Llama 3.2 1B Instruct to kompaktowy model tekstowy Meta dostrojony do instrukcji, z liczbą parametrów 1,23 miliarda w tabeli producenta. Przyjmuje wielojęzyczny tekst i zwraca tekst lub kod. Wydanie jest przeznaczone do dialogu, wyszukiwania wiedzy, podsumowywania, mobilnych asystentów pisania oraz przeformułowywania zapytań lub promptów, a nie do zadań rozumienia obrazu osobnych edycji wizyjnych Llama.
Informacje o modelu i kontekst
Model używa autoregresyjnej architektury Transformer z uwagą grouped-query i współdzielonymi embeddingami. Meta odróżnia modele 1B i 3B po treningu wstępnym oraz dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego 1B Instruct, którego zadaniem jest wykonywanie polecenia użytkownika w rozmowie, zamiast pełnienia roli fundamentu po treningu wstępnym.
Zwykłe wydanie tekstowe jest udokumentowane z kontekstem 128k. Producent osobno podaje kontekst 8k dla swoich skwantowanych modeli tekstowych. Konfiguracje te powinny pozostać odrębne: kwantyzacja nie uprawnia do przenoszenia kontekstu zwykłego wydania na każdy punkt kontrolny w mniejszym formacie ani do wnioskowania o skonfigurowanej pojemności konkretnej usługi.
Wykorzystuj kontekst na fragmenty i rozmowę istotne dla jednej określonej operacji. Długi dokument może nadal wymagać krótkiego podsumowania, przeformułowanego zapytania wyszukiwania lub odpowiedzi opartej na źródle. Wskaż materiał, który wynik musi zachować, oraz długość lub pola potrzebne na następny krok aplikacji.
Wyszukiwanie, podsumowania i przeformułowywanie
Przy podsumowywaniu dostarcz rzeczywisty fragment lub rozmowę i określ odbiorców, długość i kluczowe fakty. Użyteczny wynik może rozdzielać główną kwestię, już podjęte decyzje i otwarte pytania. Jeśli źródło zawiera kilka tematów, wskaż, który ma obejmować podsumowanie, zamiast prosić o nieukierunkowane skrócenie wszystkiego.
Przy wyszukiwaniu wiedzy dostarcz wybrane fragmenty źródłowe lub informacje zwrócone przez komponent wyszukujący. Poproś o stwierdzenie odpowiadające na pytanie i fragment, który je potwierdza. Odpowiedź tekstowa modelu może wyjaśniać wyszukane informacje, natomiast przeszukiwanie prywatnego zbioru pozostaje pracą podłączonej aplikacji. Model nie zyskuje dostępu do tego zbioru jedynie dzięki etykiecie zastosowania związanego z wyszukiwaniem.
Przy przeformułowywaniu zapytania podaj pierwotne pytanie i cel wyszukiwania. Poproś o zwięzłe przeformułowanie zachowujące podmiot, warunek i pożądaną informację. Zapytanie do wsparcia można przeformułować, uwzględniając istotny termin produktu i działanie, bez dodawania faktu nieobecnego w wiadomości użytkownika. Zwróć zmienione zapytanie oddzielnie od wyjaśnienia, jeśli inny komponent będzie używał go bezpośrednio.
Dla asystenta pisania określ czytelnika, ton i fakty źródłowe przed poproszeniem o krótki list lub zmieniony fragment. Przy ekstrakcji zdefiniuj pola i sposób przedstawiania brakujących informacji. Są to konkretne operacje łączące udokumentowane tekstowe przeznaczenie kompaktowego modelu z rezultatem możliwym do sprawdzenia.
Obsługiwane języki i trening
Oficjalnie obsługiwane języki to angielski, niemiecki, francuski, włoski, portugalski, hindi, hiszpański i tajski. Model jest trenowany na szerszym zbiorze języków, co różni się od ośmiu języków wyraźnie obsługiwanych według karty. Wskaż język końcowy oraz wszelkie terminy lub identyfikatory, które muszą pozostać niezmienione.
