Mercury 2.5 är Inceptions diffusionsbaserade språkmodell för resonemang. Den följer efter Mercury 2 med uppdaterad träning som formats av återkoppling från produktion och felfall, samtidigt som familjens fokus på snabbresponsiv textgenerering bevaras. Dess publicerade modellvariant omfattar en kontext på 260K, justerbart resonemang, parallella verktygsanrop och schemaanpassad JSON. Indata är en skriftlig uppgift och relevant textkontext; utdata är text, kod, en strukturerad post eller föreslaget innehåll för verktygsanrop.
Mercury-familjen genererar språk genom parallell förfining snarare än att enbart förutsäga en token efter en annan från vänster till höger. Denna arkitekturinriktning är avsedd att få återkommande modellsteg att passa in i ett interaktivt arbetsflöde. Justerbart resonemang låter tillverkarens modellvariant anpassa analysdjupet till uppgiften. Ange det önskade slutresultatet uttryckligt: svaret kan behöva vara kort även när en mellanliggande process är mer omfattande.
För en jämförelse tillhandahåller du kriterierna och namngivna källavsnitt. För extraktion definierar du fälten och deras betydelse. En användbar uppgiftsinstruktion är: ”Omvandla dessa källavsnitt till en post med de obligatoriska specifikationerna, bevara enheter och identifiera avsnittet som stöder varje värde.” Schemaanpassad utdata ger applikationen ett ordnat resultat; överensstämmelse med källan kräver fortfarande granskning.
Tillverkaren beskriver användning av Mercury för sökplanering, omformulering av sökfrågor, strukturering av fakta, källsammanfattning och svarskontroll. En applikation kan ge varje steg ett specifikt syfte och föra relevant underlag vidare till nästa. Be en omformulering bevara användarens faktiska begränsningar och be en källsammanfattning bevara de fakta som det slutliga svaret behöver snarare än att bara förkorta varje avsnitt.
Mercury 2.5:s förmåga till parallella verktygsanrop är användbar när oberoende operationer kan få fram olika observationer för en uppgift. Tillhandahåll tydliga funktionsdefinitioner och parameterscheman. Applikationen utför de valda anropen och returnerar deras resultat. Håll anropsidentifierare och källetiketter tillsammans så att det slutliga svaret använder observerad information, inte ett antagande om att ett verktyg har körts.
Tillverkaren beskriver även kodassistans och stödoperationer som att komprimera en lång session eller hitta ett lämpligt verktyg. För komprimering identifierar du vad nästa uppgift behöver: accepterade krav, aktuella fel, beslut och beläggen bakom dem. Be modellen bevara dessa punkter och skilja ofullständigt arbete från ett slutfört resultat.
För en programändring tillhandahåller du relevant kod, förväntat beteende och en felande indata eller ett observerat fel. Begär en fokuserad implementation och dess förklaring. Om en visuell eller talbaserad applikation använder Mercury som sitt språksteg tillhandahåller du den text eller verktygsobservation som modellen faktiskt tar emot; taligenkänning, talsyntes och medierendering förblir separata komponenter.
Kontexten på 260K är den dokumenterade 2.5-varianten, separat från Mercury 2:s lanseringskontext på 128K och de specialiserade modellerna Mercury Voice och Router. Budgetera källmaterial, historik, resonemang och slutresultat tillsammans. Välj utdataformen innan uppgiften börjar och bevara utrymme för ett svar som innehåller de obligatoriska detaljerna.
Ett användbart slutresultat är en strukturerad extraktion, en källbaserad förklaring, ett kodförslag eller en kort sammanfattning av uppgiftens tillstånd. Granska fakta mot det tillhandahållna materialet och kod i dess avsedda miljö. Diffusionsarkitekturen och rollen i snabbresponsiva arbetsflöden fastställer inte i sig korrekthet, åtkomst till en extern källa eller utförande av en föreslagen åtgärd.
