O Trinity-Large-Thinking é a versão otimizada para raciocínio da família Trinity Large da Arcee AI. Foi concebido para agentes que planeiam ao longo de várias etapas, chamam ferramentas e mantêm uma tarefa coerente numa conversa longa, preservando capacidades gerais de geração de texto. O modelo aceita texto e gera texto, incluindo raciocínio explícito e pedidos de ferramentas. O seu treino prolonga o modelo Trinity-Large-Base com ajuste por instruções e aprendizagem por reforço sobre cadeias de raciocínio, trajetórias de chamadas de ferramentas e tarefas de agentes de várias etapas.
A ficha do modelo descreve uma arquitetura esparsa de mistura de especialistas com aproximadamente 398 mil milhões de parâmetros totais e 13 mil milhões de parâmetros ativos por token. Indica 256 especialistas, um especialista partilhado, quatro especialistas ativos e uma janela de contexto de 512K após extensão de um contexto de pré-treino de 8192 tokens. Estas são propriedades do modelo do fabricante, e não uma previsão da velocidade de resposta. O checkpoint Thinking distingue-se do Trinity-Large-Preview, preparado para conversa com pós-treino ligeiro, que não fornece reasoning_content, e dos checkpoints de pré-treino Base e TrueBase.
O raciocínio explícito aparece em blocos <think>...</think> antes da resposta final. Na resposta estruturada documentada, reasoning_content guarda esse raciocínio separado de content e tool_calls. Manter o turno completo do assistente é uma parte substancial da utilização deste modelo: devolva o raciocínio juntamente com a resposta e quaisquer chamadas de ferramentas antes da etapa seguinte. O seu modelo de conversa restaura os blocos de raciocínio ao construir a entrada seguinte. Se o histórico tiver de ser reduzido, a Arcee recomenda remover turnos antigos completos, em vez de retirar o raciocínio dos turnos recentes.
O padrão de ciclo de agente do fabricante começa com a tarefa do utilizador e as definições de ferramentas, recebe raciocínio, uma resposta ou pedidos de ferramentas, executa as ferramentas pedidas fora do modelo e acrescenta o turno do assistente juntamente com os resultados reais das ferramentas antes de continuar. Isto prossegue até ser devolvida uma resposta final sem chamadas de ferramentas. Para turnos do assistente que contenham chamadas de ferramentas, mas não texto de resposta, o guia exige que content seja uma cadeia vazia, em vez de null. O campo de raciocínio também tem de corresponder à interface de disponibilização: o guia da Arcee distingue reasoning_content de integrações que esperam reasoning.
Isto torna o modelo útil para um fluxo de apoio que primeiro consulta um registo, aplica a política fornecida e pede depois a ação seguinte adequada, ou para um agente de programação que examina ficheiros, propõe uma alteração e interpreta um resultado de execução. Forneça o objetivo real, os nomes das ferramentas, os esquemas de argumentos, as restrições e uma condição de conclusão. Um briefing exemplificativo pode pedir a localização de um defeito, a explicação das evidências e a proposta de uma correção mínima, mantendo os resultados observados das ferramentas separados das ações ainda planeadas. As chamadas de ferramentas são pedidos a uma camada de execução, e não prova de que o modelo já alterou um ficheiro ou concluiu uma ação externa.
A ficha recomenda temperature 0.45–0.6, top_p 0.95 e top_k 50 para inferência. São definições recomendadas, e não limites fixos de saída. O modo de falha importante no guia do fabricante é a utilização malformada de ferramentas em várias etapas quando um turno anterior perde o raciocínio ou contém uma estrutura de mensagem inválida: a marcação de chamadas de ferramentas pode aparecer dentro do campo de raciocínio, em vez da saída estruturada de chamadas. Preserve o turno completo, mantenha o conteúdo de resposta não nulo e trate o artefacto final separadamente do histórico de raciocínio guardado. Esta edição adequa-se especialmente a fluxos em que importa a continuidade entre observações, raciocínio e ações seguintes.
