Amazon Nova Micro to model Amazon pierwszej generacji Nova, obsługujący wyłącznie tekst, zaprojektowany do odpowiedzi o niskim opóźnieniu w rutynowych procesach językowych. Przyjmuje tekst i zwraca tekst. Przykłady Amazon obejmują podsumowywanie dostarczonych informacji, tłumaczenie, klasyfikowanie tekstu, odpowiadanie na pytania i tworzenie zwięzłych treści pisemnych. Micro przydaje się, gdy aplikacja już zebrała fakty i potrzebuje ukierunkowanego przekształcenia, takiego jak zamiana cech produktu w akapit katalogowy lub przekształcenie notatek ze spotkania w listę działań.
Przewodnik pierwszej generacji Nova podaje okno kontekstu 128K tokenów i maksymalny wynik 10K tokenów. Udokumentowana data graniczna wiedzy to październik 2024 roku. Jest to mniejszy kontekst pracy niż okna 300K modeli Nova Lite i Pro lub okno 1 miliona tokenów Premier. Wykorzystuj dostępne miejsce na tekst, od którego odpowiedź rzeczywiście zależy: fragmenty źródłowe, przykłady i istotną rozmowę. Określ, czy oczekiwanym wynikiem jest krótka odpowiedź, etykieta kategorii, tłumaczenie czy zestaw wyodrębnionych pól. Duży limit kontekstu nie wymaga długiej odpowiedzi; jawna długość i struktura wyniku pomagają zachować jego użyteczność.
Zakres Micro obejmuje tekst, a nie natywne rozumienie obrazów, wideo lub dźwięku. Dla informacji pierwotnie zapisanej w dokumencie lub pliku multimedialnym dostarcz wyodrębniony tekst lub transkrypcję. Opis zadania dotyczącego treści produktowej może zawierać nazwę produktu, wymiary, materiały, warianty i wymagany styl, a następnie prośbę o jeden akapit wykorzystujący wyłącznie te cechy. Autorski przykład może polegać na zamówieniu neutralnego opisu i osobnej listy brakujących danych technicznych. Wykorzystuje to model jako autora i przetwórcę dostarczonych dowodów, zamiast prosić go o wnioskowanie o niewidocznych cechach produktu.
Amazon dokumentuje role systemu, użytkownika i asystenta w promptach tekstowych Nova. Instrukcja systemowa może ustalać rolę pisarską i stałe ograniczenia; wiadomość użytkownika dostarcza zadanie i materiał źródłowy; kilka reprezentatywnych przykładów może pokazywać wymagany format. Porządkuj gęste wejścia czytelnymi etykietami i dziel złożone instrukcje na osobne kroki, jeśli model ma trudności z ich zależnościami. Przy tłumaczeniu określ język docelowy, zasady zachowania nazw własnych i terminy, które muszą pozostać niezmienione. Rodzina wersji 1 jest trenowana dla ponad 200 języków, z optymalizacją dla mniejszego zbioru, dlatego nie zakładaj identycznej jakości w każdym dialekcie.
Micro obsługuje strumieniowanie odpowiedzi i wywoływanie narzędzi po stronie klienta. Obsługuje również buforowanie promptów w udokumentowanym przez Amazon profilu udostępniania. Jawne buforowanie wymaga co najmniej 1K tokenów na punkt kontrolny i dopuszcza do czterech punktów z pięciominutowym okresem przechowywania. Producent ogranicza buforowanie promptów do 20K tokenów, głównie w promptach tekstowych; limit bufora jest odrębny od pełnego okna kontekstu. W asystencie opartym na źródłach aplikacja może wyszukać odpowiedni tekst lub wykonać żądaną funkcję, a następnie odesłać zaobserwowany wynik do przygotowania odpowiedzi końcowej. Sam model nie jest mechanizmem wyszukiwania aktualnych informacji. Gdy odpowiedź zależy od bieżącej polityki lub prywatnej bazy wiedzy, dołącz rzeczywiste właściwe źródło. Żądany format JSON może przydawać się do klasyfikacji lub ekstrakcji, ale profil producenta nie wymienia wymuszonego wyniku strukturalnego jako obsługiwanej funkcji; określ sposób traktowania brakujących wartości i sprawdź zwrócone pola.
