Ling Flash 2.0 är inclusionAI:s språkmodell i arkitekturfamiljen Ling 2.0. Tillverkaren beskriver komplext resonemang, kodgenerering, frontendutveckling och kreativt skrivande som typiska uppgifter. Det publicerade modellkortet anger totalt 100 miljarder parametrar och 6,1 miljarder aktiva parametrar, inklusive inbäddningar, för dess mixture-of-experts-modell.
Tillhandahåll villkoren, källmaterialet och det slutliga resultatet. En resonemangsfråga kan begära en slutsats kopplad till de fakta som stöder den. En koduppgift kan ange relevant källkod, förväntat beteende och det fall som ska lösas. För frontendarbete anger du de kontroller, tillstånd och datarelationer som gränssnittet måste implementera.
Håll det föreslagna resultatet åtskilt från belägg för körning. Modellen returnerar text eller kod; applikationen sparar, kör och granskar resultatet i dess avsedda miljö. En följdfråga kan ange ett observerat fel eller en specifik avvikelse och begära en fokuserad korrigering.
Tillverkaren visar en systeminstruktion och en användarfråga genom utgåvans chattmall. Håll källmaterialet tydligt märkt och bevara de uppgiftsbeslut som behövs för senare turer. En längre begäran bör ange vilka avsnitt eller filer som är viktiga för det slutliga svaret.
För ett strukturerat resultat definierar du de obligatoriska avsnitten eller fälten och hur frånvarande information ska hanteras. Kontrollera de returnerade värdena mot det tillhandahållna underlaget innan de används i den omgivande applikationen.
Tillverkarens modelltabell anger en kontext på 32K som utökas till 128K med YaRN. Dess driftsättningsguide beskriver en skalningskonfiguration och en uttrycklig maximal modellängd för denna utökning. Den exakta driftade modellvarianten anger en arbetskontext på 128 000 token; använd det valda gränssnittets faktiska gränser i stället för att tillämpa en lokal driftsättningsändring på en begäran till en driftad tjänst.
Tillverkaren beskriver träning på mer än 20 biljoner token med övervakad finjustering och förstärkningsinlärning i flera steg. Håll Ling Flash åtskild från den separat namngivna språkmodellen Mini och tänkandefamiljen Ring. Beskrivningen av arkitektur och träning fastställer inte en allmängiltig svarshastighet eller en verktygstransport som exponeras av varje gränssnitt.
", "aboutText": "Ling Flash 2.0 är inclusionAI:s språkmodell i arkitekturfamiljen Ling 2.0. Tillverkaren beskriver komplext resonemang, kodgenerering, frontendutveckling och kreativt skrivande som typiska uppgifter. Det publicerade modellkortet anger totalt 100 miljarder parametrar och 6,1 miljarder aktiva parametrar, inklusive inbäddningar, för dess mixture-of-experts-modell.\n\n### Definiera resonemangets eller kodens resultat\n\nTillhandahåll villkoren, källmaterialet och det slutliga resultatet. En resonemangsfråga kan begära en slutsats kopplad till de fakta som stöder den. En koduppgift kan ange relevant källkod, förväntat beteende och det fall som ska lösas. För frontendarbete anger du de kontroller, tillstånd och datarelationer som gränssnittet måste implementera.\n\nHåll det föreslagna resultatet åtskilt från belägg för körning. Modellen returnerar text eller kod; applikationen sparar, kör och granskar resultatet i dess avsedda miljö. En följdfråga kan ange ett observerat fel eller en specifik avvikelse och begära en fokuserad korrigering.\n\n### Ordna samtalskontexten\n\nTillverkaren visar en systeminstruktion och en användarfråga genom utgåvans chattmall. Håll källmaterialet tydligt märkt och bevara de uppgiftsbeslut som behövs för senare turer. En längre begäran bör ange vilka avsnitt eller filer som är viktiga för det slutliga svaret.\n\nFör ett strukturerat resultat definierar du de obligatoriska avsnitten eller fälten och hur frånvarande information ska hanteras. Kontrollera de returnerade värdena mot det tillhandahållna underlaget innan de används i den omgivande applikationen.