Rodzina jest wstępnie trenowana na maksymalnie dziewięciu bilionach tokenów, z granicą danych w grudniu 2023 r. W przypadku modeli 1B i 3B producent używa wyjść Llama 3.1 8B i 70B jako celów treningowych na poziomie tokenów oraz destylacji wiedzy po przycinaniu. Jest to proces treningowy; nie oznacza, że wdrożony model 1B prosi te większe modele o odpowiedź na każde pytanie użytkownika.
Karta opisuje nadzorowane dostrajanie i dopasowanie oparte na preferencjach, z rundami dodatkowego treningu obejmującymi przykłady nadzorowane, próbkowanie z odrzucaniem i bezpośrednią optymalizację preferencji. Etapy te tworzą zachowanie Instruct, zachowując nazwany punkt kontrolny i modalność wyłącznie tekstową.
Rozmowa i edycje skwantowane
Producent pokazuje osobne wiadomości systemowe i użytkownika z użyciem odpowiedniego formatu rozmowy. Określ rolę asystenta i wymagania odpowiedzi oddzielnie od rzeczywistego tekstu źródłowego. Zachowaj odpowiednią wcześniejszą odpowiedź, gdy kolejne zapytanie prosi o redakcję, wyjaśnienie lub inną formę tej samej informacji.
Wydanie dokumentuje również odrębne warianty uwzględniające kwantyzację w treningu i skwantowane po treningu. Ich precyzja i kontekst 8k należą do tych wariantów, a nie do uniwersalnej specyfikacji tego zwykłego wpisu Instruct. Używaj dokładnego punktu kontrolnego i konfiguracji przy porównywaniu powtarzanego zadania lub przygotowywaniu pochodnego wdrożenia.
Granice merytoryczne
To wydanie 1B jest wyłącznie tekstowe. Nie powinno dziedziczyć wejścia obrazowego po modelach wizyjnych Llama 3.2 11B lub 90B, możliwości tekstowo-obrazowych Llama 4 ani nazwanych ustawień wysiłku rozumowania Muse Spark. Przykład generowania 256 tokenów na karcie jest ustawieniem przykładowym, a nie niezależnie określoną maksymalną pojemnością odpowiedzi.
Praktycznym rezultatem końcowym jest żądane podsumowanie, zapytanie, wyodrębniony rekord lub przeformułowany tekst, zachowujący istotne znaczenie i identyfikatory źródła. Przeczytane źródła nie podają osobnego sztywnego limitu tokenów wyjściowych. Zachowaj skupienie zadania, kompletność materiału wejściowego dla tej operacji i jawne rozróżnienie kontekstu zwykłego oraz skwantowanego.
", "aboutText": "Llama 3.2 1B Instruct to kompaktowy model tekstowy Meta dostrojony do instrukcji, z liczbą parametrów 1,23 miliarda w tabeli producenta. Przyjmuje wielojęzyczny tekst i zwraca tekst lub kod. Wydanie jest przeznaczone do dialogu, wyszukiwania wiedzy, podsumowywania, mobilnych asystentów pisania oraz przeformułowywania zapytań lub promptów, a nie do zadań rozumienia obrazu osobnych edycji wizyjnych Llama.\n\nInformacje o modelu i kontekst\n\nModel używa autoregresyjnej architektury Transformer z uwagą grouped-query i współdzielonymi embeddingami. Meta odróżnia modele 1B i 3B po treningu wstępnym oraz dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego 1B Instruct, którego zadaniem jest wykonywanie polecenia użytkownika w rozmowie, zamiast pełnienia roli fundamentu po treningu wstępnym.\n\nZwykłe wydanie tekstowe jest udokumentowane z kontekstem 128k. Producent osobno podaje kontekst 8k dla swoich skwantowanych modeli tekstowych. Konfiguracje te powinny pozostać odrębne: kwantyzacja nie uprawnia do przenoszenia kontekstu zwykłego wydania na każdy punkt kontrolny w mniejszym formacie ani do wnioskowania o skonfigurowanej pojemności konkretnej usługi.