Source: https://ailoot.ai/models/pl/amazon-nova-premier-v1/ Canonical: https://ailoot.ai/models/pl/amazon-nova-premier-v1/ Language: pl # Amazon: Nova Premier 1.0 [Markdown](https://ailoot.ai/models/pl/amazon-nova-premier-v1/index.md) · [JSON](https://ailoot.ai/models/pl/amazon-nova-premier-v1/facts.json) ## [Amazon: Nova Premier 1.0](https://ailoot.ai/models/pl/amazon-nova-premier-v1/) Amazon Nova Premier to model pierwszej generacji Nova do złożonego rozumowania multimodalnego, analizy długich dokumentów i agentów. Przyjmuje tekst, obrazy i wideo, zwraca tekst, a także służy jako model nauczycielski do destylacji wyspecjalizowanych modeli Nova. - [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `amazon/nova-premier-v1`](https://ailoot.ai/models/pl/amazon-nova-premier-v1/#method-0) - [**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `amazon/nova-premier-v1`](https://ailoot.ai/models/pl/amazon-nova-premier-v1/#method-1) O modelu Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody. Amazon Nova Premier to najbardziej zaawansowany model rozumienia w pierwszej generacji rodziny Nova firmy Amazon, zaprojektowany do złożonych zadań wymagających głębokiego zrozumienia, kontekstu i planowania w kilku krokach. Przetwarza tekst, obrazy i wideo oraz tworzy tekst. Jego zastosowania obejmują rozumowanie na podstawie długich raportów, porównywanie dowodów w dokumentach, rozumienie wykresów i materiałów wizualnych oraz koordynowanie zadań agentów. Premier jest odrębny od lżejszych modeli Micro, Lite i Pro oraz modeli Nova generujących obrazy, wideo lub mowę konwersacyjną. Profil tej konkretnej wersji u producenta podaje okno kontekstu 1 miliona tokenów i maksymalny wynik 25K tokenów. Udokumentowana data graniczna wiedzy to październik 2024 roku. Premier przydaje się więc, gdy zadanie wymaga dużego zbioru materiałów referencyjnych wraz z instrukcjami i rozmową. Uporządkuj materiał nazwami dokumentów, oznaczeniami sekcji i konkretnym pytaniem, zamiast prosić o nieukierunkowaną analizę wszystkiego. Przydatnym wynikiem może być macierz porównawcza, raport oparty na dowodach lub proponowana sekwencja działań. Limit kontekstu obejmuje materiał, z którym model pracuje; nie jest obietnicą, że każdy szczegół pojawi się w odpowiedzi końcowej. Udokumentowany proces multimodalny Premier obsługuje obrazy PNG, JPG/JPEG, GIF i WebP oraz popularne kontenery wideo, takie jak MP4, MOV, MKV i WebM. Proces obsługi dokumentów obejmuje PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT i Markdown. Pliki tekstowe dostarczają tekst; PDF i DOCX mogą dostarczać tekst stron wraz z informacją wizualną. W raporcie z wykresami zachowaj czytelność etykiet i poproś model o opis odpowiednich obserwacji przed ich interpretacją. Jeśli potrzebna jest tylko treść pisemna, dostarczenie wyodrębnionego tekstu pozwala uniknąć uzależniania zrozumienia dokumentu od odczytu wizualnego. Osadzone media współdzielą limit danych żądania 25 MB, łącznie z narzutem base64. Żądanie zawiera jedno wideo, ograniczone do 1 GB przy przesyłaniu przez S3; łączny rozmiar mediów z S3 może wynosić 2 GB. Wejścia PDF i DOCX pozostają ograniczone do pięciu dokumentów, z łącznym limitem 25 MB przy przesyłaniu bezpośrednim lub 2 GB przez S3. Rozumienie wideo opiera się na próbkowanych klatkach wizualnych. Przewodnik pierwszej generacji podaje konkretnie dla Premier częstotliwość jednej klatki na sekundę do 3200 klatek, co różni się od limitu 960 klatek w strategii Nova Lite i Pro. Przydaje się to do podsumowań scen i pytań o wydarzenia w czasie, choć krótkie działania między próbkowanymi klatkami mogą pozostać niezauważone. Dostarcz odpowiedni klip lub przedział czasu i wskaż szczegóły do śledzenia. Przy długiej sekwencji analiza segmentami, po której powstaje podsumowanie tekstowe, może pomagać utrzymać skupienie, choć podział może powodować utratę kontekstu między granicami segmentów. Udokumentowane modalności modelu nie obejmują wejścia dźwiękowego, dlatego wypowiadane informacje należy dostarczać jako tekst. Premier obsługuje strumieniowanie odpowiedzi, procesy korzystające z narzędzi i wyszukiwania