Ember-1 é o modelo especializado da Fireworks Research construído sobre Kimi K3. A sua alteração distintiva é um treino que encurta o raciocínio desnecessário, preservando a análise útil para cargas de trabalho de programação e de agentes. O produtor posiciona-o para tarefas repetidas e orientadas por ferramentas, nas quais longos registos de raciocínio se podem acumular ao longo de uma conversa. O seu perfil documentado suporta geração de texto, entrada de imagens e chamadas de funções; o resultado, seja uma resposta, código ou uma operação proposta, é apresentado em texto.
O fabricante desenvolveu Ember-1 com treino focado em tarefas, abrangendo um conjunto amplo de cargas de trabalho. Trata-se de uma diferença adquirida pelo treino do modelo, em vez de uma simples seleção de um nível inferior de esforço de raciocínio no modelo de base. Deve manter a sua própria identidade ao comparar resultados com Kimi K3: o objetivo é um percurso de raciocínio mais económico, não o pressuposto de que todas as definições, capacidades ou atualizações futuras originais são idênticas.
Para uma tarefa de software, forneça o código pertinente, a falha observada, o comportamento pretendido e os contratos que devem permanecer estáveis. Peça uma implementação focada e uma explicação ligada ao código de origem real. Uma instrução prática é: «Siga esta entrada que provoca a falha, identifique a primeira condição incorreta e devolva a função corrigida com as evidências que justificam a alteração.» Mantenha explícito o resultado final, mesmo quando a tarefa exige várias observações.
Os casos de utilização do produtor incluem assistentes de programação e agentes que alternam entre decisões do modelo e resultados de ferramentas. Forneça descrições de funções e esquemas de argumentos adequados ao trabalho. O modelo pode propor a inspeção de um ficheiro, um cálculo ou outra operação disponível; a aplicação executa-a e devolve a observação real. Utilize esse resultado na mensagem seguinte, em vez de permitir que uma ação proposta substitua a execução.
Para uma tarefa mais longa, preserve num registo conciso as observações pertinentes sobre a falha, a correção e a verificação. Peça o código concluído ou o resultado analítico separadamente da discussão intermédia. Um raciocínio mais curto só é útil se a saída continuar a cumprir o comportamento exigido pela tarefa e incluir as evidências necessárias para a rever.
O catálogo do fabricante de Ember-1 suporta a entrada de imagens. Uma tarefa visual de programação pode combinar uma captura de ecrã com requisitos e código de origem, pedindo uma explicação ou implementação fundamentada no que é visível. Identifique cada imagem e distinga o estado atual do resultado pretendido. Torne legível o texto importante e peça que a resposta identifique o pormenor visível que sustenta uma conclusão.
O produtor indica um contexto da ordem de um milhão de tokens. Este é um perfil de capacidade para material de origem, não uma promessa independente de uma resposta com esse número de tokens. O pedido, o material de origem, o histórico de ferramentas e o raciocínio gerado partilham o orçamento aplicável ao pedido. Organize um grande repositório ou conjunto de documentos em torno da pergunta efetiva e reserve espaço para o resultado.
Um resultado útil é uma correção focada, uma explicação sustentada por evidências ou uma comparação concluída segundo critérios definidos. Para um facto que dependa de informação atual, forneça uma passagem de fonte autorizada ou uma ferramenta de consulta adequada. A orientação do modelo para raciocínio mais curto não disponibiliza evidências em falta, não executa uma função nem valida código de forma independente. Confira o resultado com os requisitos e as observações devolvidas pelo fluxo de trabalho que integra o modelo.
