modelos

Amazon: Nova Premier 1.0

Markdown · JSON

Amazon: Nova Premier 1.0

O Amazon Nova Premier é o modelo Nova de primeira geração para raciocínio multimodal complexo, análise de documentos longos e agentes. Aceita texto, imagens e vídeo, devolve texto e também serve de professor para destilar modelos Nova especializados.

Sobre o modelo

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 Premier é o modelo de compreensão mais capaz da família Nova de primeira geração da Amazon, concebido para trabalho complexo que exige compreensão profunda, contexto e planeamento ao longo de várias etapas. Processa texto, imagens e vídeo e produz texto. A sua função inclui raciocinar sobre relatórios longos, comparar evidências entre documentos, compreender gráficos e material visual e coordenar tarefas de agentes. O Premier é separado dos modelos Micro, Lite e Pro mais leves e dos modelos Nova que geram imagens, vídeo ou voz conversacional.

O perfil exato do modelo do fabricante indica uma janela de contexto de 1 milhão de tokens e uma saída máxima de 25K tokens. A data-limite de conhecimento documentada é outubro de 2024. Isto torna o Premier útil quando uma tarefa precisa de um grande conjunto de material de referência juntamente com instruções e conversa. Organize esse material com nomes de documentos, marcadores de secção e uma pergunta específica, em vez de pedir uma análise sem direção de tudo. Um resultado útil pode ser uma matriz de comparação, um relatório baseado em evidências ou uma sequência proposta de ações. O orçamento de contexto abrange o material com que o modelo trabalha; não é uma promessa de que todos os pormenores apareçam na resposta final.

O fluxo multimodal documentado do Premier trata imagens PNG, JPG/JPEG, GIF e WebP e contentores de vídeo comuns, como MP4, MOV, MKV e WebM. O fluxo documental inclui PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT e Markdown. Os ficheiros orientados para texto fornecem texto; PDF e DOCX podem fornecer texto de página com informação visual. Para um relatório com gráficos, mantenha as etiquetas legíveis e peça ao modelo que descreva as observações relevantes antes de as interpretar. Se precisar apenas da prosa, fornecer texto extraído evita tornar a extração visual um pré-requisito da compreensão do documento. Os conteúdos multimédia incorporados partilham um limite de carga de 25 MB, incluindo a sobrecarga de base64. Um pedido contém um vídeo, limitado a 1 GB através de S3; os conteúdos multimédia S3 combinados podem totalizar 2 GB. As entradas PDF e DOCX continuam limitadas a cinco documentos, com um limite combinado de 25 MB para carregamento direto ou 2 GB através de S3.

A compreensão de vídeo baseia-se em fotogramas visuais amostrados. O guia de primeira geração atribui especificamente ao Premier uma taxa de amostragem de um fotograma por segundo até 3200 fotogramas, um limite diferente da estratégia de 960 fotogramas do Nova Lite e Pro. Isto é útil para resumos de cenas e perguntas sobre acontecimentos ao longo do tempo, embora ações breves entre fotogramas amostrados possam escapar à observação. Forneça um clipe ou intervalo temporal relevante e identifique os pormenores a acompanhar. Para uma sequência longa, a análise por segmentos seguida de um resumo em texto pode preservar o foco, embora a divisão possa perder contexto entre limites dos segmentos. As modalidades documentadas do modelo não incluem entrada áudio, pelo que a informação falada deve ser fornecida em texto.

O Premier suporta streaming de respostas, fluxos orientados por ferramentas e aumentados por recuperação de informação e 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. Dê a um agente a tarefa, as ferramentas permitidas e as descrições dos seus argumentos; deixe depois a aplicação executar as ações pedidas e devolver observações antes da etapa seguinte do modelo. A sua função de raciocínio não implica que possa executar um sistema externo sem essa camada de execução. A orientação de primeira geração suporta explicar uma solução em etapas através de instruções; os controlos separados low, medium e high de raciocínio alargado do Nova 2 Lite não fazem parte da interface documentada desta edição. Para um relatório ou resultado de ferramenta, peça campos explícitos e exemplos da estrutura pretendida; uma estrutura JSON pedida é distinta de saída estruturada imposta.

