Decider V1.1 27B to zaktualizowany punkt kontrolny Perplexity do podejmowania decyzji. Ocenia dostarczoną treść względem zdefiniowanego pytania i wytwarza prawdopodobieństwa dopuszczalnych odpowiedzi. Jego natywny artefakt ma moduł odczytu decyzji zamiast głowicy generowania języka obejmującej pełny słownik. Użyteczny wynik to ograniczony rozkład decyzyjny i zinterpretowana odpowiedź, a nie otwarte wyjaśnienie lub ogólna odpowiedź na czacie.
Perplexity określa ten model jako aktualizację Decider V1 27B zachowującą tę samą architekturę bazową, ze zmianami konfiguracji uwagi i większą ilością danych treningowych. Jego podstawą jest Qwen3.8-27B. Wydanie V1.1 powinno zachować własną nazwę i konfigurację, zamiast być przedstawiane jako zamienna kopia wcześniejszego punktu kontrolnego.
Opublikowany przykład dostarcza wiersz ze stanem i typowanym pytaniem choice. Pytanie zawiera instrukcje i kryteria, których klucze są odpowiedziami semantycznymi, a opisy określają, kiedy każda z nich ma zastosowanie. Model przewiduje prawdopodobieństwa, a następnie funkcja pomocnicza producenta interpretuje je dla danego pytania. Przykład inferencji może przetwarzać listę wierszy, wiążąc jedną decyzję z materiałem i pytaniem każdego wiersza.
Do kierowania zgłoszeń podaj rzeczywistą wiadomość i istotny kontekst, a następnie zdefiniuj dostępne działy lub kategorie. Przykładowe zadanie może odróżniać awarię integracji, problem z dostępem i prośbę o informacje o produkcie. Każdy opis powinien być dostatecznie precyzyjny, by rozstrzygnąć przypadek graniczny; zachowaj definicje opcji z wynikiem. Rozkład kategorii może wtedy wspierać decyzję o kierowaniu lub etap przeglądu, gdy alternatywy pozostają bliskie. Wynik wybrany przez model sam nie wykonuje działania w procesie.
Natywna implementacja przyjmuje obrazy obok stanu i pytania, jako pliki obrazów, obrazy w pamięci lub zakodowane dane obrazu. W przypadku obrazu dokumentu lub zrzutu ekranu dostarcz materiał wizualny i zadaj zamknięte pytanie z opcjami opisującymi istotne wyniki. Wskaż widoczną cechę, która ma znaczenie, i podaj kontekst tekstowy potrzebny do jej interpretacji. Na przykład klasyfikuj, czy pokazany przedmiot należy do jednej z dostarczonych kategorii produktów, zamiast prosić model decyzyjny o napisanie pełnego opisu produktu.
Procesor zachowuje proporcje podczas zmiany rozmiaru i zaokrągla boki obrazu do wielokrotności 32 pikseli. Udokumentowana przetworzona powierzchnia zaczyna się od 65 536 pikseli i jest ograniczona konfigurowalnym maksimum; domyślnie wynosi ono 4 194 304 piksele, czyli 2048 na 2048. Każdy fragment 32 na 32 wnosi jeden token wizualny, więc to ustawienie domyślne pozwala na maksymalnie 4 096 tokenów wizualnych dla obrazu. Liczby te opisują natywne przygotowanie obrazów u producenta, a nie ogólny kontrakt przesyłania plików w aplikacji.
Udokumentowany krok prepare wymaga, aby tekst i wszystkie obrazy jednej decyzji mieściły się w 8 192 tokenach. Zbyt duże wejście jest odrzucane, zamiast być po cichu przycinane. Kilka obrazów współdzieli ten budżet z zapisanym stanem i pytaniem. Przygotowując łączną decyzję, ogranicz nieistotny tekst źródłowy lub limit rozmiaru obrazu, zachowując szczegół decydujący o odpowiedzi.
Konfiguracja treningu i raportowanej ewaluacji ograniczała obrazy do 512 na 512, czyli 262 144 pikseli i maksymalnie 256 tokenów wizualnych. Konfigurowalny limit inferencji może zachować więcej szczegółów, lecz karta ostrzega, że większa rozdzielczość wykracza poza rozkład treningowy i wymaga więcej pamięci oraz czasu przetwarzania. Większy rozmiar obrazu nie gwarantuje zatem lepszej decyzji. Przygotowuj wejście zgodnie z pytaniem i sprawdzaj, czy potrzebna cecha wizualna jest wyraźnie reprezentowana.
