O Amazon Nova Micro é o modelo Nova de primeira geração da Amazon exclusivamente de texto, concebido para respostas de baixa latência em fluxos linguísticos rotineiros. Aceita texto e devolve texto. Os exemplos da Amazon incluem resumir informação fornecida, tradução, classificar texto, responder a perguntas e produzir conteúdo escrito conciso. O Micro é útil quando uma aplicação já recolheu os factos e precisa de uma transformação focada, como converter atributos de produto num parágrafo de catálogo ou transformar notas de reunião numa lista de ações.
O guia Nova de primeira geração indica uma janela de contexto de 128K tokens e uma saída máxima de 10K tokens. A data-limite de conhecimento documentada é outubro de 2024. Este é um contexto de trabalho menor do que as janelas de 300K do Nova Lite e Pro ou a janela de 1 milhão de tokens do Premier. Utilize o espaço disponível para o texto de que a resposta realmente depende: passagens de origem, exemplos e conversa relevante. Especifique se o artefacto desejado é uma resposta curta, uma etiqueta de categoria, uma tradução ou um conjunto de campos extraídos. Um limite amplo de contexto não exige uma resposta longa; um comprimento e uma estrutura explícitos de saída mantêm o resultado útil.
O âmbito do Micro é texto, em vez de compreensão nativa de imagem, vídeo ou áudio. Para informação originalmente guardada num documento ou ficheiro multimédia, forneça o texto extraído ou a transcrição. Um briefing de conteúdo de produto pode conter o nome do produto, dimensões, materiais, variantes e um estilo exigido e pedir depois um parágrafo utilizando apenas esses atributos. Um exemplo original pediria uma descrição neutra e uma lista separada de especificações em falta. Isto utiliza o modelo como escritor e transformador de evidências fornecidas, em vez de lhe pedir que infira características de produto que não viu.
A Amazon documenta os papéis de sistema, utilizador e assistente para instruções de texto Nova. Uma instrução de sistema pode estabelecer a função de escrita e as restrições recorrentes; a mensagem do utilizador fornece a tarefa e o material de origem; alguns exemplos representativos podem mostrar o formato desejado. Estruture entradas densas com etiquetas claras e divida instruções compostas em etapas separadas se o modelo tiver dificuldades com as suas dependências. Para tradução, indique a língua de destino, se deve preservar nomes próprios e que termos têm de permanecer inalterados. A família versão 1 foi treinada para mais de 200 línguas, com otimização para um conjunto menor, por isso não assuma qualidade idêntica em todas as variantes.
O Micro suporta streaming de respostas e chamadas de ferramentas do lado do cliente. Também suporta cache de instruções no perfil de disponibilização documentado da Amazon. A cache explícita exige pelo menos 1K tokens por checkpoint e permite até quatro checkpoints com retenção de cinco minutos. O fabricante limita a cache de instruções a 20K tokens, sobretudo para instruções de texto; esse limite de cache é distinto da janela completa de contexto. Num assistente fundamentado, uma aplicação pode recuperar o texto relevante ou executar uma função pedida e enviar depois o resultado observado de volta para uma resposta final. O próprio modelo não é um motor de recuperação de informação em tempo real. Quando uma resposta depende de uma política atual ou de uma base de conhecimento privada, inclua a fonte relevante real. Um formato JSON pedido pode ser útil para classificação ou extração, mas o perfil do fabricante não indica saída estruturada imposta como funcionalidade suportada; especifique o comportamento para valores ausentes e verifique os campos devolvidos.
Outra função de primeira geração é a personalização: a Amazon documenta o ajuste fino do Micro com exemplos etiquetados e a destilação de conhecimento específico de tarefas a partir do Nova Pro ou Premier. Um derivado personalizado é um fluxo separado, e não uma capacidade que altera silenciosamente a edição base. Para o modelo habitual, avalie o artefacto concluído em relação ao briefing: os factos fornecidos devem permanecer intactos, os atributos importantes não devem desaparecer e a prosa deve corresponder ao estilo pedido. O Micro também pode gerar código, mas essas respostas geradas não incluem uma análise automática de segurança ou um resultado de execução.
