Amazon Nova Premier är den mest kapabla förståelsemodellen i Amazons första generation av Nova-familjen, utformad för komplext arbete som kräver djup förståelse, sammanhang och planering i flera steg. Den bearbetar text, bilder och video och producerar text. Dess roll omfattar resonemang över långa rapporter, jämförelse av underlag mellan dokument, förståelse av diagram och visuellt material samt samordning av agentuppgifter. Premier är separat från de lättare modellerna Micro, Lite och Pro och från Nova-modeller som genererar bilder, video eller samtalstal.
Den exakta modellprofilen från producenten anger ett kontextfönster på 1 miljon token och en maximal utdata på 25K token. Dess dokumenterade kunskapsgräns är oktober 2024. Det gör Premier användbar när en uppgift behöver en stor mängd referensmaterial tillsammans med instruktioner och konversation. Organisera materialet med dokumentnamn, avsnittsmarkörer och en specifik fråga i stället för att be om en planlös analys av allt. Ett användbart resultat kan vara en jämförelsematris, en underbyggd rapport eller en föreslagen följd av åtgärder. Kontextbudgeten omfattar materialet modellen arbetar med; den är inget löfte om att varje detalj kommer med i det slutliga svaret.
Premiers dokumenterade multimodala arbetsflöde hanterar bilder i PNG, JPG/JPEG, GIF och WebP samt vanliga videobehållare som MP4, MOV, MKV och WebM. Dokumentflödet omfattar PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT och Markdown. Textorienterade filer tillhandahåller text; PDF och DOCX kan tillhandahålla sidtext med visuell information. För en rapport med diagram håller du etiketter läsbara och ber modellen att beskriva relevanta observationer innan de tolkas. Om bara prosan behövs undviker extraherad text att visuell extraktion blir en förutsättning för att förstå dokumentet. Inbäddade medier delar en nyttolastbudget på 25 MB, inklusive base64-overhead. En begäran innehåller en video, begränsad till 1 GB via S3; kombinerade S3-medier kan uppgå till 2 GB. PDF- och DOCX-indata förblir begränsade till fem dokument, med en sammanlagd tilldelning på 25 MB vid direktuppladdning eller 2 GB via S3.
Videoförståelse bygger på samplade visuella bildrutor. Guiden för första generationen ger uttryckligen Premier en samplingsfrekvens på en bildruta per sekund upp till 3 200 bildrutor, en annan tilldelning än Nova Lite och Pros strategi med 960 bildrutor. Detta är användbart för scensammanfattningar och frågor om händelser över tid, medan korta handlingar mellan samplade bildrutor kan undgå observation. Tillhandahåll ett relevant klipp eller tidsintervall och ange detaljerna som ska följas. För en lång sekvens kan segmenterad analys följd av en textsammanfattning bevara fokus, även om uppdelningen kan förlora sammanhang över segmentgränser. De dokumenterade modellmodaliteterna omfattar inte ljudindata, så talad information bör tillhandahållas som text.
Premier stöder svarsströmning, verktygsorienterade arbetsflöden och arbetsflöden utökade med informationshämtning samt 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. Ge en agent uppgiften, de tillåtna verktygen och deras argumentbeskrivningar och låt sedan applikationen utföra begärda åtgärder och returnera observationer före nästa modellsteg. Dess resonemangsroll innebär inte att den kan köra ett externt system utan det körningslagret. Vägledningen för första generationen stöder förklaring av en lösning i steg genom instruktioner; Nova 2 Lites separata kontroller low, medium och high för utökat tänkande ingår inte i denna utgåvas dokumenterade gränssnitt. För en rapport eller ett verktygsresultat begär du uttryckliga fält och exempel på önskad struktur; en begärd JSON-form är åtskild från tvingande strukturerad utdata.