Warstwy pełnej uwagi natywnego punktu kontrolnego korzystają z zapisanego nieprzyczynowego trybu uwagi, a warstwy uwagi liniowej zachowują własne działanie. Producent podaje, że domyślna inferencja przyczynowa nie odtwarza ocenianej konfiguracji. Implementacja predykcji stosuje zapisaną temperaturę kalibracji; jeśli używa się bezpośrednio logits, temperatura jest stosowana raz, a prawdopodobieństwa normalizowane względem aktualnych dopuszczalnych kandydatów. Szczegóły te należą do konkretnego profilu decyzyjnego i należy je zachować przy interpretacji jego liczbowych wyników.
Osobny odczyt decyzji odróżnia również ten artefakt od eksportu generatywnego. Konwersja do interfejsu generowania opartego na słowniku wymaga jawnego mapowania i musi zachować działanie uwagi. Przygotowuj zamknięte pytania dla natywnego profilu decyzyjnego; użyj odpowiedniego modelu generatywnego, gdy zadanie wymaga czatu, kodu, wyjaśnień lub żądań użycia narzędzi.
Użyteczny artefakt końcowy zachowuje powiązanie stanu, pytania, dozwolonych odpowiedzi i wynikowego rozkładu. Zdefiniuj pytanie wokół rzeczywiście obecnego materiału, sprawdzaj niejednoznaczne przypadki w jego świetle i używaj oznaczonych przykładów z docelowego zadania, by ustalić wpływ wyników liczbowych na kierowanie lub klasyfikację. Model dostarcza prawdopodobieństwa decyzji; kryteria i otaczająca aplikacja określają, jak stają się one użytecznym działaniem lub zapisaną etykietą.
", "aboutText": "Decider V1.1 27B to zaktualizowany punkt kontrolny Perplexity do podejmowania decyzji. Ocenia dostarczoną treść względem zdefiniowanego pytania i wytwarza prawdopodobieństwa dopuszczalnych odpowiedzi. Jego natywny artefakt ma moduł odczytu decyzji zamiast głowicy generowania języka obejmującej pełny słownik. Użyteczny wynik to ograniczony rozkład decyzyjny i zinterpretowana odpowiedź, a nie otwarte wyjaśnienie lub ogólna odpowiedź na czacie.\n\n### Co zmienia się w wydaniu V1.1\n\nPerplexity określa ten model jako aktualizację Decider V1 27B zachowującą tę samą architekturę bazową, ze zmianami konfiguracji uwagi i większą ilością danych treningowych. Jego podstawą jest Qwen3.8-27B. Wydanie V1.1 powinno zachować własną nazwę i konfigurację, zamiast być przedstawiane jako zamienna kopia wcześniejszego punktu kontrolnego.\n\n### Stan, pytanie i dopuszczalne odpowiedzi\n\nOpublikowany przykład dostarcza wiersz ze stanem i typowanym pytaniem choice. Pytanie zawiera instrukcje i kryteria, których klucze są odpowiedziami semantycznymi, a opisy określają, kiedy każda z nich ma zastosowanie. Model przewiduje prawdopodobieństwa, a następnie funkcja pomocnicza producenta interpretuje je dla danego pytania. Przykład inferencji może przetwarzać listę wierszy, wiążąc jedną decyzję z materiałem i pytaniem każdego wiersza.\n\nDo kierowania zgłoszeń podaj rzeczywistą wiadomość i istotny kontekst, a następnie zdefiniuj dostępne działy lub kategorie. Przykładowe zadanie może odróżniać awarię integracji, problem z dostępem i prośbę o informacje o produkcie. Każdy opis powinien być dostatecznie precyzyjny, by rozstrzygnąć przypadek graniczny; zachowaj definicje opcji z wynikiem. Rozkład kategorii może wtedy wspierać decyzję o kierowaniu lub etap przeglądu, gdy alternatywy pozostają bliskie. Wynik wybrany przez model sam nie wykonuje działania w procesie.\n\n### Materiał tekstowy i obrazowy\n\nNatywna implementacja przyjmuje obrazy obok stanu i pytania, jako pliki obrazów, obrazy w pamięci lub zakodowane dane obrazu. W przypadku obrazu dokumentu lub zrzutu ekranu dostarcz materiał wizualny i zadaj zamknięte pytanie z opcjami opisującymi istotne wyniki. Wskaż widoczną cechę, która ma znaczenie, i podaj kontekst tekstowy potrzebny do jej interpretacji. Na przykład klasyfikuj, czy pokazany przedmiot należy do jednej z dostarczonych kategorii produktów, zamiast prosić model decyzyjny o napisanie pełnego opisu produktu.