Granite 4.2 8B är IBM:s mellanstora resonemangsmodell i Granite 4.2-familjen. Den täta transformern med 8 miljarder parametrar och enbart avkodare har eftertränats från Granite 4.1 8B Base för resonemang, kodgenerering, instruktionsföljande och verktygsstyrt arbete. Den tar emot text och producerar text, med ett mellanliggande tänkblock i resonemangsläge och ett separat slutligt svar.
Tillverkaren beskriver grouped-query attention, rotary-positionkodning, SwiGLU-lager för framåtriktad bearbetning och RMS-normalisering. Modellen stöder inbyggt 128K kontext och dokumenterar en utökning för lång kontext till 512K. Detta är separata konfigurationer: det utökade värdet bör inte ersätta den inbyggda inställningen i en uppgift som använder standardvarianten. Samtal, källmaterial, verktygsresultat och genererat innehåll måste få plats inom den valda kontexten.
Fullständigt tänkande är tillverkarens standard och utvecklar analys före svaret. Utan tänkande returneras ett direkt svar. Lågintensivt läge använder en kortare resonemangsprocess för enklare frågor. Tillverkarens mall representerar dessa val på olika sätt och skiljer innehåll inom tänkmarkörerna från den slutliga slutsatsen.
För matematik eller kodanalys tillhandahåller du det fullständiga villkoret, definitionerna och begränsningarna och anger sedan vilket slutresultat du behöver. Ett praktiskt underlag är: ”Avgör varför denna funktion misslyckas för den angivna indatan, förklara det ansvariga villkoret och föreslå en fokuserad korrigering.” En rutinmässig extraktionsuppgift kan i stället begära endast de obligatoriska fälten. Välj ett läge som passar uppgiftens djup utan att låta mellanliggande analys ersätta det begärda resultatet.
IBM rekommenderar temperature 1.0 och top-p 0.95 i sina referenslägen och uppgifter. Dess exempel på genereringsbudgetar är 8 192 nya token för tänkande och 2 048 för direkta svar; modellkortet tillåter uttryckligen en större budget för komplext resonemang. Dessa exempel är konfigurationsvägledning, inte självständigt fastställda hårda utdatatak.
Standardmallen för flera turer tar bort tänkande från tidigare assistentturer för att spara kontext. Tillverkaren dokumenterar även att det kan bevaras när fullständig resonemangshistorik behövs. Håll slutliga svar och användbara observationer tydliga så att en följdfråga kan omarbeta den relevanta delen utan att förväxla en tidigare mellanliggande tanke med en accepterad slutsats.
Modellen kan resonera om vilka tillhandahållna funktioner som ska anropas och returnera strukturerat innehåll för verktygsanrop. Definiera verktyg med meningsfulla namn, beskrivningar och parameterscheman. Applikationen utför den valda operationen och returnerar observationen; en fortsatt uppgift bör använda det faktiska resultatet. För en kodagent identifierar du tillåtna filer och det beteende som slutför ändringen och begär sedan implementationen och dess stödjande valideringsobservationer.
Modellkortet listar tolv testade språk. Ange svarsspråket och bevara egennamn eller kodidentifierare. Träningen är främst engelskspråkig med flerspråkiga data, så prestanda på ett annat språk kan variera; några relevanta exempel kan tydliggöra den avsedda uppgiften och utdatastrukturen.
IBM påpekar att modellen fortfarande kan producera felaktiga eller partiska svar och att tänkinnehållet kan omfatta ofärdiga mellanliggande idéer. Granska det slutliga svaret mot de tillhandahållna källorna, kontrollera numerisk extraktion och granska kod i dess avsedda applikation. Det användbara resultatet är ett svar, ett kodresultat eller en analytisk post där belägg och olöst information görs uttryckliga, samtidigt som den exakta utgåvan 4.2 8B och dess lägesskillnader bevaras.
