Amazon Nova Micro är Amazons rena textmodell i första generationens Nova, utformad för svar med låg latens i rutinmässiga språkflöden. Den tar emot text och returnerar text. Amazons exempel omfattar att sammanfatta tillhandahållen information, översätta, klassificera text, besvara frågor och producera kortfattat skriftligt innehåll. Micro är användbar när en applikation redan har samlat in fakta och behöver en fokuserad omvandling, som att göra produktattribut till ett katalogstycke eller mötesanteckningar till en åtgärdslista.
Guiden för första generationens Nova anger ett kontextfönster på 128K token och en maximal utdata på 10K token. Dess dokumenterade kunskapsgräns är oktober 2024. Detta är en mindre arbetskontext än Nova Lite och Pros fönster på 300K eller Premiers fönster på 1 miljon token. Använd det tillgängliga utrymmet för den text som svaret faktiskt beror på: källavsnitt, exempel och relevant konversation. Ange om den önskade artefakten är ett kort svar, en kategorietikett, en översättning eller en uppsättning extraherade fält. En generös kontexttilldelning kräver inte ett långt svar; en uttrycklig utdatalängd och struktur håller resultatet användbart.
Micros omfång är text snarare än inbyggd bild-, video- eller ljudförståelse. För information som ursprungligen lagrats i ett dokument eller en mediefil tillhandahåller du dess extraherade text eller transkription. En brief för produktinnehåll kan innehålla produktnamn, mått, material, varianter och en nödvändig stil och sedan be om ett stycke som endast använder dessa attribut. Ett eget exempel kan begära en neutral beskrivning och en separat lista över saknade specifikationer. Detta använder modellen som skribent och omvandlare av tillhandahållet underlag i stället för att be den härleda osedda produktegenskaper.
Amazon dokumenterar system-, användar- och assistentroller för Novas textprompter. En systeminstruktion kan etablera skribentrollen och återkommande begränsningar; användarmeddelandet ger uppgiften och källmaterialet; några representativa exempel kan visa det önskade formatet. Strukturera täta indata med tydliga etiketter och bryt upp sammansatta instruktioner i separata steg om modellen har svårt med deras beroenden. Vid översättning anger du målspråket, om egennamn ska bevaras och vilka termer som måste lämnas oförändrade. Familjen version1 är tränad för över 200 språk, med optimering för en mindre uppsättning, så anta inte identisk kvalitet i varje dialekt.
Micro stöder svarsströmning och verktygsanrop på klientsidan. Den stöder också promptcachning i Amazons dokumenterade profil för tillhandahållande. Uttrycklig cachning kräver minst 1K token per kontrollpunkt och tillåter upp till fyra kontrollpunkter med fem minuters lagringstid. Producenten begränsar promptcachning till 20K token, främst för textprompter; den cachetilldelningen är åtskild från hela kontextfönstret. I en källförankrad assistent kan en applikation hämta relevant text eller utföra en begärd funktion och sedan skicka tillbaka det observerade resultatet för ett slutligt svar. Modellen själv är ingen motor för informationshämtning i realtid. När ett svar beror på en aktuell policy eller en privat kunskapsbas inkluderar du den faktiska relevanta källan. Ett begärt JSON-format kan vara användbart för klassificering eller extraktion, men producentprofilen anger inte tvingande strukturerad utdata som en stödd funktion; ange beteendet för saknade värden och kontrollera de returnerade fälten.
En ytterligare roll i första generationen är anpassning: Amazon dokumenterar finjustering av Micro på märkta exempel och destillering av uppgiftsspecifik kunskap till den från Nova Pro eller Premier. En anpassad modellvariant är ett separat arbetsflöde, inte en förmåga som tyst ändrar basutgåvan. För den vanliga modellen bedömer du den färdiga artefakten mot briefen: tillhandahållna fakta ska förbli intakta, viktiga attribut ska inte försvinna och prosan ska motsvara den begärda stilen. Micro kan också generera kod, men dessa slutföranden omfattar ingen automatisk säkerhetsskanning eller något körningsresultat.
