Llama 3.2 1B Instruct je kompaktný textový model spoločnosti Meta doladený na pokyny, s počtom 1.23 miliardy parametrov podľa tabuľky výrobcu. Prijíma viacjazyčný text a vracia text alebo kód. Vydanie je určené na dialóg, vyhľadávanie znalostí, sumarizáciu, mobilných asistentov na písanie a preformulovanie dopytov alebo promptov, na rozdiel od úloh porozumenia obrazu v samostatných vizuálnych edíciách Llama.
Informácie o modeli a kontext
Model používa autoregresívnu architektúru Transformer s pozornosťou so zoskupenými dopytmi a zdieľanými embeddingmi. Meta rozlišuje predtrénované modely 1B a 3B a modely týchto veľkostí doladené na pokyny. Táto položka predstavuje checkpoint 1B Instruct, ktorého úlohou je riadiť sa požiadavkou používateľa v rozhovore, nie slúžiť ako predtrénovaný základ.
Pre bežné textové vydanie je zdokumentovaný kontext 128k. Výrobca samostatne uvádza kontext 8k pre svoje kvantizované textové modely. Tieto konfigurácie majú zostať odlíšené: kvantizácia neoprávňuje preniesť kontext bežného vydania na každý checkpoint v menšom formáte ani odvodzovať nakonfigurovanú kapacitu konkrétnej služby.
Kontext využite na pasáže a rozhovor relevantné pre jednu definovanú operáciu. Aj dlhý dokument môže vyžadovať stručný súhrn, preformulovaný vyhľadávací dopyt alebo odpoveď založenú na zdroji. Určte materiál, ktorý musí výsledok zachovať, aj dĺžku alebo polia potrebné pre ďalší krok aplikácie.
Vyhľadávanie, súhrny a preformulovanie
Pri sumarizácii poskytnite skutočnú pasáž alebo rozhovor a určte publikum, dĺžku a základné fakty. Užitočný výsledok môže oddeliť hlavnú otázku, už uvedené rozhodnutia a otvorené otázky. Ak zdroj obsahuje viacero tém, určte, ktorej sa má súhrn venovať, namiesto požiadavky na nezamerané skrátenie všetkého.
Pri vyhľadávaní znalostí dodajte vybrané zdrojové pasáže alebo informácie vrátené komponentom vyhľadávania. Žiadajte tvrdenie, ktoré odpovedá na otázku, aj pasáž, ktorá ho podkladá. Textová odpoveď modelu môže vysvetliť vyhľadané informácie, zatiaľ čo prehľadávanie súkromnej zbierky zostáva úlohou pripojenej aplikácie. Samotné označenie scenára ako vyhľadávania modelu túto zbierku nesprístupní.
Pri preformulovaní dopytu dodajte pôvodnú otázku a účel vyhľadávania. Žiadajte stručné preformulovanie, ktoré zachová entitu, podmienku a požadovanú informáciu. Dopyt podpory možno prepísať pomocou podstatného názvu produktu a činnosti bez pridania faktu, ktorý sa v používateľovej správe nenachádza. Ak bude revidovaný dopyt priamo používať ďalší komponent, vráťte ho oddelene od vysvetlenia.
Pri asistentovi na písanie určte čitateľa, tón a zdrojové fakty pred požiadavkou na krátky list alebo upravenú pasáž. Pri extrakčnej úlohe definujte polia a spôsob vyjadrenia chýbajúcich informácií. Sú to konkrétne operácie, ktoré prepájajú zdokumentované textové zameranie kompaktného modelu s artefaktom, ktorý možno skontrolovať.
Podporované jazyky a tréning
Oficiálne podporovanými jazykmi sú angličtina, nemčina, francúzština, taliančina, portugalčina, hindčina, španielčina a thajčina. Model sa trénuje na širšej zbierke jazykov, ktorá sa odlišuje od ôsmich jazykov výslovne podporovaných v karte. Určte výsledný jazyk a všetky termíny alebo identifikátory, ktoré musia zostať nezmenené.
