Command A är Coheres textmodell från mars 2025 för företagsagenter, sökförstärkta svar och flerspråkigt arbete. Den exakta utgåvan har 111 miljarder parametrar, tar emot text och producerar text. Tillverkarens modellkontext är 256K token, med maximalt 8 000 utdatatoken i den publicerade tjänsteprofilen. Den är skild från Command A Vision, Command A Reasoning och den senare multimodala A+-utgåvan.
Tillverkaren beskriver en autoregressiv transformer med lokal attention i glidande fönster och återkommande global attention. Tre lokala lager använder ett fönster på 4 096 token med roterande positionskodning; ett fjärde lager använder global attention utan positionsinbäddningar. Övervakad finjustering och preferensträning formar ett hjälpsamt beteende med fokus på samtal och uppgifter. Modellen är tränad på 23 språk och stödjer uppgifter mellan språk, såsom översättning eller svar på en fråga om material skrivet på ett annat språk.
Ange svarsspråket och behåll nödvändig terminologi. För en flerspråkig kunskapsassistent, ge källavsnitten egna namn och be om en förklaring som behåller produktnamn, kodidentifierare och citerade formuleringar. Ett användbart slutsvar identifierar källan bakom en slutsats i stället för att översätta bort en skillnad som har betydelse för uppgiften.
Command A är samtalsinriktad som standard och lägger ofta till en inledning, följdfrågor och Markdown eller matematisk formatering. För extraktion, kategorisering, sammanfattning eller översättning, använd tillverkarens metod med systeminstruktioner för att be om enbart det nödvändiga svaret och ange om Markdown eller kodblock ska ingå i utdata. Det undviker att en vänlig samtalsinledning behandlas som en del av en datapost i ett senare steg.
Modellkortet beskriver kontextuella och strikta säkerhetslägen, med det kontextuella läget som tillverkarens standard. Det är dokumenterade beteendeinställningar för tillverkarprofilen, oberoende av uppgiftens begärda format. Definiera det relevanta uppgiftssammanhanget och önskade utdata tydligt.
Command A är tränad för svarsgenereringssteget i sökförstärkt generering. Indata kombinerar samtalet med tillhandahållna dokumentutdrag, vanligen omkring 100–400 ord per del, representerade med korta beskrivande nycklar och textuella eller halvstrukturerade värden. Tillverkaren uppmuntrar också till att jämföra detta specialiserade format med relevanta dokument placerade direkt i användarmeddelandet.
För en policyjämförelse eller teknisk jämförelse, märk varje utdrag och begär en slutsats som stöds av det relevanta avsnittet. I tillverkarens format med källhänvisningar kopplar utdata avsnitt av svaret till stödjande källor. Håll de hämtade dokumentens identifierare tillgängliga så att hänvisningarna förblir begripliga. En källhänvisning anger vilket tillhandahållet material som stödjer det genererade avsnittet; det omgivande systemet tillhandahåller den faktiska sökningen.
Tillverkaren tränar Command A för verktygsanvändning i samtal med funktionsbeskrivningar i JSON-schema. Modellen kan generera en plan och valda anrop, applikationen utför dessa anrop och deras resultat i form av nyckel-värde-objekt återkommer i samtalet med matchande identifierare för verktygsanropet. Modellen använder sedan observationerna för att producera ett svar, eventuellt med källmarkerade textavsnitt kopplade till verktygsresultaten.
Programmeringsuppgifter omfattar SQL-generering, kodförklaring samt översättning eller omskrivning av kod. Tillhandahåll schemat eller den relevanta implementationen och beteendet som ska bevaras. Tillverkaren rekommenderar låg temperatur, inklusive girig avkodning där det passar, för kodgenereringsinstruktioner. Granska genererad SQL eller kod före körning och återför faktiska valideringsobservationer när resultatet revideras.
Modellkortet påpekar en praktisk kontextskillnad: modellen stödjer 256K, medan den publicerade Hugging Face-konfigurationen är inställd på 128K och kan justeras. Behåll det valda arbetsflödets faktiska kontextkonfiguration och reservera utrymme för svaret. Ett användbart resultat är den begärda text- eller kodartefakten med belägg som kan spåras till de tillhandahållna källorna och verktygsobservationerna.
