Claude 3.7 Sonnet Thinking opisuje tryb rozszerzonego myślenia Claude 3.7 Sonnet, a nie oddzielną generację modelu bazowego. Anthropic łączy zwykłe odpowiedzi i głębsze rozumowanie w jednym modelu hybrydowym. Wariant Thinking przydaje się, gdy zadanie zawiera wzajemnie oddziałujące ograniczenia, a odpowiedź zyskuje na ich przeanalizowaniu przed przedstawieniem wniosku.
Model poświęca problemowi dodatkowe tokeny rozumowania przed zwróceniem odpowiedzi końcowej. Anthropic wyróżnia matematykę, fizykę, wykonywanie złożonych instrukcji i programowanie, kładąc nacisk na rzeczywiste zadania biznesowe, nie tylko łamigłówki konkursowe. Producent dokumentuje kontrolę nakładu na rozumowanie przez budżet tokenów myślenia; budżet i odpowiedź końcowa dzielą dostępny limit wyjścia. Więcej rozumowania zajmuje dodatkowy czas, dlatego wybieraj ten tryb do pracy, w której dodatkowa analiza ma znaczenie.
W zadaniu analitycznym dostarcz dowody, pytanie do rozstrzygnięcia i kryteria porównania alternatyw. Poproś o wniosek, a następnie wspierające fakty, założenia i nierozstrzygnięte pytania. Nadaje to końcowej odpowiedzi użyteczną formę bez traktowania długości rozumowania jako dowodu poprawności wniosku.
Anthropic szczególnie podkreśla zmiany kodu, poruszanie się po złożonych projektach i budowanie interfejsów internetowych. Przydatny opis zadania obejmuje odpowiedni kod, oczekiwane zachowanie, zaobserwowaną awarię i części, które muszą pozostać niezmienione. Poproś o spójną poprawkę i wyjaśnienie sposobu jej weryfikacji. W zadaniu interfejsu określ działania użytkownika, stany ładowania i błędów, zachowanie na różnych rozmiarach ekranu oraz potrzebny wynik, np. komponent lub zestaw zmian stron.
Te przykłady opisują zadania dla modelu. Wykonywanie poleceń, czytanie repozytorium i edytowanie plików wymagają narzędzi dostarczonych przez otaczającą aplikację. Zdolności programistyczne modelu i uprawnienie aplikacji do wykonywania kodu są oddzielnymi częściami przepływu.
Rozumienie wizualne Claude wspiera rozumowanie o materiałach takich jak zrzuty ekranu, wykresy i ilustrowane dokumenty obok pisemnych instrukcji. Dostarcz czytelny obraz i wskaż istotny szczegół: oznaczoną oś, problem układu lub relację między obiektami. Dla dokładnych liczb na wykresie dodaj wartości źródłowe, gdy to możliwe. Wynikiem jest wyjaśnienie tekstowe, analiza lub kod, a nie wygenerowany obraz.
W projekcie Ailoot API wyraźnie zdefiniuj oczekiwany rezultat końcowy: implementację, argumentację poddaną ocenie, tabelę porównawczą lub wyjaśnienie diagnostyczne. Dostarcz odpowiedni materiał wraz z tym wymaganiem, zamiast prosić model o odgadywanie brakującego kontekstu projektu.
Anthropic wskazuje październik 2024 r. jako granicę wiarygodnej wiedzy tego modelu bazowego. Dostarcz aktualne dokumenty, gdy pytanie zależy od późniejszych wydarzeń lub zmieniających się szczegółów technicznych. Karta systemowa zapisuje także wzorzec awarii programistycznej, w którym powtarzane nieudane próby mogą prowadzić do skrótów dopasowanych do testów. Poproś o ogólne rozwiązanie i sprawdzaj zmiany testów równie uważnie jak zmiany kodu aplikacji. Szczegółowy ślad rozumowania może pomóc ocenić odpowiedź, ale badania Anthropic nie określają go jako kompletnego ani nieomylnego opisu powstawania decyzji.
