Ember-1 to wyspecjalizowany model Fireworks Research zbudowany na Kimi K3. Jego wyróżnikiem jest trening skracający zbędne rozumowanie przy zachowaniu użytecznej analizy w zadaniach programistycznych i agentowych. Producent pozycjonuje go do powtarzalnych zadań kierowanych wynikami narzędzi, w których długie ślady rozumowania mogą narastać w toku rozmowy. Jego udokumentowany profil obsługuje generowanie tekstu, obrazy na wejściu i wywoływanie funkcji; uzyskana odpowiedź, kod lub proponowana operacja ma postać tekstu.
Producent opracował Ember-1 poprzez trening ukierunkowany na zadania w szerokim zbiorze zastosowań. Jest to różnica wynikająca z wytrenowania modelu, a nie samo wybranie niższego poziomu wysiłku rozumowania w jego modelu bazowym. Przy porównywaniu wyników z Kimi K3 należy zachować jego odrębny identyfikator: celem jest oszczędniejszy przebieg rozumowania, a nie założenie, że wszystkie pierwotne ustawienia, możliwości czy przyszłe aktualizacje są identyczne.
W zadaniu programistycznym podaj istotny kod, zaobserwowany błąd, oczekiwane zachowanie i kontrakty, które muszą pozostać stabilne. Poproś o ukierunkowaną implementację i objaśnienie odnoszące się do rzeczywistego źródła. Praktyczne wytyczne mogą brzmieć: „Prześledź te dane wejściowe powodujące błąd, wskaż pierwszy niepoprawny warunek i zwróć poprawioną funkcję wraz z przesłankami uzasadniającymi zmianę”. Wyraźnie określ materiał końcowy, nawet gdy zadanie wymaga kilku obserwacji.
Zastosowania producenta obejmują asystentów programistycznych i agentów przechodzących naprzemiennie między decyzjami modelu a wynikami narzędzi. Dostarcz opisy funkcji i schematy argumentów odpowiednie do zadania. Model może zaproponować sprawdzenie pliku, obliczenie lub inną dostępną operację; aplikacja wykonuje ją i zwraca rzeczywistą obserwację. Wykorzystaj ten wynik w następnej turze, zamiast pozwalać, aby propozycja działania zastępowała jego wykonanie.
W dłuższym zadaniu zachowuj istotny błąd, poprawkę i obserwacje z weryfikacji w zwięzłym zapisie. Poproś o ukończony kod lub wynik analityczny oddzielnie od dyskusji pośredniej. Krótsze rozumowanie jest użyteczne tylko wtedy, gdy wynik nadal spełnia wymagania dotyczące zachowania i zawiera materiały potrzebne do jego sprawdzenia.
Katalog producenta potwierdza obsługę obrazów na wejściu w Ember-1. Wizualne zadanie programistyczne może łączyć zrzut ekranu z wymaganiami i kodem źródłowym, prosząc o objaśnienie lub implementację opartą na widocznej treści. Oznacz każdy obraz i odróżnij stan obecny od zamierzonego wyniku. Zadbaj o czytelność ważnego tekstu i poproś, aby odpowiedź wskazywała widoczny szczegół uzasadniający ustalenie.
Producent podaje kontekst rzędu miliona tokenów. Jest to informacja o pojemności kontekstu na materiały źródłowe, a nie osobna gwarancja takiej samej liczby tokenów odpowiedzi. Polecenie, materiał źródłowy, historia narzędzi i wygenerowane rozumowanie współdzielą właściwy budżet żądania. Uporządkuj duże repozytorium lub zbiór dokumentów wokół rzeczywistego pytania i zarezerwuj miejsce na wynik.
Użytecznym materiałem jest ukierunkowana poprawka, objaśnienie poparte dowodami lub ukończone porównanie według określonych kryteriów. W przypadku faktu zależnego od aktualnych informacji dostarcz autorytatywny fragment lub odpowiednie narzędzie wyszukiwania. Ukierunkowanie modelu na krótsze rozumowanie nie udostępnia brakujących dowodów, nie wykonuje funkcji ani samodzielnie nie weryfikuje kodu. Porównaj uzyskany materiał z wymaganiami i obserwacjami zwróconymi przez otaczający proces.