\n\nWykorzystuj kontekst na fragmenty i rozmowę istotne dla jednej określonej operacji. Długi dokument może nadal wymagać krótkiego podsumowania, przeformułowanego zapytania wyszukiwania lub odpowiedzi opartej na źródle. Wskaż materiał, który wynik musi zachować, oraz długość lub pola potrzebne na następny krok aplikacji.\n\nWyszukiwanie, podsumowania i przeformułowywanie\n\nPrzy podsumowywaniu dostarcz rzeczywisty fragment lub rozmowę i określ odbiorców, długość i kluczowe fakty. Użyteczny wynik może rozdzielać główną kwestię, już podjęte decyzje i otwarte pytania. Jeśli źródło zawiera kilka tematów, wskaż, który ma obejmować podsumowanie, zamiast prosić o nieukierunkowane skrócenie wszystkiego.\n\nPrzy wyszukiwaniu wiedzy dostarcz wybrane fragmenty źródłowe lub informacje zwrócone przez komponent wyszukujący. Poproś o stwierdzenie odpowiadające na pytanie i fragment, który je potwierdza. Odpowiedź tekstowa modelu może wyjaśniać wyszukane informacje, natomiast przeszukiwanie prywatnego zbioru pozostaje pracą podłączonej aplikacji. Model nie zyskuje dostępu do tego zbioru jedynie dzięki etykiecie zastosowania związanego z wyszukiwaniem.\n\nPrzy przeformułowywaniu zapytania podaj pierwotne pytanie i cel wyszukiwania. Poproś o zwięzłe przeformułowanie zachowujące podmiot, warunek i pożądaną informację. Zapytanie do wsparcia można przeformułować, uwzględniając istotny termin produktu i działanie, bez dodawania faktu nieobecnego w wiadomości użytkownika. Zwróć zmienione zapytanie oddzielnie od wyjaśnienia, jeśli inny komponent będzie używał go bezpośrednio.\n\nDla asystenta pisania określ czytelnika, ton i fakty źródłowe przed poproszeniem o krótki list lub zmieniony fragment. Przy ekstrakcji zdefiniuj pola i sposób przedstawiania brakujących informacji. Są to konkretne operacje łączące udokumentowane tekstowe przeznaczenie kompaktowego modelu z rezultatem możliwym do sprawdzenia.\n\nObsługiwane języki i trening\n\nOficjalnie obsługiwane języki to angielski, niemiecki, francuski, włoski, portugalski, hindi, hiszpański i tajski. Model jest trenowany na szerszym zbiorze języków, co różni się od ośmiu języków wyraźnie obsługiwanych według karty. Wskaż język końcowy oraz wszelkie terminy lub identyfikatory, które muszą pozostać niezmienione.\n\nRodzina jest wstępnie trenowana na maksymalnie dziewięciu bilionach tokenów, z granicą danych w grudniu 2023 r. W przypadku modeli 1B i 3B producent używa wyjść Llama 3.1 8B i 70B jako celów treningowych na poziomie tokenów oraz destylacji wiedzy po przycinaniu. Jest to proces treningowy; nie oznacza, że wdrożony model 1B prosi te większe modele o odpowiedź na każde pytanie użytkownika.\n\nKarta opisuje nadzorowane dostrajanie i dopasowanie oparte na preferencjach, z rundami dodatkowego treningu obejmującymi przykłady nadzorowane, próbkowanie z odrzucaniem i bezpośrednią optymalizację preferencji. Etapy te tworzą zachowanie Instruct, zachowując nazwany punkt kontrolny i modalność wyłącznie tekstową.\n\nRozmowa i edycje skwantowane\n\nProducent pokazuje osobne wiadomości systemowe i użytkownika z użyciem odpowiedniego formatu rozmowy. Określ rolę asystenta i wymagania odpowiedzi oddzielnie od rzeczywistego tekstu źródłowego. Zachowaj odpowiednią wcześniejszą odpowiedź, gdy kolejne zapytanie prosi o redakcję, wyjaśnienie lub inną formę tej samej informacji.