Rodina je predtrénovaná až na deviatich biliónoch tokenov, s časovou hranicou dát v decembri 2023. Pri modeloch 1B a 3B výrobca využíva výstupy Llama 3.1 8B a 70B ako tréningové ciele na úrovni tokenov a po prerezávaní používa destiláciu znalostí. Ide o tréningový proces; neznamená to, že nasadený model 1B žiada tieto väčšie modely o odpoveď na každú otázku používateľa.
Karta opisuje doladenie s učiteľom a zosúladenie na základe preferencií, s kolami následného tréningu zahŕňajúcimi príklady s učiteľom, vzorkovanie s odmietaním a priamu optimalizáciu preferencií. Tieto fázy vytvárajú správanie Instruct pri zachovaní pomenovaného checkpointu a výlučne textovej modality.
Rozhovor a kvantizované edície
Výrobca ukazuje samostatné systémové a používateľské správy pomocou zodpovedajúceho formátu rozhovoru. Rolu asistenta a požiadavky na odpoveď definujte oddelene od samotného zdrojového textu. Zachovajte relevantnú skoršiu odpoveď, keď nadväzujúca požiadavka žiada úpravu, objasnenie alebo inú podobu tej istej informácie.
Vydanie tiež dokumentuje samostatné varianty s kvantizáciou zohľadnenou pri tréningu a s kvantizáciou po tréningu. Ich presnosť a kontext 8k patria týmto variantom, nie univerzálnej špecifikácii tejto bežnej položky Instruct. Pri porovnávaní opakovanej úlohy alebo príprave odvodeného nasadenia používajte presný checkpoint a konfiguráciu.
Vecné hranice
Toto vydanie 1B je výlučne textové. Nemá preberať obrazový vstup z vizuálnych modelov Llama 3.2 11B alebo 90B, textové a obrazové schopnosti Llama 4 ani pomenované ovládanie úsilia uvažovania z Muse Spark. Príklad generovania 256 tokenov v karte je príkladom nastavenia, nie samostatne uvedenou maximálnou kapacitou odpovede.
Praktickým konečným výsledkom je požadovaný súhrn, dopyt, extrahovaný záznam alebo prepísaný text, ktorý zachováva relevantný význam a identifikátory zdroja. Prečítané zdroje neuvádzajú samostatné pevné maximum výstupných tokenov. Úlohu udržujte zameranú, vstupný materiál úplný pre danú operáciu a rozdiel medzi bežným a kvantizovaným kontextom výslovný.
", "aboutText": "Llama 3.2 1B Instruct je kompaktný textový model spoločnosti Meta doladený na pokyny, s počtom 1.23 miliardy parametrov podľa tabuľky výrobcu. Prijíma viacjazyčný text a vracia text alebo kód. Vydanie je určené na dialóg, vyhľadávanie znalostí, sumarizáciu, mobilných asistentov na písanie a preformulovanie dopytov alebo promptov, na rozdiel od úloh porozumenia obrazu v samostatných vizuálnych edíciách Llama.\n\nInformácie o modeli a kontext\n\nModel používa autoregresívnu architektúru Transformer s pozornosťou so zoskupenými dopytmi a zdieľanými embeddingmi. Meta rozlišuje predtrénované modely 1B a 3B a modely týchto veľkostí doladené na pokyny. Táto položka predstavuje checkpoint 1B Instruct, ktorého úlohou je riadiť sa požiadavkou používateľa v rozhovore, nie slúžiť ako predtrénovaný základ.\n\nPre bežné textové vydanie je zdokumentovaný kontext 128k. Výrobca samostatne uvádza kontext 8k pre svoje kvantizované textové modely. Tieto konfigurácie majú zostať odlíšené: kvantizácia neoprávňuje preniesť kontext bežného vydania na každý checkpoint v menšom formáte ani odvodzovať nakonfigurovanú kapacitu konkrétnej služby.