", "aboutText": "Command A är Coheres textmodell från mars 2025 för företagsagenter, sökförstärkta svar och flerspråkigt arbete. Den exakta utgåvan har 111 miljarder parametrar, tar emot text och producerar text. Tillverkarens modellkontext är 256K token, med maximalt 8 000 utdatatoken i den publicerade tjänsteprofilen. Den är skild från Command A Vision, Command A Reasoning och den senare multimodala A+-utgåvan.\n\n### Modelldetaljer och språk\n\nTillverkaren beskriver en autoregressiv transformer med lokal attention i glidande fönster och återkommande global attention. Tre lokala lager använder ett fönster på 4 096 token med roterande positionskodning; ett fjärde lager använder global attention utan positionsinbäddningar. Övervakad finjustering och preferensträning formar ett hjälpsamt beteende med fokus på samtal och uppgifter. Modellen är tränad på 23 språk och stödjer uppgifter mellan språk, såsom översättning eller svar på en fråga om material skrivet på ett annat språk.\n\nAnge svarsspråket och behåll nödvändig terminologi. För en flerspråkig kunskapsassistent, ge källavsnitten egna namn och be om en förklaring som behåller produktnamn, kodidentifierare och citerade formuleringar. Ett användbart slutsvar identifierar källan bakom en slutsats i stället för att översätta bort en skillnad som har betydelse för uppgiften.\n\n### Samtal och uppgiftsfokuserade utdata\n\nCommand A är samtalsinriktad som standard och lägger ofta till en inledning, följdfrågor och Markdown eller matematisk formatering. För extraktion, kategorisering, sammanfattning eller översättning, använd tillverkarens metod med systeminstruktioner för att be om enbart det nödvändiga svaret och ange om Markdown eller kodblock ska ingå i utdata. Det undviker att en vänlig samtalsinledning behandlas som en del av en datapost i ett senare steg.\n\nModellkortet beskriver kontextuella och strikta säkerhetslägen, med det kontextuella läget som tillverkarens standard. Det är dokumenterade beteendeinställningar för tillverkarprofilen, oberoende av uppgiftens begärda format. Definiera det relevanta uppgiftssammanhanget och önskade utdata tydligt.\n\n### Förankrad generering\n\nCommand A är tränad för svarsgenereringssteget i sökförstärkt generering. Indata kombinerar samtalet med tillhandahållna dokumentutdrag, vanligen omkring 100–400 ord per del, representerade med korta beskrivande nycklar och textuella eller halvstrukturerade värden. Tillverkaren uppmuntrar också till att jämföra detta specialiserade format med relevanta dokument placerade direkt i användarmeddelandet.\n\nFör en policyjämförelse eller teknisk jämförelse, märk varje utdrag och begär en slutsats som stöds av det relevanta avsnittet. I tillverkarens format med källhänvisningar kopplar utdata avsnitt av svaret till stödjande källor. Håll de hämtade dokumentens identifierare tillgängliga så att hänvisningarna förblir begripliga. En källhänvisning anger vilket tillhandahållet material som stödjer det genererade avsnittet; det omgivande systemet tillhandahåller den faktiska sökningen.\n\n### Verktyg och kod\n\nTillverkaren tränar Command A för verktygsanvändning i samtal med funktionsbeskrivningar i JSON-schema. Modellen kan generera en plan och valda anrop, applikationen utför dessa anrop och deras resultat i form av nyckel-värde-objekt återkommer i samtalet med matchande identifierare för verktygsanropet. Modellen använder sedan observationerna för att producera ett svar, eventuellt med källmarkerade textavsnitt kopplade till verktygsresultaten.\n\nProgrammeringsuppgifter omfattar SQL-generering, kodförklaring samt översättning eller omskrivning av kod. Tillhandahåll schemat eller den relevanta implementationen och beteendet som ska bevaras. Tillverkaren rekommenderar låg temperatur, inklusive girig avkodning där det passar, för kodgenereringsinstruktioner. Granska genererad SQL eller kod före körning och återför faktiska valideringsobservationer när resultatet revideras.\n\nModellkortet påpekar en praktisk kontextskillnad: modellen stödjer 256K, medan den publicerade Hugging Face-konfigurationen är inställd på 128K och kan justeras. Behåll det valda arbetsflödets faktiska kontextkonfiguration och reservera utrymme för svaret. Ett användbart resultat är den begärda text- eller kodartefakten med belägg som kan spåras till de tillhandahållna källorna och verktygsobservationerna.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.cohere/command-aCommand A är Coheres textmodell på 111B för flerspråkiga företagsagenter, dokumentförankrade svar och verktygsstyrt arbete. Den kombinerar en kontext på 256K med källhänvisningar, kodassistans och träning på 23 språk och producerar text utifrån skriftliga instruktioner och tillhandahållna belägg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Command A är Coheres textmodell från mars 2025 för företagsagenter, sökförstärkta svar och flerspråkigt arbete. Den exakta utgåvan har 111 miljarder parametrar, tar emot text och producerar text. Tillverkarens modellkontext är 256K token, med maximalt 8 000 utdatatoken i den publicerade tjänsteprofilen. Den är skild från Command A Vision, Command A Reasoning och den senare multimodala A+-utgåvan.