\n\nProcesor zachowuje proporcje podczas zmiany rozmiaru i zaokrągla boki obrazu do wielokrotności 32 pikseli. Udokumentowana przetworzona powierzchnia zaczyna się od 65 536 pikseli i jest ograniczona konfigurowalnym maksimum; domyślnie wynosi ono 4 194 304 piksele, czyli 2048 na 2048. Każdy fragment 32 na 32 wnosi jeden token wizualny, więc to ustawienie domyślne pozwala na maksymalnie 4 096 tokenów wizualnych dla obrazu. Liczby te opisują natywne przygotowanie obrazów u producenta, a nie ogólny kontrakt przesyłania plików w aplikacji.\n\n### Łączne limity wejścia i zakres rozdzielczości\n\nUdokumentowany krok prepare wymaga, aby tekst i wszystkie obrazy jednej decyzji mieściły się w 8 192 tokenach. Zbyt duże wejście jest odrzucane, zamiast być po cichu przycinane. Kilka obrazów współdzieli ten budżet z zapisanym stanem i pytaniem. Przygotowując łączną decyzję, ogranicz nieistotny tekst źródłowy lub limit rozmiaru obrazu, zachowując szczegół decydujący o odpowiedzi.\n\nKonfiguracja treningu i raportowanej ewaluacji ograniczała obrazy do 512 na 512, czyli 262 144 pikseli i maksymalnie 256 tokenów wizualnych. Konfigurowalny limit inferencji może zachować więcej szczegółów, lecz karta ostrzega, że większa rozdzielczość wykracza poza rozkład treningowy i wymaga więcej pamięci oraz czasu przetwarzania. Większy rozmiar obrazu nie gwarantuje zatem lepszej decyzji. Przygotowuj wejście zgodnie z pytaniem i sprawdzaj, czy potrzebna cecha wizualna jest wyraźnie reprezentowana.\n\n### Mechanizm uwagi, odczyt i kalibracja prawdopodobieństw\n\nWarstwy pełnej uwagi natywnego punktu kontrolnego korzystają z zapisanego nieprzyczynowego trybu uwagi, a warstwy uwagi liniowej zachowują własne działanie. Producent podaje, że domyślna inferencja przyczynowa nie odtwarza ocenianej konfiguracji. Implementacja predykcji stosuje zapisaną temperaturę kalibracji; jeśli używa się bezpośrednio logits, temperatura jest stosowana raz, a prawdopodobieństwa normalizowane względem aktualnych dopuszczalnych kandydatów. Szczegóły te należą do konkretnego profilu decyzyjnego i należy je zachować przy interpretacji jego liczbowych wyników.\n\nOsobny odczyt decyzji odróżnia również ten artefakt od eksportu generatywnego. Konwersja do interfejsu generowania opartego na słowniku wymaga jawnego mapowania i musi zachować działanie uwagi. Przygotowuj zamknięte pytania dla natywnego profilu decyzyjnego; użyj odpowiedniego modelu generatywnego, gdy zadanie wymaga czatu, kodu, wyjaśnień lub żądań użycia narzędzi.\n\nUżyteczny artefakt końcowy zachowuje powiązanie stanu, pytania, dozwolonych odpowiedzi i wynikowego rozkładu. Zdefiniuj pytanie wokół rzeczywiście obecnego materiału, sprawdzaj niejednoznaczne przypadki w jego świetle i używaj oznaczonych przykładów z docelowego zadania, by ustalić wpływ wyników liczbowych na kierowanie lub klasyfikację. Model dostarcza prawdopodobieństwa decyzji; kryteria i otaczająca aplikacja określają, jak stają się one użytecznym działaniem lub zapisaną etykietą.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8b8b47cb570207fb391be430ac57bf12273d61c245b239e24408515c27b5c421", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "perplexity/pplx-decider-v1.1-27bDecider V1.1 27B firmy Perplexity ocenia dostarczony stan i pytanie oraz zwraca prawdopodobieństwa dozwolonych odpowiedzi. Jego natywny punkt kontrolny do decyzji obsługuje tekst i obrazy, z dedykowanym odczytem i udokumentowanymi limitami przygotowania wejścia, zamiast kontraktu generowania swobodnego tekstu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Decider V1.1 27B to zaktualizowany punkt kontrolny Perplexity do podejmowania decyzji. Ocenia dostarczoną treść względem zdefiniowanego pytania i wytwarza prawdopodobieństwa dopuszczalnych odpowiedzi. Jego natywny artefakt ma moduł odczytu decyzji zamiast głowicy generowania języka obejmującej pełny słownik. Użyteczny wynik to ograniczony rozkład decyzyjny i zinterpretowana odpowiedź, a nie otwarte wyjaśnienie lub ogólna odpowiedź na czacie.
