Trinity-Large-Thinking är den resonemangsoptimerade utgåvan av Arcee AI:s Trinity Large-familj. Den är byggd för agenter som planerar över flera steg, anropar verktyg och håller en uppgift sammanhängande under en lång konversation, samtidigt som generella förmågor för textgenerering behålls. Modellen tar emot text och genererar text, inklusive uttryckligt resonemang och verktygsbegäranden. Träningen utökar modellen Trinity-Large-Base med instruktionsanpassning och förstärkningsinlärning på resonemangskedjor, verktygsanropsförlopp och agentuppgifter i flera steg.
Modellkortet beskriver en gles mixture-of-experts-arkitektur med cirka 398 miljarder totala parametrar och 13 miljarder aktiva parametrar per token. Det anger 256 experter, en delad expert, fyra aktiva experter och ett kontextfönster på 512K efter utökning från en förträningskontext på 8 192 token. Detta är producentens modellegenskaper snarare än en förutsägelse av svarshastighet. Thinking-kontrollpunkten skiljer sig från den lätt eftertränade, chattklara Trinity-Large-Preview, som inte tillhandahåller reasoning_content, och från förträningskontrollpunkterna Base och TrueBase.
Uttryckligt tänkande visas i <think>...</think>-block före det slutliga svaret. I det dokumenterade strukturerade svaret håller reasoning_content det resonemanget separat från content och tool_calls. Att behålla hela assistentens tur är en väsentlig del av att använda modellen: skicka tillbaka resonemanget tillsammans med svaret och eventuella verktygsanrop före nästa steg. Chattmallen återställer tänkandeblocken när nästa indata konstrueras. Om historiken måste kortas rekommenderar Arcee att äldre turer tas bort i sin helhet i stället för att tänkandet avlägsnas från de senaste turerna.
Tillverkarens mönster för en agentslinga börjar med användaruppgiften och verktygsdefinitionerna, tar emot resonemang, ett svar eller verktygsbegäranden, kör de begärda verktygen utanför modellen och lägger till assistentens tur plus de faktiska verktygsresultaten innan det fortsätter. Detta fortsätter tills ett slutligt svar returneras utan verktygsanrop. För assistentturer som innehåller verktygsanrop men ingen svarstext kräver guiden att content är en tom sträng snarare än null. Resonemangsfältet måste också matcha gränssnittet som tillhandahåller modellen: Arcees guide skiljer reasoning_content från integrationer som förväntar sig reasoning.
Detta gör modellen användbar för ett supportflöde som först hämtar en post, tillämpar den tillhandahållna policyn och sedan begär lämplig nästa åtgärd, eller en kodagent som granskar filer, föreslår en ändring och tolkar ett körningsresultat. Ge den det faktiska målet, verktygsnamn, argumentscheman, begränsningar och ett villkor för slutförande. En illustrativ brief kan be den att lokalisera ett fel, förklara underlaget och föreslå en minimal patch, samtidigt som observerade verktygsresultat hålls åtskilda från åtgärder som fortfarande är planerade. Verktygsanrop är begäranden till ett körningslager, inte bevis för att modellen redan har ändrat en fil eller slutfört en extern åtgärd.
Kortet rekommenderar temperature 0.45–0.6, top_p 0.95 och top_k 50 för inferens. Detta är rekommenderade inställningar, inte fasta utdatagränser. Det viktiga felmönstret i tillverkarens guide är felaktigt formad verktygsanvändning i flera steg när en föregående tur förlorar resonemang eller har en ogiltig meddelandeform: markeringar för verktygsanrop kan visas inne i resonemangsfältet i stället för i den strukturerade utdata för verktygsanrop. Bevara hela turen, behåll svarsinnehåll som inte är null och behandla slutartefakten separat från den lagrade resonemangshistoriken. Den här utgåvan passar särskilt arbetsflöden där kontinuiteten mellan observationer, resonemang och efterföljande åtgärder är viktig.
