van de maker 1,23 miljard parameters. Het accepteert meertalige tekst en geeft tekst of code terug. De release is bedoeld voor dialoog, kennisophaling, samenvatten, mobiele schrijfassistenten en het herschrijven van zoekopdrachten of prompts, in plaats van de beeldbegriptaken van de afzonderlijke beeldedities van Llama.
Modelinformatie en context
Het model gebruikt een autoregressieve Transformer-architectuur met grouped-query attention en gedeelde embeddings. Meta onderscheidt voorgetrainde en op instructies afgestemde 1B- en 3B-modellen. Deze vermelding betreft het checkpoint 1B Instruct, dat tot taak heeft het gebruikersverzoek in een gesprek te volgen, in plaats van als voorgetrainde basis te dienen.
De gewone tekstrelease is gedocumenteerd met een context van 128k. De maker vermeldt afzonderlijk een context van 8k voor zijn gekwantiseerde tekstmodellen. Die configuraties moeten gescheiden blijven: kwantisatie rechtvaardigt niet dat de context van de gewone release wordt overgenomen voor elk checkpoint in een kleiner formaat of dat de geconfigureerde capaciteit van een bepaalde dienst daaruit wordt afgeleid.
Gebruik de context voor de passages en het gesprek die relevant zijn voor één afgebakende bewerking. Een lang document kan nog steeds vragen om een korte samenvatting, een herschreven zoekopdracht of een antwoord op basis van bronnen. Benoem het materiaal dat in het resultaat behouden moet blijven en de lengte of velden die de volgende applicatiestap nodig heeft.
Informatieophaling, samenvatten en herschrijven
Lever voor een samenvatting de werkelijke passage of het gesprek aan en specificeer de doelgroep, lengte en essentiële feiten. Een bruikbaar resultaat kan het centrale probleem, al genoemde beslissingen en open vragen van elkaar scheiden. Als de bron meerdere onderwerpen bevat, benoem dan welk onderwerp de samenvatting moet behandelen in plaats van om een ongerichte inkorting van alles te vragen.
Lever voor kennisophaling de geselecteerde bronpassages of de informatie aan die een ophaalcomponent heeft teruggegeven. Vraag om de uitspraak die de vraag beantwoordt en de passage die haar ondersteunt. Het tekstantwoord van het model kan opgehaalde informatie uitleggen, terwijl het doorzoeken van een privéverzameling werk blijft voor de gekoppelde applicatie. Het model krijgt die verzameling niet alleen doordat de toepassing als informatieophaling wordt aangeduid.
Geef voor het herschrijven van een zoekopdracht de oorspronkelijke vraag en het doel van de zoekactie. Vraag om een beknopte herformulering die de entiteit, voorwaarde en gezochte informatie behoudt. Een supportvraag kan worden herschreven met de relevante productterm en actie, zonder een feit toe te voegen dat niet in het gebruikersbericht staat. Geef de herziene zoekopdracht los van eventuele uitleg terug als een ander onderdeel die rechtstreeks zal gebruiken.
Specificeer voor een schrijfassistent de lezer, toon en bronfeiten voordat je om een korte brief of herziene passage vraagt. Definieer voor een extractietaak de velden en hoe ontbrekende informatie moet worden weergegeven. Dit zijn concrete bewerkingen die de gedocumenteerde tekstfocus van het compacte model verbinden met een resultaat dat kan worden geïnspecteerd.
Ondersteunde talen en training
De officieel ondersteunde talen zijn Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. Het model is getraind op een bredere verzameling talen, wat verschilt van de acht talen die de modelkaart expliciet ondersteunt. Benoem de uiteindelijke taal en eventuele termen of identifiers die ongewijzigd moeten blijven.
De familie is voorgetraind op maximaal negen biljoen tokens, met een kennisgrens van december 2023. Voor de 1B- en 3B-modellen gebruikt de maker uitvoer van Llama 3.1 8B en 70B als trainingsdoelen op tokenniveau en kennisdistillatie na pruning. Dit is een trainingsproces; het betekent niet dat het geïmplementeerde 1B-model die grotere modellen vraagt elke gebruikersvraag te beantwoorden.
De modelkaart beschrijft supervised fine-tuning en afstemming op basis van voorkeuren, met natrainingsrondes die begeleide voorbeelden, rejection sampling en direct preference optimization omvatten. Die fasen brengen het Instruct-gedrag voort, met behoud van het benoemde checkpoint en de uitsluitend tekstuele modaliteit.