", "aboutText": "Amazon Nova Micro är Amazons rena textmodell i första generationens Nova, utformad för svar med låg latens i rutinmässiga språkflöden. Den tar emot text och returnerar text. Amazons exempel omfattar att sammanfatta tillhandahållen information, översätta, klassificera text, besvara frågor och producera kortfattat skriftligt innehåll. Micro är användbar när en applikation redan har samlat in fakta och behöver en fokuserad omvandling, som att göra produktattribut till ett katalogstycke eller mötesanteckningar till en åtgärdslista.\n\nGuiden för första generationens Nova anger ett kontextfönster på 128K token och en maximal utdata på 10K token. Dess dokumenterade kunskapsgräns är oktober 2024. Detta är en mindre arbetskontext än Nova Lite och Pros fönster på 300K eller Premiers fönster på 1 miljon token. Använd det tillgängliga utrymmet för den text som svaret faktiskt beror på: källavsnitt, exempel och relevant konversation. Ange om den önskade artefakten är ett kort svar, en kategorietikett, en översättning eller en uppsättning extraherade fält. En generös kontexttilldelning kräver inte ett långt svar; en uttrycklig utdatalängd och struktur håller resultatet användbart.\n\nMicros omfång är text snarare än inbyggd bild-, video- eller ljudförståelse. För information som ursprungligen lagrats i ett dokument eller en mediefil tillhandahåller du dess extraherade text eller transkription. En brief för produktinnehåll kan innehålla produktnamn, mått, material, varianter och en nödvändig stil och sedan be om ett stycke som endast använder dessa attribut. Ett eget exempel kan begära en neutral beskrivning och en separat lista över saknade specifikationer. Detta använder modellen som skribent och omvandlare av tillhandahållet underlag i stället för att be den härleda osedda produktegenskaper.\n\nAmazon dokumenterar system-, användar- och assistentroller för Novas textprompter. En systeminstruktion kan etablera skribentrollen och återkommande begränsningar; användarmeddelandet ger uppgiften och källmaterialet; några representativa exempel kan visa det önskade formatet. Strukturera täta indata med tydliga etiketter och bryt upp sammansatta instruktioner i separata steg om modellen har svårt med deras beroenden. Vid översättning anger du målspråket, om egennamn ska bevaras och vilka termer som måste lämnas oförändrade. Familjen version1 är tränad för över 200 språk, med optimering för en mindre uppsättning, så anta inte identisk kvalitet i varje dialekt.\n\nMicro stöder svarsströmning och verktygsanrop på klientsidan. Den stöder också promptcachning i Amazons dokumenterade profil för tillhandahållande. Uttrycklig cachning kräver minst 1K token per kontrollpunkt och tillåter upp till fyra kontrollpunkter med fem minuters lagringstid. Producenten begränsar promptcachning till 20K token, främst för textprompter; den cachetilldelningen är åtskild från hela kontextfönstret. I en källförankrad assistent kan en applikation hämta relevant text eller utföra en begärd funktion och sedan skicka tillbaka det observerade resultatet för ett slutligt svar. Modellen själv är ingen motor för informationshämtning i realtid. När ett svar beror på en aktuell policy eller en privat kunskapsbas inkluderar du den faktiska relevanta källan. Ett begärt JSON-format kan vara användbart för klassificering eller extraktion, men producentprofilen anger inte tvingande strukturerad utdata som en stödd funktion; ange beteendet för saknade värden och kontrollera de returnerade fälten.\n\nEn ytterligare roll i första generationen är anpassning: Amazon dokumenterar finjustering av Micro på märkta exempel och destillering av uppgiftsspecifik kunskap till den från Nova Pro eller Premier. En anpassad modellvariant är ett separat arbetsflöde, inte en förmåga som tyst ändrar basutgåvan. För den vanliga modellen bedömer du den färdiga artefakten mot briefen: tillhandahållna fakta ska förbli intakta, viktiga attribut ska inte försvinna och prosan ska motsvara den begärda stilen. Micro kan också generera kod, men dessa slutföranden omfattar ingen automatisk säkerhetsskanning eller något körningsresultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.amazon/nova-micro-v1Amazon Nova Micro är den rena textmodellen i första generationens Nova-familj. Den är utformad för språkuppgifter med låg latens, som sammanfattningar, översättning, klassificering, frågesvar och att omvandla tillhandahållna fakta till kortfattat innehåll.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Amazon Nova Micro är Amazons rena textmodell i första generationens Nova, utformad för svar med låg latens i rutinmässiga språkflöden. Den tar emot text och returnerar text. Amazons exempel omfattar att sammanfatta tillhandahållen information, översätta, klassificera text, besvara frågor och producera kortfattat skriftligt innehåll. Micro är användbar när en applikation redan har samlat in fakta och behöver en fokuserad omvandling, som att göra produktattribut till ett katalogstycke eller mötesanteckningar till en åtgärdslista.