", "aboutText": "Ember-1 é o modelo especializado da Fireworks Research construído sobre Kimi K3. A sua alteração distintiva é um treino que encurta o raciocínio desnecessário, preservando a análise útil para cargas de trabalho de programação e de agentes. O produtor posiciona-o para tarefas repetidas e orientadas por ferramentas, nas quais longos registos de raciocínio se podem acumular ao longo de uma conversa. O seu perfil documentado suporta geração de texto, entrada de imagens e chamadas de funções; o resultado, seja uma resposta, código ou uma operação proposta, é apresentado em texto.\n\n### O que o treino altera\n\nO fabricante desenvolveu Ember-1 com treino focado em tarefas, abrangendo um conjunto amplo de cargas de trabalho. Trata-se de uma diferença adquirida pelo treino do modelo, em vez de uma simples seleção de um nível inferior de esforço de raciocínio no modelo de base. Deve manter a sua própria identidade ao comparar resultados com Kimi K3: o objetivo é um percurso de raciocínio mais económico, não o pressuposto de que todas as definições, capacidades ou atualizações futuras originais são idênticas.\n\nPara uma tarefa de software, forneça o código pertinente, a falha observada, o comportamento pretendido e os contratos que devem permanecer estáveis. Peça uma implementação focada e uma explicação ligada ao código de origem real. Uma instrução prática é: «Siga esta entrada que provoca a falha, identifique a primeira condição incorreta e devolva a função corrigida com as evidências que justificam a alteração.» Mantenha explícito o resultado final, mesmo quando a tarefa exige várias observações.\n\n### Cargas de trabalho de programação e de agentes\n\nOs casos de utilização do produtor incluem assistentes de programação e agentes que alternam entre decisões do modelo e resultados de ferramentas. Forneça descrições de funções e esquemas de argumentos adequados ao trabalho. O modelo pode propor a inspeção de um ficheiro, um cálculo ou outra operação disponível; a aplicação executa-a e devolve a observação real. Utilize esse resultado na mensagem seguinte, em vez de permitir que uma ação proposta substitua a execução.\n\nPara uma tarefa mais longa, preserve num registo conciso as observações pertinentes sobre a falha, a correção e a verificação. Peça o código concluído ou o resultado analítico separadamente da discussão intermédia. Um raciocínio mais curto só é útil se a saída continuar a cumprir o comportamento exigido pela tarefa e incluir as evidências necessárias para a rever.\n\n### Imagens e material de origem extenso\n\nO catálogo do fabricante de Ember-1 suporta a entrada de imagens. Uma tarefa visual de programação pode combinar uma captura de ecrã com requisitos e código de origem, pedindo uma explicação ou implementação fundamentada no que é visível. Identifique cada imagem e distinga o estado atual do resultado pretendido. Torne legível o texto importante e peça que a resposta identifique o pormenor visível que sustenta uma conclusão.\n\nO produtor indica um contexto da ordem de um milhão de tokens. Este é um perfil de capacidade para material de origem, não uma promessa independente de uma resposta com esse número de tokens. O pedido, o material de origem, o histórico de ferramentas e o raciocínio gerado partilham o orçamento aplicável ao pedido. Organize um grande repositório ou conjunto de documentos em torno da pergunta efetiva e reserve espaço para o resultado.\n\n### Resultados passíveis de revisão\n\nUm resultado útil é uma correção focada, uma explicação sustentada por evidências ou uma comparação concluída segundo critérios definidos. Para um facto que dependa de informação atual, forneça uma passagem de fonte autorizada ou uma ferramenta de consulta adequada. A orientação do modelo para raciocínio mais curto não disponibiliza evidências em falta, não executa uma função nem valida código de forma independente. Confira o resultado com os requisitos e as observações devolvidas pelo fluxo de trabalho que integra o modelo.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.fireworks/ember-1Ember-1 é o modelo da Fireworks Research baseado em Kimi K3 e treinado para encurtar raciocínio desnecessário em tarefas de programação e de agentes. O perfil do fabricante suporta entradas de texto e imagem, geração de texto e chamadas de funções, tornando-o útil para trabalho de desenvolvimento focado e análise orientada pelas fontes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Ember-1 é o modelo especializado da Fireworks Research construído sobre Kimi K3. A sua alteração distintiva é um treino que encurta o raciocínio desnecessário, preservando a análise útil para cargas de trabalho de programação e de agentes. O produtor posiciona-o para tarefas repetidas e orientadas por ferramentas, nas quais longos registos de raciocínio se podem acumular ao longo de uma conversa. O seu perfil documentado suporta geração de texto, entrada de imagens e chamadas de funções; o resultado, seja uma resposta, código ou uma operação proposta, é apresentado em texto.