En särskild Premier-roll är att lära mindre Nova-modeller genom destillering. Amazon beskriver hur Premiers svar används som träningsexempel för specialiserade varianter av Nova Micro, Lite och Pro, följt av jämförelse av den mindre modellens beteende på måluppgiften. Det är ett arbetsflöde för modellanpassning snarare än en ändring av identiteten hos ett normalt Premier-svar. Vid vanlig användning tillhandahåller du auktoritativa fakta och kräver att svaret skiljer observationer, antaganden och saknat underlag åt. Nova kan generera rimliga påståenden som motsäger en källa, och genererad kod omfattar ingen automatisk säkerhetsskanning, så den användbara artefakten bör bära tillräckligt med underlag och detaljer för att kontrolleras mot sina indata. Producenten anger också att denna modell inte identifierar eller namnger personer i bilder, dokument eller videor.
", "aboutText": "Amazon Nova Premier är den mest kapabla förståelsemodellen i Amazons första generation av Nova-familjen, utformad för komplext arbete som kräver djup förståelse, sammanhang och planering i flera steg. Den bearbetar text, bilder och video och producerar text. Dess roll omfattar resonemang över långa rapporter, jämförelse av underlag mellan dokument, förståelse av diagram och visuellt material samt samordning av agentuppgifter. Premier är separat från de lättare modellerna Micro, Lite och Pro och från Nova-modeller som genererar bilder, video eller samtalstal.\n\nDen exakta modellprofilen från producenten anger ett kontextfönster på 1 miljon token och en maximal utdata på 25K token. Dess dokumenterade kunskapsgräns är oktober 2024. Det gör Premier användbar när en uppgift behöver en stor mängd referensmaterial tillsammans med instruktioner och konversation. Organisera materialet med dokumentnamn, avsnittsmarkörer och en specifik fråga i stället för att be om en planlös analys av allt. Ett användbart resultat kan vara en jämförelsematris, en underbyggd rapport eller en föreslagen följd av åtgärder. Kontextbudgeten omfattar materialet modellen arbetar med; den är inget löfte om att varje detalj kommer med i det slutliga svaret.\n\nPremiers dokumenterade multimodala arbetsflöde hanterar bilder i PNG, JPG/JPEG, GIF och WebP samt vanliga videobehållare som MP4, MOV, MKV och WebM. Dokumentflödet omfattar PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT och Markdown. Textorienterade filer tillhandahåller text; PDF och DOCX kan tillhandahålla sidtext med visuell information. För en rapport med diagram håller du etiketter läsbara och ber modellen att beskriva relevanta observationer innan de tolkas. Om bara prosan behövs undviker extraherad text att visuell extraktion blir en förutsättning för att förstå dokumentet. Inbäddade medier delar en nyttolastbudget på 25 MB, inklusive base64-overhead. En begäran innehåller en video, begränsad till 1 GB via S3; kombinerade S3-medier kan uppgå till 2 GB. PDF- och DOCX-indata förblir begränsade till fem dokument, med en sammanlagd tilldelning på 25 MB vid direktuppladdning eller 2 GB via S3.\n\nVideoförståelse bygger på samplade visuella bildrutor. Guiden för första generationen ger uttryckligen Premier en samplingsfrekvens på en bildruta per sekund upp till 3 200 bildrutor, en annan tilldelning än Nova Lite och Pros strategi med 960 bildrutor. Detta är användbart för scensammanfattningar och frågor om händelser över tid, medan korta handlingar mellan samplade bildrutor kan undgå observation. Tillhandahåll ett relevant klipp eller tidsintervall och ange detaljerna som ska följas. För en lång sekvens kan segmenterad analys följd av en textsammanfattning bevara fokus, även om uppdelningen kan förlora sammanhang över segmentgränser. De dokumenterade modellmodaliteterna omfattar inte ljudindata, så talad information bör tillhandahållas som text.