\n\nWydanie dokumentuje również odrębne warianty uwzględniające kwantyzację w treningu i skwantowane po treningu. Ich precyzja i kontekst 8k należą do tych wariantów, a nie do uniwersalnej specyfikacji tego zwykłego wpisu Instruct. Używaj dokładnego punktu kontrolnego i konfiguracji przy porównywaniu powtarzanego zadania lub przygotowywaniu pochodnego wdrożenia.\n\nGranice merytoryczne\n\nTo wydanie 1B jest wyłącznie tekstowe. Nie powinno dziedziczyć wejścia obrazowego po modelach wizyjnych Llama 3.2 11B lub 90B, możliwości tekstowo-obrazowych Llama 4 ani nazwanych ustawień wysiłku rozumowania Muse Spark. Przykład generowania 256 tokenów na karcie jest ustawieniem przykładowym, a nie niezależnie określoną maksymalną pojemnością odpowiedzi.\n\nPraktycznym rezultatem końcowym jest żądane podsumowanie, zapytanie, wyodrębniony rekord lub przeformułowany tekst, zachowujący istotne znaczenie i identyfikatory źródła. Przeczytane źródła nie podają osobnego sztywnego limitu tokenów wyjściowych. Zachowaj skupienie zadania, kompletność materiału wejściowego dla tej operacji i jawne rozróżnienie kontekstu zwykłego oraz skwantowanego.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct to kompaktowy model tekstowy Meta o rozmiarze 1,23B, przeznaczony do dialogu, podsumowywania, wyszukiwania wiedzy i przeformułowywania zapytań. Producent podaje kontekst 128k dla zwykłego wydania i 8k dla osobnych wariantów skwantowanych, z wielojęzycznym tekstem i kodem na wyjściu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Llama 3.2 1B Instruct to kompaktowy model tekstowy Meta dostrojony do instrukcji, z liczbą parametrów 1,23 miliarda w tabeli producenta. Przyjmuje wielojęzyczny tekst i zwraca tekst lub kod. Wydanie jest przeznaczone do dialogu, wyszukiwania wiedzy, podsumowywania, mobilnych asystentów pisania oraz przeformułowywania zapytań lub promptów, a nie do zadań rozumienia obrazu osobnych edycji wizyjnych Llama.
Informacje o modelu i kontekst
Model używa autoregresyjnej architektury Transformer z uwagą grouped-query i współdzielonymi embeddingami. Meta odróżnia modele 1B i 3B po treningu wstępnym oraz dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego 1B Instruct, którego zadaniem jest wykonywanie polecenia użytkownika w rozmowie, zamiast pełnienia roli fundamentu po treningu wstępnym.
Zwykłe wydanie tekstowe jest udokumentowane z kontekstem 128k. Producent osobno podaje kontekst 8k dla swoich skwantowanych modeli tekstowych. Konfiguracje te powinny pozostać odrębne: kwantyzacja nie uprawnia do przenoszenia kontekstu zwykłego wydania na każdy punkt kontrolny w mniejszym formacie ani do wnioskowania o skonfigurowanej pojemności konkretnej usługi.
Wykorzystuj kontekst na fragmenty i rozmowę istotne dla jednej określonej operacji. Długi dokument może nadal wymagać krótkiego podsumowania, przeformułowanego zapytania wyszukiwania lub odpowiedzi opartej na źródle. Wskaż materiał, który wynik musi zachować, oraz długość lub pola potrzebne na następny krok aplikacji.
Wyszukiwanie, podsumowania i przeformułowywanie
Przy podsumowywaniu dostarcz rzeczywisty fragment lub rozmowę i określ odbiorców, długość i kluczowe fakty. Użyteczny wynik może rozdzielać główną kwestię, już podjęte decyzje i otwarte pytania. Jeśli źródło zawiera kilka tematów, wskaż, który ma obejmować podsumowanie, zamiast prosić o nieukierunkowane skrócenie wszystkiego.