", "aboutText": "Ember-1 to wyspecjalizowany model Fireworks Research zbudowany na Kimi K3. Jego wyróżnikiem jest trening skracający zbędne rozumowanie przy zachowaniu użytecznej analizy w zadaniach programistycznych i agentowych. Producent pozycjonuje go do powtarzalnych zadań kierowanych wynikami narzędzi, w których długie ślady rozumowania mogą narastać w toku rozmowy. Jego udokumentowany profil obsługuje generowanie tekstu, obrazy na wejściu i wywoływanie funkcji; uzyskana odpowiedź, kod lub proponowana operacja ma postać tekstu.\n\n### Co zmienia trening\n\nProducent opracował Ember-1 poprzez trening ukierunkowany na zadania w szerokim zbiorze zastosowań. Jest to różnica wynikająca z wytrenowania modelu, a nie samo wybranie niższego poziomu wysiłku rozumowania w jego modelu bazowym. Przy porównywaniu wyników z Kimi K3 należy zachować jego odrębny identyfikator: celem jest oszczędniejszy przebieg rozumowania, a nie założenie, że wszystkie pierwotne ustawienia, możliwości czy przyszłe aktualizacje są identyczne.\n\nW zadaniu programistycznym podaj istotny kod, zaobserwowany błąd, oczekiwane zachowanie i kontrakty, które muszą pozostać stabilne. Poproś o ukierunkowaną implementację i objaśnienie odnoszące się do rzeczywistego źródła. Praktyczne wytyczne mogą brzmieć: „Prześledź te dane wejściowe powodujące błąd, wskaż pierwszy niepoprawny warunek i zwróć poprawioną funkcję wraz z przesłankami uzasadniającymi zmianę”. Wyraźnie określ materiał końcowy, nawet gdy zadanie wymaga kilku obserwacji.\n\n### Zadania programistyczne i agentowe\n\nZastosowania producenta obejmują asystentów programistycznych i agentów przechodzących naprzemiennie między decyzjami modelu a wynikami narzędzi. Dostarcz opisy funkcji i schematy argumentów odpowiednie do zadania. Model może zaproponować sprawdzenie pliku, obliczenie lub inną dostępną operację; aplikacja wykonuje ją i zwraca rzeczywistą obserwację. Wykorzystaj ten wynik w następnej turze, zamiast pozwalać, aby propozycja działania zastępowała jego wykonanie.\n\nW dłuższym zadaniu zachowuj istotny błąd, poprawkę i obserwacje z weryfikacji w zwięzłym zapisie. Poproś o ukończony kod lub wynik analityczny oddzielnie od dyskusji pośredniej. Krótsze rozumowanie jest użyteczne tylko wtedy, gdy wynik nadal spełnia wymagania dotyczące zachowania i zawiera materiały potrzebne do jego sprawdzenia.\n\n### Obrazy i obszerne materiały źródłowe\n\nKatalog producenta potwierdza obsługę obrazów na wejściu w Ember-1. Wizualne zadanie programistyczne może łączyć zrzut ekranu z wymaganiami i kodem źródłowym, prosząc o objaśnienie lub implementację opartą na widocznej treści. Oznacz każdy obraz i odróżnij stan obecny od zamierzonego wyniku. Zadbaj o czytelność ważnego tekstu i poproś, aby odpowiedź wskazywała widoczny szczegół uzasadniający ustalenie.\n\nProducent podaje kontekst rzędu miliona tokenów. Jest to informacja o pojemności kontekstu na materiały źródłowe, a nie osobna gwarancja takiej samej liczby tokenów odpowiedzi. Polecenie, materiał źródłowy, historia narzędzi i wygenerowane rozumowanie współdzielą właściwy budżet żądania. Uporządkuj duże repozytorium lub zbiór dokumentów wokół rzeczywistego pytania i zarezerwuj miejsce na wynik.\n\n### Wyniki nadające się do sprawdzenia\n\nUżytecznym materiałem jest ukierunkowana poprawka, objaśnienie poparte dowodami lub ukończone porównanie według określonych kryteriów. W przypadku faktu zależnego od aktualnych informacji dostarcz autorytatywny fragment lub odpowiednie narzędzie wyszukiwania. Ukierunkowanie modelu na krótsze rozumowanie nie udostępnia brakujących dowodów, nie wykonuje funkcji ani samodzielnie nie weryfikuje kodu. Porównaj uzyskany materiał z wymaganiami i obserwacjami zwróconymi przez otaczający proces.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 to oparty na Kimi K3 model Fireworks Research wytrenowany do skracania zbędnego rozumowania w zadaniach programistycznych i agentowych. Profil producenta obsługuje dane tekstowe i obrazowe, generowanie tekstu oraz wywoływanie funkcji, dzięki czemu jest przydatny do ukierunkowanych prac programistycznych i analiz opartych na źródłach.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Ember-1 to wyspecjalizowany model Fireworks Research zbudowany na Kimi K3. Jego wyróżnikiem jest trening skracający zbędne rozumowanie przy zachowaniu użytecznej analizy w zadaniach programistycznych i agentowych. Producent pozycjonuje go do powtarzalnych zadań kierowanych wynikami narzędzi, w których długie ślady rozumowania mogą narastać w toku rozmowy. Jego udokumentowany profil obsługuje generowanie tekstu, obrazy na wejściu i wywoływanie funkcji; uzyskana odpowiedź, kod lub proponowana operacja ma postać tekstu.