O fabricante desenvolveu Ember-1 com treino focado em tarefas, abrangendo um conjunto amplo de cargas de trabalho. Trata-se de uma diferença adquirida pelo treino do modelo, em vez de uma simples seleção de um nível inferior de esforço de raciocínio no modelo de base. Deve manter a sua própria identidade ao comparar resultados com Kimi K3: o objetivo é um percurso de raciocínio mais económico, não o pressuposto de que todas as definições, capacidades ou atualizações futuras originais são idênticas.
Para uma tarefa de software, forneça o código pertinente, a falha observada, o comportamento pretendido e os contratos que devem permanecer estáveis. Peça uma implementação focada e uma explicação ligada ao código de origem real. Uma instrução prática é: «Siga esta entrada que provoca a falha, identifique a primeira condição incorreta e devolva a função corrigida com as evidências que justificam a alteração.» Mantenha explícito o resultado final, mesmo quando a tarefa exige várias observações.
Os casos de utilização do produtor incluem assistentes de programação e agentes que alternam entre decisões do modelo e resultados de ferramentas. Forneça descrições de funções e esquemas de argumentos adequados ao trabalho. O modelo pode propor a inspeção de um ficheiro, um cálculo ou outra operação disponível; a aplicação executa-a e devolve a observação real. Utilize esse resultado na mensagem seguinte, em vez de permitir que uma ação proposta substitua a execução.
Para uma tarefa mais longa, preserve num registo conciso as observações pertinentes sobre a falha, a correção e a verificação. Peça o código concluído ou o resultado analítico separadamente da discussão intermédia. Um raciocínio mais curto só é útil se a saída continuar a cumprir o comportamento exigido pela tarefa e incluir as evidências necessárias para a rever.
O catálogo do fabricante de Ember-1 suporta a entrada de imagens. Uma tarefa visual de programação pode combinar uma captura de ecrã com requisitos e código de origem, pedindo uma explicação ou implementação fundamentada no que é visível. Identifique cada imagem e distinga o estado atual do resultado pretendido. Torne legível o texto importante e peça que a resposta identifique o pormenor visível que sustenta uma conclusão.
O produtor indica um contexto da ordem de um milhão de tokens. Este é um perfil de capacidade para material de origem, não uma promessa independente de uma resposta com esse número de tokens. O pedido, o material de origem, o histórico de ferramentas e o raciocínio gerado partilham o orçamento aplicável ao pedido. Organize um grande repositório ou conjunto de documentos em torno da pergunta efetiva e reserve espaço para o resultado.
Um resultado útil é uma correção focada, uma explicação sustentada por evidências ou uma comparação concluída segundo critérios definidos. Para um facto que dependa de informação atual, forneça uma passagem de fonte autorizada ou uma ferramenta de consulta adequada. A orientação do modelo para raciocínio mais curto não disponibiliza evidências em falta, não executa uma função nem valida código de forma independente. Confira o resultado com os requisitos e as observações devolvidas pelo fluxo de trabalho que integra o modelo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites fireworks/ember-1 | 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 $0.006 / 1K tokens Saída · Tokens de saída $0.03 / 1K tokens Entrada · Leitura da cache $0.0006 / 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 $0.006 / 1K tokens Saída · Tokens de saída $0.03 / 1K tokens Entrada · Leitura da cache $0.0006 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "fireworks/ember-1", "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='fireworks/ember-1',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='fireworks/ember-1',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 fireworks/ember-1
Use os caminhos dos métodos indicados acima.
fireworks/ember-1Ember-1 é o modelo da Fireworks Research baseado em Kimi K3 e treinado para encurtar raciocínio desnecessário em tarefas de programação e de agentes. O perfil do fabricante suporta entradas de texto e imagem, geração de texto e chamadas de funções, tornando-o útil para trabalho de desenvolvimento focado e análise orientada pelas fontes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Ember-1 é o modelo especializado da Fireworks Research construído sobre Kimi K3. A sua alteração distintiva é um treino que encurta o raciocínio desnecessário, preservando a análise útil para cargas de trabalho de programação e de agentes. O produtor posiciona-o para tarefas repetidas e orientadas por ferramentas, nas quais longos registos de raciocínio se podem acumular ao longo de uma conversa. O seu perfil documentado suporta geração de texto, entrada de imagens e chamadas de funções; o resultado, seja uma resposta, código ou uma operação proposta, é apresentado em texto.
