Amazon Nova Premier — наиболее мощная модель понимания в первом поколении семейства Nova от Amazon, предназначенная для сложной работы, требующей глубокого понимания, контекста и планирования нескольких шагов. Она обрабатывает текст, изображения и видео и выдаёт текст. Её задачи включают рассуждения по длинным отчётам, сравнение доказательств из разных документов, понимание графиков и визуальных материалов, координацию агентных задач. Premier отличается от более лёгких моделей Micro, Lite и Pro и от моделей Nova, генерирующих изображения, видео или разговорную речь.
Точный профиль модели поставщика указывает окно контекста 1 миллион токенов и максимальный вывод 25K токенов. Документированная граница знаний — октябрь 2024 года. Это делает Premier полезной, когда задаче нужен большой объём справочных материалов вместе с инструкциями и диалогом. Организуйте материалы по именам документов и маркерам разделов и задайте конкретный вопрос вместо ненаправленного анализа всего. Полезным результатом могут быть матрица сравнения, отчёт на основе доказательств или предложенная последовательность действий. Бюджет контекста охватывает материалы, с которыми работает модель; он не обещает, что каждая деталь появится в итоговом ответе.
Документированный мультимодальный процесс Premier обрабатывает изображения PNG, JPG/JPEG, GIF и WebP и распространённые видеоконтейнеры, такие как MP4, MOV, MKV и WebM. Работа с документами включает PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT и Markdown. Текстовые файлы передают текст; PDF и DOCX могут передавать текст страницы вместе с визуальной информацией. Для отчёта с графиками сохраняйте читаемость подписей и попросите модель описать соответствующие наблюдения перед их интерпретацией. Если нужна только проза, передача извлечённого текста избавляет от необходимости визуального извлечения для понимания документа. Встроенные медиаданные делят бюджет полезной нагрузки 25 MB, включая накладные расходы base64. Запрос содержит одно видео с ограничением 1 GB через S3; общий объём медиаданных S3 может составлять 2 GB. Для PDF и DOCX сохраняется ограничение в пять документов с общим объёмом 25 MB при прямой загрузке или 2 GB через S3.
Понимание видео основано на выборке визуальных кадров. Руководство первого поколения отдельно задаёт Premier частоту один кадр в секунду с максимумом 3,200 кадров, что отличается от стратегии 960 кадров у Nova Lite и Pro. Это полезно для обзоров сцен и вопросов о событиях во времени, но короткие действия между выбранными кадрами могут остаться незамеченными. Передайте нужный клип или временной диапазон и укажите детали для отслеживания. Для длинной последовательности анализ по сегментам с последующим текстовым обзором может сохранить фокус, хотя разбиение способно потерять контекст на границах сегментов. Документированные модальности модели не включают аудиовход, поэтому речевую информацию следует передавать текстом.
Premier поддерживает потоковую выдачу ответов, процессы с инструментами и дополнением извлечёнными данными, а также кэширование запросов в документированном профиле обслуживания Amazon. Явному кэшированию требуется не менее 1K токенов на контрольную точку; допускаются до четырёх точек со сроком хранения пять минут. Поставщик ограничивает кэширование запросов 20K токенами, преимущественно для текстовых запросов; этот объём кэша отличается от полного окна контекста. Дайте агенту задачу, разрешённые инструменты и описания их аргументов, затем позвольте приложению выполнить запрошенные действия и вернуть наблюдения перед следующим шагом модели. Роль в рассуждениях не означает, что модель может управлять внешней системой без слоя выполнения. Рекомендации первого поколения поддерживают поэтапное объяснение решения через запрос; отдельные настройки расширенных рассуждений low, medium и high у Nova 2 Lite не входят в документированный интерфейс этой версии. Для отчёта или результата инструмента запросите явные поля и примеры нужной структуры; запрошенная форма JSON отличается от принудительного структурированного вывода.