Producent opracował Ember-1 poprzez trening ukierunkowany na zadania w szerokim zbiorze zastosowań. Jest to różnica wynikająca z wytrenowania modelu, a nie samo wybranie niższego poziomu wysiłku rozumowania w jego modelu bazowym. Przy porównywaniu wyników z Kimi K3 należy zachować jego odrębny identyfikator: celem jest oszczędniejszy przebieg rozumowania, a nie założenie, że wszystkie pierwotne ustawienia, możliwości czy przyszłe aktualizacje są identyczne.
W zadaniu programistycznym podaj istotny kod, zaobserwowany błąd, oczekiwane zachowanie i kontrakty, które muszą pozostać stabilne. Poproś o ukierunkowaną implementację i objaśnienie odnoszące się do rzeczywistego źródła. Praktyczne wytyczne mogą brzmieć: „Prześledź te dane wejściowe powodujące błąd, wskaż pierwszy niepoprawny warunek i zwróć poprawioną funkcję wraz z przesłankami uzasadniającymi zmianę”. Wyraźnie określ materiał końcowy, nawet gdy zadanie wymaga kilku obserwacji.
Zastosowania producenta obejmują asystentów programistycznych i agentów przechodzących naprzemiennie między decyzjami modelu a wynikami narzędzi. Dostarcz opisy funkcji i schematy argumentów odpowiednie do zadania. Model może zaproponować sprawdzenie pliku, obliczenie lub inną dostępną operację; aplikacja wykonuje ją i zwraca rzeczywistą obserwację. Wykorzystaj ten wynik w następnej turze, zamiast pozwalać, aby propozycja działania zastępowała jego wykonanie.
W dłuższym zadaniu zachowuj istotny błąd, poprawkę i obserwacje z weryfikacji w zwięzłym zapisie. Poproś o ukończony kod lub wynik analityczny oddzielnie od dyskusji pośredniej. Krótsze rozumowanie jest użyteczne tylko wtedy, gdy wynik nadal spełnia wymagania dotyczące zachowania i zawiera materiały potrzebne do jego sprawdzenia.
Katalog producenta potwierdza obsługę obrazów na wejściu w Ember-1. Wizualne zadanie programistyczne może łączyć zrzut ekranu z wymaganiami i kodem źródłowym, prosząc o objaśnienie lub implementację opartą na widocznej treści. Oznacz każdy obraz i odróżnij stan obecny od zamierzonego wyniku. Zadbaj o czytelność ważnego tekstu i poproś, aby odpowiedź wskazywała widoczny szczegół uzasadniający ustalenie.
Producent podaje kontekst rzędu miliona tokenów. Jest to informacja o pojemności kontekstu na materiały źródłowe, a nie osobna gwarancja takiej samej liczby tokenów odpowiedzi. Polecenie, materiał źródłowy, historia narzędzi i wygenerowane rozumowanie współdzielą właściwy budżet żądania. Uporządkuj duże repozytorium lub zbiór dokumentów wokół rzeczywistego pytania i zarezerwuj miejsce na wynik.
Użytecznym materiałem jest ukierunkowana poprawka, objaśnienie poparte dowodami lub ukończone porównanie według określonych kryteriów. W przypadku faktu zależnego od aktualnych informacji dostarcz autorytatywny fragment lub odpowiednie narzędzie wyszukiwania. Ukierunkowanie modelu na krótsze rozumowanie nie udostępnia brakujących dowodów, nie wykonuje funkcji ani samodzielnie nie weryfikuje kodu. Porównaj uzyskany materiał z wymaganiami i obserwacjami zwróconymi przez otaczający proces.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity fireworks/ember-1 | 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 $0.006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0006 / 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 $0.006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0006 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Użyj ścieżek metod podanych powyżej.
