{
  "aboutHtml": "<h3>Hoe Pareto 26.10 werkt</h3><p>Pareto 26.10 is een stabiele uitgave van het samengestelde model van Unbiased. De aanpak selecteert voor elke aanvraag meerdere geavanceerde en open modellen en bundelt hun resultaten tot één antwoord. Dat verschilt van het simpelweg doorgeven van een vraag aan één gekozen model: je werkt met één Pareto en ontvangt een gezamenlijk resultaat. De deelnemende modellen kunnen veranderen, dus de uitgavenaam legt geen vaste lijst van basismodellen vast.</p><h3>Werken met tekst in Ailoot</h3><p>In Ailoot accepteert Pareto 26.10 tekst en retourneert het tekst. Het contextvenster van deze aansluiting is 1 048 576 tokens. Daarin vallen instructies, gespreksgeschiedenis, aangeleverd materiaal en het gegenereerde antwoord. De modelmetadata vermeldt een antwoordomvang tot 131 072 tokens. Dat is een bovengrens, niet de verplichte lengte van elke generatie. Leg voor inhoudelijk werk vooraf de resultaatomvang en de volgorde van de secties vast.</p><p>Met de lange context kun je in één aanvraag meerdere teksten vergelijken: een technische opdracht en de implementatie, eisen en een gespreksverslag, of meerdere documentversies. Geef de bronfragmenten duidelijke namen en vraag om conclusies daaraan te koppelen. Je kunt bijvoorbeeld een verschillentabel maken, tegenstrijdige eisen aanwijzen of een wijzigingsplan opstellen op basis van de hele verzameling. Dit zijn manieren om een teksttaak te formuleren; de toepassing bepaalt de toegang tot je bestanden of externe systemen.</p><h3>Een bruikbare aanvraag opbouwen</h3><p>Neem bij codeanalyse relevante functies, verwacht gedrag en de waargenomen fout op. Vraag eerst om de onderlinge afhankelijkheid uit te leggen, daarna om een lokale wijziging en controlemethoden voor te stellen. Formuleer bij onderzoek met aangeleverde teksten een vraag, benoem de bronnen in de aanvraag en leg vast welke uitspraken naar het betreffende fragment moeten verwijzen. Geef voor een document de doelgroep, het doel, verplichte secties en acceptatiecriteria aan.</p><p>De tekstaansluiting is beschikbaar via Messages, Responses, Chat Completions en de tekstinterface van generateContent. Met het formaat kun je het model in een bestaande client integreren. Dat voegt op zichzelf geen beeldverwerking, webzoeken of uitvoering van opdrachten toe. De ontvangen code, plannen en aanbevelingen blijven gegenereerde tekst totdat je toepassing vervolgacties uitvoert.</p><h3>Een versie expliciet vastleggen</h3><p>De identificatie <code>unbiased/pareto-26.10</code> kiest specifiek uitgave 26.10. Dat is handig om het model expliciet in toepassingsinstellingen vast te leggen of de resultaten van één versie op je eigen taken te vergelijken. Uitgave 26.9 bestaat afzonderlijk en heeft een eigen contextvenster.</p>",
  "aboutText": "### Hoe Pareto 26.10 werkt\n\nPareto 26.10 is een stabiele uitgave van het samengestelde model van Unbiased. De aanpak selecteert voor elke aanvraag meerdere geavanceerde en open modellen en bundelt hun resultaten tot één antwoord. Dat verschilt van het simpelweg doorgeven van een vraag aan één gekozen model: je werkt met één Pareto en ontvangt een gezamenlijk resultaat. De deelnemende modellen kunnen veranderen, dus de uitgavenaam legt geen vaste lijst van basismodellen vast.\n\n### Werken met tekst in Ailoot\n\nIn Ailoot accepteert Pareto 26.10 tekst en retourneert het tekst. Het contextvenster van deze aansluiting is 1 048 576 tokens. Daarin vallen instructies, gespreksgeschiedenis, aangeleverd materiaal en het gegenereerde antwoord. De modelmetadata vermeldt een antwoordomvang tot 131 072 tokens. Dat is een bovengrens, niet de verplichte lengte van elke generatie. Leg voor inhoudelijk werk vooraf de resultaatomvang en de volgorde van de secties vast.