\n\nKontext využite na pasáže a rozhovor relevantné pre jednu definovanú operáciu. Aj dlhý dokument môže vyžadovať stručný súhrn, preformulovaný vyhľadávací dopyt alebo odpoveď založenú na zdroji. Určte materiál, ktorý musí výsledok zachovať, aj dĺžku alebo polia potrebné pre ďalší krok aplikácie.\n\nVyhľadávanie, súhrny a preformulovanie\n\nPri sumarizácii poskytnite skutočnú pasáž alebo rozhovor a určte publikum, dĺžku a základné fakty. Užitočný výsledok môže oddeliť hlavnú otázku, už uvedené rozhodnutia a otvorené otázky. Ak zdroj obsahuje viacero tém, určte, ktorej sa má súhrn venovať, namiesto požiadavky na nezamerané skrátenie všetkého.\n\nPri vyhľadávaní znalostí dodajte vybrané zdrojové pasáže alebo informácie vrátené komponentom vyhľadávania. Žiadajte tvrdenie, ktoré odpovedá na otázku, aj pasáž, ktorá ho podkladá. Textová odpoveď modelu môže vysvetliť vyhľadané informácie, zatiaľ čo prehľadávanie súkromnej zbierky zostáva úlohou pripojenej aplikácie. Samotné označenie scenára ako vyhľadávania modelu túto zbierku nesprístupní.\n\nPri preformulovaní dopytu dodajte pôvodnú otázku a účel vyhľadávania. Žiadajte stručné preformulovanie, ktoré zachová entitu, podmienku a požadovanú informáciu. Dopyt podpory možno prepísať pomocou podstatného názvu produktu a činnosti bez pridania faktu, ktorý sa v používateľovej správe nenachádza. Ak bude revidovaný dopyt priamo používať ďalší komponent, vráťte ho oddelene od vysvetlenia.\n\nPri asistentovi na písanie určte čitateľa, tón a zdrojové fakty pred požiadavkou na krátky list alebo upravenú pasáž. Pri extrakčnej úlohe definujte polia a spôsob vyjadrenia chýbajúcich informácií. Sú to konkrétne operácie, ktoré prepájajú zdokumentované textové zameranie kompaktného modelu s artefaktom, ktorý možno skontrolovať.\n\nPodporované jazyky a tréning\n\nOficiálne podporovanými jazykmi sú angličtina, nemčina, francúzština, taliančina, portugalčina, hindčina, španielčina a thajčina. Model sa trénuje na širšej zbierke jazykov, ktorá sa odlišuje od ôsmich jazykov výslovne podporovaných v karte. Určte výsledný jazyk a všetky termíny alebo identifikátory, ktoré musia zostať nezmenené.\n\nRodina je predtrénovaná až na deviatich biliónoch tokenov, s časovou hranicou dát v decembri 2023. Pri modeloch 1B a 3B výrobca využíva výstupy Llama 3.1 8B a 70B ako tréningové ciele na úrovni tokenov a po prerezávaní používa destiláciu znalostí. Ide o tréningový proces; neznamená to, že nasadený model 1B žiada tieto väčšie modely o odpoveď na každú otázku používateľa.\n\nKarta opisuje doladenie s učiteľom a zosúladenie na základe preferencií, s kolami následného tréningu zahŕňajúcimi príklady s učiteľom, vzorkovanie s odmietaním a priamu optimalizáciu preferencií. Tieto fázy vytvárajú správanie Instruct pri zachovaní pomenovaného checkpointu a výlučne textovej modality.\n\nRozhovor a kvantizované edície\n\nVýrobca ukazuje samostatné systémové a používateľské správy pomocou zodpovedajúceho formátu rozhovoru. Rolu asistenta a požiadavky na odpoveď definujte oddelene od samotného zdrojového textu. Zachovajte relevantnú skoršiu odpoveď, keď nadväzujúca požiadavka žiada úpravu, objasnenie alebo inú podobu tej istej informácie.\n\nVydanie tiež dokumentuje samostatné varianty s kvantizáciou zohľadnenou pri tréningu a s kvantizáciou po tréningu. Ich presnosť a kontext 8k patria týmto variantom, nie univerzálnej špecifikácii tejto bežnej položky Instruct. Pri porovnávaní opakovanej úlohy alebo príprave odvodeného nasadenia používajte presný checkpoint a konfiguráciu.