", "aboutText": "O Amazon Nova Micro é o modelo Nova de primeira geração da Amazon exclusivamente de texto, concebido para respostas de baixa latência em fluxos linguísticos rotineiros. Aceita texto e devolve texto. Os exemplos da Amazon incluem resumir informação fornecida, tradução, classificar texto, responder a perguntas e produzir conteúdo escrito conciso. O Micro é útil quando uma aplicação já recolheu os factos e precisa de uma transformação focada, como converter atributos de produto num parágrafo de catálogo ou transformar notas de reunião numa lista de ações.\n\nO guia Nova de primeira geração indica uma janela de contexto de 128K tokens e uma saída máxima de 10K tokens. A data-limite de conhecimento documentada é outubro de 2024. Este é um contexto de trabalho menor do que as janelas de 300K do Nova Lite e Pro ou a janela de 1 milhão de tokens do Premier. Utilize o espaço disponível para o texto de que a resposta realmente depende: passagens de origem, exemplos e conversa relevante. Especifique se o artefacto desejado é uma resposta curta, uma etiqueta de categoria, uma tradução ou um conjunto de campos extraídos. Um limite amplo de contexto não exige uma resposta longa; um comprimento e uma estrutura explícitos de saída mantêm o resultado útil.\n\nO âmbito do Micro é texto, em vez de compreensão nativa de imagem, vídeo ou áudio. Para informação originalmente guardada num documento ou ficheiro multimédia, forneça o texto extraído ou a transcrição. Um briefing de conteúdo de produto pode conter o nome do produto, dimensões, materiais, variantes e um estilo exigido e pedir depois um parágrafo utilizando apenas esses atributos. Um exemplo original pediria uma descrição neutra e uma lista separada de especificações em falta. Isto utiliza o modelo como escritor e transformador de evidências fornecidas, em vez de lhe pedir que infira características de produto que não viu.\n\nA Amazon documenta os papéis de sistema, utilizador e assistente para instruções de texto Nova. Uma instrução de sistema pode estabelecer a função de escrita e as restrições recorrentes; a mensagem do utilizador fornece a tarefa e o material de origem; alguns exemplos representativos podem mostrar o formato desejado. Estruture entradas densas com etiquetas claras e divida instruções compostas em etapas separadas se o modelo tiver dificuldades com as suas dependências. Para tradução, indique a língua de destino, se deve preservar nomes próprios e que termos têm de permanecer inalterados. A família versão 1 foi treinada para mais de 200 línguas, com otimização para um conjunto menor, por isso não assuma qualidade idêntica em todas as variantes.\n\nO Micro suporta streaming de respostas e chamadas de ferramentas do lado do cliente. Também suporta cache de instruções no perfil de disponibilização documentado da Amazon. A cache explícita exige pelo menos 1K tokens por checkpoint e permite até quatro checkpoints com retenção de cinco minutos. O fabricante limita a cache de instruções a 20K tokens, sobretudo para instruções de texto; esse limite de cache é distinto da janela completa de contexto. Num assistente fundamentado, uma aplicação pode recuperar o texto relevante ou executar uma função pedida e enviar depois o resultado observado de volta para uma resposta final. O próprio modelo não é um motor de recuperação de informação em tempo real. Quando uma resposta depende de uma política atual ou de uma base de conhecimento privada, inclua a fonte relevante real. Um formato JSON pedido pode ser útil para classificação ou extração, mas o perfil do fabricante não indica saída estruturada imposta como funcionalidade suportada; especifique o comportamento para valores ausentes e verifique os campos devolvidos.\n\nOutra função de primeira geração é a personalização: a Amazon documenta o ajuste fino do Micro com exemplos etiquetados e a destilação de conhecimento específico de tarefas a partir do Nova Pro ou Premier. Um derivado personalizado é um fluxo separado, e não uma capacidade que altera silenciosamente a edição base. Para o modelo habitual, avalie o artefacto concluído em relação ao briefing: os factos fornecidos devem permanecer intactos, os atributos importantes não devem desaparecer e a prosa deve corresponder ao estilo pedido. O Micro também pode gerar código, mas essas respostas geradas não incluem uma análise automática de segurança ou um resultado de execução.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1O Amazon Nova Micro é o modelo exclusivamente de texto da família Nova de primeira geração. Foi concebido para tarefas linguísticas de baixa latência, como resumos, tradução, classificação, respostas a perguntas e transformação de factos fornecidos em conteúdo conciso.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O Amazon Nova Micro é o modelo Nova de primeira geração da Amazon exclusivamente de texto, concebido para respostas de baixa latência em fluxos linguísticos rotineiros. Aceita texto e devolve texto. Os exemplos da Amazon incluem resumir informação fornecida, tradução, classificar texto, responder a perguntas e produzir conteúdo escrito conciso. O Micro é útil quando uma aplicação já recolheu os factos e precisa de uma transformação focada, como converter atributos de produto num parágrafo de catálogo ou transformar notas de reunião numa lista de ações.