Perplexity określa ten model jako aktualizację Decider V1 27B zachowującą tę samą architekturę bazową, ze zmianami konfiguracji uwagi i większą ilością danych treningowych. Jego podstawą jest Qwen3.8-27B. Wydanie V1.1 powinno zachować własną nazwę i konfigurację, zamiast być przedstawiane jako zamienna kopia wcześniejszego punktu kontrolnego.
Opublikowany przykład dostarcza wiersz ze stanem i typowanym pytaniem choice. Pytanie zawiera instrukcje i kryteria, których klucze są odpowiedziami semantycznymi, a opisy określają, kiedy każda z nich ma zastosowanie. Model przewiduje prawdopodobieństwa, a następnie funkcja pomocnicza producenta interpretuje je dla danego pytania. Przykład inferencji może przetwarzać listę wierszy, wiążąc jedną decyzję z materiałem i pytaniem każdego wiersza.
Do kierowania zgłoszeń podaj rzeczywistą wiadomość i istotny kontekst, a następnie zdefiniuj dostępne działy lub kategorie. Przykładowe zadanie może odróżniać awarię integracji, problem z dostępem i prośbę o informacje o produkcie. Każdy opis powinien być dostatecznie precyzyjny, by rozstrzygnąć przypadek graniczny; zachowaj definicje opcji z wynikiem. Rozkład kategorii może wtedy wspierać decyzję o kierowaniu lub etap przeglądu, gdy alternatywy pozostają bliskie. Wynik wybrany przez model sam nie wykonuje działania w procesie.
Natywna implementacja przyjmuje obrazy obok stanu i pytania, jako pliki obrazów, obrazy w pamięci lub zakodowane dane obrazu. W przypadku obrazu dokumentu lub zrzutu ekranu dostarcz materiał wizualny i zadaj zamknięte pytanie z opcjami opisującymi istotne wyniki. Wskaż widoczną cechę, która ma znaczenie, i podaj kontekst tekstowy potrzebny do jej interpretacji. Na przykład klasyfikuj, czy pokazany przedmiot należy do jednej z dostarczonych kategorii produktów, zamiast prosić model decyzyjny o napisanie pełnego opisu produktu.
Procesor zachowuje proporcje podczas zmiany rozmiaru i zaokrągla boki obrazu do wielokrotności 32 pikseli. Udokumentowana przetworzona powierzchnia zaczyna się od 65 536 pikseli i jest ograniczona konfigurowalnym maksimum; domyślnie wynosi ono 4 194 304 piksele, czyli 2048 na 2048. Każdy fragment 32 na 32 wnosi jeden token wizualny, więc to ustawienie domyślne pozwala na maksymalnie 4 096 tokenów wizualnych dla obrazu. Liczby te opisują natywne przygotowanie obrazów u producenta, a nie ogólny kontrakt przesyłania plików w aplikacji.
Udokumentowany krok prepare wymaga, aby tekst i wszystkie obrazy jednej decyzji mieściły się w 8 192 tokenach. Zbyt duże wejście jest odrzucane, zamiast być po cichu przycinane. Kilka obrazów współdzieli ten budżet z zapisanym stanem i pytaniem. Przygotowując łączną decyzję, ogranicz nieistotny tekst źródłowy lub limit rozmiaru obrazu, zachowując szczegół decydujący o odpowiedzi.
Konfiguracja treningu i raportowanej ewaluacji ograniczała obrazy do 512 na 512, czyli 262 144 pikseli i maksymalnie 256 tokenów wizualnych. Konfigurowalny limit inferencji może zachować więcej szczegółów, lecz karta ostrzega, że większa rozdzielczość wykracza poza rozkład treningowy i wymaga więcej pamięci oraz czasu przetwarzania. Większy rozmiar obrazu nie gwarantuje zatem lepszej decyzji. Przygotowuj wejście zgodnie z pytaniem i sprawdzaj, czy potrzebna cecha wizualna jest wyraźnie reprezentowana.