\n\nPremier stöder svarsströmning, verktygsorienterade arbetsflöden och arbetsflöden utökade med informationshämtning samt 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. Ge en agent uppgiften, de tillåtna verktygen och deras argumentbeskrivningar och låt sedan applikationen utföra begärda åtgärder och returnera observationer före nästa modellsteg. Dess resonemangsroll innebär inte att den kan köra ett externt system utan det körningslagret. Vägledningen för första generationen stöder förklaring av en lösning i steg genom instruktioner; Nova 2 Lites separata kontroller low, medium och high för utökat tänkande ingår inte i denna utgåvas dokumenterade gränssnitt. För en rapport eller ett verktygsresultat begär du uttryckliga fält och exempel på önskad struktur; en begärd JSON-form är åtskild från tvingande strukturerad utdata.\n\nEn särskild Premier-roll är att lära mindre Nova-modeller genom destillering. Amazon beskriver hur Premiers svar används som träningsexempel för specialiserade varianter av Nova Micro, Lite och Pro, följt av jämförelse av den mindre modellens beteende på måluppgiften. Det är ett arbetsflöde för modellanpassning snarare än en ändring av identiteten hos ett normalt Premier-svar. Vid vanlig användning tillhandahåller du auktoritativa fakta och kräver att svaret skiljer observationer, antaganden och saknat underlag åt. Nova kan generera rimliga påståenden som motsäger en källa, och genererad kod omfattar ingen automatisk säkerhetsskanning, så den användbara artefakten bör bära tillräckligt med underlag och detaljer för att kontrolleras mot sina indata. Producenten anger också att denna modell inte identifierar eller namnger personer i bilder, dokument eller videor.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Nova-modellen i första generationen för komplext multimodalt resonemang, analys av långa dokument och agenter. Den tar emot text, bilder och video, returnerar text och fungerar också som lärare för destillering av specialiserade Nova-modeller.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Amazon Nova Premier är den mest kapabla förståelsemodellen i Amazons första generation av Nova-familjen, utformad för komplext arbete som kräver djup förståelse, sammanhang och planering i flera steg. Den bearbetar text, bilder och video och producerar text. Dess roll omfattar resonemang över långa rapporter, jämförelse av underlag mellan dokument, förståelse av diagram och visuellt material samt samordning av agentuppgifter. Premier är separat från de lättare modellerna Micro, Lite och Pro och från Nova-modeller som genererar bilder, video eller samtalstal.
Den exakta modellprofilen från producenten anger ett kontextfönster på 1 miljon token och en maximal utdata på 25K token. Dess dokumenterade kunskapsgräns är oktober 2024. Det gör Premier användbar när en uppgift behöver en stor mängd referensmaterial tillsammans med instruktioner och konversation. Organisera materialet med dokumentnamn, avsnittsmarkörer och en specifik fråga i stället för att be om en planlös analys av allt. Ett användbart resultat kan vara en jämförelsematris, en underbyggd rapport eller en föreslagen följd av åtgärder. Kontextbudgeten omfattar materialet modellen arbetar med; den är inget löfte om att varje detalj kommer med i det slutliga svaret.
Premiers dokumenterade multimodala arbetsflöde hanterar bilder i PNG, JPG/JPEG, GIF och WebP samt vanliga videobehållare som MP4, MOV, MKV och WebM. Dokumentflödet omfattar PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT och Markdown. Textorienterade filer tillhandahåller text; PDF och DOCX kan tillhandahålla sidtext med visuell information. För en rapport med diagram håller du etiketter läsbara och ber modellen att beskriva relevanta observationer innan de tolkas. Om bara prosan behövs undviker extraherad text att visuell extraktion blir en förutsättning för att förstå dokumentet. Inbäddade medier delar en nyttolastbudget på 25 MB, inklusive base64-overhead. En begäran innehåller en video, begränsad till 1 GB via S3; kombinerade S3-medier kan uppgå till 2 GB. PDF- och DOCX-indata förblir begränsade till fem dokument, med en sammanlagd tilldelning på 25 MB vid direktuppladdning eller 2 GB via S3.