Kolejną rolą pierwszej generacji jest dostosowywanie: Amazon dokumentuje dostrajanie Micro na oznaczonych przykładach i destylowanie do niego wiedzy zadaniowej z Nova Pro lub Premier. Dostosowana pochodna jest osobnym procesem, a nie funkcją, która bez wyjaśnienia zmienia wersję bazową. Przy zwykłym modelu oceniaj ukończony rezultat względem opisu zadania: dostarczone fakty powinny pozostać nienaruszone, ważne cechy nie powinny znikać, a proza powinna odpowiadać żądanemu stylowi. Micro może również generować kod, ale takie odpowiedzi nie obejmują automatycznego skanowania bezpieczeństwa ani wyniku wykonania.
", "aboutText": "Amazon Nova Micro to model Amazon pierwszej generacji Nova, obsługujący wyłącznie tekst, zaprojektowany do odpowiedzi o niskim opóźnieniu w rutynowych procesach językowych. Przyjmuje tekst i zwraca tekst. Przykłady Amazon obejmują podsumowywanie dostarczonych informacji, tłumaczenie, klasyfikowanie tekstu, odpowiadanie na pytania i tworzenie zwięzłych treści pisemnych. Micro przydaje się, gdy aplikacja już zebrała fakty i potrzebuje ukierunkowanego przekształcenia, takiego jak zamiana cech produktu w akapit katalogowy lub przekształcenie notatek ze spotkania w listę działań.\n\nPrzewodnik pierwszej generacji Nova podaje okno kontekstu 128K tokenów i maksymalny wynik 10K tokenów. Udokumentowana data graniczna wiedzy to październik 2024 roku. Jest to mniejszy kontekst pracy niż okna 300K modeli Nova Lite i Pro lub okno 1 miliona tokenów Premier. Wykorzystuj dostępne miejsce na tekst, od którego odpowiedź rzeczywiście zależy: fragmenty źródłowe, przykłady i istotną rozmowę. Określ, czy oczekiwanym wynikiem jest krótka odpowiedź, etykieta kategorii, tłumaczenie czy zestaw wyodrębnionych pól. Duży limit kontekstu nie wymaga długiej odpowiedzi; jawna długość i struktura wyniku pomagają zachować jego użyteczność.\n\nZakres Micro obejmuje tekst, a nie natywne rozumienie obrazów, wideo lub dźwięku. Dla informacji pierwotnie zapisanej w dokumencie lub pliku multimedialnym dostarcz wyodrębniony tekst lub transkrypcję. Opis zadania dotyczącego treści produktowej może zawierać nazwę produktu, wymiary, materiały, warianty i wymagany styl, a następnie prośbę o jeden akapit wykorzystujący wyłącznie te cechy. Autorski przykład może polegać na zamówieniu neutralnego opisu i osobnej listy brakujących danych technicznych. Wykorzystuje to model jako autora i przetwórcę dostarczonych dowodów, zamiast prosić go o wnioskowanie o niewidocznych cechach produktu.\n\nAmazon dokumentuje role systemu, użytkownika i asystenta w promptach tekstowych Nova. Instrukcja systemowa może ustalać rolę pisarską i stałe ograniczenia; wiadomość użytkownika dostarcza zadanie i materiał źródłowy; kilka reprezentatywnych przykładów może pokazywać wymagany format. Porządkuj gęste wejścia czytelnymi etykietami i dziel złożone instrukcje na osobne kroki, jeśli model ma trudności z ich zależnościami. Przy tłumaczeniu określ język docelowy, zasady zachowania nazw własnych i terminy, które muszą pozostać niezmienione. Rodzina wersji 1 jest trenowana dla ponad 200 języków, z optymalizacją dla mniejszego zbioru, dlatego nie zakładaj identycznej jakości w każdym dialekcie.