Granite 4.0 H Micro är IBM:s instruktionsmodell med lång kontext och 3 miljarder parametrar, finjusterad från Granite 4.0 H Micro Base. Det är den hybrida täta Micro-utgåvan, som kombinerar Mamba-2 och attention snarare än den rena transformerutgåvan Micro eller de större mixture-of-experts-varianterna. Modellen tar emot en textinstruktion och kontext och returnerar text, vilket gör den till en kompakt byggsten för företagsassistenter och specifika steg inom en agentuppgift.
Tillverkarens arkitekturtabell anger fyra attention-lager och trettiosex Mamba-2-lager, med en sekvenslängd på 128K. Instruktionsmodellen använder övervakad finjustering, anpassning med förstärkningsinlärning och modellsammanslagning. Träningsmaterialet omfattar instruktionsdata med tillåtande licenser, syntetiska data och exempel utvalda av människor. Hybridstrukturen är en egenskap hos utgåvan; den bör inte ersättas med parameterantalet eller profilen för aktiva experter hos en annan Granite-modell.
Tillverkaren listar tolv stödda språk och uppgifter som sammanfattning, klassificering, extraktion, frågebesvarande, generering förstärkt med informationshämtning, programmering och funktionsanrop. Tillhandahåll det faktiska källavsnittet och beskriv den operation som behövs. För extraktion definierar du fälten och hur ett saknat värde ska representeras. För klassificering anger du kategoriernas betydelser och ett fall som illustrerar en viktig gräns.
Ett illustrativt underlag är: ”Extrahera varje krav ur detta avsnitt, behåll dess identifierare och citera meningen som fastställer det.” För en sammanfattning anger du målgruppen och de fakta som måste finnas kvar. För översättning identifierar du namn och tekniska termer som ska behålla sin ursprungliga stavning. Ett tydligt slutformat hjälper en liten instruktionsmodell att producera det resultat som applikationen behöver.
Granite H Micros modellkort visar verktygsdefinitioner med funktionsnamn, beskrivningar och parameterscheman. Modellen returnerar ett funktionsnamn och JSON-argument i sin representation för verktygsanrop. Den omgivande applikationen utför den valda operationen, kontrollerar argumenten och returnerar resultatet. En uppslagningsuppgift bör bevara denna observation som underlaget som svaret använder.
I ett informationshämtningsflöde tillhandahåller du relevant dokumentmaterial och begär ett svar som är förankrat i det. Källåtkomst tillhör applikationen; textmodellens svar genereras från den kontext den får. Håll dokumentetiketter och enheter synliga så att ett resultat kan spåras tillbaka till indata.
Modellen stöder kodrelaterade uppgifter och komplettering mitt i befintlig kod. Ett programmeringsunderlag bör omfatta relevant implementation, observerat beteende och beteendet som ska bevaras. För en kompletteringsuppgift identifierar du den omgivande koden och luckan som ska fyllas. Be om det resulterande kodmaterialet och en förklaring knuten till begränsningarna och granska sedan resultatet i den faktiska utvecklingsmiljön.
Kontexten på 128K omfattar instruktionen, källan, samtalet och det genererade svaret tillsammans; modellkortet fastställer inte en oberoende allmängiltig maximal svarslängd. Referenschattmallen innehåller en standardsysteminstruktion för professionella, korrekta och säkra svar. En begärd fältlista eller kodleverans behöver fortfarande egna uttryckliga uppgiftsinstruktioner.
IBM påpekar att flerspråkig prestanda kan skilja sig från engelska eftersom instruktionsträningen främst är engelskspråkig; några uppgiftsrelevanta exempel kan hjälpa. Företaget medger också möjliga felaktiga eller partiska svar. Kontrollera källhärledda värden och genererad kod mot indata och återför faktiska observationer när en uppgift behöver korrigeras. H Micros användbara utdata är ett fokuserat text- eller kodresultat med den exakta hybrida Micro-identiteten bevarad.