Przy wyszukiwaniu wiedzy dostarcz wybrane fragmenty źródłowe lub informacje zwrócone przez komponent wyszukujący. Poproś o stwierdzenie odpowiadające na pytanie i fragment, który je potwierdza. Odpowiedź tekstowa modelu może wyjaśniać wyszukane informacje, natomiast przeszukiwanie prywatnego zbioru pozostaje pracą podłączonej aplikacji. Model nie zyskuje dostępu do tego zbioru jedynie dzięki etykiecie zastosowania związanego z wyszukiwaniem.
Przy przeformułowywaniu zapytania podaj pierwotne pytanie i cel wyszukiwania. Poproś o zwięzłe przeformułowanie zachowujące podmiot, warunek i pożądaną informację. Zapytanie do wsparcia można przeformułować, uwzględniając istotny termin produktu i działanie, bez dodawania faktu nieobecnego w wiadomości użytkownika. Zwróć zmienione zapytanie oddzielnie od wyjaśnienia, jeśli inny komponent będzie używał go bezpośrednio.
Dla asystenta pisania określ czytelnika, ton i fakty źródłowe przed poproszeniem o krótki list lub zmieniony fragment. Przy ekstrakcji zdefiniuj pola i sposób przedstawiania brakujących informacji. Są to konkretne operacje łączące udokumentowane tekstowe przeznaczenie kompaktowego modelu z rezultatem możliwym do sprawdzenia.
Obsługiwane języki i trening
Oficjalnie obsługiwane języki to angielski, niemiecki, francuski, włoski, portugalski, hindi, hiszpański i tajski. Model jest trenowany na szerszym zbiorze języków, co różni się od ośmiu języków wyraźnie obsługiwanych według karty. Wskaż język końcowy oraz wszelkie terminy lub identyfikatory, które muszą pozostać niezmienione.
Rodzina jest wstępnie trenowana na maksymalnie dziewięciu bilionach tokenów, z granicą danych w grudniu 2023 r. W przypadku modeli 1B i 3B producent używa wyjść Llama 3.1 8B i 70B jako celów treningowych na poziomie tokenów oraz destylacji wiedzy po przycinaniu. Jest to proces treningowy; nie oznacza, że wdrożony model 1B prosi te większe modele o odpowiedź na każde pytanie użytkownika.
Karta opisuje nadzorowane dostrajanie i dopasowanie oparte na preferencjach, z rundami dodatkowego treningu obejmującymi przykłady nadzorowane, próbkowanie z odrzucaniem i bezpośrednią optymalizację preferencji. Etapy te tworzą zachowanie Instruct, zachowując nazwany punkt kontrolny i modalność wyłącznie tekstową.
Rozmowa i edycje skwantowane
Producent pokazuje osobne wiadomości systemowe i użytkownika z użyciem odpowiedniego formatu rozmowy. Określ rolę asystenta i wymagania odpowiedzi oddzielnie od rzeczywistego tekstu źródłowego. Zachowaj odpowiednią wcześniejszą odpowiedź, gdy kolejne zapytanie prosi o redakcję, wyjaśnienie lub inną formę tej samej informacji.
Wydanie dokumentuje również odrębne warianty uwzględniające kwantyzację w treningu i skwantowane po treningu. Ich precyzja i kontekst 8k należą do tych wariantów, a nie do uniwersalnej specyfikacji tego zwykłego wpisu Instruct. Używaj dokładnego punktu kontrolnego i konfiguracji przy porównywaniu powtarzanego zadania lub przygotowywaniu pochodnego wdrożenia.
Granice merytoryczne
To wydanie 1B jest wyłącznie tekstowe. Nie powinno dziedziczyć wejścia obrazowego po modelach wizyjnych Llama 3.2 11B lub 90B, możliwości tekstowo-obrazowych Llama 4 ani nazwanych ustawień wysiłku rozumowania Muse Spark. Przykład generowania 256 tokenów na karcie jest ustawieniem przykładowym, a nie niezależnie określoną maksymalną pojemnością odpowiedzi.
