Command R+ (08-2024) é o modelo textual grande da Cohere de agosto de 2024 para respostas complexas aumentadas por recuperação e tarefas de agente. A edição exata tem 104 mil milhões de parâmetros e um contexto de 128K, aceitando texto e produzindo texto. O perfil publicado do fabricante indica uma saída máxima de 4 000 tokens. R+ é o complemento maior de Command R e dá especial ênfase à combinação de ferramentas ao longo de várias etapas.
O modelo utiliza um transformer autorregressivo com atenção de consultas agrupadas, afinação supervisionada e treino por preferências. É treinado em 23 idiomas e avaliado em dez idiomas principais. A atualização de agosto melhora as decisões de seleção de ferramentas, o seguimento de instruções de sistema, a análise de dados estruturados e a robustez a alterações não semânticas dos prompts. Suporta também fluxos de recuperação sem citações, vários modos de segurança e a recusa de perguntas que não podem ser respondidas.
Para trabalho multilingue, especifique o idioma de saída e os nomes, códigos ou citações de fontes que devem permanecer inalterados. Uma resposta fundamentada pode explicar material noutro idioma, mantendo disponíveis os elementos para revisão. Forneça uma fonte atual para factos sensíveis ao tempo ou obtenha-a através de uma ferramenta adequada da aplicação.
O modelo RAG do fabricante aceita uma conversa e excertos de documentos recuperados, normalmente de cerca de 100–400 palavras por bloco, com chaves descritivas curtas e valores textuais ou semiestruturados. O modelo é especificamente treinado para responder a partir desses excertos e ligar trechos da resposta às fontes que os sustentam. Utilize o modelo de prompt da edição exata quando esse comportamento treinado de fundamentação for relevante.
O modo de citações preciso identifica documentos relevantes e citados, gera uma resposta e insere trechos de fundamentação. O modo rápido gera diretamente a resposta com citações, reduzindo os tokens de saída em troca de alguma precisão na fundamentação. Mantenha disponíveis os identificadores das fontes em ambos os modos. Um pedido prático de relatório pode solicitar ao modelo que compare elementos de prova face a critérios identificados e cite a passagem de suporte junto de cada conclusão.
R+ suporta tanto um modelo de chamadas de funções de uma única etapa como utilização de ferramentas em várias etapas para fluxos mais difíceis. No fluxo de uma etapa, o modelo seleciona funções e argumentos JSON, a aplicação executa-os e uma resposta posterior do modelo utiliza os resultados devolvidos. A opção documentada directly_answer permite ao modelo evitar uma operação externa desnecessária. Num agente com várias etapas, as decisões subsequentes podem combinar observações de diferentes ferramentas até a tarefa atingir o resultado especificado.
Um pedido útil para um agente define a pergunta, as operações permitidas e a entrega final. Por exemplo, um assistente de investigação pode precisar de recuperar registos de produtos relevantes, comparar os requisitos fornecidos e produzir uma recomendação sustentada em provas. Dê a cada ferramenta uma finalidade clara e associe o resultado à chamada que o produziu. Uma operação proposta em texto é distinta da execução pela aplicação.
Organize os excertos de origem em torno da pergunta real e reserve espaço para o histórico das ferramentas e a resposta. Se os elementos disponíveis forem contraditórios, peça ao modelo que explique a divergência, em vez de escolher um valor sem fundamento. Para trabalho com dados estruturados, defina os campos, as unidades e a representação da informação em falta.
O resultado final deve ser uma resposta ou um relatório passível de revisão, ligado aos elementos fornecidos e às observações reais. A dimensão e a orientação para agentes de R+ não fornecem de forma independente uma ligação de pesquisa, executam uma ação de base de dados ou validam código gerado. Essas etapas pertencem ao fluxo de trabalho envolvente, e os elementos que devolvem são o que torna uma conclusão verificável.