Warstwy pełnej uwagi natywnego punktu kontrolnego korzystają z zapisanego nieprzyczynowego trybu uwagi, a warstwy uwagi liniowej zachowują własne działanie. Producent podaje, że domyślna inferencja przyczynowa nie odtwarza ocenianej konfiguracji. Implementacja predykcji stosuje zapisaną temperaturę kalibracji; jeśli używa się bezpośrednio logits, temperatura jest stosowana raz, a prawdopodobieństwa normalizowane względem aktualnych dopuszczalnych kandydatów. Szczegóły te należą do konkretnego profilu decyzyjnego i należy je zachować przy interpretacji jego liczbowych wyników.
Osobny odczyt decyzji odróżnia również ten artefakt od eksportu generatywnego. Konwersja do interfejsu generowania opartego na słowniku wymaga jawnego mapowania i musi zachować działanie uwagi. Przygotowuj zamknięte pytania dla natywnego profilu decyzyjnego; użyj odpowiedniego modelu generatywnego, gdy zadanie wymaga czatu, kodu, wyjaśnień lub żądań użycia narzędzi.
Użyteczny artefakt końcowy zachowuje powiązanie stanu, pytania, dozwolonych odpowiedzi i wynikowego rozkładu. Zdefiniuj pytanie wokół rzeczywiście obecnego materiału, sprawdzaj niejednoznaczne przypadki w jego świetle i używaj oznaczonych przykładów z docelowego zadania, by ustalić wpływ wyników liczbowych na kierowanie lub klasyfikację. Model dostarcza prawdopodobieństwa decyzji; kryteria i otaczająca aplikacja określają, jak stają się one użytecznym działaniem lub zapisaną etykietą.
POST /v1/systemonetext, imagedecisions| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity perplexity/pplx-decider-v1.1-27b | Domyślnie— |
Poleprovider | Typschema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polequestions | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polesession_id | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polestate | Typschema | WymaganieWymagane | Wartości i limity | Domyślnie— |
Poletrace | Typschema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleuser | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polequestions.<id>.type | Typstring | WymaganieWymagane | Wartości i limity noul, choice, score | Domyślnie— |
Polequestions.<id>.instructions | Typstring|object|array | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polequestions.<id>.criteria | Typobject|array | WymaganieOpcjonalne | Wartości i limity Warunki: choice/score: wymagane; noul: opcjonalne. Kryteria choice są obiektem; score jest tablicą z minItems1. | Domyślnie— |
Polequestions.<id>.criteria.true | Typstring|object|array | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: Przekazano obiekt kryteriów noul | Domyślnie— |
Polequestions.<id>.criteria.false | Typstring|object|array | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: Przekazano obiekt kryteriów noul | Domyślnie— |
noul · Wymagane: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Wymagane: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Wymagane: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, state, questions |
Parametrmaterial_types | Kontrakttext, image |
Parametroptional_controls | Kontraktprovider, session_id, trace, user |
Parametrmultimodal_input_binding | KontraktUżywaj wyłącznie dokładnie zadeklarowanej reprezentacji stanu lub dokumentu. Sama obsługa obrazów przez producenta nie potwierdza zaakceptowanego sposobu przekazywania obrazów dla konkretnego modelu. |
Cykl życia: synchronous
Wyślij dokładny identyfikator modelu i zachowaj kompletną natywną odpowiedź.
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 $0.00004 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 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 $0.00004 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "perplexity/pplx-decider-v1.1-27b",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='perplexity/pplx-decider-v1.1-27b'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowywana jest każda odpowiedź przypisana do podanego identyfikatora pytania wraz z dokładnym typem, wartością noul/choice/score, pewnością, prawdopodobieństwami i legendą. Cały oryginalny JSON jest zapisywany i zwracany dopiero po rozliczeniu.
Zachowaj pierwotną operację oraz pełną lub częściową odpowiedź; nie ponawiaj POST.
| Pole | Typ |
|---|---|
Polemodel | Typstring |
Poleid | Typstring |
Poleprovider | Typstring |
Poleanswers.<id>.type | Typstring |
Poleanswers.<id>.noul | Typnumber |
Poleanswers.<id>.choice | Typstring |
Poleanswers.<id>.score | Typnumber |
Poleanswers.<id>.confidence | Typnumber |
Poleanswers.<id>.probabilities | Typobject |
Poleanswers.<id>.legend | Typobject |
Poleusage.input_tokens | Typinteger |
Poleusage.output_tokens | Typinteger |
Poleusage.cost | Typnumber |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pole, reprezentacja lub wartość | Następny krokPopraw wskazane pole żądania. |
Ailoot Ultra perplexity/pplx-decider-v1.1-27b
Użyj ścieżek metod podanych powyżej.