", "aboutText": "Trinity-Large-Thinking är den resonemangsoptimerade utgåvan av Arcee AI:s Trinity Large-familj. Den är byggd för agenter som planerar över flera steg, anropar verktyg och håller en uppgift sammanhängande under en lång konversation, samtidigt som generella förmågor för textgenerering behålls. Modellen tar emot text och genererar text, inklusive uttryckligt resonemang och verktygsbegäranden. Träningen utökar modellen Trinity-Large-Base med instruktionsanpassning och förstärkningsinlärning på resonemangskedjor, verktygsanropsförlopp och agentuppgifter i flera steg.\n\nModellkortet beskriver en gles mixture-of-experts-arkitektur med cirka 398 miljarder totala parametrar och 13 miljarder aktiva parametrar per token. Det anger 256 experter, en delad expert, fyra aktiva experter och ett kontextfönster på 512K efter utökning från en förträningskontext på 8 192 token. Detta är producentens modellegenskaper snarare än en förutsägelse av svarshastighet. Thinking-kontrollpunkten skiljer sig från den lätt eftertränade, chattklara Trinity-Large-Preview, som inte tillhandahåller reasoning_content, och från förträningskontrollpunkterna Base och TrueBase.\n\nUttryckligt tänkande visas iTekniskt exempel på engelska
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.arcee-ai/trinity-large-thinkingTrinity-Large-Thinking är Arcee AI:s resonemangsmodell för agenter med flera steg och verktygsanrop. Den genererar uttryckligt tänkande före sitt svar och kräver att det resonemanget bevaras mellan konversationsomgångar och i verktygsdrivna arbetsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Trinity-Large-Thinking är den resonemangsoptimerade utgåvan av Arcee AI:s Trinity Large-familj. Den är byggd för agenter som planerar över flera steg, anropar verktyg och håller en uppgift sammanhängande under en lång konversation, samtidigt som generella förmågor för textgenerering behålls. Modellen tar emot text och genererar text, inklusive uttryckligt resonemang och verktygsbegäranden. Träningen utökar modellen Trinity-Large-Base med instruktionsanpassning och förstärkningsinlärning på resonemangskedjor, verktygsanropsförlopp och agentuppgifter i flera steg.
Modellkortet beskriver en gles mixture-of-experts-arkitektur med cirka 398 miljarder totala parametrar och 13 miljarder aktiva parametrar per token. Det anger 256 experter, en delad expert, fyra aktiva experter och ett kontextfönster på 512K efter utökning från en förträningskontext på 8 192 token. Detta är producentens modellegenskaper snarare än en förutsägelse av svarshastighet. Thinking-kontrollpunkten skiljer sig från den lätt eftertränade, chattklara Trinity-Large-Preview, som inte tillhandahåller reasoning_content, och från förträningskontrollpunkterna Base och TrueBase.
Uttryckligt tänkande visas i <think>...</think>-block före det slutliga svaret. I det dokumenterade strukturerade svaret håller reasoning_content det resonemanget separat från content och tool_calls. Att behålla hela assistentens tur är en väsentlig del av att använda modellen: skicka tillbaka resonemanget tillsammans med svaret och eventuella verktygsanrop före nästa steg. Chattmallen återställer tänkandeblocken när nästa indata konstrueras. Om historiken måste kortas rekommenderar Arcee att äldre turer tas bort i sin helhet i stället för att tänkandet avlägsnas från de senaste turerna.
Tillverkarens mönster för en agentslinga börjar med användaruppgiften och verktygsdefinitionerna, tar emot resonemang, ett svar eller verktygsbegäranden, kör de begärda verktygen utanför modellen och lägger till assistentens tur plus de faktiska verktygsresultaten innan det fortsätter. Detta fortsätter tills ett slutligt svar returneras utan verktygsanrop. För assistentturer som innehåller verktygsanrop men ingen svarstext kräver guiden att content är en tom sträng snarare än null. Resonemangsfältet måste också matcha gränssnittet som tillhandahåller modellen: Arcees guide skiljer reasoning_content från integrationer som förväntar sig reasoning.
Detta gör modellen användbar för ett supportflöde som först hämtar en post, tillämpar den tillhandahållna policyn och sedan begär lämplig nästa åtgärd, eller en kodagent som granskar filer, föreslår en ändring och tolkar ett körningsresultat. Ge den det faktiska målet, verktygsnamn, argumentscheman, begränsningar och ett villkor för slutförande. En illustrativ brief kan be den att lokalisera ett fel, förklara underlaget och föreslå en minimal patch, samtidigt som observerade verktygsresultat hålls åtskilda från åtgärder som fortfarande är planerade. Verktygsanrop är begäranden till ett körningslager, inte bevis för att modellen redan har ändrat en fil eller slutfört en extern åtgärd.
Kortet rekommenderar temperature 0.45–0.6, top_p 0.95 och top_k 50 för inferens. Detta är rekommenderade inställningar, inte fasta utdatagränser. Det viktiga felmönstret i tillverkarens guide är felaktigt formad verktygsanvändning i flera steg när en föregående tur förlorar resonemang eller har en ogiltig meddelandeform: markeringar för verktygsanrop kan visas inne i resonemangsfältet i stället för i den strukturerade utdata för verktygsanrop. Bevara hela turen, behåll svarsinnehåll som inte är null och behandla slutartefakten separat från den lagrade resonemangshistoriken. Den här utgåvan passar särskilt arbetsflöden där kontinuiteten mellan observationer, resonemang och efterföljande åtgärder är viktig.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00012 / 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 $0.0005 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00012 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "arcee-ai/trinity-large-thinking", "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='arcee-ai/trinity-large-thinking',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='arcee-ai/trinity-large-thinking',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 arcee-ai/trinity-large-thinking
Använd metodsökvägarna som visas ovan.
