Ling 3.1 Flash är inclusionAI:s hybrida språkmodell för resonemangsuppgifter som omfattar flera steg snarare än ett enda kort svar. Tillverkaren positionerar den för vardagligt kontorsarbete, längre mjukvaruutveckling och komplexa agentflöden. Den använder en mixture-of-experts-arkitektur med cirka 560B parametrar totalt och ungefär 25B aktiva för varje token, vilket balanserar stor modellkapacitet med en mindre mängd aktiv beräkning.
Dess centrala konstruktionsmål är att bevara uppgiftens tillstånd och korrigera kursen under längre arbete. I ett verktygsanslutet arbetsflöde kan modellen planera flera steg, tolka mellanresultat och omarbeta nästa steg när underlaget förändras. Ge den ett exakt mål, tillgängliga material och en definition av slutförande. Till exempel: ”Granska dessa incidentanteckningar, identifiera de orsaker som ännu är oklara och skapa en prioriterad utredningsplan. Ange för varje åtgärd vilket underlag som behövs för att avgöra om den fungerade.” Detta omvandlar en vag begäran till ett resultat som kan granskas och vidareutvecklas.
För kontorsarbete omfattar användbara indata källanteckningar, text som extraherats ur dokument, tabeller med tydliga kolumndefinitioner och rapportens avsedda målgrupp. Ange period, enheter och jämförelse som ska användas. Be om en skriftlig leverans som ett ledningsunderlag, en rapportdisposition eller en förklaring av de viktiga förändringarna. Ett exempel är: ”Använd endast dessa kvartalstabeller, förklara de största förändringarna, skilj observerade värden från antaganden och skriv ett underlag med obesvarade frågor i slutet.” Behåll källetiketter med indata så att de resulterande påståendena kan spåras till rätt material.
För mjukvaruutveckling framhäver tillverkaren refaktorering mellan språk, prestandaoptimering och analys av ofta använda delar av en kodbas. Tillhandahåll relevanta filer som text, beteendet som ska bevaras, beroendeversionerna och eventuell felande utdata eller mätningar. En användbar begäran ber om en föreslagen ändring och de kontroller som behövs för att bedöma den: ”Refaktorera denna parser och bevara det dokumenterade utdataformatet. Förklara det berörda beteendet, visa den omarbetade koden och identifiera fall som skulle avslöja en regression.” För prestandaarbete tillhandahåller du faktiska profiler eller tidsmätningar och ber modellen koppla varje rekommendation till en uppmätt flaskhals.
För professionell analys samlar du relevanta regler, definitioner och belägg innan du ber om en rekommendation. Ling 3.1 Flash är avsedd att sammanställa utspridd information, tolka indikatorer och ta fram åtgärdsförslag. Be om en jämförelse som anger antagandena och den återstående information som behövs i stället för ett omdöme utan stöd. Tillhandahåll exempelvis flera projektförslag och begär ett besluts-PM som använder samma kriterier för varje förslag, där källstödda observationer skiljs från härledda konsekvenser. När underlaget motsäger sig självt ber du om de motstridiga avsnitten och den fråga som skulle lösa motsättningen.
Tillverkaren skiljer ett kontexttak för modellen på 1M token från den kontext på 256K som för närvarande är öppnad i dess officiella tjänst. Dessa siffror beskriver olika gränser. Ordna arbetsmaterialet utifrån det tillämpliga fönstret och reservera utrymme för svaret; ett tak på modellnivå betyder inte att varje gränssnitt accepterar så mycket indata. För en stor uppgift håller du målet, fattade beslut, obesvarade frågor och källhänvisningar tillsammans. Använd uttryckliga gränser runt dokument och kod så att material som ska analyseras inte förväxlas med instruktioner som ska följas.
Förbered verktygsanslutna uppgifter med tydliga verktygsbeskrivningar, förväntade argument och användbara resultatposter. Återför faktiska resultat till samtalet så att nästa förslag bygger på observationer. Be modellen förklara vad ett returnerat resultat förändrar och vilka belägg som fortfarande saknas. Modellens agentinriktade konstruktion stöder detta mönster av planering och återkoppling; den omgivande applikationen utför verktygsstegen och bevarar deras resultat. Ett föreslaget kommando, en kodändring eller en rapport är mest användbart när dess status är tydlig: föreslaget, utfört med ett registrerat resultat eller fortfarande i väntan på verifiering.