\n\nMicro obsługuje strumieniowanie odpowiedzi i wywoływanie narzędzi po stronie klienta. Obsługuje również buforowanie promptów w udokumentowanym przez Amazon profilu udostępniania. Jawne buforowanie wymaga co najmniej 1K tokenów na punkt kontrolny i dopuszcza do czterech punktów z pięciominutowym okresem przechowywania. Producent ogranicza buforowanie promptów do 20K tokenów, głównie w promptach tekstowych; limit bufora jest odrębny od pełnego okna kontekstu. W asystencie opartym na źródłach aplikacja może wyszukać odpowiedni tekst lub wykonać żądaną funkcję, a następnie odesłać zaobserwowany wynik do przygotowania odpowiedzi końcowej. Sam model nie jest mechanizmem wyszukiwania aktualnych informacji. Gdy odpowiedź zależy od bieżącej polityki lub prywatnej bazy wiedzy, dołącz rzeczywiste właściwe źródło. Żądany format JSON może przydawać się do klasyfikacji lub ekstrakcji, ale profil producenta nie wymienia wymuszonego wyniku strukturalnego jako obsługiwanej funkcji; określ sposób traktowania brakujących wartości i sprawdź zwrócone pola.\n\nKolejną rolą pierwszej generacji jest dostosowywanie: Amazon dokumentuje dostrajanie Micro na oznaczonych przykładach i destylowanie do niego wiedzy zadaniowej z Nova Pro lub Premier. Dostosowana pochodna jest osobnym procesem, a nie funkcją, która bez wyjaśnienia zmienia wersję bazową. Przy zwykłym modelu oceniaj ukończony rezultat względem opisu zadania: dostarczone fakty powinny pozostać nienaruszone, ważne cechy nie powinny znikać, a proza powinna odpowiadać żądanemu stylowi. Micro może również generować kod, ale takie odpowiedzi nie obejmują automatycznego skanowania bezpieczeństwa ani wyniku wykonania.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1Amazon Nova Micro to model wyłącznie tekstowy z pierwszej generacji rodziny Nova. Został zaprojektowany do zadań językowych o niskim opóźnieniu, takich jak podsumowania, tłumaczenie, klasyfikacja, odpowiadanie na pytania i przekształcanie dostarczonych faktów w zwięzłe treści.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Amazon Nova Micro to model Amazon pierwszej generacji Nova, obsługujący wyłącznie tekst, zaprojektowany do odpowiedzi o niskim opóźnieniu w rutynowych procesach językowych. Przyjmuje tekst i zwraca tekst. Przykłady Amazon obejmują podsumowywanie dostarczonych informacji, tłumaczenie, klasyfikowanie tekstu, odpowiadanie na pytania i tworzenie zwięzłych treści pisemnych. Micro przydaje się, gdy aplikacja już zebrała fakty i potrzebuje ukierunkowanego przekształcenia, takiego jak zamiana cech produktu w akapit katalogowy lub przekształcenie notatek ze spotkania w listę działań.
Przewodnik pierwszej generacji Nova podaje okno kontekstu 128K tokenów i maksymalny wynik 10K tokenów. Udokumentowana data graniczna wiedzy to październik 2024 roku. Jest to mniejszy kontekst pracy niż okna 300K modeli Nova Lite i Pro lub okno 1 miliona tokenów Premier. Wykorzystuj dostępne miejsce na tekst, od którego odpowiedź rzeczywiście zależy: fragmenty źródłowe, przykłady i istotną rozmowę. Określ, czy oczekiwanym wynikiem jest krótka odpowiedź, etykieta kategorii, tłumaczenie czy zestaw wyodrębnionych pól. Duży limit kontekstu nie wymaga długiej odpowiedzi; jawna długość i struktura wyniku pomagają zachować jego użyteczność.
Zakres Micro obejmuje tekst, a nie natywne rozumienie obrazów, wideo lub dźwięku. Dla informacji pierwotnie zapisanej w dokumencie lub pliku multimedialnym dostarcz wyodrębniony tekst lub transkrypcję. Opis zadania dotyczącego treści produktowej może zawierać nazwę produktu, wymiary, materiały, warianty i wymagany styl, a następnie prośbę o jeden akapit wykorzystujący wyłącznie te cechy. Autorski przykład może polegać na zamówieniu neutralnego opisu i osobnej listy brakujących danych technicznych. Wykorzystuje to model jako autora i przetwórcę dostarczonych dowodów, zamiast prosić go o wnioskowanie o niewidocznych cechach produktu.