Особая роль Premier — обучение меньших моделей Nova через дистилляцию. Amazon описывает использование ответов Premier как обучающих примеров для специализированных вариантов Nova Micro, Lite и Pro с последующим сравнением поведения меньшей модели на целевой задаче. Это процесс адаптации модели, а не изменение идентичности обычного ответа Premier. При обычном использовании передавайте авторитетные факты и требуйте, чтобы ответ разделял наблюдения, предположения и недостающие доказательства. Nova может создавать правдоподобные утверждения, противоречащие источнику; сгенерированный код не проходит автоматического сканирования безопасности, поэтому полезный артефакт должен содержать достаточно доказательств и деталей для сверки с входными материалами. Поставщик также указывает, что эта модель не идентифицирует людей и не называет их имена в изображениях, документах или видео.
", "aboutText": "Amazon Nova Premier — наиболее мощная модель понимания в первом поколении семейства Nova от Amazon, предназначенная для сложной работы, требующей глубокого понимания, контекста и планирования нескольких шагов. Она обрабатывает текст, изображения и видео и выдаёт текст. Её задачи включают рассуждения по длинным отчётам, сравнение доказательств из разных документов, понимание графиков и визуальных материалов, координацию агентных задач. Premier отличается от более лёгких моделей Micro, Lite и Pro и от моделей Nova, генерирующих изображения, видео или разговорную речь.\n\nТочный профиль модели поставщика указывает окно контекста 1 миллион токенов и максимальный вывод 25K токенов. Документированная граница знаний — октябрь 2024 года. Это делает Premier полезной, когда задаче нужен большой объём справочных материалов вместе с инструкциями и диалогом. Организуйте материалы по именам документов и маркерам разделов и задайте конкретный вопрос вместо ненаправленного анализа всего. Полезным результатом могут быть матрица сравнения, отчёт на основе доказательств или предложенная последовательность действий. Бюджет контекста охватывает материалы, с которыми работает модель; он не обещает, что каждая деталь появится в итоговом ответе.\n\nДокументированный мультимодальный процесс Premier обрабатывает изображения PNG, JPG/JPEG, GIF и WebP и распространённые видеоконтейнеры, такие как MP4, MOV, MKV и WebM. Работа с документами включает PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT и Markdown. Текстовые файлы передают текст; PDF и DOCX могут передавать текст страницы вместе с визуальной информацией. Для отчёта с графиками сохраняйте читаемость подписей и попросите модель описать соответствующие наблюдения перед их интерпретацией. Если нужна только проза, передача извлечённого текста избавляет от необходимости визуального извлечения для понимания документа. Встроенные медиаданные делят бюджет полезной нагрузки 25 MB, включая накладные расходы base64. Запрос содержит одно видео с ограничением 1 GB через S3; общий объём медиаданных S3 может составлять 2 GB. Для PDF и DOCX сохраняется ограничение в пять документов с общим объёмом 25 MB при прямой загрузке или 2 GB через S3.\n\nПонимание видео основано на выборке визуальных кадров. Руководство первого поколения отдельно задаёт Premier частоту один кадр в секунду с максимумом 3,200 кадров, что отличается от стратегии 960 кадров у Nova Lite и Pro. Это полезно для обзоров сцен и вопросов о событиях во времени, но короткие действия между выбранными кадрами могут остаться незамеченными. Передайте нужный клип или временной диапазон и укажите детали для отслеживания. Для длинной последовательности анализ по сегментам с последующим текстовым обзором может сохранить фокус, хотя разбиение способно потерять контекст на границах сегментов. Документированные модальности модели не включают аудиовход, поэтому речевую информацию следует передавать текстом.\n\nPremier поддерживает потоковую выдачу ответов, процессы с инструментами и дополнением извлечёнными данными, а также кэширование запросов в документированном профиле обслуживания Amazon. Явному кэшированию требуется не менее 1K токенов на контрольную точку; допускаются до четырёх точек со сроком хранения пять минут. Поставщик ограничивает кэширование запросов 20K токенами, преимущественно для текстовых запросов; этот объём кэша отличается от полного окна контекста. Дайте агенту задачу, разрешённые инструменты и описания их аргументов, затем позвольте приложению выполнить запрошенные действия и вернуть наблюдения перед следующим шагом модели. Роль в рассуждениях не означает, что модель может управлять внешней системой без слоя выполнения. Рекомендации первого поколения поддерживают поэтапное объяснение решения через запрос; отдельные настройки расширенных рассуждений low, medium и high у Nova 2 Lite не входят в документированный интерфейс этой версии. Для отчёта или результата инструмента запросите явные поля и примеры нужной структуры; запрошенная форма JSON отличается от принудительного структурированного вывода.