", "aboutText": "Granite 4.2 8B är IBM:s mellanstora resonemangsmodell i Granite 4.2-familjen. Den täta transformern med 8 miljarder parametrar och enbart avkodare har eftertränats från Granite 4.1 8B Base för resonemang, kodgenerering, instruktionsföljande och verktygsstyrt arbete. Den tar emot text och producerar text, med ett mellanliggande tänkblock i resonemangsläge och ett separat slutligt svar.\n\n### Modellkonstruktion och kontext\n\nTillverkaren beskriver grouped-query attention, rotary-positionkodning, SwiGLU-lager för framåtriktad bearbetning och RMS-normalisering. Modellen stöder inbyggt 128K kontext och dokumenterar en utökning för lång kontext till 512K. Detta är separata konfigurationer: det utökade värdet bör inte ersätta den inbyggda inställningen i en uppgift som använder standardvarianten. Samtal, källmaterial, verktygsresultat och genererat innehåll måste få plats inom den valda kontexten.\n\n### Tre tänklägen\n\nFullständigt tänkande är tillverkarens standard och utvecklar analys före svaret. Utan tänkande returneras ett direkt svar. Lågintensivt läge använder en kortare resonemangsprocess för enklare frågor. Tillverkarens mall representerar dessa val på olika sätt och skiljer innehåll inom tänkmarkörerna från den slutliga slutsatsen.\n\nFör matematik eller kodanalys tillhandahåller du det fullständiga villkoret, definitionerna och begränsningarna och anger sedan vilket slutresultat du behöver. Ett praktiskt underlag är: ”Avgör varför denna funktion misslyckas för den angivna indatan, förklara det ansvariga villkoret och föreslå en fokuserad korrigering.” En rutinmässig extraktionsuppgift kan i stället begära endast de obligatoriska fälten. Välj ett läge som passar uppgiftens djup utan att låta mellanliggande analys ersätta det begärda resultatet.\n\n### Vägledning för samtal och generering\n\nIBM rekommenderar temperature 1.0 och top-p 0.95 i sina referenslägen och uppgifter. Dess exempel på genereringsbudgetar är 8 192 nya token för tänkande och 2 048 för direkta svar; modellkortet tillåter uttryckligen en större budget för komplext resonemang. Dessa exempel är konfigurationsvägledning, inte självständigt fastställda hårda utdatatak.\n\nStandardmallen för flera turer tar bort tänkande från tidigare assistentturer för att spara kontext. Tillverkaren dokumenterar även att det kan bevaras när fullständig resonemangshistorik behövs. Håll slutliga svar och användbara observationer tydliga så att en följdfråga kan omarbeta den relevanta delen utan att förväxla en tidigare mellanliggande tanke med en accepterad slutsats.\n\n### Verktygsanrop och praktiska resultat\n\nModellen kan resonera om vilka tillhandahållna funktioner som ska anropas och returnera strukturerat innehåll för verktygsanrop. Definiera verktyg med meningsfulla namn, beskrivningar och parameterscheman. Applikationen utför den valda operationen och returnerar observationen; en fortsatt uppgift bör använda det faktiska resultatet. För en kodagent identifierar du tillåtna filer och det beteende som slutför ändringen och begär sedan implementationen och dess stödjande valideringsobservationer.\n\nModellkortet listar tolv testade språk. Ange svarsspråket och bevara egennamn eller kodidentifierare. Träningen är främst engelskspråkig med flerspråkiga data, så prestanda på ett annat språk kan variera; några relevanta exempel kan tydliggöra den avsedda uppgiften och utdatastrukturen.\n\n### Gränser och tolkning\n\nIBM påpekar att modellen fortfarande kan producera felaktiga eller partiska svar och att tänkinnehållet kan omfatta ofärdiga mellanliggande idéer. Granska det slutliga svaret mot de tillhandahållna källorna, kontrollera numerisk extraktion och granska kod i dess avsedda applikation. Det användbara resultatet är ett svar, ett kodresultat eller en analytisk post där belägg och olöst information görs uttryckliga, samtidigt som den exakta utgåvan 4.2 8B och dess lägesskillnader bevaras.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Fix a mutable default argument\n\nExplain why this Python function shares results across calls and propose a correction: def collect(value, items=[]): items.append(value); return items. The caller may supply an existing list and expects it to be updated. Include tests for two omitted-list calls and one explicitly supplied list. Preserve the function name and calling convention.A corrected collect function, a brief cause explanation and tests distinguishing default-list isolation from explicit-list mutation.Check that omitted-list calls return independent lists while an explicitly supplied list is still updated.ibm-granite/granite-4.2-8bGranite 4.2 8B är IBM:s täta resonemangsmodell för text inom matematik, programmering, flerspråkig dialog och verktygsstyrda agenter. Den erbjuder fullständigt, direkt och lågintensivt svarsläge, med en inbyggd kontext på 128K och en separat dokumenterad utökning för lång kontext.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Granite 4.2 8B är IBM:s mellanstora resonemangsmodell i Granite 4.2-familjen. Den täta transformern med 8 miljarder parametrar och enbart avkodare har eftertränats från Granite 4.1 8B Base för resonemang, kodgenerering, instruktionsföljande och verktygsstyrt arbete. Den tar emot text och producerar text, med ett mellanliggande tänkblock i resonemangsläge och ett separat slutligt svar.