Guiden för första generationens Nova anger ett kontextfönster på 128K token och en maximal utdata på 10K token. Dess dokumenterade kunskapsgräns är oktober 2024. Detta är en mindre arbetskontext än Nova Lite och Pros fönster på 300K eller Premiers fönster på 1 miljon token. Använd det tillgängliga utrymmet för den text som svaret faktiskt beror på: källavsnitt, exempel och relevant konversation. Ange om den önskade artefakten är ett kort svar, en kategorietikett, en översättning eller en uppsättning extraherade fält. En generös kontexttilldelning kräver inte ett långt svar; en uttrycklig utdatalängd och struktur håller resultatet användbart.
Micros omfång är text snarare än inbyggd bild-, video- eller ljudförståelse. För information som ursprungligen lagrats i ett dokument eller en mediefil tillhandahåller du dess extraherade text eller transkription. En brief för produktinnehåll kan innehålla produktnamn, mått, material, varianter och en nödvändig stil och sedan be om ett stycke som endast använder dessa attribut. Ett eget exempel kan begära en neutral beskrivning och en separat lista över saknade specifikationer. Detta använder modellen som skribent och omvandlare av tillhandahållet underlag i stället för att be den härleda osedda produktegenskaper.
Amazon dokumenterar system-, användar- och assistentroller för Novas textprompter. En systeminstruktion kan etablera skribentrollen och återkommande begränsningar; användarmeddelandet ger uppgiften och källmaterialet; några representativa exempel kan visa det önskade formatet. Strukturera täta indata med tydliga etiketter och bryt upp sammansatta instruktioner i separata steg om modellen har svårt med deras beroenden. Vid översättning anger du målspråket, om egennamn ska bevaras och vilka termer som måste lämnas oförändrade. Familjen version1 är tränad för över 200 språk, med optimering för en mindre uppsättning, så anta inte identisk kvalitet i varje dialekt.
Micro stöder svarsströmning och verktygsanrop på klientsidan. Den stöder också promptcachning i Amazons dokumenterade profil för tillhandahållande. Uttrycklig cachning kräver minst 1K token per kontrollpunkt och tillåter upp till fyra kontrollpunkter med fem minuters lagringstid. Producenten begränsar promptcachning till 20K token, främst för textprompter; den cachetilldelningen är åtskild från hela kontextfönstret. I en källförankrad assistent kan en applikation hämta relevant text eller utföra en begärd funktion och sedan skicka tillbaka det observerade resultatet för ett slutligt svar. Modellen själv är ingen motor för informationshämtning i realtid. När ett svar beror på en aktuell policy eller en privat kunskapsbas inkluderar du den faktiska relevanta källan. Ett begärt JSON-format kan vara användbart för klassificering eller extraktion, men producentprofilen anger inte tvingande strukturerad utdata som en stödd funktion; ange beteendet för saknade värden och kontrollera de returnerade fälten.
En ytterligare roll i första generationen är anpassning: Amazon dokumenterar finjustering av Micro på märkta exempel och destillering av uppgiftsspecifik kunskap till den från Nova Pro eller Premier. En anpassad modellvariant är ett separat arbetsflöde, inte en förmåga som tyst ändrar basutgåvan. För den vanliga modellen bedömer du den färdiga artefakten mot briefen: tillhandahållna fakta ska förbli intakta, viktiga attribut ska inte försvinna och prosan ska motsvara den begärda stilen. Micro kan också generera kod, men dessa slutföranden omfattar ingen automatisk säkerhetsskanning eller något körningsresultat.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser amazon/nova-micro-v1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00007 / 1K token Utdata · Utdatatoken $0.00028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00007 / 1K token Utdata · Utdatatoken $0.00028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-micro-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-micro-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-micro-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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra amazon/nova-micro-v1
Använd metodsökvägarna som visas ovan.
amazon/nova-micro-v1Amazon Nova Micro är den rena textmodellen i första generationens Nova-familj. Den är utformad för språkuppgifter med låg latens, som sammanfattningar, översättning, klassificering, frågesvar och att omvandla tillhandahållna fakta till kortfattat innehåll.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Amazon Nova Micro är Amazons rena textmodell i första generationens Nova, utformad för svar med låg latens i rutinmässiga språkflöden. Den tar emot text och returnerar text. Amazons exempel omfattar att sammanfatta tillhandahållen information, översätta, klassificera text, besvara frågor och producera kortfattat skriftligt innehåll. Micro är användbar när en applikation redan har samlat in fakta och behöver en fokuserad omvandling, som att göra produktattribut till ett katalogstycke eller mötesanteckningar till en åtgärdslista.