", "aboutText": "Claude 3.7 Sonnet Thinking opisuje tryb rozszerzonego myślenia Claude 3.7 Sonnet, a nie oddzielną generację modelu bazowego. Anthropic łączy zwykłe odpowiedzi i głębsze rozumowanie w jednym modelu hybrydowym. Wariant Thinking przydaje się, gdy zadanie zawiera wzajemnie oddziałujące ograniczenia, a odpowiedź zyskuje na ich przeanalizowaniu przed przedstawieniem wniosku.\n\n### Rozszerzone rozumowanie w praktycznych problemach\n\nModel poświęca problemowi dodatkowe tokeny rozumowania przed zwróceniem odpowiedzi końcowej. Anthropic wyróżnia matematykę, fizykę, wykonywanie złożonych instrukcji i programowanie, kładąc nacisk na rzeczywiste zadania biznesowe, nie tylko łamigłówki konkursowe. Producent dokumentuje kontrolę nakładu na rozumowanie przez budżet tokenów myślenia; budżet i odpowiedź końcowa dzielą dostępny limit wyjścia. Więcej rozumowania zajmuje dodatkowy czas, dlatego wybieraj ten tryb do pracy, w której dodatkowa analiza ma znaczenie.\n\nW zadaniu analitycznym dostarcz dowody, pytanie do rozstrzygnięcia i kryteria porównania alternatyw. Poproś o wniosek, a następnie wspierające fakty, założenia i nierozstrzygnięte pytania. Nadaje to końcowej odpowiedzi użyteczną formę bez traktowania długości rozumowania jako dowodu poprawności wniosku.\n\n### Programowanie i tworzenie frontendu\n\nAnthropic szczególnie podkreśla zmiany kodu, poruszanie się po złożonych projektach i budowanie interfejsów internetowych. Przydatny opis zadania obejmuje odpowiedni kod, oczekiwane zachowanie, zaobserwowaną awarię i części, które muszą pozostać niezmienione. Poproś o spójną poprawkę i wyjaśnienie sposobu jej weryfikacji. W zadaniu interfejsu określ działania użytkownika, stany ładowania i błędów, zachowanie na różnych rozmiarach ekranu oraz potrzebny wynik, np. komponent lub zestaw zmian stron.\n\nTe przykłady opisują zadania dla modelu. Wykonywanie poleceń, czytanie repozytorium i edytowanie plików wymagają narzędzi dostarczonych przez otaczającą aplikację. Zdolności programistyczne modelu i uprawnienie aplikacji do wykonywania kodu są oddzielnymi częściami przepływu.\n\n### Tekst, obrazy i rezultat końcowy\n\nRozumienie wizualne Claude wspiera rozumowanie o materiałach takich jak zrzuty ekranu, wykresy i ilustrowane dokumenty obok pisemnych instrukcji. Dostarcz czytelny obraz i wskaż istotny szczegół: oznaczoną oś, problem układu lub relację między obiektami. Dla dokładnych liczb na wykresie dodaj wartości źródłowe, gdy to możliwe. Wynikiem jest wyjaśnienie tekstowe, analiza lub kod, a nie wygenerowany obraz.\n\nW projekcie Ailoot API wyraźnie zdefiniuj oczekiwany rezultat końcowy: implementację, argumentację poddaną ocenie, tabelę porównawczą lub wyjaśnienie diagnostyczne. Dostarcz odpowiedni materiał wraz z tym wymaganiem, zamiast prosić model o odgadywanie brakującego kontekstu projektu.\n\n### Wiedza i weryfikacja\n\nAnthropic wskazuje październik 2024 r. jako granicę wiarygodnej wiedzy tego modelu bazowego. Dostarcz aktualne dokumenty, gdy pytanie zależy od późniejszych wydarzeń lub zmieniających się szczegółów technicznych. Karta systemowa zapisuje także wzorzec awarii programistycznej, w którym powtarzane nieudane próby mogą prowadzić do skrótów dopasowanych do testów. Poproś o ogólne rozwiązanie i sprawdzaj zmiany testów równie uważnie jak zmiany kodu aplikacji. Szczegółowy ślad rozumowania może pomóc ocenić odpowiedź, ale badania Anthropic nie określają go jako kompletnego ani nieomylnego opisu powstawania decyzji.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.claude-3-7-sonnet-20250219-thinkingClaude 3.7 Sonnet to hybrydowy model rozumowania firmy Anthropic, używany tutaj w trybie rozszerzonego myślenia. Analizuje wymagające zadania programistyczne, matematyczne i analityczne przed odpowiedzią tekstową, ze szczególnym naciskiem na praktyczne tworzenie oprogramowania i frontend.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Claude 3.7 Sonnet Thinking opisuje tryb rozszerzonego myślenia Claude 3.7 Sonnet, a nie oddzielną generację modelu bazowego. Anthropic łączy zwykłe odpowiedzi i głębsze rozumowanie w jednym modelu hybrydowym. Wariant Thinking przydaje się, gdy zadanie zawiera wzajemnie oddziałujące ograniczenia, a odpowiedź zyskuje na ich przeanalizowaniu przed przedstawieniem wniosku.