Tillverkaren beskriver en autoregressiv transformer med lokal attention i glidande fönster och återkommande global attention. Tre lokala lager använder ett fönster på 4 096 token med roterande positionskodning; ett fjärde lager använder global attention utan positionsinbäddningar. Övervakad finjustering och preferensträning formar ett hjälpsamt beteende med fokus på samtal och uppgifter. Modellen är tränad på 23 språk och stödjer uppgifter mellan språk, såsom översättning eller svar på en fråga om material skrivet på ett annat språk.
Ange svarsspråket och behåll nödvändig terminologi. För en flerspråkig kunskapsassistent, ge källavsnitten egna namn och be om en förklaring som behåller produktnamn, kodidentifierare och citerade formuleringar. Ett användbart slutsvar identifierar källan bakom en slutsats i stället för att översätta bort en skillnad som har betydelse för uppgiften.
Command A är samtalsinriktad som standard och lägger ofta till en inledning, följdfrågor och Markdown eller matematisk formatering. För extraktion, kategorisering, sammanfattning eller översättning, använd tillverkarens metod med systeminstruktioner för att be om enbart det nödvändiga svaret och ange om Markdown eller kodblock ska ingå i utdata. Det undviker att en vänlig samtalsinledning behandlas som en del av en datapost i ett senare steg.
Modellkortet beskriver kontextuella och strikta säkerhetslägen, med det kontextuella läget som tillverkarens standard. Det är dokumenterade beteendeinställningar för tillverkarprofilen, oberoende av uppgiftens begärda format. Definiera det relevanta uppgiftssammanhanget och önskade utdata tydligt.
Command A är tränad för svarsgenereringssteget i sökförstärkt generering. Indata kombinerar samtalet med tillhandahållna dokumentutdrag, vanligen omkring 100–400 ord per del, representerade med korta beskrivande nycklar och textuella eller halvstrukturerade värden. Tillverkaren uppmuntrar också till att jämföra detta specialiserade format med relevanta dokument placerade direkt i användarmeddelandet.
För en policyjämförelse eller teknisk jämförelse, märk varje utdrag och begär en slutsats som stöds av det relevanta avsnittet. I tillverkarens format med källhänvisningar kopplar utdata avsnitt av svaret till stödjande källor. Håll de hämtade dokumentens identifierare tillgängliga så att hänvisningarna förblir begripliga. En källhänvisning anger vilket tillhandahållet material som stödjer det genererade avsnittet; det omgivande systemet tillhandahåller den faktiska sökningen.
Tillverkaren tränar Command A för verktygsanvändning i samtal med funktionsbeskrivningar i JSON-schema. Modellen kan generera en plan och valda anrop, applikationen utför dessa anrop och deras resultat i form av nyckel-värde-objekt återkommer i samtalet med matchande identifierare för verktygsanropet. Modellen använder sedan observationerna för att producera ett svar, eventuellt med källmarkerade textavsnitt kopplade till verktygsresultaten.
Programmeringsuppgifter omfattar SQL-generering, kodförklaring samt översättning eller omskrivning av kod. Tillhandahåll schemat eller den relevanta implementationen och beteendet som ska bevaras. Tillverkaren rekommenderar låg temperatur, inklusive girig avkodning där det passar, för kodgenereringsinstruktioner. Granska genererad SQL eller kod före körning och återför faktiska valideringsobservationer när resultatet revideras.
Modellkortet påpekar en praktisk kontextskillnad: modellen stödjer 256K, medan den publicerade Hugging Face-konfigurationen är inställd på 128K och kan justeras. Behåll det valda arbetsflödets faktiska kontextkonfiguration och reservera utrymme för svaret. Ett användbart resultat är den begärda text- eller kodartefakten med belägg som kan spåras till de tillhandahållna källorna och verktygsobservationerna.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser cohere/command-a | 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 $0.02 / 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 $0.02 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/command-a", "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='cohere/command-a',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='cohere/command-a',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 cohere/command-a
Använd metodsökvägarna som visas ovan.
cohere/command-aCommand A är Coheres textmodell på 111B för flerspråkiga företagsagenter, dokumentförankrade svar och verktygsstyrt arbete. Den kombinerar en kontext på 256K med källhänvisningar, kodassistans och träning på 23 språk och producerar text utifrån skriftliga instruktioner och tillhandahållna belägg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Command A är Coheres textmodell från mars 2025 för företagsagenter, sökförstärkta svar och flerspråkigt arbete. Den exakta utgåvan har 111 miljarder parametrar, tar emot text och producerar text. Tillverkarens modellkontext är 256K token, med maximalt 8 000 utdatatoken i den publicerade tjänsteprofilen. Den är skild från Command A Vision, Command A Reasoning och den senare multimodala A+-utgåvan.
