Magnum v4 72B är Anthracites prosainriktade finjustering av Qwen2.5-72B-Instruct. Producenten beskriver den som den experimentella instruktionsbaserade modell som inledde v4-familjen. Den arbetar med skriftliga prompter och konversation för att producera text, med särskild uppmärksamhet på berättarröst och karaktärsinteraktion. Den här utgåvan skiljer sig från de andra storlekarna i Magnum v4-serien.
Den publicerade kontrollpunkten använder en kausal språkmodellarkitektur och en konfiguration med 80 lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Dess maximala positionsantal är 32 768, och träningsreceptet använder också en sekvenslängd på 32 768. Detta är konfigurationen för själva Magnum-utgåvan; den ärver inte en större inställning för utökad kontext enbart för att basmodellen stöder en sådan.
Anthracites ursprungliga promptexempel använder ChatML med separata system-, användar- och assistentturer. Systemdelen kan tillhandahålla karaktärsbeskrivning, personlighet och scenario, medan användarturen ger nästa bidrag till replikskiftet. Producentens berättarmall ber assistenten att behålla personan samtidigt som den får utvecklas, introducera händelser och bikaraktärer samt inkludera dialog, handling och tankar där det passar.
Samma mall lämnar användarens karaktär och val åt användaren. Den avråder också från repetitiv utdata och överdrivet utsmyckad prosa om inte personan kräver den stilen. En begäran utanför karaktär växlar svaret till neutral vanlig text. Detta är konkreta promptval för en interaktiv skrivuppgift, snarare än separata automatiska modelllägen.
För en karaktärsscen förbereder du karaktärens mål, miljön, relationen till den andra talaren och det senaste replikskiftet. Begär en fortsättning med en tydlig stoppunkt så att användaren har plats att svara. För en prosaomarbetning tillhandahåller du ett stycke och identifierar ändringen i ton eller tempo och ber sedan om det omarbetade avsnittet med händelserna och talarens avsikt bevarade. En uppföljning kan ge ett nytt karaktärsbeslut eller en redaktionell kommentar utan att ersätta den etablerade scenen.
Producenten publicerar ett recept för finjustering av samtliga parametrar och en blandning av konversations- och skrivdata. Använd den färdiga utdata som en scen, en dialogtur eller ett omarbetningsutkast och behåll en kompakt anteckning om de berättelsefakta som nästa tur måste bevara. Skaparens fokus är prosa och berättande interaktion; basmodellens namn fastställer inte i sig ytterligare visuella funktioner, resonemangskontroller eller verktygskörning för denna finjusterade utgåva.
", "aboutText": "Magnum v4 72B är Anthracites prosainriktade finjustering av Qwen2.5-72B-Instruct. Producenten beskriver den som den experimentella instruktionsbaserade modell som inledde v4-familjen. Den arbetar med skriftliga prompter och konversation för att producera text, med särskild uppmärksamhet på berättarröst och karaktärsinteraktion. Den här utgåvan skiljer sig från de andra storlekarna i Magnum v4-serien.\n\nDen publicerade kontrollpunkten använder en kausal språkmodellarkitektur och en konfiguration med 80 lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Dess maximala positionsantal är 32 768, och träningsreceptet använder också en sekvenslängd på 32 768. Detta är konfigurationen för själva Magnum-utgåvan; den ärver inte en större inställning för utökad kontext enbart för att basmodellen stöder en sådan.\n\nAnthracites ursprungliga promptexempel använder ChatML med separata system-, användar- och assistentturer. Systemdelen kan tillhandahålla karaktärsbeskrivning, personlighet och scenario, medan användarturen ger nästa bidrag till replikskiftet. Producentens berättarmall ber assistenten att behålla personan samtidigt som den får utvecklas, introducera händelser och bikaraktärer samt inkludera dialog, handling och tankar där det passar.