Model poświęca problemowi dodatkowe tokeny rozumowania przed zwróceniem odpowiedzi końcowej. Anthropic wyróżnia matematykę, fizykę, wykonywanie złożonych instrukcji i programowanie, kładąc nacisk na rzeczywiste zadania biznesowe, nie tylko łamigłówki konkursowe. Producent dokumentuje kontrolę nakładu na rozumowanie przez budżet tokenów myślenia; budżet i odpowiedź końcowa dzielą dostępny limit wyjścia. Więcej rozumowania zajmuje dodatkowy czas, dlatego wybieraj ten tryb do pracy, w której dodatkowa analiza ma znaczenie.
W zadaniu analitycznym dostarcz dowody, pytanie do rozstrzygnięcia i kryteria porównania alternatyw. Poproś o wniosek, a następnie wspierające fakty, założenia i nierozstrzygnięte pytania. Nadaje to końcowej odpowiedzi użyteczną formę bez traktowania długości rozumowania jako dowodu poprawności wniosku.
Anthropic szczególnie podkreśla zmiany kodu, poruszanie się po złożonych projektach i budowanie interfejsów internetowych. Przydatny opis zadania obejmuje odpowiedni kod, oczekiwane zachowanie, zaobserwowaną awarię i części, które muszą pozostać niezmienione. Poproś o spójną poprawkę i wyjaśnienie sposobu jej weryfikacji. W zadaniu interfejsu określ działania użytkownika, stany ładowania i błędów, zachowanie na różnych rozmiarach ekranu oraz potrzebny wynik, np. komponent lub zestaw zmian stron.
Te przykłady opisują zadania dla modelu. Wykonywanie poleceń, czytanie repozytorium i edytowanie plików wymagają narzędzi dostarczonych przez otaczającą aplikację. Zdolności programistyczne modelu i uprawnienie aplikacji do wykonywania kodu są oddzielnymi częściami przepływu.
Rozumienie wizualne Claude wspiera rozumowanie o materiałach takich jak zrzuty ekranu, wykresy i ilustrowane dokumenty obok pisemnych instrukcji. Dostarcz czytelny obraz i wskaż istotny szczegół: oznaczoną oś, problem układu lub relację między obiektami. Dla dokładnych liczb na wykresie dodaj wartości źródłowe, gdy to możliwe. Wynikiem jest wyjaśnienie tekstowe, analiza lub kod, a nie wygenerowany obraz.
W projekcie Ailoot API wyraźnie zdefiniuj oczekiwany rezultat końcowy: implementację, argumentację poddaną ocenie, tabelę porównawczą lub wyjaśnienie diagnostyczne. Dostarcz odpowiedni materiał wraz z tym wymaganiem, zamiast prosić model o odgadywanie brakującego kontekstu projektu.
Anthropic wskazuje październik 2024 r. jako granicę wiarygodnej wiedzy tego modelu bazowego. Dostarcz aktualne dokumenty, gdy pytanie zależy od późniejszych wydarzeń lub zmieniających się szczegółów technicznych. Karta systemowa zapisuje także wzorzec awarii programistycznej, w którym powtarzane nieudane próby mogą prowadzić do skrótów dopasowanych do testów. Poproś o ogólne rozwiązanie i sprawdzaj zmiany testów równie uważnie jak zmiany kodu aplikacji. Szczegółowy ślad rozumowania może pomóc ocenić odpowiedź, ale badania Anthropic nie określają go jako kompletnego ani nieomylnego opisu powstawania decyzji.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity claude-3-7-sonnet-20250219-thinking | 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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0006 / 1K tokenów Wejście · Zapis do cache $0.0075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "claude-3-7-sonnet-20250219-thinking", "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='claude-3-7-sonnet-20250219-thinking',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='claude-3-7-sonnet-20250219-thinking',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 claude-3-7-sonnet-20250219-thinking
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Reason through a batching rule\n\nA packing line must send 42 jars. Each sealed carton holds 6 jars; opened cartons cannot ship. Each pallet holds at most 4 cartons. Determine the minimum cartons and pallets, then explain a valid loading arrangement. Separate the arithmetic from the assumptions, and state whether any jars remain unpacked.Carton and pallet counts, a loading arrangement, arithmetic and explicit assumptions.Multiply carton capacity back to 42 and verify no pallet exceeds four cartons.