fireworks/ember-1Ember-1 to oparty na Kimi K3 model Fireworks Research wytrenowany do skracania zbędnego rozumowania w zadaniach programistycznych i agentowych. Profil producenta obsługuje dane tekstowe i obrazowe, generowanie tekstu oraz wywoływanie funkcji, dzięki czemu jest przydatny do ukierunkowanych prac programistycznych i analiz opartych na źródłach.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Ember-1 to wyspecjalizowany model Fireworks Research zbudowany na Kimi K3. Jego wyróżnikiem jest trening skracający zbędne rozumowanie przy zachowaniu użytecznej analizy w zadaniach programistycznych i agentowych. Producent pozycjonuje go do powtarzalnych zadań kierowanych wynikami narzędzi, w których długie ślady rozumowania mogą narastać w toku rozmowy. Jego udokumentowany profil obsługuje generowanie tekstu, obrazy na wejściu i wywoływanie funkcji; uzyskana odpowiedź, kod lub proponowana operacja ma postać tekstu.
Producent opracował Ember-1 poprzez trening ukierunkowany na zadania w szerokim zbiorze zastosowań. Jest to różnica wynikająca z wytrenowania modelu, a nie samo wybranie niższego poziomu wysiłku rozumowania w jego modelu bazowym. Przy porównywaniu wyników z Kimi K3 należy zachować jego odrębny identyfikator: celem jest oszczędniejszy przebieg rozumowania, a nie założenie, że wszystkie pierwotne ustawienia, możliwości czy przyszłe aktualizacje są identyczne.
W zadaniu programistycznym podaj istotny kod, zaobserwowany błąd, oczekiwane zachowanie i kontrakty, które muszą pozostać stabilne. Poproś o ukierunkowaną implementację i objaśnienie odnoszące się do rzeczywistego źródła. Praktyczne wytyczne mogą brzmieć: „Prześledź te dane wejściowe powodujące błąd, wskaż pierwszy niepoprawny warunek i zwróć poprawioną funkcję wraz z przesłankami uzasadniającymi zmianę”. Wyraźnie określ materiał końcowy, nawet gdy zadanie wymaga kilku obserwacji.
Zastosowania producenta obejmują asystentów programistycznych i agentów przechodzących naprzemiennie między decyzjami modelu a wynikami narzędzi. Dostarcz opisy funkcji i schematy argumentów odpowiednie do zadania. Model może zaproponować sprawdzenie pliku, obliczenie lub inną dostępną operację; aplikacja wykonuje ją i zwraca rzeczywistą obserwację. Wykorzystaj ten wynik w następnej turze, zamiast pozwalać, aby propozycja działania zastępowała jego wykonanie.
W dłuższym zadaniu zachowuj istotny błąd, poprawkę i obserwacje z weryfikacji w zwięzłym zapisie. Poproś o ukończony kod lub wynik analityczny oddzielnie od dyskusji pośredniej. Krótsze rozumowanie jest użyteczne tylko wtedy, gdy wynik nadal spełnia wymagania dotyczące zachowania i zawiera materiały potrzebne do jego sprawdzenia.
Katalog producenta potwierdza obsługę obrazów na wejściu w Ember-1. Wizualne zadanie programistyczne może łączyć zrzut ekranu z wymaganiami i kodem źródłowym, prosząc o objaśnienie lub implementację opartą na widocznej treści. Oznacz każdy obraz i odróżnij stan obecny od zamierzonego wyniku. Zadbaj o czytelność ważnego tekstu i poproś, aby odpowiedź wskazywała widoczny szczegół uzasadniający ustalenie.
Producent podaje kontekst rzędu miliona tokenów. Jest to informacja o pojemności kontekstu na materiały źródłowe, a nie osobna gwarancja takiej samej liczby tokenów odpowiedzi. Polecenie, materiał źródłowy, historia narzędzi i wygenerowane rozumowanie współdzielą właściwy budżet żądania. Uporządkuj duże repozytorium lub zbiór dokumentów wokół rzeczywistego pytania i zarezerwuj miejsce na wynik.
Użytecznym materiałem jest ukierunkowana poprawka, objaśnienie poparte dowodami lub ukończone porównanie według określonych kryteriów. W przypadku faktu zależnego od aktualnych informacji dostarcz autorytatywny fragment lub odpowiednie narzędzie wyszukiwania. Ukierunkowanie modelu na krótsze rozumowanie nie udostępnia brakujących dowodów, nie wykonuje funkcji ani samodzielnie nie weryfikuje kodu. Porównaj uzyskany materiał z wymaganiami i obserwacjami zwróconymi przez otaczający proces.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity fireworks/ember-1 | 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 $0.006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0006 / 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 $0.006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0006 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.