", "aboutText": "Mercury 2.5 är Inceptions diffusionsbaserade språkmodell för resonemang. Den följer efter Mercury 2 med uppdaterad träning som formats av återkoppling från produktion och felfall, samtidigt som familjens fokus på snabbresponsiv textgenerering bevaras. Dess publicerade modellvariant omfattar en kontext på 260K, justerbart resonemang, parallella verktygsanrop och schemaanpassad JSON. Indata är en skriftlig uppgift och relevant textkontext; utdata är text, kod, en strukturerad post eller föreslaget innehåll för verktygsanrop.\n\n### Diffusion och resonemang\n\nMercury-familjen genererar språk genom parallell förfining snarare än att enbart förutsäga en token efter en annan från vänster till höger. Denna arkitekturinriktning är avsedd att få återkommande modellsteg att passa in i ett interaktivt arbetsflöde. Justerbart resonemang låter tillverkarens modellvariant anpassa analysdjupet till uppgiften. Ange det önskade slutresultatet uttryckligt: svaret kan behöva vara kort även när en mellanliggande process är mer omfattande.\n\nFör en jämförelse tillhandahåller du kriterierna och namngivna källavsnitt. För extraktion definierar du fälten och deras betydelse. En användbar uppgiftsinstruktion är: ”Omvandla dessa källavsnitt till en post med de obligatoriska specifikationerna, bevara enheter och identifiera avsnittet som stöder varje värde.” Schemaanpassad utdata ger applikationen ett ordnat resultat; överensstämmelse med källan kräver fortfarande granskning.\n\n### Arbetsflöden för sökning och informationshämtning\n\nTillverkaren beskriver användning av Mercury för sökplanering, omformulering av sökfrågor, strukturering av fakta, källsammanfattning och svarskontroll. En applikation kan ge varje steg ett specifikt syfte och föra relevant underlag vidare till nästa. Be en omformulering bevara användarens faktiska begränsningar och be en källsammanfattning bevara de fakta som det slutliga svaret behöver snarare än att bara förkorta varje avsnitt.\n\nMercury 2.5:s förmåga till parallella verktygsanrop är användbar när oberoende operationer kan få fram olika observationer för en uppgift. Tillhandahåll tydliga funktionsdefinitioner och parameterscheman. Applikationen utför de valda anropen och returnerar deras resultat. Håll anropsidentifierare och källetiketter tillsammans så att det slutliga svaret använder observerad information, inte ett antagande om att ett verktyg har körts.\n\n### Kodning och kontextarbete\n\nTillverkaren beskriver även kodassistans och stödoperationer som att komprimera en lång session eller hitta ett lämpligt verktyg. För komprimering identifierar du vad nästa uppgift behöver: accepterade krav, aktuella fel, beslut och beläggen bakom dem. Be modellen bevara dessa punkter och skilja ofullständigt arbete från ett slutfört resultat.\n\nFör en programändring tillhandahåller du relevant kod, förväntat beteende och en felande indata eller ett observerat fel. Begär en fokuserad implementation och dess förklaring. Om en visuell eller talbaserad applikation använder Mercury som sitt språksteg tillhandahåller du den text eller verktygsobservation som modellen faktiskt tar emot; taligenkänning, talsyntes och medierendering förblir separata komponenter.\n\n### Gränser och granskning av utdata\n\nKontexten på 260K är den dokumenterade 2.5-varianten, separat från Mercury 2:s lanseringskontext på 128K och de specialiserade modellerna Mercury Voice och Router. Budgetera källmaterial, historik, resonemang och slutresultat tillsammans. Välj utdataformen innan uppgiften börjar och bevara utrymme för ett svar som innehåller de obligatoriska detaljerna.\n\nEtt användbart slutresultat är en strukturerad extraktion, en källbaserad förklaring, ett kodförslag eller en kort sammanfattning av uppgiftens tillstånd. Granska fakta mot det tillhandahållna materialet och kod i dess avsedda miljö. Diffusionsarkitekturen och rollen i snabbresponsiva arbetsflöden fastställer inte i sig korrekthet, åtkomst till en extern källa eller utförande av en föreslagen åtgärd.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 är Inceptions diffusionsbaserade resonemangsmodell för text med en kontext på 260K. Justerbart resonemang, parallella verktygsanrop och schemaanpassad JSON stöder sökning, extraktion, kodassistans och återkommande agentsteg som behöver ett tydligt, strukturerat resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mercury 2.5 är Inceptions diffusionsbaserade språkmodell för resonemang. Den följer efter Mercury 2 med uppdaterad träning som formats av återkoppling från produktion och felfall, samtidigt som familjens fokus på snabbresponsiv textgenerering bevaras. Dess publicerade modellvariant omfattar en kontext på 260K, justerbart resonemang, parallella verktygsanrop och schemaanpassad JSON. Indata är en skriftlig uppgift och relevant textkontext; utdata är text, kod, en strukturerad post eller föreslaget innehåll för verktygsanrop.