Ling 3.1 Flash tillhör språkmodellserien; den separata utgåvan Ling 3.0 Flash VL är tillverkarens visuella modell. För denna textuppgift förbereder du textbaserat källinnehåll och bevarar dess struktur, etiketter och ursprung. Ange utdataspråk och form, exempelvis ett kort PM, en tabell med slutsatser, en förklaring av en kodändring eller en numrerad plan. Be modellen markera saknad information och kontrollera den begärda leveransen mot de ursprungliga begränsningarna. Långa arbetsflöden behöver fortfarande granskning av mellanresultat: ett tidigt felaktigt antagande kan annars föras vidare i senare resonemang och poleras till en övertygande slutrapport.
", "aboutText": "Ling 3.1 Flash är inclusionAI:s hybrida språkmodell för resonemangsuppgifter som omfattar flera steg snarare än ett enda kort svar. Tillverkaren positionerar den för vardagligt kontorsarbete, längre mjukvaruutveckling och komplexa agentflöden. Den använder en mixture-of-experts-arkitektur med cirka 560B parametrar totalt och ungefär 25B aktiva för varje token, vilket balanserar stor modellkapacitet med en mindre mängd aktiv beräkning.\n\nDess centrala konstruktionsmål är att bevara uppgiftens tillstånd och korrigera kursen under längre arbete. I ett verktygsanslutet arbetsflöde kan modellen planera flera steg, tolka mellanresultat och omarbeta nästa steg när underlaget förändras. Ge den ett exakt mål, tillgängliga material och en definition av slutförande. Till exempel: ”Granska dessa incidentanteckningar, identifiera de orsaker som ännu är oklara och skapa en prioriterad utredningsplan. Ange för varje åtgärd vilket underlag som behövs för att avgöra om den fungerade.” Detta omvandlar en vag begäran till ett resultat som kan granskas och vidareutvecklas.\n\nFör kontorsarbete omfattar användbara indata källanteckningar, text som extraherats ur dokument, tabeller med tydliga kolumndefinitioner och rapportens avsedda målgrupp. Ange period, enheter och jämförelse som ska användas. Be om en skriftlig leverans som ett ledningsunderlag, en rapportdisposition eller en förklaring av de viktiga förändringarna. Ett exempel är: ”Använd endast dessa kvartalstabeller, förklara de största förändringarna, skilj observerade värden från antaganden och skriv ett underlag med obesvarade frågor i slutet.” Behåll källetiketter med indata så att de resulterande påståendena kan spåras till rätt material.\n\nFör mjukvaruutveckling framhäver tillverkaren refaktorering mellan språk, prestandaoptimering och analys av ofta använda delar av en kodbas. Tillhandahåll relevanta filer som text, beteendet som ska bevaras, beroendeversionerna och eventuell felande utdata eller mätningar. En användbar begäran ber om en föreslagen ändring och de kontroller som behövs för att bedöma den: ”Refaktorera denna parser och bevara det dokumenterade utdataformatet. Förklara det berörda beteendet, visa den omarbetade koden och identifiera fall som skulle avslöja en regression.” För prestandaarbete tillhandahåller du faktiska profiler eller tidsmätningar och ber modellen koppla varje rekommendation till en uppmätt flaskhals.\n\nFör professionell analys samlar du relevanta regler, definitioner och belägg innan du ber om en rekommendation. Ling 3.1 Flash är avsedd att sammanställa utspridd information, tolka indikatorer och ta fram åtgärdsförslag. Be om en jämförelse som anger antagandena och den återstående information som behövs i stället för ett omdöme utan stöd. Tillhandahåll exempelvis flera projektförslag och begär ett besluts-PM som använder samma kriterier för varje förslag, där källstödda observationer skiljs från härledda konsekvenser. När underlaget motsäger sig självt ber du om de motstridiga avsnitten och den fråga som skulle lösa motsättningen.\n\nTillverkaren skiljer ett kontexttak för modellen på 1M token från den kontext på 256K som för närvarande är öppnad i dess officiella tjänst. Dessa siffror beskriver olika gränser. Ordna arbetsmaterialet utifrån det tillämpliga fönstret och reservera utrymme för svaret; ett tak på modellnivå betyder inte att varje gränssnitt accepterar så mycket indata. För en stor uppgift håller du målet, fattade beslut, obesvarade frågor och källhänvisningar tillsammans. Använd uttryckliga gränser runt dokument och kod så att material som ska analyseras inte förväxlas med instruktioner som ska följas.