", "aboutText": "O Trinity-Large-Thinking é a versão otimizada para raciocínio da família Trinity Large da Arcee AI. Foi concebido para agentes que planeiam ao longo de várias etapas, chamam ferramentas e mantêm uma tarefa coerente numa conversa longa, preservando capacidades gerais de geração de texto. O modelo aceita texto e gera texto, incluindo raciocínio explícito e pedidos de ferramentas. O seu treino prolonga o modelo Trinity-Large-Base com ajuste por instruções e aprendizagem por reforço sobre cadeias de raciocínio, trajetórias de chamadas de ferramentas e tarefas de agentes de várias etapas.\n\nA ficha do modelo descreve uma arquitetura esparsa de mistura de especialistas com aproximadamente 398 mil milhões de parâmetros totais e 13 mil milhões de parâmetros ativos por token. Indica 256 especialistas, um especialista partilhado, quatro especialistas ativos e uma janela de contexto de 512K após extensão de um contexto de pré-treino de 8192 tokens. Estas são propriedades do modelo do fabricante, e não uma previsão da velocidade de resposta. O checkpoint Thinking distingue-se do Trinity-Large-Preview, preparado para conversa com pós-treino ligeiro, que não fornece reasoning_content, e dos checkpoints de pré-treino Base e TrueBase.\n\nO raciocínio explícito aparece em blocosExemplo técnico em inglês
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingO Trinity-Large-Thinking é o modelo de raciocínio da Arcee AI para agentes de várias etapas e chamadas de ferramentas. Gera raciocínio explícito antes da resposta e exige que esse raciocínio seja preservado entre turnos de conversa e fluxos orientados por ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O Trinity-Large-Thinking é a versão otimizada para raciocínio da família Trinity Large da Arcee AI. Foi concebido para agentes que planeiam ao longo de várias etapas, chamam ferramentas e mantêm uma tarefa coerente numa conversa longa, preservando capacidades gerais de geração de texto. O modelo aceita texto e gera texto, incluindo raciocínio explícito e pedidos de ferramentas. O seu treino prolonga o modelo Trinity-Large-Base com ajuste por instruções e aprendizagem por reforço sobre cadeias de raciocínio, trajetórias de chamadas de ferramentas e tarefas de agentes de várias etapas.
A ficha do modelo descreve uma arquitetura esparsa de mistura de especialistas com aproximadamente 398 mil milhões de parâmetros totais e 13 mil milhões de parâmetros ativos por token. Indica 256 especialistas, um especialista partilhado, quatro especialistas ativos e uma janela de contexto de 512K após extensão de um contexto de pré-treino de 8192 tokens. Estas são propriedades do modelo do fabricante, e não uma previsão da velocidade de resposta. O checkpoint Thinking distingue-se do Trinity-Large-Preview, preparado para conversa com pós-treino ligeiro, que não fornece reasoning_content, e dos checkpoints de pré-treino Base e TrueBase.
O raciocínio explícito aparece em blocos <think>...</think> antes da resposta final. Na resposta estruturada documentada, reasoning_content guarda esse raciocínio separado de content e tool_calls. Manter o turno completo do assistente é uma parte substancial da utilização deste modelo: devolva o raciocínio juntamente com a resposta e quaisquer chamadas de ferramentas antes da etapa seguinte. O seu modelo de conversa restaura os blocos de raciocínio ao construir a entrada seguinte. Se o histórico tiver de ser reduzido, a Arcee recomenda remover turnos antigos completos, em vez de retirar o raciocínio dos turnos recentes.
O padrão de ciclo de agente do fabricante começa com a tarefa do utilizador e as definições de ferramentas, recebe raciocínio, uma resposta ou pedidos de ferramentas, executa as ferramentas pedidas fora do modelo e acrescenta o turno do assistente juntamente com os resultados reais das ferramentas antes de continuar. Isto prossegue até ser devolvida uma resposta final sem chamadas de ferramentas. Para turnos do assistente que contenham chamadas de ferramentas, mas não texto de resposta, o guia exige que content seja uma cadeia vazia, em vez de null. O campo de raciocínio também tem de corresponder à interface de disponibilização: o guia da Arcee distingue reasoning_content de integrações que esperam reasoning.
Isto torna o modelo útil para um fluxo de apoio que primeiro consulta um registo, aplica a política fornecida e pede depois a ação seguinte adequada, ou para um agente de programação que examina ficheiros, propõe uma alteração e interpreta um resultado de execução. Forneça o objetivo real, os nomes das ferramentas, os esquemas de argumentos, as restrições e uma condição de conclusão. Um briefing exemplificativo pode pedir a localização de um defeito, a explicação das evidências e a proposta de uma correção mínima, mantendo os resultados observados das ferramentas separados das ações ainda planeadas. As chamadas de ferramentas são pedidos a uma camada de execução, e não prova de que o modelo já alterou um ficheiro ou concluiu uma ação externa.