", "aboutText": "Command R+ (08-2024) é o modelo textual grande da Cohere de agosto de 2024 para respostas complexas aumentadas por recuperação e tarefas de agente. A edição exata tem 104 mil milhões de parâmetros e um contexto de 128K, aceitando texto e produzindo texto. O perfil publicado do fabricante indica uma saída máxima de 4 000 tokens. R+ é o complemento maior de Command R e dá especial ênfase à combinação de ferramentas ao longo de várias etapas.\n\n### Modelo e alterações da edição\n\nO modelo utiliza um transformer autorregressivo com atenção de consultas agrupadas, afinação supervisionada e treino por preferências. É treinado em 23 idiomas e avaliado em dez idiomas principais. A atualização de agosto melhora as decisões de seleção de ferramentas, o seguimento de instruções de sistema, a análise de dados estruturados e a robustez a alterações não semânticas dos prompts. Suporta também fluxos de recuperação sem citações, vários modos de segurança e a recusa de perguntas que não podem ser respondidas.\n\nPara trabalho multilingue, especifique o idioma de saída e os nomes, códigos ou citações de fontes que devem permanecer inalterados. Uma resposta fundamentada pode explicar material noutro idioma, mantendo disponíveis os elementos para revisão. Forneça uma fonte atual para factos sensíveis ao tempo ou obtenha-a através de uma ferramenta adequada da aplicação.\n\n### Respostas fundamentadas e citações\n\nO modelo RAG do fabricante aceita uma conversa e excertos de documentos recuperados, normalmente de cerca de 100–400 palavras por bloco, com chaves descritivas curtas e valores textuais ou semiestruturados. O modelo é especificamente treinado para responder a partir desses excertos e ligar trechos da resposta às fontes que os sustentam. Utilize o modelo de prompt da edição exata quando esse comportamento treinado de fundamentação for relevante.\n\nO modo de citações preciso identifica documentos relevantes e citados, gera uma resposta e insere trechos de fundamentação. O modo rápido gera diretamente a resposta com citações, reduzindo os tokens de saída em troca de alguma precisão na fundamentação. Mantenha disponíveis os identificadores das fontes em ambos os modos. Um pedido prático de relatório pode solicitar ao modelo que compare elementos de prova face a critérios identificados e cite a passagem de suporte junto de cada conclusão.\n\n### Trabalho assistido por ferramentas\n\nR+ suporta tanto um modelo de chamadas de funções de uma única etapa como utilização de ferramentas em várias etapas para fluxos mais difíceis. No fluxo de uma etapa, o modelo seleciona funções e argumentos JSON, a aplicação executa-os e uma resposta posterior do modelo utiliza os resultados devolvidos. A opção documentada directly_answer permite ao modelo evitar uma operação externa desnecessária. Num agente com várias etapas, as decisões subsequentes podem combinar observações de diferentes ferramentas até a tarefa atingir o resultado especificado.\n\nUm pedido útil para um agente define a pergunta, as operações permitidas e a entrega final. Por exemplo, um assistente de investigação pode precisar de recuperar registos de produtos relevantes, comparar os requisitos fornecidos e produzir uma recomendação sustentada em provas. Dê a cada ferramenta uma finalidade clara e associe o resultado à chamada que o produziu. Uma operação proposta em texto é distinta da execução pela aplicação.\n\n### Preparação e revisão do resultado\n\nOrganize os excertos de origem em torno da pergunta real e reserve espaço para o histórico das ferramentas e a resposta. Se os elementos disponíveis forem contraditórios, peça ao modelo que explique a divergência, em vez de escolher um valor sem fundamento. Para trabalho com dados estruturados, defina os campos, as unidades e a representação da informação em falta.\n\nO resultado final deve ser uma resposta ou um relatório passível de revisão, ligado aos elementos fornecidos e às observações reais. A dimensão e a orientação para agentes de R+ não fornecem de forma independente uma ligação de pesquisa, executam uma ação de base de dados ou validam código gerado. Essas etapas pertencem ao fluxo de trabalho envolvente, e os elementos que devolvem são o que torna uma conclusão verificável.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Answer from product evidence\n\nUse only these snippets to answer whether Team Plan supports both requested features. S1: Team Plan includes shared folders and 30-day activity history. S2: Single sign-on is available on Enterprise Plan. Request: We need shared folders and single sign-on. State what is supported, cite each source identifier and leave unsupported assumptions unresolved.A feature-by-feature answer with a source identifier beside each finding and a concise conclusion about the two requirements.Check that S1 supports shared folders and S2 does not establish single sign-on for Team Plan.cohere/command-r-plus-08-2024Command R+ (08-2024) é o modelo textual de 104B da Cohere para respostas complexas fundamentadas em documentos e utilização de ferramentas em várias etapas. Combina contexto de 128K com geração multilingue, citações de trechos de fontes e fluxos de agentes que utilizam as observações reais das ferramentas da aplicação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Command R+ (08-2024) é o modelo textual grande da Cohere de agosto de 2024 para respostas complexas aumentadas por recuperação e tarefas de agente. A edição exata tem 104 mil milhões de parâmetros e um contexto de 128K, aceitando texto e produzindo texto. O perfil publicado do fabricante indica uma saída máxima de 4 000 tokens. R+ é o complemento maior de Command R e dá especial ênfase à combinação de ferramentas ao longo de várias etapas.