\n\nMet de lange context kun je in één aanvraag meerdere teksten vergelijken: een technische opdracht en de implementatie, eisen en een gespreksverslag, of meerdere documentversies. Geef de bronfragmenten duidelijke namen en vraag om conclusies daaraan te koppelen. Je kunt bijvoorbeeld een verschillentabel maken, tegenstrijdige eisen aanwijzen of een wijzigingsplan opstellen op basis van de hele verzameling. Dit zijn manieren om een teksttaak te formuleren; de toepassing bepaalt de toegang tot je bestanden of externe systemen.\n\n### Een bruikbare aanvraag opbouwen\n\nNeem bij codeanalyse relevante functies, verwacht gedrag en de waargenomen fout op. Vraag eerst om de onderlinge afhankelijkheid uit te leggen, daarna om een lokale wijziging en controlemethoden voor te stellen. Formuleer bij onderzoek met aangeleverde teksten een vraag, benoem de bronnen in de aanvraag en leg vast welke uitspraken naar het betreffende fragment moeten verwijzen. Geef voor een document de doelgroep, het doel, verplichte secties en acceptatiecriteria aan.\n\nDe tekstaansluiting is beschikbaar via Messages, Responses, Chat Completions en de tekstinterface van generateContent. Met het formaat kun je het model in een bestaande client integreren. Dat voegt op zichzelf geen beeldverwerking, webzoeken of uitvoering van opdrachten toe. De ontvangen code, plannen en aanbevelingen blijven gegenereerde tekst totdat je toepassing vervolgacties uitvoert.\n\n### Een versie expliciet vastleggen\n\nDe identificatie `unbiased/pareto-26.10` kiest specifiek uitgave 26.10. Dat is handig om het model expliciet in toepassingsinstellingen vast te leggen of de resultaten van één versie op je eigen taken te vergelijken. Uitgave 26.9 bestaat afzonderlijk en heeft een eigen contextvenster.",
  "locale": "nl",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Anthropic Messages</b><code>POST /v1/messages</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Invoertypen</dt><dd><code>text</code></dd></div><div><dt>Uitvoertypen</dt><dd><code>text</code></dd></div><div><dt>Context</dt><dd>Niet vermeld in de catalogus</dd></div><div><dt>Max. antwoord</dt><dd>Niet vermeld in de catalogus</dd></div></dl><dl><div><dt>Invoer</dt><dd>US$ 0,0016 <em>/ 1K</em></dd></div><div><dt>Uitvoer</dt><dd>US$ 0,0064 <em>/ 1K</em></dd></div><div><dt>Cache lezen</dt><dd>≈US$ 0,00006 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "messages",
        "http": "POST",
        "path": "/v1/messages",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|messages|/v1/messages|unbiased%2Fpareto-26.10",
      "ordinal": 0,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Responses</b><code>POST /v1/responses</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Invoertypen</dt><dd><code>text</code></dd></div><div><dt>Uitvoertypen</dt><dd><code>text</code></dd></div><div><dt>Context</dt><dd>Niet vermeld in de catalogus</dd></div><div><dt>Max. antwoord</dt><dd>Niet vermeld in de catalogus</dd></div></dl><dl><div><dt>Invoer</dt><dd>US$ 0,0016 <em>/ 1K</em></dd></div><div><dt>Uitvoer</dt><dd>US$ 0,0064 <em>/ 1K</em></dd></div><div><dt>Cache lezen</dt><dd>≈US$ 0,00006 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "responses",
        "http": "POST",
        "path": "/v1/responses",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|responses|/v1/responses|unbiased%2Fpareto-26.10",
      "ordinal": 1,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> OpenAI Chat</b><code>POST /v1/chat/completions</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Invoertypen</dt><dd><code>text</code></dd></div><div><dt>Uitvoertypen</dt><dd><code>text</code></dd></div><div><dt>Context</dt><dd>Niet vermeld in de catalogus</dd></div><div><dt>Max. antwoord</dt><dd>Niet vermeld in de catalogus</dd></div></dl><dl><div><dt>Invoer</dt><dd>US$ 0,0016 <em>/ 1K</em></dd></div><div><dt>Uitvoer</dt><dd>US$ 0,0064 <em>/ 1K</em></dd></div><div><dt>Cache lezen</dt><dd>≈US$ 0,00006 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "chat",
        "http": "POST",
        "path": "/v1/chat/completions",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|chat|/v1/chat/completions|unbiased%2Fpareto-26.10",