\n\nVecné hranice\n\nToto vydanie 1B je výlučne textové. Nemá preberať obrazový vstup z vizuálnych modelov Llama 3.2 11B alebo 90B, textové a obrazové schopnosti Llama 4 ani pomenované ovládanie úsilia uvažovania z Muse Spark. Príklad generovania 256 tokenov v karte je príkladom nastavenia, nie samostatne uvedenou maximálnou kapacitou odpovede.\n\nPraktickým konečným výsledkom je požadovaný súhrn, dopyt, extrahovaný záznam alebo prepísaný text, ktorý zachováva relevantný význam a identifikátory zdroja. Prečítané zdroje neuvádzajú samostatné pevné maximum výstupných tokenov. Úlohu udržujte zameranú, vstupný materiál úplný pre danú operáciu a rozdiel medzi bežným a kvantizovaným kontextom výslovný.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický príklad v angličtine
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct je kompaktný textový model spoločnosti Meta s 1.23B parametrami na dialóg, sumarizáciu, vyhľadávanie znalostí a preformulovanie dopytov. Výrobca uvádza kontext 128k pre bežné vydanie a 8k pre samostatné kvantizované varianty, s viacjazyčným textovým a kódovým výstupom.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Llama 3.2 1B Instruct je kompaktný textový model spoločnosti Meta doladený na pokyny, s počtom 1.23 miliardy parametrov podľa tabuľky výrobcu. Prijíma viacjazyčný text a vracia text alebo kód. Vydanie je určené na dialóg, vyhľadávanie znalostí, sumarizáciu, mobilných asistentov na písanie a preformulovanie dopytov alebo promptov, na rozdiel od úloh porozumenia obrazu v samostatných vizuálnych edíciách Llama.
Informácie o modeli a kontext
Model používa autoregresívnu architektúru Transformer s pozornosťou so zoskupenými dopytmi a zdieľanými embeddingmi. Meta rozlišuje predtrénované modely 1B a 3B a modely týchto veľkostí doladené na pokyny. Táto položka predstavuje checkpoint 1B Instruct, ktorého úlohou je riadiť sa požiadavkou používateľa v rozhovore, nie slúžiť ako predtrénovaný základ.
Pre bežné textové vydanie je zdokumentovaný kontext 128k. Výrobca samostatne uvádza kontext 8k pre svoje kvantizované textové modely. Tieto konfigurácie majú zostať odlíšené: kvantizácia neoprávňuje preniesť kontext bežného vydania na každý checkpoint v menšom formáte ani odvodzovať nakonfigurovanú kapacitu konkrétnej služby.
Kontext využite na pasáže a rozhovor relevantné pre jednu definovanú operáciu. Aj dlhý dokument môže vyžadovať stručný súhrn, preformulovaný vyhľadávací dopyt alebo odpoveď založenú na zdroji. Určte materiál, ktorý musí výsledok zachovať, aj dĺžku alebo polia potrebné pre ďalší krok aplikácie.
Vyhľadávanie, súhrny a preformulovanie
Pri sumarizácii poskytnite skutočnú pasáž alebo rozhovor a určte publikum, dĺžku a základné fakty. Užitočný výsledok môže oddeliť hlavnú otázku, už uvedené rozhodnutia a otvorené otázky. Ak zdroj obsahuje viacero tém, určte, ktorej sa má súhrn venovať, namiesto požiadavky na nezamerané skrátenie všetkého.
Pri vyhľadávaní znalostí dodajte vybrané zdrojové pasáže alebo informácie vrátené komponentom vyhľadávania. Žiadajte tvrdenie, ktoré odpovedá na otázku, aj pasáž, ktorá ho podkladá. Textová odpoveď modelu môže vysvetliť vyhľadané informácie, zatiaľ čo prehľadávanie súkromnej zbierky zostáva úlohou pripojenej aplikácie. Samotné označenie scenára ako vyhľadávania modelu túto zbierku nesprístupní.