Videoförståelse bygger på samplade visuella bildrutor. Guiden för första generationen ger uttryckligen Premier en samplingsfrekvens på en bildruta per sekund upp till 3 200 bildrutor, en annan tilldelning än Nova Lite och Pros strategi med 960 bildrutor. Detta är användbart för scensammanfattningar och frågor om händelser över tid, medan korta handlingar mellan samplade bildrutor kan undgå observation. Tillhandahåll ett relevant klipp eller tidsintervall och ange detaljerna som ska följas. För en lång sekvens kan segmenterad analys följd av en textsammanfattning bevara fokus, även om uppdelningen kan förlora sammanhang över segmentgränser. De dokumenterade modellmodaliteterna omfattar inte ljudindata, så talad information bör tillhandahållas som text.
Premier stöder svarsströmning, verktygsorienterade arbetsflöden och arbetsflöden utökade med informationshämtning samt 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. Ge en agent uppgiften, de tillåtna verktygen och deras argumentbeskrivningar och låt sedan applikationen utföra begärda åtgärder och returnera observationer före nästa modellsteg. Dess resonemangsroll innebär inte att den kan köra ett externt system utan det körningslagret. Vägledningen för första generationen stöder förklaring av en lösning i steg genom instruktioner; Nova 2 Lites separata kontroller low, medium och high för utökat tänkande ingår inte i denna utgåvas dokumenterade gränssnitt. För en rapport eller ett verktygsresultat begär du uttryckliga fält och exempel på önskad struktur; en begärd JSON-form är åtskild från tvingande strukturerad utdata.
En särskild Premier-roll är att lära mindre Nova-modeller genom destillering. Amazon beskriver hur Premiers svar används som träningsexempel för specialiserade varianter av Nova Micro, Lite och Pro, följt av jämförelse av den mindre modellens beteende på måluppgiften. Det är ett arbetsflöde för modellanpassning snarare än en ändring av identiteten hos ett normalt Premier-svar. Vid vanlig användning tillhandahåller du auktoritativa fakta och kräver att svaret skiljer observationer, antaganden och saknat underlag åt. Nova kan generera rimliga påståenden som motsäger en källa, och genererad kod omfattar ingen automatisk säkerhetsskanning, så den användbara artefakten bör bära tillräckligt med underlag och detaljer för att kontrolleras mot sina indata. Producenten anger också att denna modell inte identifierar eller namnger personer i bilder, dokument eller videor.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser amazon/nova-premier-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 $0.005 / 1K token Utdata · Utdatatoken $0.025 / 1K token Indata · Cacheläsning $0.00125 / 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 $0.005 / 1K token Utdata · Utdatatoken $0.025 / 1K token Indata · Cacheläsning $0.00125 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-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 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-premier-v1
Använd metodsökvägarna som visas ovan.
amazon/nova-premier-v1Amazon Nova Premier är Nova-modellen i första generationen för komplext multimodalt resonemang, analys av långa dokument och agenter. Den tar emot text, bilder och video, returnerar text och fungerar också som lärare för destillering av specialiserade Nova-modeller.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Amazon Nova Premier är den mest kapabla förståelsemodellen i Amazons första generation av Nova-familjen, utformad för komplext arbete som kräver djup förståelse, sammanhang och planering i flera steg. Den bearbetar text, bilder och video och producerar text. Dess roll omfattar resonemang över långa rapporter, jämförelse av underlag mellan dokument, förståelse av diagram och visuellt material samt samordning av agentuppgifter. Premier är separat från de lättare modellerna Micro, Lite och Pro och från Nova-modeller som genererar bilder, video eller samtalstal.
Den exakta modellprofilen från producenten anger ett kontextfönster på 1 miljon token och en maximal utdata på 25K token. Dess dokumenterade kunskapsgräns är oktober 2024. Det gör Premier användbar när en uppgift behöver en stor mängd referensmaterial tillsammans med instruktioner och konversation. Organisera materialet med dokumentnamn, avsnittsmarkörer och en specifik fråga i stället för att be om en planlös analys av allt. Ett användbart resultat kan vara en jämförelsematris, en underbyggd rapport eller en föreslagen följd av åtgärder. Kontextbudgeten omfattar materialet modellen arbetar med; den är inget löfte om att varje detalj kommer med i det slutliga svaret.