Uma função distintiva do Premier é ensinar modelos Nova mais pequenos através de destilação. A Amazon descreve a utilização das respostas do Premier como exemplos de treino para variantes especializadas Nova Micro, Lite e Pro, comparando depois o comportamento do modelo menor na tarefa-alvo. Trata-se de um fluxo de personalização de modelo, e não de uma alteração da identidade de uma resposta normal do Premier. Na utilização habitual, forneça os factos fidedignos e exija que a resposta separe observações, suposições e evidências em falta. O Nova pode gerar afirmações plausíveis que contradizem uma fonte e o código gerado não inclui análise automática de segurança, pelo que o artefacto útil deve conter evidências e pormenores suficientes para ser verificado em relação às entradas. O fabricante também afirma que este modelo não identifica nem nomeia pessoas em imagens, documentos ou vídeos.

Tarefa prática

Tarefa prática

Exemplo técnico em inglês

Compare two rollout proposals

Compare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.

Resultado esperado

A short recommendation, a two-plan comparison table and one explicitly unanswered question.

Verificar o resultado

Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions amazon/nova-premier-v1

amazon/nova-premier-v1

Amazon /amazon/nova-premier-v1

Introdução

O Amazon Nova Premier é o modelo Nova de primeira geração para raciocínio multimodal complexo, análise de documentos longos e agentes. Aceita texto, imagens e vídeo, devolve texto e também serve de professor para destilar modelos Nova especializados.

Entradas aceites
Texto
Resultados
Texto

Disponível no Ailoot · entradas e métodos

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Entrada
text
Saída
text
Formato de saída
json ou SSE
CampoTipoRequisitoValores e limitesPredefinição
CampomodelTipostringRequisitoObrigatórioValores e limites
amazon/nova-premier-v1
Predefinição—
CampomessagesTipomessage[]RequisitoObrigatórioValores e limites
Número mínimo de elementos: 1
Predefinição—
Campomessages[].roleTipostringRequisitoObrigatórioValores 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[].contentTipostring|content_part[]|nullRequisitoOpcionalValores e limitesPredefinição—
Campomessages[].tool_callsTipotool_call[]RequisitoOpcionalValores e limitesPredefinição—
Campomessages[].tool_call_idTipostringRequisitoOpcionalValores e limites
Aplica-se quando: role=tool; use o ID realmente devolvido
Predefinição—
Campomessages[].nameTipostringRequisitoOpcionalValores e limitesPredefinição—
Campomessages[].reasoning_contentTipostringRequisitoOpcionalValores e limites
Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza
Predefinição—
Campomessages[].reasoning_detailsTipoobject|arrayRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Campomax_tokensTipointegerRequisitoOpcionalValores e limites
Mínimo: 1
Depende do modelo
Predefinição—
Campomax_completion_tokensTipointegerRequisitoOpcionalValores e limites
Mínimo: 1
Depende do modelo
Predefinição—
CampostreamTipobooleanRequisitoOpcionalValores e limitesPredefiniçãofalse
Campostream_options.include_usageTipobooleanRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
CampotemperatureTiponumberRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Campotop_pTiponumberRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
CampostopTipostring|string[]RequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
CampotoolsTipofunction_tool[]RequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Campotools[].typeTipostringRequisitoOpcionalValores e limites
function
Depende do modelo
Predefinição—
Campotools[].function.nameTipostringRequisitoObrigatórioValores e limites
Aplica-se quando: Função fornecida como ferramenta
Predefinição—
Campotools[].function.descriptionTipostringRequisitoOpcionalValores e limitesPredefinição—
Campotools[].function.parametersTipoJSON_schemaRequisitoOpcionalValores e limitesPredefinição—
Campotool_choiceTipostring|objectRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Campoparallel_tool_callsTipobooleanRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Camporesponse_formatTipoobjectRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Camporeasoning_effortTipostringRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
CamporeasoningTipoobjectRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Camposervice_tierTipostringRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
CampoinstructionsTipostringRequisitoOpcionalValores e limites
Campo de compatibilidade
Predefinição—
CampofunctionsTipofunction[]RequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Campofunction_callTipostring|objectRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
Campoprompt_cache_optionsTipoobjectRequisitoOpcionalValores e limites
Depende do modelo
Predefinição—
CampomodalitiesTipostring[]RequisitoOpcionalValores e limites
text
Predefinição—
CampoproviderTipoobjectRequisitoOpcionalValores e limites
Condições: provider.options é rejeitado nesta rota textual Ultra
Predefinição—
Campocache_control.ttlTipostringRequisitoOpcionalValores e limites
Condições: 1h é rejeitado nos locais efetivos da cache de prompts
Predefinição—
Combinações de materiais de entrada