Pri preformulovaní dopytu dodajte pôvodnú otázku a účel vyhľadávania. Žiadajte stručné preformulovanie, ktoré zachová entitu, podmienku a požadovanú informáciu. Dopyt podpory možno prepísať pomocou podstatného názvu produktu a činnosti bez pridania faktu, ktorý sa v používateľovej správe nenachádza. Ak bude revidovaný dopyt priamo používať ďalší komponent, vráťte ho oddelene od vysvetlenia.
Pri asistentovi na písanie určte čitateľa, tón a zdrojové fakty pred požiadavkou na krátky list alebo upravenú pasáž. Pri extrakčnej úlohe definujte polia a spôsob vyjadrenia chýbajúcich informácií. Sú to konkrétne operácie, ktoré prepájajú zdokumentované textové zameranie kompaktného modelu s artefaktom, ktorý možno skontrolovať.
Podporované jazyky a tréning
Oficiálne podporovanými jazykmi sú angličtina, nemčina, francúzština, taliančina, portugalčina, hindčina, španielčina a thajčina. Model sa trénuje na širšej zbierke jazykov, ktorá sa odlišuje od ôsmich jazykov výslovne podporovaných v karte. Určte výsledný jazyk a všetky termíny alebo identifikátory, ktoré musia zostať nezmenené.
Rodina je predtrénovaná až na deviatich biliónoch tokenov, s časovou hranicou dát v decembri 2023. Pri modeloch 1B a 3B výrobca využíva výstupy Llama 3.1 8B a 70B ako tréningové ciele na úrovni tokenov a po prerezávaní používa destiláciu znalostí. Ide o tréningový proces; neznamená to, že nasadený model 1B žiada tieto väčšie modely o odpoveď na každú otázku používateľa.
Karta opisuje doladenie s učiteľom a zosúladenie na základe preferencií, s kolami následného tréningu zahŕňajúcimi príklady s učiteľom, vzorkovanie s odmietaním a priamu optimalizáciu preferencií. Tieto fázy vytvárajú správanie Instruct pri zachovaní pomenovaného checkpointu a výlučne textovej modality.
Rozhovor a kvantizované edície
Výrobca ukazuje samostatné systémové a používateľské správy pomocou zodpovedajúceho formátu rozhovoru. Rolu asistenta a požiadavky na odpoveď definujte oddelene od samotného zdrojového textu. Zachovajte relevantnú skoršiu odpoveď, keď nadväzujúca požiadavka žiada úpravu, objasnenie alebo inú podobu tej istej informácie.
Vydanie tiež dokumentuje samostatné varianty s kvantizáciou zohľadnenou pri tréningu a s kvantizáciou po tréningu. Ich presnosť a kontext 8k patria týmto variantom, nie univerzálnej špecifikácii tejto bežnej položky Instruct. Pri porovnávaní opakovanej úlohy alebo príprave odvodeného nasadenia používajte presný checkpoint a konfiguráciu.
Vecné hranice
Toto vydanie 1B je výlučne textové. Nemá preberať obrazový vstup z vizuálnych modelov Llama 3.2 11B alebo 90B, textové a obrazové schopnosti Llama 4 ani pomenované ovládanie úsilia uvažovania z Muse Spark. Príklad generovania 256 tokenov v karte je príkladom nastavenia, nie samostatne uvedenou maximálnou kapacitou odpovede.
Praktickým konečným výsledkom je požadovaný súhrn, dopyt, extrahovaný záznam alebo prepísaný text, ktorý zachováva relevantný význam a identifikátory zdroja. Prečítané zdroje neuvádzajú samostatné pevné maximum výstupných tokenov. Úlohu udržujte zameranú, vstupný materiál úplný pre danú operáciu a rozdiel medzi bežným a kvantizovaným kontextom výslovný.