O modelo utiliza um transformer autorregressivo com atenção de consultas agrupadas, afinação supervisionada e treino por preferências. É treinado em 23 idiomas e avaliado em dez idiomas principais. A atualização de agosto melhora as decisões de seleção de ferramentas, o seguimento de instruções de sistema, a análise de dados estruturados e a robustez a alterações não semânticas dos prompts. Suporta também fluxos de recuperação sem citações, vários modos de segurança e a recusa de perguntas que não podem ser respondidas.
Para trabalho multilingue, especifique o idioma de saída e os nomes, códigos ou citações de fontes que devem permanecer inalterados. Uma resposta fundamentada pode explicar material noutro idioma, mantendo disponíveis os elementos para revisão. Forneça uma fonte atual para factos sensíveis ao tempo ou obtenha-a através de uma ferramenta adequada da aplicação.
O modelo RAG do fabricante aceita uma conversa e excertos de documentos recuperados, normalmente de cerca de 100–400 palavras por bloco, com chaves descritivas curtas e valores textuais ou semiestruturados. O modelo é especificamente treinado para responder a partir desses excertos e ligar trechos da resposta às fontes que os sustentam. Utilize o modelo de prompt da edição exata quando esse comportamento treinado de fundamentação for relevante.
O modo de citações preciso identifica documentos relevantes e citados, gera uma resposta e insere trechos de fundamentação. O modo rápido gera diretamente a resposta com citações, reduzindo os tokens de saída em troca de alguma precisão na fundamentação. Mantenha disponíveis os identificadores das fontes em ambos os modos. Um pedido prático de relatório pode solicitar ao modelo que compare elementos de prova face a critérios identificados e cite a passagem de suporte junto de cada conclusão.
R+ suporta tanto um modelo de chamadas de funções de uma única etapa como utilização de ferramentas em várias etapas para fluxos mais difíceis. No fluxo de uma etapa, o modelo seleciona funções e argumentos JSON, a aplicação executa-os e uma resposta posterior do modelo utiliza os resultados devolvidos. A opção documentada directly_answer permite ao modelo evitar uma operação externa desnecessária. Num agente com várias etapas, as decisões subsequentes podem combinar observações de diferentes ferramentas até a tarefa atingir o resultado especificado.
Um pedido útil para um agente define a pergunta, as operações permitidas e a entrega final. Por exemplo, um assistente de investigação pode precisar de recuperar registos de produtos relevantes, comparar os requisitos fornecidos e produzir uma recomendação sustentada em provas. Dê a cada ferramenta uma finalidade clara e associe o resultado à chamada que o produziu. Uma operação proposta em texto é distinta da execução pela aplicação.
Organize os excertos de origem em torno da pergunta real e reserve espaço para o histórico das ferramentas e a resposta. Se os elementos disponíveis forem contraditórios, peça ao modelo que explique a divergência, em vez de escolher um valor sem fundamento. Para trabalho com dados estruturados, defina os campos, as unidades e a representação da informação em falta.
O resultado final deve ser uma resposta ou um relatório passível de revisão, ligado aos elementos fornecidos e às observações reais. A dimensão e a orientação para agentes de R+ não fornecem de forma independente uma ligação de pesquisa, executam uma ação de base de dados ou validam código gerado. Essas etapas pertencem ao fluxo de trabalho envolvente, e os elementos que devolvem são o que torna uma conclusão verificável.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites cohere/command-r-plus-08-2024 | 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 $0.02 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.005 / 1K tokens Saída · Tokens de saída $0.02 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-r-plus-08-2024", "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='cohere/command-r-plus-08-2024',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='cohere/command-r-plus-08-2024',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 cohere/command-r-plus-08-2024
Use os caminhos dos métodos indicados acima.
cohere/command-r-plus-08-2024Command R+ (08-2024) é o modelo textual de 104B da Cohere para respostas complexas fundamentadas em documentos e utilização de ferramentas em várias etapas. Combina contexto de 128K com geração multilingue, citações de trechos de fontes e fluxos de agentes que utilizam as observações reais das ferramentas da aplicação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Command R+ (08-2024) é o modelo textual grande da Cohere de agosto de 2024 para respostas complexas aumentadas por recuperação e tarefas de agente. A edição exata tem 104 mil milhões de parâmetros e um contexto de 128K, aceitando texto e produzindo texto. O perfil publicado do fabricante indica uma saída máxima de 4 000 tokens. R+ é o complemento maior de Command R e dá especial ênfase à combinação de ferramentas ao longo de várias etapas.