oraz 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. Przekaż agentowi zadanie, dozwolone narzędzia i opisy ich argumentów, a następnie pozwól aplikacji wykonać żądane działania i zwrócić obserwacje przed kolejnym krokiem modelu. Rola rozumująca nie oznacza, że model może obsługiwać zewnętrzny system bez tej warstwy wykonawczej. Wskazówki pierwszej generacji wspierają wyjaśnianie rozwiązania etapami poprzez prompt; osobne ustawienia low, medium i high rozszerzonego rozumowania Nova 2 Lite nie należą do udokumentowanego interfejsu tej wersji. Przy raporcie lub wyniku narzędzia poproś o jawne pola i przykłady wymaganej struktury; żądany kształt JSON jest odrębny od wymuszonego wyniku strukturalnego. Szczególną rolą Premier jest nauczanie mniejszych modeli Nova poprzez destylację. Amazon opisuje używanie odpowiedzi Premier jako przykładów treningowych dla wyspecjalizowanych wariantów Nova Micro, Lite i Pro, a następnie porównywanie zachowania mniejszego modelu w docelowym zadaniu. Jest to proces dostosowywania modelu, a nie zmiana tożsamości zwykłej odpowiedzi Premier. Przy zwykłym użyciu dostarczaj miarodajne fakty i wymagaj, aby odpowiedź oddzielała obserwacje, założenia i brakujące dowody. Nova może generować wiarygodne twierdzenia sprzeczne ze źródłem, a generowany kod nie obejmuje automatycznego skanowania bezpieczeństwa, dlatego użyteczny rezultat powinien zawierać dość dowodów i szczegółów, aby można go było sprawdzić względem wejścia. Producent podaje też, że model ten nie identyfikuje osób ani nie podaje ich imion i nazwisk na podstawie obrazów, dokumentów lub wideo. Zadanie praktyczne ### Zadanie praktyczne Przykład techniczny po angielsku ``` Compare two rollout proposals Compare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer. ``` #### Oczekiwany wynik ``` A short recommendation, a two-plan comparison table and one explicitly unanswered question. ``` #### Sprawdź wynik ``` Check every stated advantage against the notes; do not invent costs, outage rates or pilot results. ``` **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `amazon/nova-premier-v1` [`amazon/nova-premier-v1`](https://ailoot.ai/models/pl/#m=amazon%2Fnova-premier-v1&route=Ultra&caller=amazon%2Fnova-premier-v1&fmt=chat) Amazon /`amazon/nova-premier-v1` ### Start Amazon Nova Premier to model pierwszej generacji Nova do złożonego rozumowania multimodalnego, analizy długich dokumentów i agentów. Przyjmuje tekst, obrazy i wideo, zwraca tekst, a także służy jako model nauczycielski do destylacji wyspecjalizowanych modeli Nova. Akceptowane dane wejściowe Tekst Wyniki Tekst ### Dostępne w Ailoot · dane wejściowe i metody **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` Wejście `text` Wyjście `text` Format wyjściowy json lub SSE | Pole | Typ | Wymaganie | Wartości i limity | Domyślnie | | --- | --- | --- | --- | --- | | Pole`model` | Typ`string` | WymaganieWymagane | Wartości i limity amazon/nova-premier-v1 | Domyślnie— | | Pole`messages` | Typ`message[]` | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— | | Pole`messages[].role` | Typ`string` | 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— | | Pole`messages[].content` | Typ`string\|content_part[]\|null` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`messages[].tool_calls` | Typ`tool_call[]` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`messages[].tool_call_id` | Typ`string` | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— | | Pole`messages[].name` | Typ`string` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`messages[].reasoning_content` | Typ`string` | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— | | Pole`messages[].reasoning_details` | Typ`object\|array` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`max_tokens` | Typ`integer` | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— | | Pole`max_completion_tokens` | Typ`integer` | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— | | Pole`stream` | Typ`boolean` | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse | | Pole`stream_options.include_usage` | Typ`boolean` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`temperature` | Typ`number` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`top_p` | Typ`number` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`stop` | Typ`string\|string[]` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`tools` | Typ`function_tool[]` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`tools[].type` | Typ`string` | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— | | Pole`tools[].function.name` | Typ`string` | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— | | Pole`tools[].function.description` | Typ`string` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`tools[].function.parameters` | Typ`JSON_schema` | WymaganieOpcjonalne | Wartości i limity | Domyślnie— | | Pole`tool_choice` | Typ`string\|object` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`parallel_tool_calls` | Typ`boolean` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`response_format` | Typ`object` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`reasoning_effort` | Typ`string` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`reasoning` | Typ`object` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`service_tier` | Typ`string` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`instructions` | Typ`string` | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— | | Pole`functions` | Typ`function[]` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`function_call` | Typ`string\|object` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`prompt_cache_options` | Typ`object` | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— | | Pole`modalities` | Typ`string[]` | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— | | Pole`provider` | Typ`object` | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— | | Pole`cache_control.ttl` | Typ`string` | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— | Kombinacje materiałów wejściowych **Tekst** · tekst UTF8 `messages[].content` Parametry i cykl życia metody | Parametr | Kontrakt | | --- | --- | | Parametr`content_type` | Kontraktapplication/json | | Parametr`required` | Kontraktmodel, messages | | Parametr`material_types` | Kontrakttext | | Parametr`messages` | Kontrakttablica wiadomości o strukturze role/content | | Parametr`file_material` | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku | | Parametr`optional_controls` | Kontraktstream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice | | Parametr`control_scope` | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych | | Parametr`output_modalities` | Kontrakttext | | Parametr`hosted_operations` | Kontraktfalse | | Parametr`multimodal_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. ### Cennik Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie. Tryb szybki Stawka standardowa Gdy wybrany jest tryb szybki Tryb flex Stawka standardowa Gdy wybrany jest tryb flex Maksymalna intensywność rozumowania Stawka standardowa Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default) #### Stawki Ailoot #### Ceny według konfiguracji 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 **$0.005** / 1K tokenów Wyjście · Tokeny wyjściowe **$0.025** / 1K tokenów Wejście · Odczyt cache **$0.00125** / 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 **$0.005** / 1K tokenów Wyjście · Tokeny wyjściowe **$0.025** / 1K tokenów Wejście · Odczyt cache **$0.00125** / 1K tokenów Wejście · Zapis do cache **—** / 1K tokenów Wejście · Zapis do cache, 1 godz. **—** / 1K tokenów | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) ### Przykładowe żądania #### Ailoot Ultra · OpenAI Chat curlPython SDKStrumień w Pythonie ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("choices",[]): if x.get("message",{}).get("content"): print(x["message"]["content"]) PY_RESULT ``` ```python from openai import OpenAI import os if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) save_result(result.to_dict(mode="json")) ``` ```python from openai import OpenAI import os from pathlib import Path if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) with