\n\nОсобая роль Premier — обучение меньших моделей Nova через дистилляцию. Amazon описывает использование ответов Premier как обучающих примеров для специализированных вариантов Nova Micro, Lite и Pro с последующим сравнением поведения меньшей модели на целевой задаче. Это процесс адаптации модели, а не изменение идентичности обычного ответа Premier. При обычном использовании передавайте авторитетные факты и требуйте, чтобы ответ разделял наблюдения, предположения и недостающие доказательства. Nova может создавать правдоподобные утверждения, противоречащие источнику; сгенерированный код не проходит автоматического сканирования безопасности, поэтому полезный артефакт должен содержать достаточно доказательств и деталей для сверки с входными материалами. Поставщик также указывает, что эта модель не идентифицирует людей и не называет их имена в изображениях, документах или видео.", "editorialOverlay": { "copy_fields": { "practical_html": "Технический пример на английском
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.amazon/nova-premier-v1Amazon Nova Premier — модель первого поколения Nova для сложных мультимодальных рассуждений, анализа длинных документов и агентов. Она принимает текст, изображения и видео, возвращает текст и также служит учителем для дистилляции специализированных моделей Nova.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Amazon Nova Premier — наиболее мощная модель понимания в первом поколении семейства Nova от Amazon, предназначенная для сложной работы, требующей глубокого понимания, контекста и планирования нескольких шагов. Она обрабатывает текст, изображения и видео и выдаёт текст. Её задачи включают рассуждения по длинным отчётам, сравнение доказательств из разных документов, понимание графиков и визуальных материалов, координацию агентных задач. Premier отличается от более лёгких моделей Micro, Lite и Pro и от моделей Nova, генерирующих изображения, видео или разговорную речь.
Точный профиль модели поставщика указывает окно контекста 1 миллион токенов и максимальный вывод 25K токенов. Документированная граница знаний — октябрь 2024 года. Это делает Premier полезной, когда задаче нужен большой объём справочных материалов вместе с инструкциями и диалогом. Организуйте материалы по именам документов и маркерам разделов и задайте конкретный вопрос вместо ненаправленного анализа всего. Полезным результатом могут быть матрица сравнения, отчёт на основе доказательств или предложенная последовательность действий. Бюджет контекста охватывает материалы, с которыми работает модель; он не обещает, что каждая деталь появится в итоговом ответе.
Документированный мультимодальный процесс Premier обрабатывает изображения PNG, JPG/JPEG, GIF и WebP и распространённые видеоконтейнеры, такие как MP4, MOV, MKV и WebM. Работа с документами включает PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT и Markdown. Текстовые файлы передают текст; PDF и DOCX могут передавать текст страницы вместе с визуальной информацией. Для отчёта с графиками сохраняйте читаемость подписей и попросите модель описать соответствующие наблюдения перед их интерпретацией. Если нужна только проза, передача извлечённого текста избавляет от необходимости визуального извлечения для понимания документа. Встроенные медиаданные делят бюджет полезной нагрузки 25 MB, включая накладные расходы base64. Запрос содержит одно видео с ограничением 1 GB через S3; общий объём медиаданных S3 может составлять 2 GB. Для PDF и DOCX сохраняется ограничение в пять документов с общим объёмом 25 MB при прямой загрузке или 2 GB через S3.
Понимание видео основано на выборке визуальных кадров. Руководство первого поколения отдельно задаёт Premier частоту один кадр в секунду с максимумом 3,200 кадров, что отличается от стратегии 960 кадров у Nova Lite и Pro. Это полезно для обзоров сцен и вопросов о событиях во времени, но короткие действия между выбранными кадрами могут остаться незамеченными. Передайте нужный клип или временной диапазон и укажите детали для отслеживания. Для длинной последовательности анализ по сегментам с последующим текстовым обзором может сохранить фокус, хотя разбиение способно потерять контекст на границах сегментов. Документированные модальности модели не включают аудиовход, поэтому речевую информацию следует передавать текстом.