Amazon dokumentuje role systemu, użytkownika i asystenta w promptach tekstowych Nova. Instrukcja systemowa może ustalać rolę pisarską i stałe ograniczenia; wiadomość użytkownika dostarcza zadanie i materiał źródłowy; kilka reprezentatywnych przykładów może pokazywać wymagany format. Porządkuj gęste wejścia czytelnymi etykietami i dziel złożone instrukcje na osobne kroki, jeśli model ma trudności z ich zależnościami. Przy tłumaczeniu określ język docelowy, zasady zachowania nazw własnych i terminy, które muszą pozostać niezmienione. Rodzina wersji 1 jest trenowana dla ponad 200 języków, z optymalizacją dla mniejszego zbioru, dlatego nie zakładaj identycznej jakości w każdym dialekcie.
Micro obsługuje strumieniowanie odpowiedzi i wywoływanie narzędzi po stronie klienta. Obsługuje również buforowanie promptów w udokumentowanym przez Amazon profilu udostępniania. Jawne buforowanie wymaga co najmniej 1K tokenów na punkt kontrolny i dopuszcza do czterech punktów z pięciominutowym okresem przechowywania. Producent ogranicza buforowanie promptów do 20K tokenów, głównie w promptach tekstowych; limit bufora jest odrębny od pełnego okna kontekstu. W asystencie opartym na źródłach aplikacja może wyszukać odpowiedni tekst lub wykonać żądaną funkcję, a następnie odesłać zaobserwowany wynik do przygotowania odpowiedzi końcowej. Sam model nie jest mechanizmem wyszukiwania aktualnych informacji. Gdy odpowiedź zależy od bieżącej polityki lub prywatnej bazy wiedzy, dołącz rzeczywiste właściwe źródło. Żądany format JSON może przydawać się do klasyfikacji lub ekstrakcji, ale profil producenta nie wymienia wymuszonego wyniku strukturalnego jako obsługiwanej funkcji; określ sposób traktowania brakujących wartości i sprawdź zwrócone pola.
Kolejną rolą pierwszej generacji jest dostosowywanie: Amazon dokumentuje dostrajanie Micro na oznaczonych przykładach i destylowanie do niego wiedzy zadaniowej z Nova Pro lub Premier. Dostosowana pochodna jest osobnym procesem, a nie funkcją, która bez wyjaśnienia zmienia wersję bazową. Przy zwykłym modelu oceniaj ukończony rezultat względem opisu zadania: dostarczone fakty powinny pozostać nienaruszone, ważne cechy nie powinny znikać, a proza powinna odpowiadać żądanemu stylowi. Micro może również generować kod, ale takie odpowiedzi nie obejmują automatycznego skanowania bezpieczeństwa ani wyniku wykonania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity amazon/nova-micro-v1 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00007 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00028 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00007 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00028 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-v1", "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='amazon/nova-micro-v1',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='amazon/nova-micro-v1',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra amazon/nova-micro-v1
Użyj ścieżek metod podanych powyżej.
amazon/nova-micro-v1Amazon Nova Micro to model wyłącznie tekstowy z pierwszej generacji rodziny Nova. Został zaprojektowany do zadań językowych o niskim opóźnieniu, takich jak podsumowania, tłumaczenie, klasyfikacja, odpowiadanie na pytania i przekształcanie dostarczonych faktów w zwięzłe treści.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Amazon Nova Micro to model Amazon pierwszej generacji Nova, obsługujący wyłącznie tekst, zaprojektowany do odpowiedzi o niskim opóźnieniu w rutynowych procesach językowych. Przyjmuje tekst i zwraca tekst. Przykłady Amazon obejmują podsumowywanie dostarczonych informacji, tłumaczenie, klasyfikowanie tekstu, odpowiadanie na pytania i tworzenie zwięzłych treści pisemnych. Micro przydaje się, gdy aplikacja już zebrała fakty i potrzebuje ukierunkowanego przekształcenia, takiego jak zamiana cech produktu w akapit katalogowy lub przekształcenie notatek ze spotkania w listę działań.