arcee-ai/trinity-large-thinkingTrinity-Large-Thinking är Arcee AI:s resonemangsmodell för agenter med flera steg och verktygsanrop. Den genererar uttryckligt tänkande före sitt svar och kräver att det resonemanget bevaras mellan konversationsomgångar och i verktygsdrivna arbetsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Trinity-Large-Thinking är den resonemangsoptimerade utgåvan av Arcee AI:s Trinity Large-familj. Den är byggd för agenter som planerar över flera steg, anropar verktyg och håller en uppgift sammanhängande under en lång konversation, samtidigt som generella förmågor för textgenerering behålls. Modellen tar emot text och genererar text, inklusive uttryckligt resonemang och verktygsbegäranden. Träningen utökar modellen Trinity-Large-Base med instruktionsanpassning och förstärkningsinlärning på resonemangskedjor, verktygsanropsförlopp och agentuppgifter i flera steg.
Modellkortet beskriver en gles mixture-of-experts-arkitektur med cirka 398 miljarder totala parametrar och 13 miljarder aktiva parametrar per token. Det anger 256 experter, en delad expert, fyra aktiva experter och ett kontextfönster på 512K efter utökning från en förträningskontext på 8 192 token. Detta är producentens modellegenskaper snarare än en förutsägelse av svarshastighet. Thinking-kontrollpunkten skiljer sig från den lätt eftertränade, chattklara Trinity-Large-Preview, som inte tillhandahåller reasoning_content, och från förträningskontrollpunkterna Base och TrueBase.
Uttryckligt tänkande visas i <think>...</think>-block före det slutliga svaret. I det dokumenterade strukturerade svaret håller reasoning_content det resonemanget separat från content och tool_calls. Att behålla hela assistentens tur är en väsentlig del av att använda modellen: skicka tillbaka resonemanget tillsammans med svaret och eventuella verktygsanrop före nästa steg. Chattmallen återställer tänkandeblocken när nästa indata konstrueras. Om historiken måste kortas rekommenderar Arcee att äldre turer tas bort i sin helhet i stället för att tänkandet avlägsnas från de senaste turerna.
Tillverkarens mönster för en agentslinga börjar med användaruppgiften och verktygsdefinitionerna, tar emot resonemang, ett svar eller verktygsbegäranden, kör de begärda verktygen utanför modellen och lägger till assistentens tur plus de faktiska verktygsresultaten innan det fortsätter. Detta fortsätter tills ett slutligt svar returneras utan verktygsanrop. För assistentturer som innehåller verktygsanrop men ingen svarstext kräver guiden att content är en tom sträng snarare än null. Resonemangsfältet måste också matcha gränssnittet som tillhandahåller modellen: Arcees guide skiljer reasoning_content från integrationer som förväntar sig reasoning.
Detta gör modellen användbar för ett supportflöde som först hämtar en post, tillämpar den tillhandahållna policyn och sedan begär lämplig nästa åtgärd, eller en kodagent som granskar filer, föreslår en ändring och tolkar ett körningsresultat. Ge den det faktiska målet, verktygsnamn, argumentscheman, begränsningar och ett villkor för slutförande. En illustrativ brief kan be den att lokalisera ett fel, förklara underlaget och föreslå en minimal patch, samtidigt som observerade verktygsresultat hålls åtskilda från åtgärder som fortfarande är planerade. Verktygsanrop är begäranden till ett körningslager, inte bevis för att modellen redan har ändrat en fil eller slutfört en extern åtgärd.
Kortet rekommenderar temperature 0.45–0.6, top_p 0.95 och top_k 50 för inferens. Detta är rekommenderade inställningar, inte fasta utdatagränser. Det viktiga felmönstret i tillverkarens guide är felaktigt formad verktygsanvändning i flera steg när en föregående tur förlorar resonemang eller har en ogiltig meddelandeform: markeringar för verktygsanrop kan visas inne i resonemangsfältet i stället för i den strukturerade utdata för verktygsanrop. Bevara hela turen, behåll svarsinnehåll som inte är null och behandla slutartefakten separat från den lagrade resonemangshistoriken. Den här utgåvan passar särskilt arbetsflöden där kontinuiteten mellan observationer, resonemang och efterföljande åtgärder är viktig.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser arcee-ai/trinity-large-thinking | 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 $0.0005 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00012 / 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 $0.0005 / 1K token Utdata · Utdatatoken $0.0016 / 1K token Indata · Cacheläsning $0.00012 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "arcee-ai/trinity-large-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'arcee-ai/trinity-large-thinking', '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': 'arcee-ai/trinity-large-thinking', '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 arcee-ai/trinity-large-thinking
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Apply a support policy to a record\n\nUse this supplied lookup result: order C17 arrived 12 days ago, packaging intact, customer requests a return. Policy: unopened items may be returned within 14 days; opened items need review. Decide the next support step and draft a request for the one missing fact. Do not claim any external action occurred.A policy-based decision, the missing fact and a customer-facing clarification message.Check that unopened status remains unknown and that no return is described as already created.