Premier поддерживает потоковую выдачу ответов, процессы с инструментами и дополнением извлечёнными данными, а также кэширование запросов в документированном профиле обслуживания Amazon. Явному кэшированию требуется не менее 1K токенов на контрольную точку; допускаются до четырёх точек со сроком хранения пять минут. Поставщик ограничивает кэширование запросов 20K токенами, преимущественно для текстовых запросов; этот объём кэша отличается от полного окна контекста. Дайте агенту задачу, разрешённые инструменты и описания их аргументов, затем позвольте приложению выполнить запрошенные действия и вернуть наблюдения перед следующим шагом модели. Роль в рассуждениях не означает, что модель может управлять внешней системой без слоя выполнения. Рекомендации первого поколения поддерживают поэтапное объяснение решения через запрос; отдельные настройки расширенных рассуждений low, medium и high у Nova 2 Lite не входят в документированный интерфейс этой версии. Для отчёта или результата инструмента запросите явные поля и примеры нужной структуры; запрошенная форма JSON отличается от принудительного структурированного вывода.
Особая роль Premier — обучение меньших моделей Nova через дистилляцию. Amazon описывает использование ответов Premier как обучающих примеров для специализированных вариантов Nova Micro, Lite и Pro с последующим сравнением поведения меньшей модели на целевой задаче. Это процесс адаптации модели, а не изменение идентичности обычного ответа Premier. При обычном использовании передавайте авторитетные факты и требуйте, чтобы ответ разделял наблюдения, предположения и недостающие доказательства. Nova может создавать правдоподобные утверждения, противоречащие источнику; сгенерированный код не проходит автоматического сканирования безопасности, поэтому полезный артефакт должен содержать достаточно доказательств и деталей для сверки с входными материалами. Поставщик также указывает, что эта модель не идентифицирует людей и не называет их имена в изображениях, документах или видео.
POST /v1/chat/completionstexttext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения amazon/nova-premier-v1 | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения Примеры: system, user, assistant, tool, function Условия: Эти роли явно представлены типами совместимости исходного кода; точный набор ролей зависит от модели. Зависит от модели | По умолчанию— |
Полеmessages[].content | Типstring|content_part[]|null | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_calls | Типtool_call[] | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_call_id | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: role=tool; используйте фактически возвращённый ID | По умолчанию— |
Полеmessages[].name | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].reasoning_content | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: Передавайте обратно фактически возвращённые рассуждения, если эта модель их использует | По умолчанию— |
Полеmessages[].reasoning_details | Типobject|array | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеmax_completion_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Полеstream_options.include_usage | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtemperature | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtop_p | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеstop | Типstring|string[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools | Типfunction_tool[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools[].type | Типstring | ТребованиеНеобязательно | Значения и ограничения function Зависит от модели | По умолчанию— |
Полеtools[].function.name | Типstring | ТребованиеОбязательно | Значения и ограничения Применяется, когда: передан инструмент-функция | По умолчанию— |
Полеtools[].function.description | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtools[].function.parameters | ТипJSON_schema | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtool_choice | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеparallel_tool_calls | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеresponse_format | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning_effort | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеservice_tier | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеinstructions | Типstring | ТребованиеНеобязательно | Значения и ограничения Поле совместимости | По умолчанию— |
Полеfunctions | Типfunction[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеfunction_call | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеprompt_cache_options | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmodalities | Типstring[] | ТребованиеНеобязательно | Значения и ограничения text | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется на этом текстовом маршруте Ultra | По умолчанию— |
Полеcache_control.ttl | Типstring | ТребованиеНеобязательно | Значения и ограничения Условия: 1h отклоняется в фактических местах настройки кэша запросов | По умолчанию— |
Текст · Текст UTF8
messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages |
Параметрmaterial_types | Контрактtext |
Параметрmessages | Контрактмассив сообщений со структурой role/content |
Параметрfile_material | Контрактфактический документ UTF-8 вставляется как буквальный текст; ID файла не выводится из него |
Параметрoptional_controls | Контрактstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Параметрcontrol_scope | Контрактзависит от модели; пользовательские инструменты-функции отличаются от инструментов, выполняемых на стороне сервиса |
Параметрoutput_modalities | Контрактtext |
Параметрhosted_operations | Контрактfalse |
Параметрmultimodal_input_binding | Контрактnull |
Жизненный цикл: synchronous_or_streamed
Отправляйте точный ID модели вместе с messages.