\n\nSamma mall lämnar användarens karaktär och val åt användaren. Den avråder också från repetitiv utdata och överdrivet utsmyckad prosa om inte personan kräver den stilen. En begäran utanför karaktär växlar svaret till neutral vanlig text. Detta är konkreta promptval för en interaktiv skrivuppgift, snarare än separata automatiska modelllägen.\n\nFör en karaktärsscen förbereder du karaktärens mål, miljön, relationen till den andra talaren och det senaste replikskiftet. Begär en fortsättning med en tydlig stoppunkt så att användaren har plats att svara. För en prosaomarbetning tillhandahåller du ett stycke och identifierar ändringen i ton eller tempo och ber sedan om det omarbetade avsnittet med händelserna och talarens avsikt bevarade. En uppföljning kan ge ett nytt karaktärsbeslut eller en redaktionell kommentar utan att ersätta den etablerade scenen.\n\nProducenten publicerar ett recept för finjustering av samtliga parametrar och en blandning av konversations- och skrivdata. Använd den färdiga utdata som en scen, en dialogtur eller ett omarbetningsutkast och behåll en kompakt anteckning om de berättelsefakta som nästa tur måste bevara. Skaparens fokus är prosa och berättande interaktion; basmodellens namn fastställer inte i sig ytterligare visuella funktioner, resonemangskontroller eller verktygskörning för denna finjusterade utgåva.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.anthracite-org/magnum-v4-72bAnthracites Magnum v4 72B är en Qwen2.5-baserad textmodell anpassad för uttrycksfull prosa och karaktärssamtal. Dess publicerade ChatML-mallar vägleder berättande replikskiften, dialog och svar utanför karaktär, med en konfiguration på 32 768 positioner.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Magnum v4 72B är Anthracites prosainriktade finjustering av Qwen2.5-72B-Instruct. Producenten beskriver den som den experimentella instruktionsbaserade modell som inledde v4-familjen. Den arbetar med skriftliga prompter och konversation för att producera text, med särskild uppmärksamhet på berättarröst och karaktärsinteraktion. Den här utgåvan skiljer sig från de andra storlekarna i Magnum v4-serien.
Den publicerade kontrollpunkten använder en kausal språkmodellarkitektur och en konfiguration med 80 lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Dess maximala positionsantal är 32 768, och träningsreceptet använder också en sekvenslängd på 32 768. Detta är konfigurationen för själva Magnum-utgåvan; den ärver inte en större inställning för utökad kontext enbart för att basmodellen stöder en sådan.
Anthracites ursprungliga promptexempel använder ChatML med separata system-, användar- och assistentturer. Systemdelen kan tillhandahålla karaktärsbeskrivning, personlighet och scenario, medan användarturen ger nästa bidrag till replikskiftet. Producentens berättarmall ber assistenten att behålla personan samtidigt som den får utvecklas, introducera händelser och bikaraktärer samt inkludera dialog, handling och tankar där det passar.
Samma mall lämnar användarens karaktär och val åt användaren. Den avråder också från repetitiv utdata och överdrivet utsmyckad prosa om inte personan kräver den stilen. En begäran utanför karaktär växlar svaret till neutral vanlig text. Detta är konkreta promptval för en interaktiv skrivuppgift, snarare än separata automatiska modelllägen.
För en karaktärsscen förbereder du karaktärens mål, miljön, relationen till den andra talaren och det senaste replikskiftet. Begär en fortsättning med en tydlig stoppunkt så att användaren har plats att svara. För en prosaomarbetning tillhandahåller du ett stycke och identifierar ändringen i ton eller tempo och ber sedan om det omarbetade avsnittet med händelserna och talarens avsikt bevarade. En uppföljning kan ge ett nytt karaktärsbeslut eller en redaktionell kommentar utan att ersätta den etablerade scenen.