Tillverkaren beskriver grouped-query attention, rotary-positionkodning, SwiGLU-lager för framåtriktad bearbetning och RMS-normalisering. Modellen stöder inbyggt 128K kontext och dokumenterar en utökning för lång kontext till 512K. Detta är separata konfigurationer: det utökade värdet bör inte ersätta den inbyggda inställningen i en uppgift som använder standardvarianten. Samtal, källmaterial, verktygsresultat och genererat innehåll måste få plats inom den valda kontexten.
Fullständigt tänkande är tillverkarens standard och utvecklar analys före svaret. Utan tänkande returneras ett direkt svar. Lågintensivt läge använder en kortare resonemangsprocess för enklare frågor. Tillverkarens mall representerar dessa val på olika sätt och skiljer innehåll inom tänkmarkörerna från den slutliga slutsatsen.
För matematik eller kodanalys tillhandahåller du det fullständiga villkoret, definitionerna och begränsningarna och anger sedan vilket slutresultat du behöver. Ett praktiskt underlag är: ”Avgör varför denna funktion misslyckas för den angivna indatan, förklara det ansvariga villkoret och föreslå en fokuserad korrigering.” En rutinmässig extraktionsuppgift kan i stället begära endast de obligatoriska fälten. Välj ett läge som passar uppgiftens djup utan att låta mellanliggande analys ersätta det begärda resultatet.
IBM rekommenderar temperature 1.0 och top-p 0.95 i sina referenslägen och uppgifter. Dess exempel på genereringsbudgetar är 8 192 nya token för tänkande och 2 048 för direkta svar; modellkortet tillåter uttryckligen en större budget för komplext resonemang. Dessa exempel är konfigurationsvägledning, inte självständigt fastställda hårda utdatatak.
Standardmallen för flera turer tar bort tänkande från tidigare assistentturer för att spara kontext. Tillverkaren dokumenterar även att det kan bevaras när fullständig resonemangshistorik behövs. Håll slutliga svar och användbara observationer tydliga så att en följdfråga kan omarbeta den relevanta delen utan att förväxla en tidigare mellanliggande tanke med en accepterad slutsats.
Modellen kan resonera om vilka tillhandahållna funktioner som ska anropas och returnera strukturerat innehåll för verktygsanrop. Definiera verktyg med meningsfulla namn, beskrivningar och parameterscheman. Applikationen utför den valda operationen och returnerar observationen; en fortsatt uppgift bör använda det faktiska resultatet. För en kodagent identifierar du tillåtna filer och det beteende som slutför ändringen och begär sedan implementationen och dess stödjande valideringsobservationer.
Modellkortet listar tolv testade språk. Ange svarsspråket och bevara egennamn eller kodidentifierare. Träningen är främst engelskspråkig med flerspråkiga data, så prestanda på ett annat språk kan variera; några relevanta exempel kan tydliggöra den avsedda uppgiften och utdatastrukturen.
IBM påpekar att modellen fortfarande kan producera felaktiga eller partiska svar och att tänkinnehållet kan omfatta ofärdiga mellanliggande idéer. Granska det slutliga svaret mot de tillhandahållna källorna, kontrollera numerisk extraktion och granska kod i dess avsedda applikation. Det användbara resultatet är ett svar, ett kodresultat eller en analytisk post där belägg och olöst information görs uttryckliga, samtidigt som den exakta utgåvan 4.2 8B och dess lägesskillnader bevaras.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser ibm-granite/granite-4.2-8b | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-4.2-8b", "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-4.2-8b',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-4.2-8b',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-4.2-8b
Använd metodsökvägarna som visas ovan.
ibm-granite/granite-4.2-8bGranite 4.2 8B är IBM:s täta resonemangsmodell för text inom matematik, programmering, flerspråkig dialog och verktygsstyrda agenter. Den erbjuder fullständigt, direkt och lågintensivt svarsläge, med en inbyggd kontext på 128K och en separat dokumenterad utökning för lång kontext.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Granite 4.2 8B är IBM:s mellanstora resonemangsmodell i Granite 4.2-familjen. Den täta transformern med 8 miljarder parametrar och enbart avkodare har eftertränats från Granite 4.1 8B Base för resonemang, kodgenerering, instruktionsföljande och verktygsstyrt arbete. Den tar emot text och producerar text, med ett mellanliggande tänkblock i resonemangsläge och ett separat slutligt svar.
