Inkling is het grote multimodale model voor algemeen gebruik van Thinking Machines Lab. De officiële specificatie vermeldt 975 miljard parameters in totaal en 41B actieve parameters. Het accepteert tekst, afbeeldingen en audio en genereert UTF-8-tekst voor gesprekken, programmeren, instructietaken, retrieval-augmented werk en toepassingen met tools. Het blijft onderscheiden van Inkling-Small en afzonderlijk aangepaste checkpoints.
Het model gebruikt 66 decoderlagen, waarbij elk token naar zes van 256 experts plus twee gedeelde experts wordt gerouteerd. Lokale en globale attention worden gecombineerd. De release van de producent beschrijft voortraining op 45 biljoen tokens met tekst, afbeeldingen, audio en video, met verdere gegevensverwerking en natraining. Afzonderlijke BF16- en NVFP4-releases zijn verschillende precisiebestanden.
Het model ondersteunt een context tot 1M, terwijl de trainingsdienst van de producent configuraties van 64K en 256K biedt. Invoer en uitvoer moeten passen binnen de context die voor de taak wordt gebruikt, met ruimte voor redeneren én het eindantwoord. Een opdracht met lange context moet de vraag en het materiaal dat daarop van invloed is identificeren, in plaats van alle beschikbare tekst als even belangrijk te beschouwen.
Denkinspanning is continu in de renderer van de fabrikant: een eindige waarde vanaf 0.0 tot, maar niet inclusief, 1.0. Benoemde startpunten koppelen none aan 0.0, minimal aan 0.1, low aan 0.2, medium aan 0.7, high aan 0.9 en xhigh aan 0.99; de renderer gebruikt standaard high. Nul stimuleert niet-redeneren zonder een hard verbod af te dwingen. Inspanning en generatielengte zijn afzonderlijke instellingen, dus het denkwerk moet ruimte voor het eindantwoord overlaten.
Voor afbeeldingen beveelt de modelkaart afmetingen idealiter tussen 40 en 4096 pixels aan. Audio moet WAV op 16 kHz zijn en idealiter korter dan twintig minuten. Dit zijn aanbevelingen voor optimale invoer. Lever de afbeelding of opname aan met een duidelijke vraag en eventuele woordenschat of achtergrond die voor de interpretatie nodig is. De tekstuitvoer kan het materiaal uitleggen of de relevante bevindingen ordenen; het is geen gegenereerde spraak of video.
Lever voor code of een agenttaak de bron, het doel en de observaties van huidige controles aan. Het model stelt toolinteracties voor en de toepassing voert die uit en geeft resultaten terug. Bewaar die geschiedenis, zodat vervolgstappen het daadwerkelijke bewijs gebruiken. Een bruikbaar eindproduct vermeldt de voorgestelde wijziging of conclusie en wat nog een observatie vereist om die vast te stellen.
De producent brengt Inkling uit voor onderzoek en aanpassing en documenteert multimodale veiligheidsevaluaties en resterende beperkingen, waaronder ongelijkmatige taalondersteuning en achteruitgang in lange gesprekken. Houd een aangepast model apart van het oorspronkelijke checkpoint en beoordeel de daadwerkelijke tekst of code aan de hand van het bewijsmateriaal en de vereisten van de taak.
", "aboutText": "Inkling is het grote multimodale model voor algemeen gebruik van Thinking Machines Lab. De officiële specificatie vermeldt 975 miljard parameters in totaal en 41B actieve parameters. Het accepteert tekst, afbeeldingen en audio en genereert UTF-8-tekst voor gesprekken, programmeren, instructietaken, retrieval-augmented werk en toepassingen met tools. Het blijft onderscheiden van Inkling-Small en afzonderlijk aangepaste checkpoints.\n\nHet model gebruikt 66 decoderlagen, waarbij elk token naar zes van 256 experts plus twee gedeelde experts wordt gerouteerd. Lokale en globale attention worden gecombineerd. De release van de producent beschrijft voortraining op 45 biljoen tokens met tekst, afbeeldingen, audio en video, met verdere gegevensverwerking en natraining. Afzonderlijke BF16- en NVFP4-releases zijn verschillende precisiebestanden.\n\nHet model ondersteunt een context tot 1M, terwijl de trainingsdienst van de producent configuraties van 64K en 256K biedt. Invoer en uitvoer moeten passen binnen de context die voor de taak wordt gebruikt, met ruimte voor redeneren én het eindantwoord. Een opdracht met lange context moet de vraag en het materiaal dat daarop van invloed is identificeren, in plaats van alle beschikbare tekst als even belangrijk te beschouwen.