POST /v1/chat/completionstexttext| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity meta-llama/llama-3.2-1b-instruct | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity Minimálny počet položiek: 1 | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity Príklady: system, user, assistant, tool, function Podmienky: Tieto roly sú výslovne zastúpené typmi kompatibility v zdrojovom kóde; presný súbor rolí zostáva závislý od modelu. Závisí od modelu | Predvolené— |
Polemessages[].content | Typstring|content_part[]|null | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_calls | Typtool_call[] | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_call_id | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: role=tool; použite skutočne vrátené ID | Predvolené— |
Polemessages[].name | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].reasoning_content | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: Posielajte späť skutočne vrátené uvažovanie, ak ho tento model používa | Predvolené— |
Polemessages[].reasoning_details | Typobject|array | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polemax_completion_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Polestream_options.include_usage | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletemperature | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletop_p | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polestop | Typstring|string[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools | Typfunction_tool[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools[].type | Typstring | PožiadavkaVoliteľné | Hodnoty a limity function Závisí od modelu | Predvolené— |
Poletools[].function.name | Typstring | PožiadavkaPovinné | Hodnoty a limity Platí, keď: poskytnutý nástroj typu funkcia | Predvolené— |
Poletools[].function.description | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletools[].function.parameters | TypJSON_schema | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletool_choice | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleparallel_tool_calls | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleresponse_format | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning_effort | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleservice_tier | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleinstructions | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Pole kompatibility | Predvolené— |
Polefunctions | Typfunction[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polefunction_call | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleprompt_cache_options | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemodalities | Typstring[] | PožiadavkaVoliteľné | Hodnoty a limity text | Predvolené— |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: provider.options sa na tejto textovej trase Ultra odmieta | Predvolené— |
Polecache_control.ttl | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: Hodnota 1h sa v skutočne používaných poliach cache promptov odmieta | Predvolené— |
Text · Text UTF8
messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages |
Parametermaterial_types | Špecifikáciatext |
Parametermessages | Špecifikáciapole správ so štruktúrou role/content |
Parameterfile_material | Špecifikáciaskutočný dokument UTF-8 vložený ako doslovný text; ID súboru sa neodvodzuje |
Parameteroptional_controls | Špecifikáciastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Špecifikáciazávisí od modelu; používateľské nástroje typu funkcia sa líšia od nástrojov prevádzkovaných službou |
Parameteroutput_modalities | Špecifikáciatext |
Parameterhosted_operations | Špecifikáciafalse |
Parametermultimodal_input_binding | Špecifikácianull |
Životný cyklus: synchronous_or_streamed
Pošlite presné ID modelu spolu s messages.
Dĺžka kontextu nie je horná hranica výstupu.
Textový súbor môže poskytnúť doslovný text; obrazové a zvukové vstupy a vstupy so súborovými objektmi potrebujú presné naviazanie.
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.
| Konfigurácia | Sadzobník | Počet tokenov kontextu väčší než | Tokeny kontextu, najviac (vrátane hranice) | Poplatok |
|---|---|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Počet tokenov kontextu väčší než— | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.000054 / 1K tokenov Výstup · Výstupné tokeny $0.000402 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
| KonfiguráciaPásmo dĺžky požiadavky 1 | Sadzobník— | Počet tokenov kontextu väčší než0 | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.000054 / 1K tokenov Výstup · Výstupné tokeny $0.000402 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-3.2-1b-instruct", "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='meta-llama/llama-3.2-1b-instruct',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='meta-llama/llama-3.2-1b-instruct',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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte každý variant odpovede a jeho obsah, volania nástrojov a uvažovanie. V SSE zostavujte čiastkové zmeny podľa indexu variantu/nástroja a zachovajte konečný dôvod ukončenia aj údaje o spotrebe.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra meta-llama/llama-3.2-1b-instruct
Použite cesty metód uvedené vyššie.
meta-llama/llama-3.2-1b-instructLlama 3.2 1B Instruct je kompaktný textový model spoločnosti Meta s 1.23B parametrami na dialóg, sumarizáciu, vyhľadávanie znalostí a preformulovanie dopytov. Výrobca uvádza kontext 128k pre bežné vydanie a 8k pre samostatné kvantizované varianty, s viacjazyčným textovým a kódovým výstupom.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Llama 3.2 1B Instruct je kompaktný textový model spoločnosti Meta doladený na pokyny, s počtom 1.23 miliardy parametrov podľa tabuľky výrobcu. Prijíma viacjazyčný text a vracia text alebo kód. Vydanie je určené na dialóg, vyhľadávanie znalostí, sumarizáciu, mobilných asistentov na písanie a preformulovanie dopytov alebo promptov, na rozdiel od úloh porozumenia obrazu v samostatných vizuálnych edíciách Llama.