Mercury-familjen genererar språk genom parallell förfining snarare än att enbart förutsäga en token efter en annan från vänster till höger. Denna arkitekturinriktning är avsedd att få återkommande modellsteg att passa in i ett interaktivt arbetsflöde. Justerbart resonemang låter tillverkarens modellvariant anpassa analysdjupet till uppgiften. Ange det önskade slutresultatet uttryckligt: svaret kan behöva vara kort även när en mellanliggande process är mer omfattande.
För en jämförelse tillhandahåller du kriterierna och namngivna källavsnitt. För extraktion definierar du fälten och deras betydelse. En användbar uppgiftsinstruktion är: ”Omvandla dessa källavsnitt till en post med de obligatoriska specifikationerna, bevara enheter och identifiera avsnittet som stöder varje värde.” Schemaanpassad utdata ger applikationen ett ordnat resultat; överensstämmelse med källan kräver fortfarande granskning.
Tillverkaren beskriver användning av Mercury för sökplanering, omformulering av sökfrågor, strukturering av fakta, källsammanfattning och svarskontroll. En applikation kan ge varje steg ett specifikt syfte och föra relevant underlag vidare till nästa. Be en omformulering bevara användarens faktiska begränsningar och be en källsammanfattning bevara de fakta som det slutliga svaret behöver snarare än att bara förkorta varje avsnitt.
Mercury 2.5:s förmåga till parallella verktygsanrop är användbar när oberoende operationer kan få fram olika observationer för en uppgift. Tillhandahåll tydliga funktionsdefinitioner och parameterscheman. Applikationen utför de valda anropen och returnerar deras resultat. Håll anropsidentifierare och källetiketter tillsammans så att det slutliga svaret använder observerad information, inte ett antagande om att ett verktyg har körts.
Tillverkaren beskriver även kodassistans och stödoperationer som att komprimera en lång session eller hitta ett lämpligt verktyg. För komprimering identifierar du vad nästa uppgift behöver: accepterade krav, aktuella fel, beslut och beläggen bakom dem. Be modellen bevara dessa punkter och skilja ofullständigt arbete från ett slutfört resultat.
För en programändring tillhandahåller du relevant kod, förväntat beteende och en felande indata eller ett observerat fel. Begär en fokuserad implementation och dess förklaring. Om en visuell eller talbaserad applikation använder Mercury som sitt språksteg tillhandahåller du den text eller verktygsobservation som modellen faktiskt tar emot; taligenkänning, talsyntes och medierendering förblir separata komponenter.
Kontexten på 260K är den dokumenterade 2.5-varianten, separat från Mercury 2:s lanseringskontext på 128K och de specialiserade modellerna Mercury Voice och Router. Budgetera källmaterial, historik, resonemang och slutresultat tillsammans. Välj utdataformen innan uppgiften börjar och bevara utrymme för ett svar som innehåller de obligatoriska detaljerna.
Ett användbart slutresultat är en strukturerad extraktion, en källbaserad förklaring, ett kodförslag eller en kort sammanfattning av uppgiftens tillstånd. Granska fakta mot det tillhandahållna materialet och kod i dess avsedda miljö. Diffusionsarkitekturen och rollen i snabbresponsiva arbetsflöden fastställer inte i sig korrekthet, åtkomst till en extern källa eller utförande av en föreslagen åtgärd.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inception/mercury-2.5 | 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00004 / 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
Använd metodsökvägarna som visas ovan.