Длина контекста не является пределом выхода.
Текстовый файл может передавать буквальный текст; входные изображения, аудио и файловые объекты требуют точной привязки.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.005 / 1K токенов Выход · Выходные токены $0.025 / 1K токенов Вход · Чтение кэша $0.00125 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.005 / 1K токенов Выход · Выходные токены $0.025 / 1K токенов Вход · Чтение кэша $0.00125 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-premier-v1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='amazon/nova-premier-v1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вариант ответа с его содержимым, вызовами инструментов и рассуждениями. В SSE собирайте изменения по индексам варианта и инструмента, сохраняйте итоговую причину завершения и данные использования.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеchoices[].index | Типinteger |
Полеchoices[].message.content | Типstring|null |
Полеchoices[].message.tool_calls | Типtool_call[] |
Полеchoices[].message.reasoning_content | Типstring |
Полеchoices[].message.reasoning_details | Типobject|array |
Полеchoices[].finish_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra amazon/nova-premier-v1
Используйте пути методов, указанные выше.
amazon/nova-premier-v1Amazon Nova Premier — модель первого поколения Nova для сложных мультимодальных рассуждений, анализа длинных документов и агентов. Она принимает текст, изображения и видео, возвращает текст и также служит учителем для дистилляции специализированных моделей Nova.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Amazon Nova Premier — наиболее мощная модель понимания в первом поколении семейства Nova от Amazon, предназначенная для сложной работы, требующей глубокого понимания, контекста и планирования нескольких шагов. Она обрабатывает текст, изображения и видео и выдаёт текст. Её задачи включают рассуждения по длинным отчётам, сравнение доказательств из разных документов, понимание графиков и визуальных материалов, координацию агентных задач. Premier отличается от более лёгких моделей Micro, Lite и Pro и от моделей Nova, генерирующих изображения, видео или разговорную речь.
Точный профиль модели поставщика указывает окно контекста 1 миллион токенов и максимальный вывод 25K токенов. Документированная граница знаний — октябрь 2024 года. Это делает Premier полезной, когда задаче нужен большой объём справочных материалов вместе с инструкциями и диалогом. Организуйте материалы по именам документов и маркерам разделов и задайте конкретный вопрос вместо ненаправленного анализа всего. Полезным результатом могут быть матрица сравнения, отчёт на основе доказательств или предложенная последовательность действий. Бюджет контекста охватывает материалы, с которыми работает модель; он не обещает, что каждая деталь появится в итоговом ответе.
Документированный мультимодальный процесс Premier обрабатывает изображения PNG, JPG/JPEG, GIF и WebP и распространённые видеоконтейнеры, такие как MP4, MOV, MKV и WebM. Работа с документами включает PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT и Markdown. Текстовые файлы передают текст; PDF и DOCX могут передавать текст страницы вместе с визуальной информацией. Для отчёта с графиками сохраняйте читаемость подписей и попросите модель описать соответствующие наблюдения перед их интерпретацией. Если нужна только проза, передача извлечённого текста избавляет от необходимости визуального извлечения для понимания документа. Встроенные медиаданные делят бюджет полезной нагрузки 25 MB, включая накладные расходы base64. Запрос содержит одно видео с ограничением 1 GB через S3; общий объём медиаданных S3 может составлять 2 GB. Для PDF и DOCX сохраняется ограничение в пять документов с общим объёмом 25 MB при прямой загрузке или 2 GB через S3.