Informácie o modeli a kontext
Model používa autoregresívnu architektúru Transformer s pozornosťou so zoskupenými dopytmi a zdieľanými embeddingmi. Meta rozlišuje predtrénované modely 1B a 3B a modely týchto veľkostí doladené na pokyny. Táto položka predstavuje checkpoint 1B Instruct, ktorého úlohou je riadiť sa požiadavkou používateľa v rozhovore, nie slúžiť ako predtrénovaný základ.
Pre bežné textové vydanie je zdokumentovaný kontext 128k. Výrobca samostatne uvádza kontext 8k pre svoje kvantizované textové modely. Tieto konfigurácie majú zostať odlíšené: kvantizácia neoprávňuje preniesť kontext bežného vydania na každý checkpoint v menšom formáte ani odvodzovať nakonfigurovanú kapacitu konkrétnej služby.
Kontext využite na pasáže a rozhovor relevantné pre jednu definovanú operáciu. Aj dlhý dokument môže vyžadovať stručný súhrn, preformulovaný vyhľadávací dopyt alebo odpoveď založenú na zdroji. Určte materiál, ktorý musí výsledok zachovať, aj dĺžku alebo polia potrebné pre ďalší krok aplikácie.
Vyhľadávanie, súhrny a preformulovanie
Pri sumarizácii poskytnite skutočnú pasáž alebo rozhovor a určte publikum, dĺžku a základné fakty. Užitočný výsledok môže oddeliť hlavnú otázku, už uvedené rozhodnutia a otvorené otázky. Ak zdroj obsahuje viacero tém, určte, ktorej sa má súhrn venovať, namiesto požiadavky na nezamerané skrátenie všetkého.
Pri vyhľadávaní znalostí dodajte vybrané zdrojové pasáže alebo informácie vrátené komponentom vyhľadávania. Žiadajte tvrdenie, ktoré odpovedá na otázku, aj pasáž, ktorá ho podkladá. Textová odpoveď modelu môže vysvetliť vyhľadané informácie, zatiaľ čo prehľadávanie súkromnej zbierky zostáva úlohou pripojenej aplikácie. Samotné označenie scenára ako vyhľadávania modelu túto zbierku nesprístupní.
Pri preformulovaní dopytu dodajte pôvodnú otázku a účel vyhľadávania. Žiadajte stručné preformulovanie, ktoré zachová entitu, podmienku a požadovanú informáciu. Dopyt podpory možno prepísať pomocou podstatného názvu produktu a činnosti bez pridania faktu, ktorý sa v používateľovej správe nenachádza. Ak bude revidovaný dopyt priamo používať ďalší komponent, vráťte ho oddelene od vysvetlenia.
Pri asistentovi na písanie určte čitateľa, tón a zdrojové fakty pred požiadavkou na krátky list alebo upravenú pasáž. Pri extrakčnej úlohe definujte polia a spôsob vyjadrenia chýbajúcich informácií. Sú to konkrétne operácie, ktoré prepájajú zdokumentované textové zameranie kompaktného modelu s artefaktom, ktorý možno skontrolovať.
Podporované jazyky a tréning
Oficiálne podporovanými jazykmi sú angličtina, nemčina, francúzština, taliančina, portugalčina, hindčina, španielčina a thajčina. Model sa trénuje na širšej zbierke jazykov, ktorá sa odlišuje od ôsmich jazykov výslovne podporovaných v karte. Určte výsledný jazyk a všetky termíny alebo identifikátory, ktoré musia zostať nezmenené.