      "ordinal": 2,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    },
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Gemini generateContent</b><code>POST /v1beta/models/unbiased/pareto-26.10:generateContent</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Invoertypen</dt><dd><code>text</code></dd></div><div><dt>Uitvoertypen</dt><dd><code>text</code></dd></div><div><dt>Context</dt><dd>Niet vermeld in de catalogus</dd></div><div><dt>Max. antwoord</dt><dd>Niet vermeld in de catalogus</dd></div></dl><dl><div><dt>Invoer</dt><dd>US$ 0,0016 <em>/ 1K</em></dd></div><div><dt>Uitvoer</dt><dd>US$ 0,0064 <em>/ 1K</em></dd></div><div><dt>Cache lezen</dt><dd>≈US$ 0,00006 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "unbiased/pareto-26.10",
        "fmt": "gemini",
        "http": "POST",
        "path": "/v1beta/models/unbiased/pareto-26.10:generateContent",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|gemini|/v1beta/models/unbiased/pareto-26.10:generateContent|unbiased%2Fpareto-26.10",
      "ordinal": 3,
      "rawMethod": {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/unbiased/pareto-26.10:generateContent",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    }
  ],
  "model_id": "unbiased/pareto-26.10",
  "page": {
    "canonical": "https://ailoot.ai/models/nl/unbiased-pareto-26-10/",
    "description": "Samengesteld tekstmodel van Unbiased met 1 048 576 tokens context voor het analyseren van grote materiaalverzamelingen en het opstellen van uitvoerige antwoorden.",
    "locale": "nl",
    "md_url": "https://ailoot.ai/models/nl/unbiased-pareto-26-10/index.md",
    "title": "Pareto 26.10",
    "url": "https://ailoot.ai/models/nl/unbiased-pareto-26-10/"
  },
  "rawModel": {
    "about": "### Hoe Pareto 26.10 werkt\n\nPareto 26.10 is een stabiele uitgave van het samengestelde model van Unbiased. De aanpak selecteert voor elke aanvraag meerdere geavanceerde en open modellen en bundelt hun resultaten tot één antwoord. Dat verschilt van het simpelweg doorgeven van een vraag aan één gekozen model: je werkt met één Pareto en ontvangt een gezamenlijk resultaat. De deelnemende modellen kunnen veranderen, dus de uitgavenaam legt geen vaste lijst van basismodellen vast.\n\n### Werken met tekst in Ailoot\n\nIn Ailoot accepteert Pareto 26.10 tekst en retourneert het tekst. Het contextvenster van deze aansluiting is 1 048 576 tokens. Daarin vallen instructies, gespreksgeschiedenis, aangeleverd materiaal en het gegenereerde antwoord. De modelmetadata vermeldt een antwoordomvang tot 131 072 tokens. Dat is een bovengrens, niet de verplichte lengte van elke generatie. Leg voor inhoudelijk werk vooraf de resultaatomvang en de volgorde van de secties vast.\n\nMet de lange context kun je in één aanvraag meerdere teksten vergelijken: een technische opdracht en de implementatie, eisen en een gespreksverslag, of meerdere documentversies. Geef de bronfragmenten duidelijke namen en vraag om conclusies daaraan te koppelen. Je kunt bijvoorbeeld een verschillentabel maken, tegenstrijdige eisen aanwijzen of een wijzigingsplan opstellen op basis van de hele verzameling. Dit zijn manieren om een teksttaak te formuleren; de toepassing bepaalt de toegang tot je bestanden of externe systemen.\n\n### Een bruikbare aanvraag opbouwen\n\nNeem bij codeanalyse relevante functies, verwacht gedrag en de waargenomen fout op. Vraag eerst om de onderlinge afhankelijkheid uit te leggen, daarna om een lokale wijziging en controlemethoden voor te stellen. Formuleer bij onderzoek met aangeleverde teksten een vraag, benoem de bronnen in de aanvraag en leg vast welke uitspraken naar het betreffende fragment moeten verwijzen. Geef voor een document de doelgroep, het doel, verplichte secties en acceptatiecriteria aan.\n\nDe tekstaansluiting is beschikbaar via Messages, Responses, Chat Completions en de tekstinterface van generateContent. Met het formaat kun je het model in een bestaande client integreren. Dat voegt op zichzelf geen beeldverwerking, webzoeken of uitvoering van opdrachten toe. De ontvangen code, plannen en aanbevelingen blijven gegenereerde tekst totdat je toepassing vervolgacties uitvoert.\n\n### Een versie expliciet vastleggen\n\nDe identificatie `unbiased/pareto-26.10` kiest specifiek uitgave 26.10. Dat is handig om het model expliciet in toepassingsinstellingen vast te leggen of de resultaten van één versie op je eigen taken te vergelijken. Uitgave 26.9 bestaat afzonderlijk en heeft een eigen contextvenster.",