\n\nDenkinspanning is continu in de renderer van de fabrikant: een eindige waarde vanaf 0.0 tot, maar niet inclusief, 1.0. Benoemde startpunten koppelen none aan 0.0, minimal aan 0.1, low aan 0.2, medium aan 0.7, high aan 0.9 en xhigh aan 0.99; de renderer gebruikt standaard high. Nul stimuleert niet-redeneren zonder een hard verbod af te dwingen. Inspanning en generatielengte zijn afzonderlijke instellingen, dus het denkwerk moet ruimte voor het eindantwoord overlaten.\n\nVoor afbeeldingen beveelt de modelkaart afmetingen idealiter tussen 40 en 4096 pixels aan. Audio moet WAV op 16 kHz zijn en idealiter korter dan twintig minuten. Dit zijn aanbevelingen voor optimale invoer. Lever de afbeelding of opname aan met een duidelijke vraag en eventuele woordenschat of achtergrond die voor de interpretatie nodig is. De tekstuitvoer kan het materiaal uitleggen of de relevante bevindingen ordenen; het is geen gegenereerde spraak of video.\n\nLever voor code of een agenttaak de bron, het doel en de observaties van huidige controles aan. Het model stelt toolinteracties voor en de toepassing voert die uit en geeft resultaten terug. Bewaar die geschiedenis, zodat vervolgstappen het daadwerkelijke bewijs gebruiken. Een bruikbaar eindproduct vermeldt de voorgestelde wijziging of conclusie en wat nog een observatie vereist om die vast te stellen.\n\nDe producent brengt Inkling uit voor onderzoek en aanpassing en documenteert multimodale veiligheidsevaluaties en resterende beperkingen, waaronder ongelijkmatige taalondersteuning en achteruitgang in lange gesprekken. Houd een aangepast model apart van het oorspronkelijke checkpoint en beoordeel de daadwerkelijke tekst of code aan de hand van het bewijsmateriaal en de vereisten van de taak.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.thinkingmachines/inklingInkling van Thinking Machines Lab is een MoE-model met 975B parameters, waarvan 41B actief zijn, voor redeneren over tekst, afbeeldingen en audio. Het genereert tekst, ondersteunt toolgerichte en programmeertoepassingen en biedt continue denkinspanning met een modelcontext van 1M.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inkling is het grote multimodale model voor algemeen gebruik van Thinking Machines Lab. De officiële specificatie vermeldt 975 miljard parameters in totaal en 41B actieve parameters. Het accepteert tekst, afbeeldingen en audio en genereert UTF-8-tekst voor gesprekken, programmeren, instructietaken, retrieval-augmented werk en toepassingen met tools. Het blijft onderscheiden van Inkling-Small en afzonderlijk aangepaste checkpoints.
Het model gebruikt 66 decoderlagen, waarbij elk token naar zes van 256 experts plus twee gedeelde experts wordt gerouteerd. Lokale en globale attention worden gecombineerd. De release van de producent beschrijft voortraining op 45 biljoen tokens met tekst, afbeeldingen, audio en video, met verdere gegevensverwerking en natraining. Afzonderlijke BF16- en NVFP4-releases zijn verschillende precisiebestanden.
Het model ondersteunt een context tot 1M, terwijl de trainingsdienst van de producent configuraties van 64K en 256K biedt. Invoer en uitvoer moeten passen binnen de context die voor de taak wordt gebruikt, met ruimte voor redeneren én het eindantwoord. Een opdracht met lange context moet de vraag en het materiaal dat daarop van invloed is identificeren, in plaats van alle beschikbare tekst als even belangrijk te beschouwen.
Denkinspanning is continu in de renderer van de fabrikant: een eindige waarde vanaf 0.0 tot, maar niet inclusief, 1.0. Benoemde startpunten koppelen none aan 0.0, minimal aan 0.1, low aan 0.2, medium aan 0.7, high aan 0.9 en xhigh aan 0.99; de renderer gebruikt standaard high. Nul stimuleert niet-redeneren zonder een hard verbod af te dwingen. Inspanning en generatielengte zijn afzonderlijke instellingen, dus het denkwerk moet ruimte voor het eindantwoord overlaten.
Voor afbeeldingen beveelt de modelkaart afmetingen idealiter tussen 40 en 4096 pixels aan. Audio moet WAV op 16 kHz zijn en idealiter korter dan twintig minuten. Dit zijn aanbevelingen voor optimale invoer. Lever de afbeelding of opname aan met een duidelijke vraag en eventuele woordenschat of achtergrond die voor de interpretatie nodig is. De tekstuitvoer kan het materiaal uitleggen of de relevante bevindingen ordenen; het is geen gegenereerde spraak of video.
Lever voor code of een agenttaak de bron, het doel en de observaties van huidige controles aan. Het model stelt toolinteracties voor en de toepassing voert die uit en geeft resultaten terug. Bewaar die geschiedenis, zodat vervolgstappen het daadwerkelijke bewijs gebruiken. Een bruikbaar eindproduct vermeldt de voorgestelde wijziging of conclusie en wat nog een observatie vereist om die vast te stellen.