Tillverkaren beskriver en autoregressiv transformer med lokal attention i glidande fönster och återkommande global attention. Tre lokala lager använder ett fönster på 4 096 token med roterande positionskodning; ett fjärde lager använder global attention utan positionsinbäddningar. Övervakad finjustering och preferensträning formar ett hjälpsamt beteende med fokus på samtal och uppgifter. Modellen är tränad på 23 språk och stödjer uppgifter mellan språk, såsom översättning eller svar på en fråga om material skrivet på ett annat språk.
Ange svarsspråket och behåll nödvändig terminologi. För en flerspråkig kunskapsassistent, ge källavsnitten egna namn och be om en förklaring som behåller produktnamn, kodidentifierare och citerade formuleringar. Ett användbart slutsvar identifierar källan bakom en slutsats i stället för att översätta bort en skillnad som har betydelse för uppgiften.
Command A är samtalsinriktad som standard och lägger ofta till en inledning, följdfrågor och Markdown eller matematisk formatering. För extraktion, kategorisering, sammanfattning eller översättning, använd tillverkarens metod med systeminstruktioner för att be om enbart det nödvändiga svaret och ange om Markdown eller kodblock ska ingå i utdata. Det undviker att en vänlig samtalsinledning behandlas som en del av en datapost i ett senare steg.
Modellkortet beskriver kontextuella och strikta säkerhetslägen, med det kontextuella läget som tillverkarens standard. Det är dokumenterade beteendeinställningar för tillverkarprofilen, oberoende av uppgiftens begärda format. Definiera det relevanta uppgiftssammanhanget och önskade utdata tydligt.
Command A är tränad för svarsgenereringssteget i sökförstärkt generering. Indata kombinerar samtalet med tillhandahållna dokumentutdrag, vanligen omkring 100–400 ord per del, representerade med korta beskrivande nycklar och textuella eller halvstrukturerade värden. Tillverkaren uppmuntrar också till att jämföra detta specialiserade format med relevanta dokument placerade direkt i användarmeddelandet.
För en policyjämförelse eller teknisk jämförelse, märk varje utdrag och begär en slutsats som stöds av det relevanta avsnittet. I tillverkarens format med källhänvisningar kopplar utdata avsnitt av svaret till stödjande källor. Håll de hämtade dokumentens identifierare tillgängliga så att hänvisningarna förblir begripliga. En källhänvisning anger vilket tillhandahållet material som stödjer det genererade avsnittet; det omgivande systemet tillhandahåller den faktiska sökningen.
Tillverkaren tränar Command A för verktygsanvändning i samtal med funktionsbeskrivningar i JSON-schema. Modellen kan generera en plan och valda anrop, applikationen utför dessa anrop och deras resultat i form av nyckel-värde-objekt återkommer i samtalet med matchande identifierare för verktygsanropet. Modellen använder sedan observationerna för att producera ett svar, eventuellt med källmarkerade textavsnitt kopplade till verktygsresultaten.
Programmeringsuppgifter omfattar SQL-generering, kodförklaring samt översättning eller omskrivning av kod. Tillhandahåll schemat eller den relevanta implementationen och beteendet som ska bevaras. Tillverkaren rekommenderar låg temperatur, inklusive girig avkodning där det passar, för kodgenereringsinstruktioner. Granska genererad SQL eller kod före körning och återför faktiska valideringsobservationer när resultatet revideras.
Modellkortet påpekar en praktisk kontextskillnad: modellen stödjer 256K, medan den publicerade Hugging Face-konfigurationen är inställd på 128K och kan justeras. Behåll det valda arbetsflödets faktiska kontextkonfiguration och reservera utrymme för svaret. Ett användbart resultat är den begärda text- eller kodartefakten med belägg som kan spåras till de tillhandahållna källorna och verktygsobservationerna.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser cohere/command-a | 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 $0.02 / 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 $0.02 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "cohere/command-a",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'cohere/command-a', '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': 'cohere/command-a', '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 cohere/command-a
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
A multilingual answer grounded in snippets\n\nAnswer in English using only these snippets. FR-1: 'Les retours sont acceptés sous 30 jours pour les articles non utilisés.' EN-2: 'Return shipping is paid by the customer unless the item is defective.' A customer asks whether an unused item can be returned after 20 days and who pays postage. Cite snippet IDs.A short English answer with FR-1 and EN-2 attached to the conclusions they support.The answer preserves the unused-item condition and defective-item exception without inventing a refund timeline.