Praktycznym rezultatem końcowym jest żądane podsumowanie, zapytanie, wyodrębniony rekord lub przeformułowany tekst, zachowujący istotne znaczenie i identyfikatory źródła. Przeczytane źródła nie podają osobnego sztywnego limitu tokenów wyjściowych. Zachowaj skupienie zadania, kompletność materiału wejściowego dla tej operacji i jawne rozróżnienie kontekstu zwykłego oraz skwantowanego.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity meta-llama/llama-3.2-1b-instruct | 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 $0.000054 / 1K tokenów Wyjście · Tokeny wyjściowe $0.000402 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.000054 / 1K tokenów Wyjście · Tokeny wyjściowe $0.000402 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.2-1b-instruct", "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='meta-llama/llama-3.2-1b-instruct',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='meta-llama/llama-3.2-1b-instruct',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 meta-llama/llama-3.2-1b-instruct
Użyj ścieżek metod podanych powyżej.
meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct to kompaktowy model tekstowy Meta o rozmiarze 1,23B, przeznaczony do dialogu, podsumowywania, wyszukiwania wiedzy i przeformułowywania zapytań. Producent podaje kontekst 128k dla zwykłego wydania i 8k dla osobnych wariantów skwantowanych, z wielojęzycznym tekstem i kodem na wyjściu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Llama 3.2 1B Instruct to kompaktowy model tekstowy Meta dostrojony do instrukcji, z liczbą parametrów 1,23 miliarda w tabeli producenta. Przyjmuje wielojęzyczny tekst i zwraca tekst lub kod. Wydanie jest przeznaczone do dialogu, wyszukiwania wiedzy, podsumowywania, mobilnych asystentów pisania oraz przeformułowywania zapytań lub promptów, a nie do zadań rozumienia obrazu osobnych edycji wizyjnych Llama.
Informacje o modelu i kontekst
Model używa autoregresyjnej architektury Transformer z uwagą grouped-query i współdzielonymi embeddingami. Meta odróżnia modele 1B i 3B po treningu wstępnym oraz dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego 1B Instruct, którego zadaniem jest wykonywanie polecenia użytkownika w rozmowie, zamiast pełnienia roli fundamentu po treningu wstępnym.
Zwykłe wydanie tekstowe jest udokumentowane z kontekstem 128k. Producent osobno podaje kontekst 8k dla swoich skwantowanych modeli tekstowych. Konfiguracje te powinny pozostać odrębne: kwantyzacja nie uprawnia do przenoszenia kontekstu zwykłego wydania na każdy punkt kontrolny w mniejszym formacie ani do wnioskowania o skonfigurowanej pojemności konkretnej usługi.
Wykorzystuj kontekst na fragmenty i rozmowę istotne dla jednej określonej operacji. Długi dokument może nadal wymagać krótkiego podsumowania, przeformułowanego zapytania wyszukiwania lub odpowiedzi opartej na źródle. Wskaż materiał, który wynik musi zachować, oraz długość lub pola potrzebne na następny krok aplikacji.
Wyszukiwanie, podsumowania i przeformułowywanie
Przy podsumowywaniu dostarcz rzeczywisty fragment lub rozmowę i określ odbiorców, długość i kluczowe fakty. Użyteczny wynik może rozdzielać główną kwestię, już podjęte decyzje i otwarte pytania. Jeśli źródło zawiera kilka tematów, wskaż, który ma obejmować podsumowanie, zamiast prosić o nieukierunkowane skrócenie wszystkiego.
Przy wyszukiwaniu wiedzy dostarcz wybrane fragmenty źródłowe lub informacje zwrócone przez komponent wyszukujący. Poproś o stwierdzenie odpowiadające na pytanie i fragment, który je potwierdza. Odpowiedź tekstowa modelu może wyjaśniać wyszukane informacje, natomiast przeszukiwanie prywatnego zbioru pozostaje pracą podłączonej aplikacji. Model nie zyskuje dostępu do tego zbioru jedynie dzięki etykiecie zastosowania związanego z wyszukiwaniem.
Przy przeformułowywaniu zapytania podaj pierwotne pytanie i cel wyszukiwania. Poproś o zwięzłe przeformułowanie zachowujące podmiot, warunek i pożądaną informację. Zapytanie do wsparcia można przeformułować, uwzględniając istotny termin produktu i działanie, bez dodawania faktu nieobecnego w wiadomości użytkownika. Zwróć zmienione zapytanie oddzielnie od wyjaśnienia, jeśli inny komponent będzie używał go bezpośrednio.