Rodina je predtrénovaná až na deviatich biliónoch tokenov, s časovou hranicou dát v decembri 2023. Pri modeloch 1B a 3B výrobca využíva výstupy Llama 3.1 8B a 70B ako tréningové ciele na úrovni tokenov a po prerezávaní používa destiláciu znalostí. Ide o tréningový proces; neznamená to, že nasadený model 1B žiada tieto väčšie modely o odpoveď na každú otázku používateľa.
Karta opisuje doladenie s učiteľom a zosúladenie na základe preferencií, s kolami následného tréningu zahŕňajúcimi príklady s učiteľom, vzorkovanie s odmietaním a priamu optimalizáciu preferencií. Tieto fázy vytvárajú správanie Instruct pri zachovaní pomenovaného checkpointu a výlučne textovej modality.
Rozhovor a kvantizované edície
Výrobca ukazuje samostatné systémové a používateľské správy pomocou zodpovedajúceho formátu rozhovoru. Rolu asistenta a požiadavky na odpoveď definujte oddelene od samotného zdrojového textu. Zachovajte relevantnú skoršiu odpoveď, keď nadväzujúca požiadavka žiada úpravu, objasnenie alebo inú podobu tej istej informácie.
Vydanie tiež dokumentuje samostatné varianty s kvantizáciou zohľadnenou pri tréningu a s kvantizáciou po tréningu. Ich presnosť a kontext 8k patria týmto variantom, nie univerzálnej špecifikácii tejto bežnej položky Instruct. Pri porovnávaní opakovanej úlohy alebo príprave odvodeného nasadenia používajte presný checkpoint a konfiguráciu.
Vecné hranice
Toto vydanie 1B je výlučne textové. Nemá preberať obrazový vstup z vizuálnych modelov Llama 3.2 11B alebo 90B, textové a obrazové schopnosti Llama 4 ani pomenované ovládanie úsilia uvažovania z Muse Spark. Príklad generovania 256 tokenov v karte je príkladom nastavenia, nie samostatne uvedenou maximálnou kapacitou odpovede.
Praktickým konečným výsledkom je požadovaný súhrn, dopyt, extrahovaný záznam alebo prepísaný text, ktorý zachováva relevantný význam a identifikátory zdroja. Prečítané zdroje neuvádzajú samostatné pevné maximum výstupných tokenov. Úlohu udržujte zameranú, vstupný materiál úplný pre danú operáciu a rozdiel medzi bežným a kvantizovaným kontextom výslovný.
POST /v1/messagestextjson, sse| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity meta-llama/llama-3.2-1b-instruct | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity user, assistant | Predvolené— |
Polemessages[].content | Typstring | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Text · Text UTF-8
reťazec messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages, max_tokens |
Parameteroptional_controls | Špecifikáciastream |
Parametermaterial_types | Špecifikáciatext |
Parametertext_file_material | ŠpecifikáciaPrečítajte skutočný dokument UTF-8 a vložte jeho text do uvedeného vstupného reťazca alebo reťazca obsahu správy. |
Životný cyklus: synchronous_or_streamed
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.
| Konfigurácia | Sadzobník | Počet tokenov kontextu väčší než | Tokeny kontextu, najviac (vrátane hranice) | Poplatok |
|---|---|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Počet tokenov kontextu väčší než— | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.000054 / 1K tokenov Výstup · Výstupné tokeny $0.000402 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
| KonfiguráciaPásmo dĺžky požiadavky 1 | Sadzobník— | Počet tokenov kontextu väčší než0 | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.000054 / 1K tokenov Výstup · Výstupné tokeny $0.000402 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
{\n "model": "meta-llama/llama-3.2-1b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.2-1b-instruct', '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': 'meta-llama/llama-3.2-1b-instruct', '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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte všetky bloky obsahu, podpisy uvažovania a skutočné ID volaní nástrojov. Zostavte všetky čiastkové zmeny blokov SSE; prvý textový blok nie je celý výstup.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra meta-llama/llama-3.2-1b-instruct
Použite cesty metód uvedené vyššie.
Technický príklad v angličtine
Rewrite a retrieval query\n\nRewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.A single concise retrieval query retaining the product name, symptom and requested information.Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.