O modelo utiliza um transformer autorregressivo com atenção de consultas agrupadas, afinação supervisionada e treino por preferências. É treinado em 23 idiomas e avaliado em dez idiomas principais. A atualização de agosto melhora as decisões de seleção de ferramentas, o seguimento de instruções de sistema, a análise de dados estruturados e a robustez a alterações não semânticas dos prompts. Suporta também fluxos de recuperação sem citações, vários modos de segurança e a recusa de perguntas que não podem ser respondidas.
Para trabalho multilingue, especifique o idioma de saída e os nomes, códigos ou citações de fontes que devem permanecer inalterados. Uma resposta fundamentada pode explicar material noutro idioma, mantendo disponíveis os elementos para revisão. Forneça uma fonte atual para factos sensíveis ao tempo ou obtenha-a através de uma ferramenta adequada da aplicação.
O modelo RAG do fabricante aceita uma conversa e excertos de documentos recuperados, normalmente de cerca de 100–400 palavras por bloco, com chaves descritivas curtas e valores textuais ou semiestruturados. O modelo é especificamente treinado para responder a partir desses excertos e ligar trechos da resposta às fontes que os sustentam. Utilize o modelo de prompt da edição exata quando esse comportamento treinado de fundamentação for relevante.
O modo de citações preciso identifica documentos relevantes e citados, gera uma resposta e insere trechos de fundamentação. O modo rápido gera diretamente a resposta com citações, reduzindo os tokens de saída em troca de alguma precisão na fundamentação. Mantenha disponíveis os identificadores das fontes em ambos os modos. Um pedido prático de relatório pode solicitar ao modelo que compare elementos de prova face a critérios identificados e cite a passagem de suporte junto de cada conclusão.
R+ suporta tanto um modelo de chamadas de funções de uma única etapa como utilização de ferramentas em várias etapas para fluxos mais difíceis. No fluxo de uma etapa, o modelo seleciona funções e argumentos JSON, a aplicação executa-os e uma resposta posterior do modelo utiliza os resultados devolvidos. A opção documentada directly_answer permite ao modelo evitar uma operação externa desnecessária. Num agente com várias etapas, as decisões subsequentes podem combinar observações de diferentes ferramentas até a tarefa atingir o resultado especificado.
Um pedido útil para um agente define a pergunta, as operações permitidas e a entrega final. Por exemplo, um assistente de investigação pode precisar de recuperar registos de produtos relevantes, comparar os requisitos fornecidos e produzir uma recomendação sustentada em provas. Dê a cada ferramenta uma finalidade clara e associe o resultado à chamada que o produziu. Uma operação proposta em texto é distinta da execução pela aplicação.
Organize os excertos de origem em torno da pergunta real e reserve espaço para o histórico das ferramentas e a resposta. Se os elementos disponíveis forem contraditórios, peça ao modelo que explique a divergência, em vez de escolher um valor sem fundamento. Para trabalho com dados estruturados, defina os campos, as unidades e a representação da informação em falta.
O resultado final deve ser uma resposta ou um relatório passível de revisão, ligado aos elementos fornecidos e às observações reais. A dimensão e a orientação para agentes de R+ não fornecem de forma independente uma ligação de pesquisa, executam uma ação de base de dados ou validam código gerado. Essas etapas pertencem ao fluxo de trabalho envolvente, e os elementos que devolvem são o que torna uma conclusão verificável.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites cohere/command-r-plus-08-2024 | 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 $0.02 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.005 / 1K tokens Saída · Tokens de saída $0.02 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "cohere/command-r-plus-08-2024",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-r-plus-08-2024', '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': 'cohere/command-r-plus-08-2024', '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 cohere/command-r-plus-08-2024
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Answer from product evidence\n\nUse only these snippets to answer whether Team Plan supports both requested features. S1: Team Plan includes shared folders and 30-day activity history. S2: Single sign-on is available on Enterprise Plan. Request: We need shared folders and single sign-on. State what is supported, cite each source identifier and leave unsupported assumptions unresolved.A feature-by-feature answer with a source identifier beside each finding and a concise conclusion about the two requirements.Check that S1 supports shared folders and S2 does not establish single sign-on for Team Plan.