Tillverkaren beskriver grouped-query attention, rotary-positionkodning, SwiGLU-lager för framåtriktad bearbetning och RMS-normalisering. Modellen stöder inbyggt 128K kontext och dokumenterar en utökning för lång kontext till 512K. Detta är separata konfigurationer: det utökade värdet bör inte ersätta den inbyggda inställningen i en uppgift som använder standardvarianten. Samtal, källmaterial, verktygsresultat och genererat innehåll måste få plats inom den valda kontexten.
Fullständigt tänkande är tillverkarens standard och utvecklar analys före svaret. Utan tänkande returneras ett direkt svar. Lågintensivt läge använder en kortare resonemangsprocess för enklare frågor. Tillverkarens mall representerar dessa val på olika sätt och skiljer innehåll inom tänkmarkörerna från den slutliga slutsatsen.
För matematik eller kodanalys tillhandahåller du det fullständiga villkoret, definitionerna och begränsningarna och anger sedan vilket slutresultat du behöver. Ett praktiskt underlag är: ”Avgör varför denna funktion misslyckas för den angivna indatan, förklara det ansvariga villkoret och föreslå en fokuserad korrigering.” En rutinmässig extraktionsuppgift kan i stället begära endast de obligatoriska fälten. Välj ett läge som passar uppgiftens djup utan att låta mellanliggande analys ersätta det begärda resultatet.
IBM rekommenderar temperature 1.0 och top-p 0.95 i sina referenslägen och uppgifter. Dess exempel på genereringsbudgetar är 8 192 nya token för tänkande och 2 048 för direkta svar; modellkortet tillåter uttryckligen en större budget för komplext resonemang. Dessa exempel är konfigurationsvägledning, inte självständigt fastställda hårda utdatatak.
Standardmallen för flera turer tar bort tänkande från tidigare assistentturer för att spara kontext. Tillverkaren dokumenterar även att det kan bevaras när fullständig resonemangshistorik behövs. Håll slutliga svar och användbara observationer tydliga så att en följdfråga kan omarbeta den relevanta delen utan att förväxla en tidigare mellanliggande tanke med en accepterad slutsats.
Modellen kan resonera om vilka tillhandahållna funktioner som ska anropas och returnera strukturerat innehåll för verktygsanrop. Definiera verktyg med meningsfulla namn, beskrivningar och parameterscheman. Applikationen utför den valda operationen och returnerar observationen; en fortsatt uppgift bör använda det faktiska resultatet. För en kodagent identifierar du tillåtna filer och det beteende som slutför ändringen och begär sedan implementationen och dess stödjande valideringsobservationer.
Modellkortet listar tolv testade språk. Ange svarsspråket och bevara egennamn eller kodidentifierare. Träningen är främst engelskspråkig med flerspråkiga data, så prestanda på ett annat språk kan variera; några relevanta exempel kan tydliggöra den avsedda uppgiften och utdatastrukturen.
IBM påpekar att modellen fortfarande kan producera felaktiga eller partiska svar och att tänkinnehållet kan omfatta ofärdiga mellanliggande idéer. Granska det slutliga svaret mot de tillhandahållna källorna, kontrollera numerisk extraktion och granska kod i dess avsedda applikation. Det användbara resultatet är ett svar, ett kodresultat eller en analytisk post där belägg och olöst information görs uttryckliga, samtidigt som den exakta utgåvan 4.2 8B och dess lägesskillnader bevaras.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser ibm-granite/granite-4.2-8b | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0003 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "ibm-granite/granite-4.2-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4.2-8b', '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-4.2-8b', '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-4.2-8b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Fix a mutable default argument\n\nExplain why this Python function shares results across calls and propose a correction: def collect(value, items=[]): items.append(value); return items. The caller may supply an existing list and expects it to be updated. Include tests for two omitted-list calls and one explicitly supplied list. Preserve the function name and calling convention.A corrected collect function, a brief cause explanation and tests distinguishing default-list isolation from explicit-list mutation.Check that omitted-list calls return independent lists while an explicitly supplied list is still updated.