\n\nFörbered verktygsanslutna uppgifter med tydliga verktygsbeskrivningar, förväntade argument och användbara resultatposter. Återför faktiska resultat till samtalet så att nästa förslag bygger på observationer. Be modellen förklara vad ett returnerat resultat förändrar och vilka belägg som fortfarande saknas. Modellens agentinriktade konstruktion stöder detta mönster av planering och återkoppling; den omgivande applikationen utför verktygsstegen och bevarar deras resultat. Ett föreslaget kommando, en kodändring eller en rapport är mest användbart när dess status är tydlig: föreslaget, utfört med ett registrerat resultat eller fortfarande i väntan på verifiering.\n\nLing 3.1 Flash tillhör språkmodellserien; den separata utgåvan Ling 3.0 Flash VL är tillverkarens visuella modell. För denna textuppgift förbereder du textbaserat källinnehåll och bevarar dess struktur, etiketter och ursprung. Ange utdataspråk och form, exempelvis ett kort PM, en tabell med slutsatser, en förklaring av en kodändring eller en numrerad plan. Be modellen markera saknad information och kontrollera den begärda leveransen mot de ursprungliga begränsningarna. Långa arbetsflöden behöver fortfarande granskning av mellanresultat: ett tidigt felaktigt antagande kan annars föras vidare i senare resonemang och poleras till en övertygande slutrapport.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "005e24a5bb8be761151f94bc67a8c5445d2933ad085b2047043732f5142c9307", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "inclusionai/ling-3.1-flashLing 3.1 Flash är inclusionAI:s hybrida resonemangsmodell för kontorsarbete, längre mjukvaruutveckling och komplexa agenter. Dess glesa arkitektur med 560B parametrar aktiverar cirka 25B parametrar per token och stöder planering i flera steg, verktygsinteraktion och omarbetningar utifrån mellanresultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ling 3.1 Flash är inclusionAI:s hybrida språkmodell för resonemangsuppgifter som omfattar flera steg snarare än ett enda kort svar. Tillverkaren positionerar den för vardagligt kontorsarbete, längre mjukvaruutveckling och komplexa agentflöden. Den använder en mixture-of-experts-arkitektur med cirka 560B parametrar totalt och ungefär 25B aktiva för varje token, vilket balanserar stor modellkapacitet med en mindre mängd aktiv beräkning.
Dess centrala konstruktionsmål är att bevara uppgiftens tillstånd och korrigera kursen under längre arbete. I ett verktygsanslutet arbetsflöde kan modellen planera flera steg, tolka mellanresultat och omarbeta nästa steg när underlaget förändras. Ge den ett exakt mål, tillgängliga material och en definition av slutförande. Till exempel: ”Granska dessa incidentanteckningar, identifiera de orsaker som ännu är oklara och skapa en prioriterad utredningsplan. Ange för varje åtgärd vilket underlag som behövs för att avgöra om den fungerade.” Detta omvandlar en vag begäran till ett resultat som kan granskas och vidareutvecklas.
För kontorsarbete omfattar användbara indata källanteckningar, text som extraherats ur dokument, tabeller med tydliga kolumndefinitioner och rapportens avsedda målgrupp. Ange period, enheter och jämförelse som ska användas. Be om en skriftlig leverans som ett ledningsunderlag, en rapportdisposition eller en förklaring av de viktiga förändringarna. Ett exempel är: ”Använd endast dessa kvartalstabeller, förklara de största förändringarna, skilj observerade värden från antaganden och skriv ett underlag med obesvarade frågor i slutet.” Behåll källetiketter med indata så att de resulterande påståendena kan spåras till rätt material.
För mjukvaruutveckling framhäver tillverkaren refaktorering mellan språk, prestandaoptimering och analys av ofta använda delar av en kodbas. Tillhandahåll relevanta filer som text, beteendet som ska bevaras, beroendeversionerna och eventuell felande utdata eller mätningar. En användbar begäran ber om en föreslagen ändring och de kontroller som behövs för att bedöma den: ”Refaktorera denna parser och bevara det dokumenterade utdataformatet. Förklara det berörda beteendet, visa den omarbetade koden och identifiera fall som skulle avslöja en regression.” För prestandaarbete tillhandahåller du faktiska profiler eller tidsmätningar och ber modellen koppla varje rekommendation till en uppmätt flaskhals.