", "aboutText": "Granite 4.0 H Micro är IBM:s instruktionsmodell med lång kontext och 3 miljarder parametrar, finjusterad från Granite 4.0 H Micro Base. Det är den hybrida täta Micro-utgåvan, som kombinerar Mamba-2 och attention snarare än den rena transformerutgåvan Micro eller de större mixture-of-experts-varianterna. Modellen tar emot en textinstruktion och kontext och returnerar text, vilket gör den till en kompakt byggsten för företagsassistenter och specifika steg inom en agentuppgift.\n\n### Modellstruktur och träning\n\nTillverkarens arkitekturtabell anger fyra attention-lager och trettiosex Mamba-2-lager, med en sekvenslängd på 128K. Instruktionsmodellen använder övervakad finjustering, anpassning med förstärkningsinlärning och modellsammanslagning. Träningsmaterialet omfattar instruktionsdata med tillåtande licenser, syntetiska data och exempel utvalda av människor. Hybridstrukturen är en egenskap hos utgåvan; den bör inte ersättas med parameterantalet eller profilen för aktiva experter hos en annan Granite-modell.\n\n### Språk och fokuserade uppgifter\n\nTillverkaren listar tolv stödda språk och uppgifter som sammanfattning, klassificering, extraktion, frågebesvarande, generering förstärkt med informationshämtning, programmering och funktionsanrop. Tillhandahåll det faktiska källavsnittet och beskriv den operation som behövs. För extraktion definierar du fälten och hur ett saknat värde ska representeras. För klassificering anger du kategoriernas betydelser och ett fall som illustrerar en viktig gräns.\n\nEtt illustrativt underlag är: ”Extrahera varje krav ur detta avsnitt, behåll dess identifierare och citera meningen som fastställer det.” För en sammanfattning anger du målgruppen och de fakta som måste finnas kvar. För översättning identifierar du namn och tekniska termer som ska behålla sin ursprungliga stavning. Ett tydligt slutformat hjälper en liten instruktionsmodell att producera det resultat som applikationen behöver.\n\n### Verktyg och källförankrade svar\n\nGranite H Micros modellkort visar verktygsdefinitioner med funktionsnamn, beskrivningar och parameterscheman. Modellen returnerar ett funktionsnamn och JSON-argument i sin representation för verktygsanrop. Den omgivande applikationen utför den valda operationen, kontrollerar argumenten och returnerar resultatet. En uppslagningsuppgift bör bevara denna observation som underlaget som svaret använder.\n\nI ett informationshämtningsflöde tillhandahåller du relevant dokumentmaterial och begär ett svar som är förankrat i det. Källåtkomst tillhör applikationen; textmodellens svar genereras från den kontext den får. Håll dokumentetiketter och enheter synliga så att ett resultat kan spåras tillbaka till indata.\n\n### Programmering och komplettering\n\nModellen stöder kodrelaterade uppgifter och komplettering mitt i befintlig kod. Ett programmeringsunderlag bör omfatta relevant implementation, observerat beteende och beteendet som ska bevaras. För en kompletteringsuppgift identifierar du den omgivande koden och luckan som ska fyllas. Be om det resulterande kodmaterialet och en förklaring knuten till begränsningarna och granska sedan resultatet i den faktiska utvecklingsmiljön.\n\n### Kontext och begränsningar\n\nKontexten på 128K omfattar instruktionen, källan, samtalet och det genererade svaret tillsammans; modellkortet fastställer inte en oberoende allmängiltig maximal svarslängd. Referenschattmallen innehåller en standardsysteminstruktion för professionella, korrekta och säkra svar. En begärd fältlista eller kodleverans behöver fortfarande egna uttryckliga uppgiftsinstruktioner.\n\nIBM påpekar att flerspråkig prestanda kan skilja sig från engelska eftersom instruktionsträningen främst är engelskspråkig; några uppgiftsrelevanta exempel kan hjälpa. Företaget medger också möjliga felaktiga eller partiska svar. Kontrollera källhärledda värden och genererad kod mot indata och återför faktiska observationer när en uppgift behöver korrigeras. H Micros användbara utdata är ett fokuserat text- eller kodresultat med den exakta hybrida Micro-identiteten bevarad.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Extract traceable requirements\n\nExtract requirements from this passage: '[R1] Export filenames must include the report ID. [R2] Reports with no rows must still include column headings. [R3] Files are encoded as UTF-8.' Return a table with requirement ID, implementation requirement and the exact supporting sentence. Keep each requirement separate and add no implementation details absent from the source.A three-row table retaining each ID, requirement and exact source sentence.Check every extracted requirement maps one-to-one to R1, R2 or R3 without added conditions.ibm-granite/granite-4.0-h-microGranite 4.0 H Micro är IBM:s hybrida textmodell på 3B med Mamba-2/transformer för fokuserade företagsuppgifter. Dess kontext på 128K stöder sammanfattning, extraktion, frågor, programmering och funktionsanrop, med flerspråkig dialog och kodkomplettering mitt i befintlig kod.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Granite 4.0 H Micro är IBM:s instruktionsmodell med lång kontext och 3 miljarder parametrar, finjusterad från Granite 4.0 H Micro Base. Det är den hybrida täta Micro-utgåvan, som kombinerar Mamba-2 och attention snarare än den rena transformerutgåvan Micro eller de större mixture-of-experts-varianterna. Modellen tar emot en textinstruktion och kontext och returnerar text, vilket gör den till en kompakt byggsten för företagsassistenter och specifika steg inom en agentuppgift.