Guiden för första generationens Nova anger ett kontextfönster på 128K token och en maximal utdata på 10K token. Dess dokumenterade kunskapsgräns är oktober 2024. Detta är en mindre arbetskontext än Nova Lite och Pros fönster på 300K eller Premiers fönster på 1 miljon token. Använd det tillgängliga utrymmet för den text som svaret faktiskt beror på: källavsnitt, exempel och relevant konversation. Ange om den önskade artefakten är ett kort svar, en kategorietikett, en översättning eller en uppsättning extraherade fält. En generös kontexttilldelning kräver inte ett långt svar; en uttrycklig utdatalängd och struktur håller resultatet användbart.
Micros omfång är text snarare än inbyggd bild-, video- eller ljudförståelse. För information som ursprungligen lagrats i ett dokument eller en mediefil tillhandahåller du dess extraherade text eller transkription. En brief för produktinnehåll kan innehålla produktnamn, mått, material, varianter och en nödvändig stil och sedan be om ett stycke som endast använder dessa attribut. Ett eget exempel kan begära en neutral beskrivning och en separat lista över saknade specifikationer. Detta använder modellen som skribent och omvandlare av tillhandahållet underlag i stället för att be den härleda osedda produktegenskaper.
Amazon dokumenterar system-, användar- och assistentroller för Novas textprompter. En systeminstruktion kan etablera skribentrollen och återkommande begränsningar; användarmeddelandet ger uppgiften och källmaterialet; några representativa exempel kan visa det önskade formatet. Strukturera täta indata med tydliga etiketter och bryt upp sammansatta instruktioner i separata steg om modellen har svårt med deras beroenden. Vid översättning anger du målspråket, om egennamn ska bevaras och vilka termer som måste lämnas oförändrade. Familjen version1 är tränad för över 200 språk, med optimering för en mindre uppsättning, så anta inte identisk kvalitet i varje dialekt.
Micro stöder svarsströmning och verktygsanrop på klientsidan. Den stöder också promptcachning i Amazons dokumenterade profil för tillhandahållande. Uttrycklig cachning kräver minst 1K token per kontrollpunkt och tillåter upp till fyra kontrollpunkter med fem minuters lagringstid. Producenten begränsar promptcachning till 20K token, främst för textprompter; den cachetilldelningen är åtskild från hela kontextfönstret. I en källförankrad assistent kan en applikation hämta relevant text eller utföra en begärd funktion och sedan skicka tillbaka det observerade resultatet för ett slutligt svar. Modellen själv är ingen motor för informationshämtning i realtid. När ett svar beror på en aktuell policy eller en privat kunskapsbas inkluderar du den faktiska relevanta källan. Ett begärt JSON-format kan vara användbart för klassificering eller extraktion, men producentprofilen anger inte tvingande strukturerad utdata som en stödd funktion; ange beteendet för saknade värden och kontrollera de returnerade fälten.
En ytterligare roll i första generationen är anpassning: Amazon dokumenterar finjustering av Micro på märkta exempel och destillering av uppgiftsspecifik kunskap till den från Nova Pro eller Premier. En anpassad modellvariant är ett separat arbetsflöde, inte en förmåga som tyst ändrar basutgåvan. För den vanliga modellen bedömer du den färdiga artefakten mot briefen: tillhandahållna fakta ska förbli intakta, viktiga attribut ska inte försvinna och prosan ska motsvara den begärda stilen. Micro kan också generera kod, men dessa slutföranden omfattar ingen automatisk säkerhetsskanning eller något körningsresultat.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser amazon/nova-micro-v1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00007 / 1K token Utdata · Utdatatoken $0.00028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00007 / 1K token Utdata · Utdatatoken $0.00028 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "amazon/nova-micro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-micro-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-micro-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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra amazon/nova-micro-v1
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Product copy from supplied specifications\n\nTurn these attributes into a neutral 45-word catalog paragraph: folding desk, oak veneer, steel frame, 90 × 50 cm top, two height positions, flat-pack delivery. Follow it with missing specifications a buyer might need. Use only the supplied attributes and avoid claims about durability, sustainability or maximum load.One short product paragraph followed by a separate missing-specifications list.Every stated product feature is in the supplied attributes; unknown load capacity stays in the missing list.