För professionell analys samlar du relevanta regler, definitioner och belägg innan du ber om en rekommendation. Ling 3.1 Flash är avsedd att sammanställa utspridd information, tolka indikatorer och ta fram åtgärdsförslag. Be om en jämförelse som anger antagandena och den återstående information som behövs i stället för ett omdöme utan stöd. Tillhandahåll exempelvis flera projektförslag och begär ett besluts-PM som använder samma kriterier för varje förslag, där källstödda observationer skiljs från härledda konsekvenser. När underlaget motsäger sig självt ber du om de motstridiga avsnitten och den fråga som skulle lösa motsättningen.
Tillverkaren skiljer ett kontexttak för modellen på 1M token från den kontext på 256K som för närvarande är öppnad i dess officiella tjänst. Dessa siffror beskriver olika gränser. Ordna arbetsmaterialet utifrån det tillämpliga fönstret och reservera utrymme för svaret; ett tak på modellnivå betyder inte att varje gränssnitt accepterar så mycket indata. För en stor uppgift håller du målet, fattade beslut, obesvarade frågor och källhänvisningar tillsammans. Använd uttryckliga gränser runt dokument och kod så att material som ska analyseras inte förväxlas med instruktioner som ska följas.
Förbered verktygsanslutna uppgifter med tydliga verktygsbeskrivningar, förväntade argument och användbara resultatposter. Återför faktiska resultat till samtalet så att nästa förslag bygger på observationer. Be modellen förklara vad ett returnerat resultat förändrar och vilka belägg som fortfarande saknas. Modellens agentinriktade konstruktion stöder detta mönster av planering och återkoppling; den omgivande applikationen utför verktygsstegen och bevarar deras resultat. Ett föreslaget kommando, en kodändring eller en rapport är mest användbart när dess status är tydlig: föreslaget, utfört med ett registrerat resultat eller fortfarande i väntan på verifiering.
Ling 3.1 Flash tillhör språkmodellserien; den separata utgåvan Ling 3.0 Flash VL är tillverkarens visuella modell. För denna textuppgift förbereder du textbaserat källinnehåll och bevarar dess struktur, etiketter och ursprung. Ange utdataspråk och form, exempelvis ett kort PM, en tabell med slutsatser, en förklaring av en kodändring eller en numrerad plan. Be modellen markera saknad information och kontrollera den begärda leveransen mot de ursprungliga begränsningarna. Långa arbetsflöden behöver fortfarande granskning av mellanresultat: ett tidigt felaktigt antagande kan annars föras vidare i senare resonemang och poleras till en övertygande slutrapport.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inclusionai/ling-3.1-flash | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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 $0.0006 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00012 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0006 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00012 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"inclusionai/ling-3.1-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="inclusionai/ling-3.1-flash", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 inclusionai/ling-3.1-flash
/chat/completions
inclusionai/ling-3.1-flashLing 3.1 Flash är inclusionAI:s hybrida resonemangsmodell för kontorsarbete, längre mjukvaruutveckling och komplexa agenter. Dess glesa arkitektur med 560B parametrar aktiverar cirka 25B parametrar per token och stöder planering i flera steg, verktygsinteraktion och omarbetningar utifrån mellanresultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ling 3.1 Flash är inclusionAI:s hybrida språkmodell för resonemangsuppgifter som omfattar flera steg snarare än ett enda kort svar. Tillverkaren positionerar den för vardagligt kontorsarbete, längre mjukvaruutveckling och komplexa agentflöden. Den använder en mixture-of-experts-arkitektur med cirka 560B parametrar totalt och ungefär 25B aktiva för varje token, vilket balanserar stor modellkapacitet med en mindre mängd aktiv beräkning.
Dess centrala konstruktionsmål är att bevara uppgiftens tillstånd och korrigera kursen under längre arbete. I ett verktygsanslutet arbetsflöde kan modellen planera flera steg, tolka mellanresultat och omarbeta nästa steg när underlaget förändras. Ge den ett exakt mål, tillgängliga material och en definition av slutförande. Till exempel: ”Granska dessa incidentanteckningar, identifiera de orsaker som ännu är oklara och skapa en prioriterad utredningsplan. Ange för varje åtgärd vilket underlag som behövs för att avgöra om den fungerade.” Detta omvandlar en vag begäran till ett resultat som kan granskas och vidareutvecklas.