A ficha recomenda temperature 0.45–0.6, top_p 0.95 e top_k 50 para inferência. São definições recomendadas, e não limites fixos de saída. O modo de falha importante no guia do fabricante é a utilização malformada de ferramentas em várias etapas quando um turno anterior perde o raciocínio ou contém uma estrutura de mensagem inválida: a marcação de chamadas de ferramentas pode aparecer dentro do campo de raciocínio, em vez da saída estruturada de chamadas. Preserve o turno completo, mantenha o conteúdo de resposta não nulo e trate o artefacto final separadamente do histórico de raciocínio guardado. Esta edição adequa-se especialmente a fluxos em que importa a continuidade entre observações, raciocínio e ações seguintes.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00012 / 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 $0.0005 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00012 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "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='arcee-ai/trinity-large-thinking',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='arcee-ai/trinity-large-thinking',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 arcee-ai/trinity-large-thinking
Use os caminhos dos métodos indicados acima.
arcee-ai/trinity-large-thinkingO Trinity-Large-Thinking é o modelo de raciocínio da Arcee AI para agentes de várias etapas e chamadas de ferramentas. Gera raciocínio explícito antes da resposta e exige que esse raciocínio seja preservado entre turnos de conversa e fluxos orientados por ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O Trinity-Large-Thinking é a versão otimizada para raciocínio da família Trinity Large da Arcee AI. Foi concebido para agentes que planeiam ao longo de várias etapas, chamam ferramentas e mantêm uma tarefa coerente numa conversa longa, preservando capacidades gerais de geração de texto. O modelo aceita texto e gera texto, incluindo raciocínio explícito e pedidos de ferramentas. O seu treino prolonga o modelo Trinity-Large-Base com ajuste por instruções e aprendizagem por reforço sobre cadeias de raciocínio, trajetórias de chamadas de ferramentas e tarefas de agentes de várias etapas.
A ficha do modelo descreve uma arquitetura esparsa de mistura de especialistas com aproximadamente 398 mil milhões de parâmetros totais e 13 mil milhões de parâmetros ativos por token. Indica 256 especialistas, um especialista partilhado, quatro especialistas ativos e uma janela de contexto de 512K após extensão de um contexto de pré-treino de 8192 tokens. Estas são propriedades do modelo do fabricante, e não uma previsão da velocidade de resposta. O checkpoint Thinking distingue-se do Trinity-Large-Preview, preparado para conversa com pós-treino ligeiro, que não fornece reasoning_content, e dos checkpoints de pré-treino Base e TrueBase.
O raciocínio explícito aparece em blocos <think>...</think> antes da resposta final. Na resposta estruturada documentada, reasoning_content guarda esse raciocínio separado de content e tool_calls. Manter o turno completo do assistente é uma parte substancial da utilização deste modelo: devolva o raciocínio juntamente com a resposta e quaisquer chamadas de ferramentas antes da etapa seguinte. O seu modelo de conversa restaura os blocos de raciocínio ao construir a entrada seguinte. Se o histórico tiver de ser reduzido, a Arcee recomenda remover turnos antigos completos, em vez de retirar o raciocínio dos turnos recentes.
O padrão de ciclo de agente do fabricante começa com a tarefa do utilizador e as definições de ferramentas, recebe raciocínio, uma resposta ou pedidos de ferramentas, executa as ferramentas pedidas fora do modelo e acrescenta o turno do assistente juntamente com os resultados reais das ferramentas antes de continuar. Isto prossegue até ser devolvida uma resposta final sem chamadas de ferramentas. Para turnos do assistente que contenham chamadas de ferramentas, mas não texto de resposta, o guia exige que content seja uma cadeia vazia, em vez de null. O campo de raciocínio também tem de corresponder à interface de disponibilização: o guia da Arcee distingue reasoning_content de integrações que esperam reasoning.
Isto torna o modelo útil para um fluxo de apoio que primeiro consulta um registo, aplica a política fornecida e pede depois a ação seguinte adequada, ou para um agente de programação que examina ficheiros, propõe uma alteração e interpreta um resultado de execução. Forneça o objetivo real, os nomes das ferramentas, os esquemas de argumentos, as restrições e uma condição de conclusão. Um briefing exemplificativo pode pedir a localização de um defeito, a explicação das evidências e a proposta de uma correção mínima, mantendo os resultados observados das ferramentas separados das ações ainda planeadas. As chamadas de ferramentas são pedidos a uma camada de execução, e não prova de que o modelo já alterou um ficheiro ou concluiu uma ação externa.
A ficha recomenda temperature 0.45–0.6, top_p 0.95 e top_k 50 para inferência. São definições recomendadas, e não limites fixos de saída. O modo de falha importante no guia do fabricante é a utilização malformada de ferramentas em várias etapas quando um turno anterior perde o raciocínio ou contém uma estrutura de mensagem inválida: a marcação de chamadas de ferramentas pode aparecer dentro do campo de raciocínio, em vez da saída estruturada de chamadas. Preserve o turno completo, mantenha o conteúdo de resposta não nulo e trate o artefacto final separadamente do histórico de raciocínio guardado. Esta edição adequa-se especialmente a fluxos em que importa a continuidade entre observações, raciocínio e ações seguintes.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00012 / 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 $0.0005 / 1K tokens Saída · Tokens de saída $0.0016 / 1K tokens Entrada · Leitura da cache $0.00012 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 arcee-ai/trinity-large-thinking
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.