Tillverkarens arkitekturtabell anger fyra attention-lager och trettiosex Mamba-2-lager, med en sekvenslängd på 128K. Instruktionsmodellen använder övervakad finjustering, anpassning med förstärkningsinlärning och modellsammanslagning. Träningsmaterialet omfattar instruktionsdata med tillåtande licenser, syntetiska data och exempel utvalda av människor. Hybridstrukturen är en egenskap hos utgåvan; den bör inte ersättas med parameterantalet eller profilen för aktiva experter hos en annan Granite-modell.
Tillverkaren listar tolv stödda språk och uppgifter som sammanfattning, klassificering, extraktion, frågebesvarande, generering förstärkt med informationshämtning, programmering och funktionsanrop. Tillhandahåll det faktiska källavsnittet och beskriv den operation som behövs. För extraktion definierar du fälten och hur ett saknat värde ska representeras. För klassificering anger du kategoriernas betydelser och ett fall som illustrerar en viktig gräns.
Ett illustrativt underlag är: ”Extrahera varje krav ur detta avsnitt, behåll dess identifierare och citera meningen som fastställer det.” För en sammanfattning anger du målgruppen och de fakta som måste finnas kvar. För översättning identifierar du namn och tekniska termer som ska behålla sin ursprungliga stavning. Ett tydligt slutformat hjälper en liten instruktionsmodell att producera det resultat som applikationen behöver.
Granite H Micros modellkort visar verktygsdefinitioner med funktionsnamn, beskrivningar och parameterscheman. Modellen returnerar ett funktionsnamn och JSON-argument i sin representation för verktygsanrop. Den omgivande applikationen utför den valda operationen, kontrollerar argumenten och returnerar resultatet. En uppslagningsuppgift bör bevara denna observation som underlaget som svaret använder.
I ett informationshämtningsflöde tillhandahåller du relevant dokumentmaterial och begär ett svar som är förankrat i det. Källåtkomst tillhör applikationen; textmodellens svar genereras från den kontext den får. Håll dokumentetiketter och enheter synliga så att ett resultat kan spåras tillbaka till indata.
Modellen stöder kodrelaterade uppgifter och komplettering mitt i befintlig kod. Ett programmeringsunderlag bör omfatta relevant implementation, observerat beteende och beteendet som ska bevaras. För en kompletteringsuppgift identifierar du den omgivande koden och luckan som ska fyllas. Be om det resulterande kodmaterialet och en förklaring knuten till begränsningarna och granska sedan resultatet i den faktiska utvecklingsmiljön.
Kontexten på 128K omfattar instruktionen, källan, samtalet och det genererade svaret tillsammans; modellkortet fastställer inte en oberoende allmängiltig maximal svarslängd. Referenschattmallen innehåller en standardsysteminstruktion för professionella, korrekta och säkra svar. En begärd fältlista eller kodleverans behöver fortfarande egna uttryckliga uppgiftsinstruktioner.
IBM påpekar att flerspråkig prestanda kan skilja sig från engelska eftersom instruktionsträningen främst är engelskspråkig; några uppgiftsrelevanta exempel kan hjälpa. Företaget medger också möjliga felaktiga eller partiska svar. Kontrollera källhärledda värden och genererad kod mot indata och återför faktiska observationer när en uppgift behöver korrigeras. H Micros användbara utdata är ett fokuserat text- eller kodresultat med den exakta hybrida Micro-identiteten bevarad.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser ibm-granite/granite-4.0-h-micro | 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 $0.000034 / 1K token Utdata · Utdatatoken $0.000224 / 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 $0.000034 / 1K token Utdata · Utdatatoken $0.000224 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "ibm-granite/granite-4.0-h-micro", "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='ibm-granite/granite-4.0-h-micro',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='ibm-granite/granite-4.0-h-micro',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 ibm-granite/granite-4.0-h-micro
Använd metodsökvägarna som visas ovan.
ibm-granite/granite-4.0-h-microGranite 4.0 H Micro är IBM:s hybrida textmodell på 3B med Mamba-2/transformer för fokuserade företagsuppgifter. Dess kontext på 128K stöder sammanfattning, extraktion, frågor, programmering och funktionsanrop, med flerspråkig dialog och kodkomplettering mitt i befintlig kod.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Granite 4.0 H Micro är IBM:s instruktionsmodell med lång kontext och 3 miljarder parametrar, finjusterad från Granite 4.0 H Micro Base. Det är den hybrida täta Micro-utgåvan, som kombinerar Mamba-2 och attention snarare än den rena transformerutgåvan Micro eller de större mixture-of-experts-varianterna. Modellen tar emot en textinstruktion och kontext och returnerar text, vilket gör den till en kompakt byggsten för företagsassistenter och specifika steg inom en agentuppgift.