O guia Nova de primeira geração indica uma janela de contexto de 128K tokens e uma saída máxima de 10K tokens. A data-limite de conhecimento documentada é outubro de 2024. Este é um contexto de trabalho menor do que as janelas de 300K do Nova Lite e Pro ou a janela de 1 milhão de tokens do Premier. Utilize o espaço disponível para o texto de que a resposta realmente depende: passagens de origem, exemplos e conversa relevante. Especifique se o artefacto desejado é uma resposta curta, uma etiqueta de categoria, uma tradução ou um conjunto de campos extraídos. Um limite amplo de contexto não exige uma resposta longa; um comprimento e uma estrutura explícitos de saída mantêm o resultado útil.
O âmbito do Micro é texto, em vez de compreensão nativa de imagem, vídeo ou áudio. Para informação originalmente guardada num documento ou ficheiro multimédia, forneça o texto extraído ou a transcrição. Um briefing de conteúdo de produto pode conter o nome do produto, dimensões, materiais, variantes e um estilo exigido e pedir depois um parágrafo utilizando apenas esses atributos. Um exemplo original pediria uma descrição neutra e uma lista separada de especificações em falta. Isto utiliza o modelo como escritor e transformador de evidências fornecidas, em vez de lhe pedir que infira características de produto que não viu.
A Amazon documenta os papéis de sistema, utilizador e assistente para instruções de texto Nova. Uma instrução de sistema pode estabelecer a função de escrita e as restrições recorrentes; a mensagem do utilizador fornece a tarefa e o material de origem; alguns exemplos representativos podem mostrar o formato desejado. Estruture entradas densas com etiquetas claras e divida instruções compostas em etapas separadas se o modelo tiver dificuldades com as suas dependências. Para tradução, indique a língua de destino, se deve preservar nomes próprios e que termos têm de permanecer inalterados. A família versão 1 foi treinada para mais de 200 línguas, com otimização para um conjunto menor, por isso não assuma qualidade idêntica em todas as variantes.
O Micro suporta streaming de respostas e chamadas de ferramentas do lado do cliente. Também suporta cache de instruções no perfil de disponibilização documentado da Amazon. A cache explícita exige pelo menos 1K tokens por checkpoint e permite até quatro checkpoints com retenção de cinco minutos. O fabricante limita a cache de instruções a 20K tokens, sobretudo para instruções de texto; esse limite de cache é distinto da janela completa de contexto. Num assistente fundamentado, uma aplicação pode recuperar o texto relevante ou executar uma função pedida e enviar depois o resultado observado de volta para uma resposta final. O próprio modelo não é um motor de recuperação de informação em tempo real. Quando uma resposta depende de uma política atual ou de uma base de conhecimento privada, inclua a fonte relevante real. Um formato JSON pedido pode ser útil para classificação ou extração, mas o perfil do fabricante não indica saída estruturada imposta como funcionalidade suportada; especifique o comportamento para valores ausentes e verifique os campos devolvidos.
Outra função de primeira geração é a personalização: a Amazon documenta o ajuste fino do Micro com exemplos etiquetados e a destilação de conhecimento específico de tarefas a partir do Nova Pro ou Premier. Um derivado personalizado é um fluxo separado, e não uma capacidade que altera silenciosamente a edição base. Para o modelo habitual, avalie o artefacto concluído em relação ao briefing: os factos fornecidos devem permanecer intactos, os atributos importantes não devem desaparecer e a prosa deve corresponder ao estilo pedido. O Micro também pode gerar código, mas essas respostas geradas não incluem uma análise automática de segurança ou um resultado de execução.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites amazon/nova-micro-v1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00007 / 1K tokens Saída · Tokens de saída $0.00028 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00007 / 1K tokens Saída · Tokens de saída $0.00028 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-v1", "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='amazon/nova-micro-v1',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='amazon/nova-micro-v1',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra amazon/nova-micro-v1
Use os caminhos dos métodos indicados acima.
amazon/nova-micro-v1O Amazon Nova Micro é o modelo exclusivamente de texto da família Nova de primeira geração. Foi concebido para tarefas linguísticas de baixa latência, como resumos, tradução, classificação, respostas a perguntas e transformação de factos fornecidos em conteúdo conciso.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O Amazon Nova Micro é o modelo Nova de primeira geração da Amazon exclusivamente de texto, concebido para respostas de baixa latência em fluxos linguísticos rotineiros. Aceita texto e devolve texto. Os exemplos da Amazon incluem resumir informação fornecida, tradução, classificar texto, responder a perguntas e produzir conteúdo escrito conciso. O Micro é útil quando uma aplicação já recolheu os factos e precisa de uma transformação focada, como converter atributos de produto num parágrafo de catálogo ou transformar notas de reunião numa lista de ações.