    "alias_of": null,
    "aliases": [],
    "author": "Unbiased",
    "canonical_model": "unbiased/pareto-26.10",
    "ctx": null,
    "formats": [
      "chat",
      "gemini",
      "messages",
      "responses"
    ],
    "id": "unbiased/pareto-26.10",
    "input": [
      "text"
    ],
    "kind": "text",
    "max_out": null,
    "methods": [
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "anthropic",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "messages",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Anthropic Messages",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/messages",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "responses",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Responses",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/responses",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "openai",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "chat",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "OpenAI Chat",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1/chat/completions",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      },
      {
        "cache_read": 0.06,
        "cache_write": null,
        "cache_write_1h": null,
        "cache_write_5m": null,
        "conditional_meter": null,
        "ctx": null,
        "family": "gemini",
        "fast_multiplier": 1,
        "flex_multiplier": 1,
        "fmt": "gemini",
        "http": "POST",
        "img_in": null,
        "img_out": null,
        "in": 1.6,
        "input": [
          "text"
        ],
        "label": "Gemini generateContent",
        "max_out": null,
        "max_tool_calls": null,
        "out": 6.4,
        "output": [
          "text"
        ],
        "path": "/v1beta/models/unbiased/pareto-26.10:generateContent",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "tool_prices": null,
        "unit": "token",
        "units": []
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "unbiased/pareto-26.10",
        "request_model_id": "unbiased/pareto-26.10",
        "route_label": "Ultra"
      }
    ],
    "name": "Pareto 26.10",
    "price": {
      "in": 1.6,
      "in_label": null,
      "out": 6.4,
      "out_label": null,
      "sort_in": 1.6,
      "sort_out": 6.4,
      "varies": false
    },
    "public_id": "unbiased/pareto-26.10",
    "short": "Samengesteld tekstmodel van Unbiased met 1 048 576 tokens context voor het analyseren van grote materiaalverzamelingen en het opstellen van uitvoerige antwoorden."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Samengesteld tekstmodel van Unbiased met 1 048 576 tokens context voor het analyseren van grote materiaalverzamelingen en het opstellen van uitvoerige antwoorden.",
  "source": {
    "audit_sha256": "d8b7d3dabfc2124e32599a834b8d0adbd42438b4f960b5b523024eae11431652",
    "bridge_map_sha256": "d8b7d3dabfc2124e32599a834b8d0adbd42438b4f960b5b523024eae11431652",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "a3487da293806f48933f6fbeeb2be50d753506dde204ec46012c39302508583f",
      "renderer_sha256": "8c7b0c00dc6395d8102829f7b71d6256b49919bc558d6771040320add38a0f9d"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "a3487da293806f48933f6fbeeb2be50d753506dde204ec46012c39302508583f",
    "renderer_sha256": "8c7b0c00dc6395d8102829f7b71d6256b49919bc558d6771040320add38a0f9d"
  },
  "sourceRevision": "db95f6b820684100a21398754ad33dc0956e549d8a029d46abdeecc78677adb7"
}