Texto · Texto UTF8

messages[].content

Parâmetros e ciclo de vida do método
ParâmetroContrato
Parâmetrocontent_typeContratoapplication/json
ParâmetrorequiredContratomodel, messages
Parâmetromaterial_typesContratotext
ParâmetromessagesContratoLista de mensagens com estrutura role/content
Parâmetrofile_materialContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido
Parâmetrooptional_controlsContratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parâmetrocontrol_scopeContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas
Parâmetrooutput_modalitiesContratotext
Parâmetrohosted_operationsContratofalse
Parâmetromultimodal_input_bindingContratonull

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.

Tarifários

As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.

Modo rápido
Tarifa normal Quando o modo rápido está selecionado
Modo flex
Tarifa normal Quando o modo flex está selecionado
Esforço máximo de raciocínio
Tarifa normal Quando o esforço máximo de raciocínio usa o ajuste predefinido (default)

Tarifas Ailoot

Preços por configuração

Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.

ConfiguraçãoTabela de tarifasTokens de contexto, mais deTokens de contexto, até ao limite inclusiveCusto
ConfiguraçãoTarifas base dos tokensTabela de tarifasTarifa baseTokens de contexto, mais de—Tokens de contexto, até ao limite inclusiveSem limite superiorCusto
Entrada · Tokens de entrada $0.005 / 1K tokens
Saída · Tokens de saída $0.025 / 1K tokens
Entrada · Leitura da cache $0.00125 / 1K tokens
Entrada · Escrita na cache — / 1K tokens
Entrada · Escrita na cache, 1 hora — / 1K tokens
ConfiguraçãoEscalão 1 por comprimento do pedidoTabela de tarifas—Tokens de contexto, mais de0Tokens de contexto, até ao limite inclusiveSem limite superiorCusto
Entrada · Tokens de entrada $0.005 / 1K tokens
Saída · Tokens de saída $0.025 / 1K tokens
Entrada · Leitura da cache $0.00125 / 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 →

Exemplos de pedidos

Ailoot Ultra · OpenAI Chat

curlPython SDKStreaming em Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Receber e guardar os resultados

Ailoot Ultra · OpenAI Chat

json ou SSE

Guardar todos os resultados concluídos

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.

Se for necessário verificar a resposta original

Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.

Campos da resposta
CampoTipo
Campochoices[].indexTipointeger
Campochoices[].message.contentTipostring|null
Campochoices[].message.tool_callsTipotool_call[]
Campochoices[].message.reasoning_contentTipostring
Campochoices[].message.reasoning_detailsTipoobject|array
Campochoices[].finish_reasonTipostring|null
CampousageTipoobject
Erros e passos seguintes
RespostaCondiçãoPasso seguinte
Resposta400 · invalid_request_errorCondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidosPasso seguinteCorrija os campos indicados antes de um novo pedido de criação.

Aliases

Aliases do modelo

Ailoot Ultra amazon/nova-premier-v1

Aliases dos caminhos dos métodos

Use os caminhos dos métodos indicados acima.

IDs de chamada relacionados

amazon/nova-premier-v1

Ailoot Ultra · Anthropic Messages POST /v1/messages amazon/nova-premier-v1

amazon/nova-premier-v1

Amazon /amazon/nova-premier-v1

Introdução

O Amazon Nova Premier é o modelo Nova de primeira geração para raciocínio multimodal complexo, análise de documentos longos e agentes. Aceita texto, imagens e vídeo, devolve texto e também serve de professor para destilar modelos Nova especializados.

Entradas aceites
Texto
Resultados
json · sse

Disponível no Ailoot · entradas e métodos

Ailoot Ultra · Anthropic Messages POST /v1/messages
Entrada
text
Saída
json, sse
Formato de saída
JSON ou SSE
CampoTipoRequisitoValores e limitesPredefinição
CampomodelTipostringRequisitoObrigatórioValores e limites
amazon/nova-premier-v1
Predefinição—
CampomessagesTipomessage[]RequisitoObrigatórioValores e limitesPredefinição—
Campomessages[].roleTipostringRequisitoObrigatórioValores e limites
user, assistant
Predefinição—
Campomessages[].contentTipostringRequisitoObrigatórioValores e limitesPredefinição—
Campomax_tokensTipointegerRequisitoObrigatórioValores e limitesPredefinição—
CampostreamTipobooleanRequisitoOpcionalValores e limitesPredefiniçãofalse
Combinações de materiais de entrada