Producenten publicerar ett recept för finjustering av samtliga parametrar och en blandning av konversations- och skrivdata. Använd den färdiga utdata som en scen, en dialogtur eller ett omarbetningsutkast och behåll en kompakt anteckning om de berättelsefakta som nästa tur måste bevara. Skaparens fokus är prosa och berättande interaktion; basmodellens namn fastställer inte i sig ytterligare visuella funktioner, resonemangskontroller eller verktygskörning för denna finjusterade utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser anthracite-org/magnum-v4-72b | 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 $0.01 / 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 $0.005 / 1K token Utdata · Utdatatoken $0.01 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthracite-org/magnum-v4-72b", "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='anthracite-org/magnum-v4-72b',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='anthracite-org/magnum-v4-72b',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 anthracite-org/magnum-v4-72b
Använd metodsökvägarna som visas ovan.
anthracite-org/magnum-v4-72bAnthracites Magnum v4 72B är en Qwen2.5-baserad textmodell anpassad för uttrycksfull prosa och karaktärssamtal. Dess publicerade ChatML-mallar vägleder berättande replikskiften, dialog och svar utanför karaktär, med en konfiguration på 32 768 positioner.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Magnum v4 72B är Anthracites prosainriktade finjustering av Qwen2.5-72B-Instruct. Producenten beskriver den som den experimentella instruktionsbaserade modell som inledde v4-familjen. Den arbetar med skriftliga prompter och konversation för att producera text, med särskild uppmärksamhet på berättarröst och karaktärsinteraktion. Den här utgåvan skiljer sig från de andra storlekarna i Magnum v4-serien.
Den publicerade kontrollpunkten använder en kausal språkmodellarkitektur och en konfiguration med 80 lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Dess maximala positionsantal är 32 768, och träningsreceptet använder också en sekvenslängd på 32 768. Detta är konfigurationen för själva Magnum-utgåvan; den ärver inte en större inställning för utökad kontext enbart för att basmodellen stöder en sådan.
Anthracites ursprungliga promptexempel använder ChatML med separata system-, användar- och assistentturer. Systemdelen kan tillhandahålla karaktärsbeskrivning, personlighet och scenario, medan användarturen ger nästa bidrag till replikskiftet. Producentens berättarmall ber assistenten att behålla personan samtidigt som den får utvecklas, introducera händelser och bikaraktärer samt inkludera dialog, handling och tankar där det passar.
Samma mall lämnar användarens karaktär och val åt användaren. Den avråder också från repetitiv utdata och överdrivet utsmyckad prosa om inte personan kräver den stilen. En begäran utanför karaktär växlar svaret till neutral vanlig text. Detta är konkreta promptval för en interaktiv skrivuppgift, snarare än separata automatiska modelllägen.
För en karaktärsscen förbereder du karaktärens mål, miljön, relationen till den andra talaren och det senaste replikskiftet. Begär en fortsättning med en tydlig stoppunkt så att användaren har plats att svara. För en prosaomarbetning tillhandahåller du ett stycke och identifierar ändringen i ton eller tempo och ber sedan om det omarbetade avsnittet med händelserna och talarens avsikt bevarade. En uppföljning kan ge ett nytt karaktärsbeslut eller en redaktionell kommentar utan att ersätta den etablerade scenen.
Producenten publicerar ett recept för finjustering av samtliga parametrar och en blandning av konversations- och skrivdata. Använd den färdiga utdata som en scen, en dialogtur eller ett omarbetningsutkast och behåll en kompakt anteckning om de berättelsefakta som nästa tur måste bevara. Skaparens fokus är prosa och berättande interaktion; basmodellens namn fastställer inte i sig ytterligare visuella funktioner, resonemangskontroller eller verktygskörning för denna finjusterade utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser anthracite-org/magnum-v4-72b | 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 $0.01 / 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 $0.005 / 1K token Utdata · Utdatatoken $0.01 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "anthracite-org/magnum-v4-72b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'anthracite-org/magnum-v4-72b', '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': 'anthracite-org/magnum-v4-72b', '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 anthracite-org/magnum-v4-72b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
A restrained character voice\n\nPlay archivist Nera in a quiet fantasy scene. She values precision and hides concern behind dry humour. I control her former apprentice, who asks to borrow a forbidden map. Write Nera's next two replies with a small physical action between them; end with a question and leave my character's reactions to me.Two replies in Nera's voice and a brief action beat, ending at a point where the player can respond.The replies retain dry humour and do not invent the apprentice's answer or actions.