Premiers dokumenterade multimodala arbetsflöde hanterar bilder i PNG, JPG/JPEG, GIF och WebP samt vanliga videobehållare som MP4, MOV, MKV och WebM. Dokumentflödet omfattar PDF, DOC/DOCX, CSV, XLS/XLSX, HTML, TXT och Markdown. Textorienterade filer tillhandahåller text; PDF och DOCX kan tillhandahålla sidtext med visuell information. För en rapport med diagram håller du etiketter läsbara och ber modellen att beskriva relevanta observationer innan de tolkas. Om bara prosan behövs undviker extraherad text att visuell extraktion blir en förutsättning för att förstå dokumentet. Inbäddade medier delar en nyttolastbudget på 25 MB, inklusive base64-overhead. En begäran innehåller en video, begränsad till 1 GB via S3; kombinerade S3-medier kan uppgå till 2 GB. PDF- och DOCX-indata förblir begränsade till fem dokument, med en sammanlagd tilldelning på 25 MB vid direktuppladdning eller 2 GB via S3.
Videoförståelse bygger på samplade visuella bildrutor. Guiden för första generationen ger uttryckligen Premier en samplingsfrekvens på en bildruta per sekund upp till 3 200 bildrutor, en annan tilldelning än Nova Lite och Pros strategi med 960 bildrutor. Detta är användbart för scensammanfattningar och frågor om händelser över tid, medan korta handlingar mellan samplade bildrutor kan undgå observation. Tillhandahåll ett relevant klipp eller tidsintervall och ange detaljerna som ska följas. För en lång sekvens kan segmenterad analys följd av en textsammanfattning bevara fokus, även om uppdelningen kan förlora sammanhang över segmentgränser. De dokumenterade modellmodaliteterna omfattar inte ljudindata, så talad information bör tillhandahållas som text.
Premier stöder svarsströmning, verktygsorienterade arbetsflöden och arbetsflöden utökade med informationshämtning samt 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. Ge en agent uppgiften, de tillåtna verktygen och deras argumentbeskrivningar och låt sedan applikationen utföra begärda åtgärder och returnera observationer före nästa modellsteg. Dess resonemangsroll innebär inte att den kan köra ett externt system utan det körningslagret. Vägledningen för första generationen stöder förklaring av en lösning i steg genom instruktioner; Nova 2 Lites separata kontroller low, medium och high för utökat tänkande ingår inte i denna utgåvas dokumenterade gränssnitt. För en rapport eller ett verktygsresultat begär du uttryckliga fält och exempel på önskad struktur; en begärd JSON-form är åtskild från tvingande strukturerad utdata.
En särskild Premier-roll är att lära mindre Nova-modeller genom destillering. Amazon beskriver hur Premiers svar används som träningsexempel för specialiserade varianter av Nova Micro, Lite och Pro, följt av jämförelse av den mindre modellens beteende på måluppgiften. Det är ett arbetsflöde för modellanpassning snarare än en ändring av identiteten hos ett normalt Premier-svar. Vid vanlig användning tillhandahåller du auktoritativa fakta och kräver att svaret skiljer observationer, antaganden och saknat underlag åt. Nova kan generera rimliga påståenden som motsäger en källa, och genererad kod omfattar ingen automatisk säkerhetsskanning, så den användbara artefakten bör bära tillräckligt med underlag och detaljer för att kontrolleras mot sina indata. Producenten anger också att denna modell inte identifierar eller namnger personer i bilder, dokument eller videor.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser amazon/nova-premier-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 $0.005 / 1K token Utdata · Utdatatoken $0.025 / 1K token Indata · Cacheläsning $0.00125 / 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 $0.005 / 1K token Utdata · Utdatatoken $0.025 / 1K token Indata · Cacheläsning $0.00125 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "amazon/nova-premier-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-premier-v1
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.