client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream: with Path("stream-events.jsonl").open("w",encoding="utf-8") as log: for event in stream: payload=event.to_dict(mode="json") log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush() print(json.dumps(payload,ensure_ascii=False)) final=stream.get_final_completion() save_result(final.to_dict(mode="json"),"stream-result") ``` ### Odbieranie i zapisywanie wyników #### Ailoot Ultra · OpenAI Chat json lub SSE ##### Zachowaj wszystkie ukończone wyniki 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. ##### Jeśli trzeba sprawdzić pierwotną odpowiedź Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego. Pola odpowiedzi | Pole | Typ | | --- | --- | | Pole`choices[].index` | Typinteger | | Pole`choices[].message.content` | Typstring\|null | | Pole`choices[].message.tool_calls` | Typtool\_call\[\] | | Pole`choices[].message.reasoning_content` | Typstring | | Pole`choices[].message.reasoning_details` | Typobject\|array | | Pole`choices[].finish_reason` | Typstring\|null | | Pole`usage` | Typobject | Błędy i dalsze kroki | 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. | ### Aliasy #### Aliasy modelu **Ailoot Ultra** [`amazon/nova-premier-v1`](https://ailoot.ai/models/pl/#m=amazon%2Fnova-premier-v1&route=Ultra&caller=amazon%2Fnova-premier-v1&fmt=chat) #### Aliasy ścieżek metod Użyj ścieżek metod podanych powyżej. #### Powiązane ID modeli [`amazon/nova-premier-v1`](https://ailoot.ai/models/pl/#m=amazon%2Fnova-premier-v1&route=Ultra&caller=amazon%2Fnova-premier-v1&fmt=chat) **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `amazon/nova-premier-v1` [`amazon/nova-premier-v1`](https://ailoot.ai/models/pl/#m=amazon%2Fnova-premier-v1&route=Ultra&caller=amazon%2Fnova-premier-v1&fmt=messages) Amazon /`amazon/nova-premier-v1` ### Start Amazon Nova Premier to model pierwszej generacji Nova do złożonego rozumowania multimodalnego, analizy długich dokumentów i agentów. Przyjmuje tekst, obrazy i wideo, zwraca tekst, a także służy jako model nauczycielski do destylacji wyspecjalizowanych modeli Nova. Akceptowane dane wejściowe Tekst Wyniki json · sse ### Dostępne w Ailoot · dane wejściowe i metody **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` Wejście `text` Wyjście `json`, `sse` Format wyjściowy JSON lub SSE | Pole | Typ | Wymaganie | Wartości i limity | Domyślnie | | --- | --- | --- | --- | --- | | Pole`model` | Typ`string` | WymaganieWymagane | Wartości i limity amazon/nova-premier-v1 | Domyślnie— | | Pole`messages` | Typ`message[]` | WymaganieWymagane | Wartości i limity | Domyślnie— | | Pole`messages[].role` | Typ`string` | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— | | Pole`messages[].content` | Typ`string` | WymaganieWymagane | Wartości i limity | Domyślnie— | | Pole`max_tokens` | Typ`integer` | WymaganieWymagane | Wartości i limity | Domyślnie— | | Pole`stream` | Typ`boolean` | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse | Kombinacje materiałów wejściowych **Tekst** · tekst UTF-8 `ciąg messages[].content` Parametry i cykl życia metody | Parametr | Kontrakt | | --- | --- | | Parametr`content_type` | Kontraktapplication/json | | Parametr`required` | Kontraktmodel, messages, max\_tokens | | Parametr`optional_controls` | Kontraktstream | | Parametr`material_types` | Kontrakttext | | Parametr`text_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` ### Cennik Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie. Tryb szybki Stawka standardowa Gdy wybrany jest tryb szybki Tryb flex Stawka standardowa Gdy wybrany jest tryb flex Maksymalna intensywność rozumowania Stawka standardowa Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default) #### Stawki Ailoot #### Ceny według konfiguracji 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 **$0.005** / 1K tokenów Wyjście · Tokeny wyjściowe **$0.025** / 1K tokenów Wejście · Odczyt cache **$0.00125** / 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 **$0.005** / 1K tokenów Wyjście · Tokeny wyjściowe **$0.025** / 1K tokenów Wejście · Odczyt cache **$0.00125** / 1K tokenów Wejście · Zapis do cache **—** / 1K tokenów Wejście · Zapis do cache, 1 godz. **—** / 1K tokenów | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) ### Przykładowe żądania #### Ailoot Ultra · Anthropic Messages Kompletna minimalna treść żądania JSONcurl · użyj swojego dokumentu UTF-8Python · zapisz kompletny wynik ```json { "model": "amazon/nova-premier-v1", "max_tokens": 128, "messages": [ { "role": "user", "content": "Summarize the incident report." } ], "stream": false } ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}" export AILOOT_TEXT_FILE python3 - <<'PY_REQUEST' import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \ -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) PY_RESULT ``` ```python import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text from urllib.request import Request, urlopen from urllib.error import HTTPError api_key = os.environ['AILOOT_API_KEY'] if not api_key.strip(): raise SystemExit('Set AILOOT_API_KEY before making a request') headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'} headers['x-api-key'] = api_key request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST') try: with urlopen(request, timeout=120) as response: raw = response.read() Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8') except HTTPError as error: Path('result.json').write_bytes(error.read()) Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8') raise Path('result.json').write_bytes(raw) import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) ``` ### Odbieranie i zapisywanie wyników #### Ailoot Ultra · Anthropic Messages JSON lub SSE ##### Zachowaj wszystkie ukończone wyniki 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. ##### Jeśli trzeba sprawdzić pierwotną odpowiedź Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego. Pola odpowiedzi | Pole | Typ | | --- | --- | | Pole`id` | Typstring | | Pole`model` | Typstring | | Pole`content[]` | Typtext\|thinking\|tool\_use\|other content block | | Pole`stop_reason` | Typstring\|null | | Pole`usage` | Typobject | Błędy i dalsze kroki | 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. | ### Aliasy #### Aliasy modelu **Ailoot Ultra** [`amazon/nova-premier-v1`](https://ailoot.ai/models/pl/#m=amazon%2Fnova-premier-v1&route=Ultra&caller=amazon%2Fnova-premier-v1&fmt=messages) #### Aliasy ścieżek metod Użyj ścieżek metod podanych powyżej. #### Powiązane ID modeli [`amazon/nova-premier-v1`](https://ailoot.ai/models/pl/#m=amazon%2Fnova-premier-v1&route=Ultra&caller=amazon%2Fnova-premier-v1&fmt=messages) FAQ · Amazon: Nova Premier 1.0 Jakie dane wejściowe i wyniki są dostępne? `POST /v1/chat/completions` · `amazon/nova-premier-v1`: `text` → `text` `POST /v1/messages` · `amazon/nova-premier-v1`: `text` → `json`, `sse` Jakich pól używa żądanie? `POST /v1/chat/completions` · `amazon/nova-premier-v1`: `model`, `messages`, `stream`, `modalities`, `provider` `POST /v1/messages` · `amazon/nova-premier-v1`: `model`, `messages`, `max_tokens`, `stream` Jakie limity obowiązują? `POST /v1/chat/completions` · `amazon/nova-premier-v1`: `messages.min_items`: `1` Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją. ## Firma i jej portfel projektów Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. ## Kupuj tokeny z rabatem. Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny. Subskrypcja Wybierz plan z rabatem do regularnych żądań. Kod promocyjny do 50% Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji. Koszty w historii Model, tokeny i kwota są zapisywane dla każdego żądania. [Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/) ## Połącz API z produktem, który sprzedajesz. SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską. Aplikacja komercyjna Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi. Licencja resellerska Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży. Dokumenty na stronie Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem. [Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl) ## Ailoot · Firma i jej portfel projektów Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI. Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.