inception/mercury-2.5Mercury 2.5 är Inceptions diffusionsbaserade resonemangsmodell för text med en kontext på 260K. Justerbart resonemang, parallella verktygsanrop och schemaanpassad JSON stöder sökning, extraktion, kodassistans och återkommande agentsteg som behöver ett tydligt, strukturerat resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mercury 2.5 är Inceptions diffusionsbaserade språkmodell för resonemang. Den följer efter Mercury 2 med uppdaterad träning som formats av återkoppling från produktion och felfall, samtidigt som familjens fokus på snabbresponsiv textgenerering bevaras. Dess publicerade modellvariant omfattar en kontext på 260K, justerbart resonemang, parallella verktygsanrop och schemaanpassad JSON. Indata är en skriftlig uppgift och relevant textkontext; utdata är text, kod, en strukturerad post eller föreslaget innehåll för verktygsanrop.
Mercury-familjen genererar språk genom parallell förfining snarare än att enbart förutsäga en token efter en annan från vänster till höger. Denna arkitekturinriktning är avsedd att få återkommande modellsteg att passa in i ett interaktivt arbetsflöde. Justerbart resonemang låter tillverkarens modellvariant anpassa analysdjupet till uppgiften. Ange det önskade slutresultatet uttryckligt: svaret kan behöva vara kort även när en mellanliggande process är mer omfattande.
För en jämförelse tillhandahåller du kriterierna och namngivna källavsnitt. För extraktion definierar du fälten och deras betydelse. En användbar uppgiftsinstruktion är: ”Omvandla dessa källavsnitt till en post med de obligatoriska specifikationerna, bevara enheter och identifiera avsnittet som stöder varje värde.” Schemaanpassad utdata ger applikationen ett ordnat resultat; överensstämmelse med källan kräver fortfarande granskning.
Tillverkaren beskriver användning av Mercury för sökplanering, omformulering av sökfrågor, strukturering av fakta, källsammanfattning och svarskontroll. En applikation kan ge varje steg ett specifikt syfte och föra relevant underlag vidare till nästa. Be en omformulering bevara användarens faktiska begränsningar och be en källsammanfattning bevara de fakta som det slutliga svaret behöver snarare än att bara förkorta varje avsnitt.
Mercury 2.5:s förmåga till parallella verktygsanrop är användbar när oberoende operationer kan få fram olika observationer för en uppgift. Tillhandahåll tydliga funktionsdefinitioner och parameterscheman. Applikationen utför de valda anropen och returnerar deras resultat. Håll anropsidentifierare och källetiketter tillsammans så att det slutliga svaret använder observerad information, inte ett antagande om att ett verktyg har körts.
Tillverkaren beskriver även kodassistans och stödoperationer som att komprimera en lång session eller hitta ett lämpligt verktyg. För komprimering identifierar du vad nästa uppgift behöver: accepterade krav, aktuella fel, beslut och beläggen bakom dem. Be modellen bevara dessa punkter och skilja ofullständigt arbete från ett slutfört resultat.
För en programändring tillhandahåller du relevant kod, förväntat beteende och en felande indata eller ett observerat fel. Begär en fokuserad implementation och dess förklaring. Om en visuell eller talbaserad applikation använder Mercury som sitt språksteg tillhandahåller du den text eller verktygsobservation som modellen faktiskt tar emot; taligenkänning, talsyntes och medierendering förblir separata komponenter.
Kontexten på 260K är den dokumenterade 2.5-varianten, separat från Mercury 2:s lanseringskontext på 128K och de specialiserade modellerna Mercury Voice och Router. Budgetera källmaterial, historik, resonemang och slutresultat tillsammans. Välj utdataformen innan uppgiften börjar och bevara utrymme för ett svar som innehåller de obligatoriska detaljerna.
Ett användbart slutresultat är en strukturerad extraktion, en källbaserad förklaring, ett kodförslag eller en kort sammanfattning av uppgiftens tillstånd. Granska fakta mot det tillhandahållna materialet och kod i dess avsedda miljö. Diffusionsarkitekturen och rollen i snabbresponsiva arbetsflöden fastställer inte i sig korrekthet, åtkomst till en extern källa eller utförande av en föreslagen åtgärd.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inception/mercury-2.5 | 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00004 / 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.