Gesprek en gekwantiseerde edities
De maker demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende gespreksformaat. Definieer de rol van de assistent en de antwoordvereisten los van de werkelijke brontekst. Bewaar het relevante eerdere antwoord wanneer een vervolgvraag vraagt om een herziening, verduidelijking of een andere vorm van dezelfde informatie.
De release documenteert ook afzonderlijke varianten met quantization-aware training en kwantisatie na training. Hun precisie en context van 8k horen bij die varianten, in plaats van een universele specificatie voor deze gewone Instruct-vermelding te zijn. Gebruik het exacte checkpoint en de configuratie bij het vergelijken van een herhaalde taak of het voorbereiden van een afgeleide implementatie.
Inhoudelijke grenzen
Deze 1B-release verwerkt uitsluitend tekst. Ze mag geen afbeeldingsinvoer overnemen van de 11B- of 90B-beeldmodellen van Llama 3.2, de tekst- en beeldmogelijkheden van Llama 4 of de benoemde instellingen voor redeneerinspanning van Muse Spark. Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling, geen afzonderlijk vermelde maximale antwoordcapaciteit.
Een praktisch eindresultaat is de gevraagde samenvatting, zoekopdracht, geëxtraheerde registratie of herschreven tekst, met behoud van de relevante betekenis en identifiers uit de bron. De geraadpleegde bronnen vermelden geen afzonderlijke harde bovengrens voor uitvoertokens. Houd de taak gericht, het invoermateriaal volledig voor die bewerking en het contextverschil tussen de gewone en gekwantiseerde edities expliciet.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-3.2-1b-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 $0.000054 / 1K tokens Uitvoer · Uitvoertokens $0.000402 / 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 $0.000054 / 1K tokens Uitvoer · Uitvoertokens $0.000402 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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-3.2-1b-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-3.2-1b-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-3.2-1b-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-3.2-1b-instruct
Gebruik de hierboven getoonde methodepaden.
meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct is het compacte tekstmodel van Meta met 1,23 miljard parameters voor dialoog, samenvatten, kennisophaling en het herschrijven van zoekopdrachten. De maker vermeldt een context van 128k voor de gewone release en 8k voor afzonderlijke gekwantiseerde varianten, met meertalige 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 3.2 1B Instruct is het compacte, op instructies afgestemde tekstmodel van Meta, met volgens de tabel van de maker 1,23 miljard parameters. Het accepteert meertalige tekst en geeft tekst of code terug. De release is bedoeld voor dialoog, kennisophaling, samenvatten, mobiele schrijfassistenten en het herschrijven van zoekopdrachten of prompts, in plaats van de beeldbegriptaken van de afzonderlijke beeldedities van Llama.
Modelinformatie en context
Het model gebruikt een autoregressieve Transformer-architectuur met grouped-query attention en gedeelde embeddings. Meta onderscheidt voorgetrainde en op instructies afgestemde 1B- en 3B-modellen. Deze vermelding betreft het checkpoint 1B Instruct, dat tot taak heeft het gebruikersverzoek in een gesprek te volgen, in plaats van als voorgetrainde basis te dienen.
De gewone tekstrelease is gedocumenteerd met een context van 128k. De maker vermeldt afzonderlijk een context van 8k voor zijn gekwantiseerde tekstmodellen. Die configuraties moeten gescheiden blijven: kwantisatie rechtvaardigt niet dat de context van de gewone release wordt overgenomen voor elk checkpoint in een kleiner formaat of dat de geconfigureerde capaciteit van een bepaalde dienst daaruit wordt afgeleid.
Gebruik de context voor de passages en het gesprek die relevant zijn voor één afgebakende bewerking. Een lang document kan nog steeds vragen om een korte samenvatting, een herschreven zoekopdracht of een antwoord op basis van bronnen. Benoem het materiaal dat in het resultaat behouden moet blijven en de lengte of velden die de volgende applicatiestap nodig heeft.
Informatieophaling, samenvatten en herschrijven
Lever voor een samenvatting de werkelijke passage of het gesprek aan en specificeer de doelgroep, lengte en essentiële feiten. Een bruikbaar resultaat kan het centrale probleem, al genoemde beslissingen en open vragen van elkaar scheiden. Als de bron meerdere onderwerpen bevat, benoem dan welk onderwerp de samenvatting moet behandelen in plaats van om een ongerichte inkorting van alles te vragen.
