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.
", "aboutText": "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.\n\nO 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.\n\nO 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.\n\nA 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.\n\nO 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.\n\nUma 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.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Compare two rollout proposals\n\nCompare 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.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1O 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.
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.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites amazon/nova-premier-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 $0.005 / 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 pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.005 / 1K tokens Saída · Tokens de saída $0.025 / 1K tokens Entrada · Leitura da cache $0.00125 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-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-premier-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-premier-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-premier-v1
Use os caminhos dos métodos indicados acima.
amazon/nova-premier-v1O 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.
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.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites amazon/nova-premier-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 $0.005 / 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 pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.005 / 1K tokens Saída · Tokens de saída $0.025 / 1K tokens Entrada · Leitura da cache $0.00125 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-premier-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-premier-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-premier-v1
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Compare two rollout proposals\n\nCompare 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.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.