De producent brengt Inkling uit voor onderzoek en aanpassing en documenteert multimodale veiligheidsevaluaties en resterende beperkingen, waaronder ongelijkmatige taalondersteuning en achteruitgang in lange gesprekken. Houd een aangepast model apart van het oorspronkelijke checkpoint en beoordeel de daadwerkelijke tekst of code aan de hand van het bewijsmateriaal en de vereisten van de taak.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten thinkingmachines/inkling | 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 $0.0019 / 1K tokens Uitvoer · Uitvoertokens $0.0081 / 1K tokens Invoer · Cache lezen $0.00032 / 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 $0.0019 / 1K tokens Uitvoer · Uitvoertokens $0.0081 / 1K tokens Invoer · Cache lezen $0.00032 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling", "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='thinkingmachines/inkling',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='thinkingmachines/inkling',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 thinkingmachines/inkling
Gebruik de hierboven getoonde methodepaden.
thinkingmachines/inklingInkling van Thinking Machines Lab is een MoE-model met 975B parameters, waarvan 41B actief zijn, voor redeneren over tekst, afbeeldingen en audio. Het genereert tekst, ondersteunt toolgerichte en programmeertoepassingen en biedt continue denkinspanning met een modelcontext van 1M.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inkling is het grote multimodale model voor algemeen gebruik van Thinking Machines Lab. De officiële specificatie vermeldt 975 miljard parameters in totaal en 41B actieve parameters. Het accepteert tekst, afbeeldingen en audio en genereert UTF-8-tekst voor gesprekken, programmeren, instructietaken, retrieval-augmented werk en toepassingen met tools. Het blijft onderscheiden van Inkling-Small en afzonderlijk aangepaste checkpoints.
Het model gebruikt 66 decoderlagen, waarbij elk token naar zes van 256 experts plus twee gedeelde experts wordt gerouteerd. Lokale en globale attention worden gecombineerd. De release van de producent beschrijft voortraining op 45 biljoen tokens met tekst, afbeeldingen, audio en video, met verdere gegevensverwerking en natraining. Afzonderlijke BF16- en NVFP4-releases zijn verschillende precisiebestanden.
Het model ondersteunt een context tot 1M, terwijl de trainingsdienst van de producent configuraties van 64K en 256K biedt. Invoer en uitvoer moeten passen binnen de context die voor de taak wordt gebruikt, met ruimte voor redeneren én het eindantwoord. Een opdracht met lange context moet de vraag en het materiaal dat daarop van invloed is identificeren, in plaats van alle beschikbare tekst als even belangrijk te beschouwen.
Denkinspanning is continu in de renderer van de fabrikant: een eindige waarde vanaf 0.0 tot, maar niet inclusief, 1.0. Benoemde startpunten koppelen none aan 0.0, minimal aan 0.1, low aan 0.2, medium aan 0.7, high aan 0.9 en xhigh aan 0.99; de renderer gebruikt standaard high. Nul stimuleert niet-redeneren zonder een hard verbod af te dwingen. Inspanning en generatielengte zijn afzonderlijke instellingen, dus het denkwerk moet ruimte voor het eindantwoord overlaten.
Voor afbeeldingen beveelt de modelkaart afmetingen idealiter tussen 40 en 4096 pixels aan. Audio moet WAV op 16 kHz zijn en idealiter korter dan twintig minuten. Dit zijn aanbevelingen voor optimale invoer. Lever de afbeelding of opname aan met een duidelijke vraag en eventuele woordenschat of achtergrond die voor de interpretatie nodig is. De tekstuitvoer kan het materiaal uitleggen of de relevante bevindingen ordenen; het is geen gegenereerde spraak of video.
Lever voor code of een agenttaak de bron, het doel en de observaties van huidige controles aan. Het model stelt toolinteracties voor en de toepassing voert die uit en geeft resultaten terug. Bewaar die geschiedenis, zodat vervolgstappen het daadwerkelijke bewijs gebruiken. Een bruikbaar eindproduct vermeldt de voorgestelde wijziging of conclusie en wat nog een observatie vereist om die vast te stellen.
De producent brengt Inkling uit voor onderzoek en aanpassing en documenteert multimodale veiligheidsevaluaties en resterende beperkingen, waaronder ongelijkmatige taalondersteuning en achteruitgang in lange gesprekken. Houd een aangepast model apart van het oorspronkelijke checkpoint en beoordeel de daadwerkelijke tekst of code aan de hand van het bewijsmateriaal en de vereisten van de taak.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten thinkingmachines/inkling | 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 $0.0019 / 1K tokens Uitvoer · Uitvoertokens $0.0081 / 1K tokens Invoer · Cache lezen $0.00032 / 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 $0.0019 / 1K tokens Uitvoer · Uitvoertokens $0.0081 / 1K tokens Invoer · Cache lezen $0.00032 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "thinkingmachines/inkling",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'thinkingmachines/inkling', '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': 'thinkingmachines/inkling', '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 thinkingmachines/inkling
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.