Texto · Texto UTF-8

Cadeia de caracteres messages[].content

Parâmetros e ciclo de vida do método
ParâmetroContrato
Parâmetrocontent_typeContratoapplication/json
ParâmetrorequiredContratomodel, messages, max_tokens
Parâmetrooptional_controlsContratostream
Parâmetromaterial_typesContratotext
Parâmetrotext_file_materialContratoLeia 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

Tarifários

As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.

Modo rápido
Tarifa normal Quando o modo rápido está selecionado
Modo flex
Tarifa normal Quando o modo flex está selecionado
Esforço máximo de raciocínio
Tarifa normal Quando o esforço máximo de raciocínio usa o ajuste predefinido (default)

Tarifas Ailoot

Preços por configuração

Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.

ConfiguraçãoTabela de tarifasTokens de contexto, mais deTokens de contexto, até ao limite inclusiveCusto
ConfiguraçãoTarifas base dos tokensTabela de tarifasTarifa baseTokens de contexto, mais de—Tokens de contexto, até ao limite inclusiveSem limite superiorCusto
Entrada · Tokens de entrada $0.005 / 1K tokens
Saída · Tokens de saída $0.025 / 1K tokens
Entrada · Leitura da cache $0.00125 / 1K tokens
Entrada · Escrita na cache — / 1K tokens
Entrada · Escrita na cache, 1 hora — / 1K tokens
ConfiguraçãoEscalão 1 por comprimento do pedidoTabela de tarifas—Tokens de contexto, mais de0Tokens de contexto, até ao limite inclusiveSem limite superiorCusto
Entrada · Tokens de entrada $0.005 / 1K tokens
Saída · Tokens de saída $0.025 / 1K tokens
Entrada · Leitura da cache $0.00125 / 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 →

Exemplos de pedidos

Ailoot Ultra · Anthropic Messages

Corpo JSON mínimo completocurl · use o seu documento UTF-8Python · guarde o resultado completo
{
  "model": "amazon/nova-premier-v1",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Receber e guardar os resultados

Ailoot Ultra · Anthropic Messages

JSON ou SSE

Guardar todos os resultados concluídos

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.

Se for necessário verificar a resposta original

Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.

Campos da resposta
CampoTipo
CampoidTipostring
CampomodelTipostring
Campocontent[]Tipotext|thinking|tool_use|other content block
Campostop_reasonTipostring|null
CampousageTipoobject
Erros e passos seguintes
RespostaCondiçãoPasso seguinte
Resposta400 · invalid_request_errorCondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidosPasso seguinteCorrija os campos indicados antes de um novo pedido de criação.

Aliases

Aliases do modelo

Ailoot Ultra amazon/nova-premier-v1

Aliases dos caminhos dos métodos

Use os caminhos dos métodos indicados acima.

IDs de chamada relacionados

amazon/nova-premier-v1

FAQ · Amazon: Nova Premier 1.0
Que entradas e resultados estão disponíveis?

POST /v1/chat/completions · amazon/nova-premier-v1: text → text

POST /v1/messages · amazon/nova-premier-v1: text → json, sse

Que campos utiliza o pedido?

POST /v1/chat/completions · amazon/nova-premier-v1: model, messages, stream, modalities, provider

POST /v1/messages · amazon/nova-premier-v1: model, messages, max_tokens, stream

Que limites se aplicam?

POST /v1/chat/completions · amazon/nova-premier-v1: messages.min_items: 1

Mais detalhes

Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação.

A empresa e a sua carteira de projetos

A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões.

Compre tokens com desconto.

Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens.

Subscrição
Escolha um plano com desconto para os pedidos regulares.
Código promocional até 50%
Introduza o código na compra. O preço é recalculado conforme a campanha em vigor.
Custos no histórico
O modelo, os tokens e o montante são guardados para cada pedido.

Escolher subscrição · Ver preços dos modelos

Ligue a API ao produto que vende.

SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor.

Aplicação comercial
Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço.
Licença de revendedor
Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda.
Documentos no site
A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação.

Pedir licença de revendedor · Oferta e contrato de licença