O fabricante desenvolveu Ember-1 com treino focado em tarefas, abrangendo um conjunto amplo de cargas de trabalho. Trata-se de uma diferença adquirida pelo treino do modelo, em vez de uma simples seleção de um nível inferior de esforço de raciocínio no modelo de base. Deve manter a sua própria identidade ao comparar resultados com Kimi K3: o objetivo é um percurso de raciocínio mais económico, não o pressuposto de que todas as definições, capacidades ou atualizações futuras originais são idênticas.
Para uma tarefa de software, forneça o código pertinente, a falha observada, o comportamento pretendido e os contratos que devem permanecer estáveis. Peça uma implementação focada e uma explicação ligada ao código de origem real. Uma instrução prática é: «Siga esta entrada que provoca a falha, identifique a primeira condição incorreta e devolva a função corrigida com as evidências que justificam a alteração.» Mantenha explícito o resultado final, mesmo quando a tarefa exige várias observações.
Os casos de utilização do produtor incluem assistentes de programação e agentes que alternam entre decisões do modelo e resultados de ferramentas. Forneça descrições de funções e esquemas de argumentos adequados ao trabalho. O modelo pode propor a inspeção de um ficheiro, um cálculo ou outra operação disponível; a aplicação executa-a e devolve a observação real. Utilize esse resultado na mensagem seguinte, em vez de permitir que uma ação proposta substitua a execução.
Para uma tarefa mais longa, preserve num registo conciso as observações pertinentes sobre a falha, a correção e a verificação. Peça o código concluído ou o resultado analítico separadamente da discussão intermédia. Um raciocínio mais curto só é útil se a saída continuar a cumprir o comportamento exigido pela tarefa e incluir as evidências necessárias para a rever.
O catálogo do fabricante de Ember-1 suporta a entrada de imagens. Uma tarefa visual de programação pode combinar uma captura de ecrã com requisitos e código de origem, pedindo uma explicação ou implementação fundamentada no que é visível. Identifique cada imagem e distinga o estado atual do resultado pretendido. Torne legível o texto importante e peça que a resposta identifique o pormenor visível que sustenta uma conclusão.
O produtor indica um contexto da ordem de um milhão de tokens. Este é um perfil de capacidade para material de origem, não uma promessa independente de uma resposta com esse número de tokens. O pedido, o material de origem, o histórico de ferramentas e o raciocínio gerado partilham o orçamento aplicável ao pedido. Organize um grande repositório ou conjunto de documentos em torno da pergunta efetiva e reserve espaço para o resultado.
Um resultado útil é uma correção focada, uma explicação sustentada por evidências ou uma comparação concluída segundo critérios definidos. Para um facto que dependa de informação atual, forneça uma passagem de fonte autorizada ou uma ferramenta de consulta adequada. A orientação do modelo para raciocínio mais curto não disponibiliza evidências em falta, não executa uma função nem valida código de forma independente. Confira o resultado com os requisitos e as observações devolvidas pelo fluxo de trabalho que integra o modelo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites fireworks/ember-1 | 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 $0.006 / 1K tokens Saída · Tokens de saída $0.03 / 1K tokens Entrada · Leitura da cache $0.0006 / 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 $0.006 / 1K tokens Saída · Tokens de saída $0.03 / 1K tokens Entrada · Leitura da cache $0.0006 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "fireworks/ember-1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'fireworks/ember-1', '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': 'fireworks/ember-1', '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 fireworks/ember-1
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Fix an inclusive upper-bound error\n\nFind the bug in this Python function: def allowed(age):\n return age > 18 and age < 65\nThe rule permits ages 18 through 65 inclusive. Return the corrected function, explain the boundary error and write tests for ages 17, 18, 65 and 66. Treat the supplied rule as authoritative.A minimal corrected function, a boundary explanation and four executable test cases.Check that both endpoints are accepted and both adjacent out-of-range values are rejected.