För kontorsarbete omfattar användbara indata källanteckningar, text som extraherats ur dokument, tabeller med tydliga kolumndefinitioner och rapportens avsedda målgrupp. Ange period, enheter och jämförelse som ska användas. Be om en skriftlig leverans som ett ledningsunderlag, en rapportdisposition eller en förklaring av de viktiga förändringarna. Ett exempel är: ”Använd endast dessa kvartalstabeller, förklara de största förändringarna, skilj observerade värden från antaganden och skriv ett underlag med obesvarade frågor i slutet.” Behåll källetiketter med indata så att de resulterande påståendena kan spåras till rätt material.
För mjukvaruutveckling framhäver tillverkaren refaktorering mellan språk, prestandaoptimering och analys av ofta använda delar av en kodbas. Tillhandahåll relevanta filer som text, beteendet som ska bevaras, beroendeversionerna och eventuell felande utdata eller mätningar. En användbar begäran ber om en föreslagen ändring och de kontroller som behövs för att bedöma den: ”Refaktorera denna parser och bevara det dokumenterade utdataformatet. Förklara det berörda beteendet, visa den omarbetade koden och identifiera fall som skulle avslöja en regression.” För prestandaarbete tillhandahåller du faktiska profiler eller tidsmätningar och ber modellen koppla varje rekommendation till en uppmätt flaskhals.
För professionell analys samlar du relevanta regler, definitioner och belägg innan du ber om en rekommendation. Ling 3.1 Flash är avsedd att sammanställa utspridd information, tolka indikatorer och ta fram åtgärdsförslag. Be om en jämförelse som anger antagandena och den återstående information som behövs i stället för ett omdöme utan stöd. Tillhandahåll exempelvis flera projektförslag och begär ett besluts-PM som använder samma kriterier för varje förslag, där källstödda observationer skiljs från härledda konsekvenser. När underlaget motsäger sig självt ber du om de motstridiga avsnitten och den fråga som skulle lösa motsättningen.
Tillverkaren skiljer ett kontexttak för modellen på 1M token från den kontext på 256K som för närvarande är öppnad i dess officiella tjänst. Dessa siffror beskriver olika gränser. Ordna arbetsmaterialet utifrån det tillämpliga fönstret och reservera utrymme för svaret; ett tak på modellnivå betyder inte att varje gränssnitt accepterar så mycket indata. För en stor uppgift håller du målet, fattade beslut, obesvarade frågor och källhänvisningar tillsammans. Använd uttryckliga gränser runt dokument och kod så att material som ska analyseras inte förväxlas med instruktioner som ska följas.
Förbered verktygsanslutna uppgifter med tydliga verktygsbeskrivningar, förväntade argument och användbara resultatposter. Återför faktiska resultat till samtalet så att nästa förslag bygger på observationer. Be modellen förklara vad ett returnerat resultat förändrar och vilka belägg som fortfarande saknas. Modellens agentinriktade konstruktion stöder detta mönster av planering och återkoppling; den omgivande applikationen utför verktygsstegen och bevarar deras resultat. Ett föreslaget kommando, en kodändring eller en rapport är mest användbart när dess status är tydlig: föreslaget, utfört med ett registrerat resultat eller fortfarande i väntan på verifiering.
Ling 3.1 Flash tillhör språkmodellserien; den separata utgåvan Ling 3.0 Flash VL är tillverkarens visuella modell. För denna textuppgift förbereder du textbaserat källinnehåll och bevarar dess struktur, etiketter och ursprung. Ange utdataspråk och form, exempelvis ett kort PM, en tabell med slutsatser, en förklaring av en kodändring eller en numrerad plan. Be modellen markera saknad information och kontrollera den begärda leveransen mot de ursprungliga begränsningarna. Långa arbetsflöden behöver fortfarande granskning av mellanresultat: ett tidigt felaktigt antagande kan annars föras vidare i senare resonemang och poleras till en övertygande slutrapport.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inclusionai/ling-3.1-flash | 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 $0.0006 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00012 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0006 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00012 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "inclusionai/ling-3.1-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.1-flash', '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': 'inclusionai/ling-3.1-flash', '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 inclusionai/ling-3.1-flash
/chat/completions