Понимание видео основано на выборке визуальных кадров. Руководство первого поколения отдельно задаёт Premier частоту один кадр в секунду с максимумом 3,200 кадров, что отличается от стратегии 960 кадров у Nova Lite и Pro. Это полезно для обзоров сцен и вопросов о событиях во времени, но короткие действия между выбранными кадрами могут остаться незамеченными. Передайте нужный клип или временной диапазон и укажите детали для отслеживания. Для длинной последовательности анализ по сегментам с последующим текстовым обзором может сохранить фокус, хотя разбиение способно потерять контекст на границах сегментов. Документированные модальности модели не включают аудиовход, поэтому речевую информацию следует передавать текстом.
Premier поддерживает потоковую выдачу ответов, процессы с инструментами и дополнением извлечёнными данными, а также кэширование запросов в документированном профиле обслуживания Amazon. Явному кэшированию требуется не менее 1K токенов на контрольную точку; допускаются до четырёх точек со сроком хранения пять минут. Поставщик ограничивает кэширование запросов 20K токенами, преимущественно для текстовых запросов; этот объём кэша отличается от полного окна контекста. Дайте агенту задачу, разрешённые инструменты и описания их аргументов, затем позвольте приложению выполнить запрошенные действия и вернуть наблюдения перед следующим шагом модели. Роль в рассуждениях не означает, что модель может управлять внешней системой без слоя выполнения. Рекомендации первого поколения поддерживают поэтапное объяснение решения через запрос; отдельные настройки расширенных рассуждений low, medium и high у Nova 2 Lite не входят в документированный интерфейс этой версии. Для отчёта или результата инструмента запросите явные поля и примеры нужной структуры; запрошенная форма JSON отличается от принудительного структурированного вывода.
Особая роль Premier — обучение меньших моделей Nova через дистилляцию. Amazon описывает использование ответов Premier как обучающих примеров для специализированных вариантов Nova Micro, Lite и Pro с последующим сравнением поведения меньшей модели на целевой задаче. Это процесс адаптации модели, а не изменение идентичности обычного ответа Premier. При обычном использовании передавайте авторитетные факты и требуйте, чтобы ответ разделял наблюдения, предположения и недостающие доказательства. Nova может создавать правдоподобные утверждения, противоречащие источнику; сгенерированный код не проходит автоматического сканирования безопасности, поэтому полезный артефакт должен содержать достаточно доказательств и деталей для сверки с входными материалами. Поставщик также указывает, что эта модель не идентифицирует людей и не называет их имена в изображениях, документах или видео.
POST /v1/messagestextjson, sse| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения amazon/nova-premier-v1 | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения user, assistant | По умолчанию— |
Полеmessages[].content | Типstring | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Текст · Текст UTF-8
строка messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages, max_tokens |
Параметрoptional_controls | Контрактstream |
Параметрmaterial_types | Контрактtext |
Параметрtext_file_material | КонтрактПрочитайте фактический документ UTF-8 и поместите его текст в указанную строку входа или содержимого сообщения. |
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.005 / 1K токенов Выход · Выходные токены $0.025 / 1K токенов Вход · Чтение кэша $0.00125 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.005 / 1K токенов Выход · Выходные токены $0.025 / 1K токенов Вход · Чтение кэша $0.00125 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'amazon/nova-premier-v1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте все блоки содержимого, подписи рассуждений и фактические ID обращений к инструментам. Собирайте все изменения блоков SSE; первый текстовый блок не является полным выходом.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеid | Типstring |
Полеmodel | Типstring |
Полеcontent[] | Типtext|thinking|tool_use|other content block |
Полеstop_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra amazon/nova-premier-v1
Используйте пути методов, указанные выше.
Технический пример на английском
Compare two rollout proposals\n\nCompare these rollout notes for a support team. Plan A: train all 40 agents on Monday, migrate Tuesday, no rollback rehearsal. Plan B: train 10 agents, pilot for two days, rehearse rollback, then migrate the rest. Prepare a decision memo with evidence, trade-offs and one question the notes cannot answer.A short recommendation, a two-plan comparison table and one explicitly unanswered question.Check every stated advantage against the notes; do not invent costs, outage rates or pilot results.