O guia Nova de primeira geração indica uma janela de contexto de 128K tokens e uma saída máxima de 10K tokens. A data-limite de conhecimento documentada é outubro de 2024. Este é um contexto de trabalho menor do que as janelas de 300K do Nova Lite e Pro ou a janela de 1 milhão de tokens do Premier. Utilize o espaço disponível para o texto de que a resposta realmente depende: passagens de origem, exemplos e conversa relevante. Especifique se o artefacto desejado é uma resposta curta, uma etiqueta de categoria, uma tradução ou um conjunto de campos extraídos. Um limite amplo de contexto não exige uma resposta longa; um comprimento e uma estrutura explícitos de saída mantêm o resultado útil.
O âmbito do Micro é texto, em vez de compreensão nativa de imagem, vídeo ou áudio. Para informação originalmente guardada num documento ou ficheiro multimédia, forneça o texto extraído ou a transcrição. Um briefing de conteúdo de produto pode conter o nome do produto, dimensões, materiais, variantes e um estilo exigido e pedir depois um parágrafo utilizando apenas esses atributos. Um exemplo original pediria uma descrição neutra e uma lista separada de especificações em falta. Isto utiliza o modelo como escritor e transformador de evidências fornecidas, em vez de lhe pedir que infira características de produto que não viu.
A Amazon documenta os papéis de sistema, utilizador e assistente para instruções de texto Nova. Uma instrução de sistema pode estabelecer a função de escrita e as restrições recorrentes; a mensagem do utilizador fornece a tarefa e o material de origem; alguns exemplos representativos podem mostrar o formato desejado. Estruture entradas densas com etiquetas claras e divida instruções compostas em etapas separadas se o modelo tiver dificuldades com as suas dependências. Para tradução, indique a língua de destino, se deve preservar nomes próprios e que termos têm de permanecer inalterados. A família versão 1 foi treinada para mais de 200 línguas, com otimização para um conjunto menor, por isso não assuma qualidade idêntica em todas as variantes.
O Micro suporta streaming de respostas e chamadas de ferramentas do lado do cliente. Também suporta cache de instruções no perfil de disponibilização documentado da Amazon. A cache explícita exige pelo menos 1K tokens por checkpoint e permite até quatro checkpoints com retenção de cinco minutos. O fabricante limita a cache de instruções a 20K tokens, sobretudo para instruções de texto; esse limite de cache é distinto da janela completa de contexto. Num assistente fundamentado, uma aplicação pode recuperar o texto relevante ou executar uma função pedida e enviar depois o resultado observado de volta para uma resposta final. O próprio modelo não é um motor de recuperação de informação em tempo real. Quando uma resposta depende de uma política atual ou de uma base de conhecimento privada, inclua a fonte relevante real. Um formato JSON pedido pode ser útil para classificação ou extração, mas o perfil do fabricante não indica saída estruturada imposta como funcionalidade suportada; especifique o comportamento para valores ausentes e verifique os campos devolvidos.
Outra função de primeira geração é a personalização: a Amazon documenta o ajuste fino do Micro com exemplos etiquetados e a destilação de conhecimento específico de tarefas a partir do Nova Pro ou Premier. Um derivado personalizado é um fluxo separado, e não uma capacidade que altera silenciosamente a edição base. Para o modelo habitual, avalie o artefacto concluído em relação ao briefing: os factos fornecidos devem permanecer intactos, os atributos importantes não devem desaparecer e a prosa deve corresponder ao estilo pedido. O Micro também pode gerar código, mas essas respostas geradas não incluem uma análise automática de segurança ou um resultado de execução.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites amazon/nova-micro-v1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00007 / 1K tokens Saída · Tokens de saída $0.00028 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00007 / 1K tokens Saída · Tokens de saída $0.00028 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-micro-v1', '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': 'amazon/nova-micro-v1', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra amazon/nova-micro-v1
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.