Lever voor kennisophaling de geselecteerde bronpassages of de informatie aan die een ophaalcomponent heeft teruggegeven. Vraag om de uitspraak die de vraag beantwoordt en de passage die haar ondersteunt. Het tekstantwoord van het model kan opgehaalde informatie uitleggen, terwijl het doorzoeken van een privéverzameling werk blijft voor de gekoppelde applicatie. Het model krijgt die verzameling niet alleen doordat de toepassing als informatieophaling wordt aangeduid.
Geef voor het herschrijven van een zoekopdracht de oorspronkelijke vraag en het doel van de zoekactie. Vraag om een beknopte herformulering die de entiteit, voorwaarde en gezochte informatie behoudt. Een supportvraag kan worden herschreven met de relevante productterm en actie, zonder een feit toe te voegen dat niet in het gebruikersbericht staat. Geef de herziene zoekopdracht los van eventuele uitleg terug als een ander onderdeel die rechtstreeks zal gebruiken.
Specificeer voor een schrijfassistent de lezer, toon en bronfeiten voordat je om een korte brief of herziene passage vraagt. Definieer voor een extractietaak de velden en hoe ontbrekende informatie moet worden weergegeven. Dit zijn concrete bewerkingen die de gedocumenteerde tekstfocus van het compacte model verbinden met een resultaat dat kan worden geïnspecteerd.
Ondersteunde talen en training
De officieel ondersteunde talen zijn Engels, Duits, Frans, Italiaans, Portugees, Hindi, Spaans en Thai. Het model is getraind op een bredere verzameling talen, wat verschilt van de acht talen die de modelkaart expliciet ondersteunt. Benoem de uiteindelijke taal en eventuele termen of identifiers die ongewijzigd moeten blijven.
De familie is voorgetraind op maximaal negen biljoen tokens, met een kennisgrens van december 2023. Voor de 1B- en 3B-modellen gebruikt de maker uitvoer van Llama 3.1 8B en 70B als trainingsdoelen op tokenniveau en kennisdistillatie na pruning. Dit is een trainingsproces; het betekent niet dat het geïmplementeerde 1B-model die grotere modellen vraagt elke gebruikersvraag te beantwoorden.
De modelkaart beschrijft supervised fine-tuning en afstemming op basis van voorkeuren, met natrainingsrondes die begeleide voorbeelden, rejection sampling en direct preference optimization omvatten. Die fasen brengen het Instruct-gedrag voort, met behoud van het benoemde checkpoint en de uitsluitend tekstuele modaliteit.
Gesprek en gekwantiseerde edities
De maker demonstreert afzonderlijke systeem- en gebruikersberichten met het bijbehorende gespreksformaat. Definieer de rol van de assistent en de antwoordvereisten los van de werkelijke brontekst. Bewaar het relevante eerdere antwoord wanneer een vervolgvraag vraagt om een herziening, verduidelijking of een andere vorm van dezelfde informatie.
De release documenteert ook afzonderlijke varianten met quantization-aware training en kwantisatie na training. Hun precisie en context van 8k horen bij die varianten, in plaats van een universele specificatie voor deze gewone Instruct-vermelding te zijn. Gebruik het exacte checkpoint en de configuratie bij het vergelijken van een herhaalde taak of het voorbereiden van een afgeleide implementatie.
Inhoudelijke grenzen
Deze 1B-release verwerkt uitsluitend tekst. Ze mag geen afbeeldingsinvoer overnemen van de 11B- of 90B-beeldmodellen van Llama 3.2, de tekst- en beeldmogelijkheden van Llama 4 of de benoemde instellingen voor redeneerinspanning van Muse Spark. Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling, geen afzonderlijk vermelde maximale antwoordcapaciteit.
Een praktisch eindresultaat is de gevraagde samenvatting, zoekopdracht, geëxtraheerde registratie of herschreven tekst, met behoud van de relevante betekenis en identifiers uit de bron. De geraadpleegde bronnen vermelden geen afzonderlijke harde bovengrens voor uitvoertokens. Houd de taak gericht, het invoermateriaal volledig voor die bewerking en het contextverschil tussen de gewone en gekwantiseerde edities expliciet.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-3.2-1b-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 $0.000054 / 1K tokens Uitvoer · Uitvoertokens $0.000402 / 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 $0.000054 / 1K tokens Uitvoer · Uitvoertokens $0.000402 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "meta-llama/llama-3.2-1b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.2-1b-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-3.2-1b-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-3.2-1b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.