Dla asystenta pisania określ czytelnika, ton i fakty źródłowe przed poproszeniem o krótki list lub zmieniony fragment. Przy ekstrakcji zdefiniuj pola i sposób przedstawiania brakujących informacji. Są to konkretne operacje łączące udokumentowane tekstowe przeznaczenie kompaktowego modelu z rezultatem możliwym do sprawdzenia.
Obsługiwane języki i trening
Oficjalnie obsługiwane języki to angielski, niemiecki, francuski, włoski, portugalski, hindi, hiszpański i tajski. Model jest trenowany na szerszym zbiorze języków, co różni się od ośmiu języków wyraźnie obsługiwanych według karty. Wskaż język końcowy oraz wszelkie terminy lub identyfikatory, które muszą pozostać niezmienione.
Rodzina jest wstępnie trenowana na maksymalnie dziewięciu bilionach tokenów, z granicą danych w grudniu 2023 r. W przypadku modeli 1B i 3B producent używa wyjść Llama 3.1 8B i 70B jako celów treningowych na poziomie tokenów oraz destylacji wiedzy po przycinaniu. Jest to proces treningowy; nie oznacza, że wdrożony model 1B prosi te większe modele o odpowiedź na każde pytanie użytkownika.
Karta opisuje nadzorowane dostrajanie i dopasowanie oparte na preferencjach, z rundami dodatkowego treningu obejmującymi przykłady nadzorowane, próbkowanie z odrzucaniem i bezpośrednią optymalizację preferencji. Etapy te tworzą zachowanie Instruct, zachowując nazwany punkt kontrolny i modalność wyłącznie tekstową.
Rozmowa i edycje skwantowane
Producent pokazuje osobne wiadomości systemowe i użytkownika z użyciem odpowiedniego formatu rozmowy. Określ rolę asystenta i wymagania odpowiedzi oddzielnie od rzeczywistego tekstu źródłowego. Zachowaj odpowiednią wcześniejszą odpowiedź, gdy kolejne zapytanie prosi o redakcję, wyjaśnienie lub inną formę tej samej informacji.
Wydanie dokumentuje również odrębne warianty uwzględniające kwantyzację w treningu i skwantowane po treningu. Ich precyzja i kontekst 8k należą do tych wariantów, a nie do uniwersalnej specyfikacji tego zwykłego wpisu Instruct. Używaj dokładnego punktu kontrolnego i konfiguracji przy porównywaniu powtarzanego zadania lub przygotowywaniu pochodnego wdrożenia.
Granice merytoryczne
To wydanie 1B jest wyłącznie tekstowe. Nie powinno dziedziczyć wejścia obrazowego po modelach wizyjnych Llama 3.2 11B lub 90B, możliwości tekstowo-obrazowych Llama 4 ani nazwanych ustawień wysiłku rozumowania Muse Spark. Przykład generowania 256 tokenów na karcie jest ustawieniem przykładowym, a nie niezależnie określoną maksymalną pojemnością odpowiedzi.
Praktycznym rezultatem końcowym jest żądane podsumowanie, zapytanie, wyodrębniony rekord lub przeformułowany tekst, zachowujący istotne znaczenie i identyfikatory źródła. Przeczytane źródła nie podają osobnego sztywnego limitu tokenów wyjściowych. Zachowaj skupienie zadania, kompletność materiału wejściowego dla tej operacji i jawne rozróżnienie kontekstu zwykłego oraz skwantowanego.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity meta-llama/llama-3.2-1b-instruct | 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 $0.000054 / 1K tokenów Wyjście · Tokeny wyjściowe $0.000402 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.000054 / 1K tokenów Wyjście · Tokeny wyjściowe $0.000402 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "meta-llama/llama-3.2-1b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.2-1b-instruct', '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': 'meta-llama/llama-3.2-1b-instruct', '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 meta-llama/llama-3.2-1b-instruct
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.