Tillverkarens arkitekturtabell anger fyra attention-lager och trettiosex Mamba-2-lager, med en sekvenslängd på 128K. Instruktionsmodellen använder övervakad finjustering, anpassning med förstärkningsinlärning och modellsammanslagning. Träningsmaterialet omfattar instruktionsdata med tillåtande licenser, syntetiska data och exempel utvalda av människor. Hybridstrukturen är en egenskap hos utgåvan; den bör inte ersättas med parameterantalet eller profilen för aktiva experter hos en annan Granite-modell.
Tillverkaren listar tolv stödda språk och uppgifter som sammanfattning, klassificering, extraktion, frågebesvarande, generering förstärkt med informationshämtning, programmering och funktionsanrop. Tillhandahåll det faktiska källavsnittet och beskriv den operation som behövs. För extraktion definierar du fälten och hur ett saknat värde ska representeras. För klassificering anger du kategoriernas betydelser och ett fall som illustrerar en viktig gräns.
Ett illustrativt underlag är: ”Extrahera varje krav ur detta avsnitt, behåll dess identifierare och citera meningen som fastställer det.” För en sammanfattning anger du målgruppen och de fakta som måste finnas kvar. För översättning identifierar du namn och tekniska termer som ska behålla sin ursprungliga stavning. Ett tydligt slutformat hjälper en liten instruktionsmodell att producera det resultat som applikationen behöver.
Granite H Micros modellkort visar verktygsdefinitioner med funktionsnamn, beskrivningar och parameterscheman. Modellen returnerar ett funktionsnamn och JSON-argument i sin representation för verktygsanrop. Den omgivande applikationen utför den valda operationen, kontrollerar argumenten och returnerar resultatet. En uppslagningsuppgift bör bevara denna observation som underlaget som svaret använder.
I ett informationshämtningsflöde tillhandahåller du relevant dokumentmaterial och begär ett svar som är förankrat i det. Källåtkomst tillhör applikationen; textmodellens svar genereras från den kontext den får. Håll dokumentetiketter och enheter synliga så att ett resultat kan spåras tillbaka till indata.
Modellen stöder kodrelaterade uppgifter och komplettering mitt i befintlig kod. Ett programmeringsunderlag bör omfatta relevant implementation, observerat beteende och beteendet som ska bevaras. För en kompletteringsuppgift identifierar du den omgivande koden och luckan som ska fyllas. Be om det resulterande kodmaterialet och en förklaring knuten till begränsningarna och granska sedan resultatet i den faktiska utvecklingsmiljön.
Kontexten på 128K omfattar instruktionen, källan, samtalet och det genererade svaret tillsammans; modellkortet fastställer inte en oberoende allmängiltig maximal svarslängd. Referenschattmallen innehåller en standardsysteminstruktion för professionella, korrekta och säkra svar. En begärd fältlista eller kodleverans behöver fortfarande egna uttryckliga uppgiftsinstruktioner.
IBM påpekar att flerspråkig prestanda kan skilja sig från engelska eftersom instruktionsträningen främst är engelskspråkig; några uppgiftsrelevanta exempel kan hjälpa. Företaget medger också möjliga felaktiga eller partiska svar. Kontrollera källhärledda värden och genererad kod mot indata och återför faktiska observationer när en uppgift behöver korrigeras. H Micros användbara utdata är ett fokuserat text- eller kodresultat med den exakta hybrida Micro-identiteten bevarad.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser ibm-granite/granite-4.0-h-micro | 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 $0.000034 / 1K token Utdata · Utdatatoken $0.000224 / 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 $0.000034 / 1K token Utdata · Utdatatoken $0.000224 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "ibm-granite/granite-4.0-h-micro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ibm-granite/granite-4.0-h-micro', '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': 'ibm-granite/granite-4.0-h-micro', '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 ibm-granite/granite-4.0-h-micro
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Extract traceable requirements\n\nExtract requirements from this passage: '[R1] Export filenames must include the report ID. [R2] Reports with no rows must still include column headings. [R3] Files are encoded as UTF-8.' Return a table with requirement ID, implementation requirement and the exact supporting sentence. Keep each requirement separate and add no implementation details absent from the source.A three-row table retaining each ID, requirement and exact source sentence.Check every extracted requirement maps one-to-one to R1, R2 or R3 without added conditions.