Przewodnik pierwszej generacji Nova podaje okno kontekstu 128K tokenów i maksymalny wynik 10K tokenów. Udokumentowana data graniczna wiedzy to październik 2024 roku. Jest to mniejszy kontekst pracy niż okna 300K modeli Nova Lite i Pro lub okno 1 miliona tokenów Premier. Wykorzystuj dostępne miejsce na tekst, od którego odpowiedź rzeczywiście zależy: fragmenty źródłowe, przykłady i istotną rozmowę. Określ, czy oczekiwanym wynikiem jest krótka odpowiedź, etykieta kategorii, tłumaczenie czy zestaw wyodrębnionych pól. Duży limit kontekstu nie wymaga długiej odpowiedzi; jawna długość i struktura wyniku pomagają zachować jego użyteczność.
Zakres Micro obejmuje tekst, a nie natywne rozumienie obrazów, wideo lub dźwięku. Dla informacji pierwotnie zapisanej w dokumencie lub pliku multimedialnym dostarcz wyodrębniony tekst lub transkrypcję. Opis zadania dotyczącego treści produktowej może zawierać nazwę produktu, wymiary, materiały, warianty i wymagany styl, a następnie prośbę o jeden akapit wykorzystujący wyłącznie te cechy. Autorski przykład może polegać na zamówieniu neutralnego opisu i osobnej listy brakujących danych technicznych. Wykorzystuje to model jako autora i przetwórcę dostarczonych dowodów, zamiast prosić go o wnioskowanie o niewidocznych cechach produktu.
Amazon dokumentuje role systemu, użytkownika i asystenta w promptach tekstowych Nova. Instrukcja systemowa może ustalać rolę pisarską i stałe ograniczenia; wiadomość użytkownika dostarcza zadanie i materiał źródłowy; kilka reprezentatywnych przykładów może pokazywać wymagany format. Porządkuj gęste wejścia czytelnymi etykietami i dziel złożone instrukcje na osobne kroki, jeśli model ma trudności z ich zależnościami. Przy tłumaczeniu określ język docelowy, zasady zachowania nazw własnych i terminy, które muszą pozostać niezmienione. Rodzina wersji 1 jest trenowana dla ponad 200 języków, z optymalizacją dla mniejszego zbioru, dlatego nie zakładaj identycznej jakości w każdym dialekcie.
Micro obsługuje strumieniowanie odpowiedzi i wywoływanie narzędzi po stronie klienta. Obsługuje również buforowanie promptów w udokumentowanym przez Amazon profilu udostępniania. Jawne buforowanie wymaga co najmniej 1K tokenów na punkt kontrolny i dopuszcza do czterech punktów z pięciominutowym okresem przechowywania. Producent ogranicza buforowanie promptów do 20K tokenów, głównie w promptach tekstowych; limit bufora jest odrębny od pełnego okna kontekstu. W asystencie opartym na źródłach aplikacja może wyszukać odpowiedni tekst lub wykonać żądaną funkcję, a następnie odesłać zaobserwowany wynik do przygotowania odpowiedzi końcowej. Sam model nie jest mechanizmem wyszukiwania aktualnych informacji. Gdy odpowiedź zależy od bieżącej polityki lub prywatnej bazy wiedzy, dołącz rzeczywiste właściwe źródło. Żądany format JSON może przydawać się do klasyfikacji lub ekstrakcji, ale profil producenta nie wymienia wymuszonego wyniku strukturalnego jako obsługiwanej funkcji; określ sposób traktowania brakujących wartości i sprawdź zwrócone pola.
Kolejną rolą pierwszej generacji jest dostosowywanie: Amazon dokumentuje dostrajanie Micro na oznaczonych przykładach i destylowanie do niego wiedzy zadaniowej z Nova Pro lub Premier. Dostosowana pochodna jest osobnym procesem, a nie funkcją, która bez wyjaśnienia zmienia wersję bazową. Przy zwykłym modelu oceniaj ukończony rezultat względem opisu zadania: dostarczone fakty powinny pozostać nienaruszone, ważne cechy nie powinny znikać, a proza powinna odpowiadać żądanemu stylowi. Micro może również generować kod, ale takie odpowiedzi nie obejmują automatycznego skanowania bezpieczeństwa ani wyniku wykonania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity amazon/nova-micro-v1 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00007 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00028 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00007 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00028 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-micro-v1', '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': 'amazon/nova-micro-v1', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra amazon/nova-micro-v1
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.