\n\n### Använd den dokumenterade kontextkonfigurationen\n\nTillverkarens modelltabell anger en kontext på 32K som utökas till 128K med YaRN. Dess driftsättningsguide beskriver en skalningskonfiguration och en uttrycklig maximal modellängd för denna utökning. Den exakta driftade modellvarianten anger en arbetskontext på 128 000 token; använd det valda gränssnittets faktiska gränser i stället för att tillämpa en lokal driftsättningsändring på en begäran till en driftad tjänst.\n\nTillverkaren beskriver träning på mer än 20 biljoner token med övervakad finjustering och förstärkningsinlärning i flera steg. Håll Ling Flash åtskild från den separat namngivna språkmodellen Mini och tänkandefamiljen Ring. Beskrivningen av arkitektur och träning fastställer inte en allmängiltig svarshastighet eller en verktygstransport som exponeras av varje gränssnitt.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.inclusionAI/Ling-flash-2.0Ling Flash 2.0 är inclusionAI:s textmodell för komplext resonemang, kodgenerering och frontendutveckling. Tillverkaren anger totalt 100B parametrar och 6,1B aktiva parametrar, med en kontext på 32K som kan utökas till 128K genom YaRN.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ling Flash 2.0 är inclusionAI:s språkmodell i arkitekturfamiljen Ling 2.0. Tillverkaren beskriver komplext resonemang, kodgenerering, frontendutveckling och kreativt skrivande som typiska uppgifter. Det publicerade modellkortet anger totalt 100 miljarder parametrar och 6,1 miljarder aktiva parametrar, inklusive inbäddningar, för dess mixture-of-experts-modell.
Tillhandahåll villkoren, källmaterialet och det slutliga resultatet. En resonemangsfråga kan begära en slutsats kopplad till de fakta som stöder den. En koduppgift kan ange relevant källkod, förväntat beteende och det fall som ska lösas. För frontendarbete anger du de kontroller, tillstånd och datarelationer som gränssnittet måste implementera.
Håll det föreslagna resultatet åtskilt från belägg för körning. Modellen returnerar text eller kod; applikationen sparar, kör och granskar resultatet i dess avsedda miljö. En följdfråga kan ange ett observerat fel eller en specifik avvikelse och begära en fokuserad korrigering.
Tillverkaren visar en systeminstruktion och en användarfråga genom utgåvans chattmall. Håll källmaterialet tydligt märkt och bevara de uppgiftsbeslut som behövs för senare turer. En längre begäran bör ange vilka avsnitt eller filer som är viktiga för det slutliga svaret.
För ett strukturerat resultat definierar du de obligatoriska avsnitten eller fälten och hur frånvarande information ska hanteras. Kontrollera de returnerade värdena mot det tillhandahållna underlaget innan de används i den omgivande applikationen.
Tillverkarens modelltabell anger en kontext på 32K som utökas till 128K med YaRN. Dess driftsättningsguide beskriver en skalningskonfiguration och en uttrycklig maximal modellängd för denna utökning. Den exakta driftade modellvarianten anger en arbetskontext på 128 000 token; använd det valda gränssnittets faktiska gränser i stället för att tillämpa en lokal driftsättningsändring på en begäran till en driftad tjänst.
Tillverkaren beskriver träning på mer än 20 biljoner token med övervakad finjustering och förstärkningsinlärning i flera steg. Håll Ling Flash åtskild från den separat namngivna språkmodellen Mini och tänkandefamiljen Ring. Beskrivningen av arkitektur och träning fastställer inte en allmängiltig svarshastighet eller en verktygstransport som exponeras av varje gränssnitt.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inclusionAI/Ling-flash-2.0 | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000286 / 1K token Utdata · Utdatatoken $0.001144 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inclusionAI/Ling-flash-2.0", "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='inclusionAI/Ling-flash-2.0',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='inclusionAI/Ling-flash-2.0',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 inclusionAI/Ling-flash-2.0
Använd metodsökvägarna som visas ovan.
inclusionAI/Ling-flash-2.0Ling Flash 2.0 är inclusionAI:s textmodell för komplext resonemang, kodgenerering och frontendutveckling. Tillverkaren anger totalt 100B parametrar och 6,1B aktiva parametrar, med en kontext på 32K som kan utökas till 128K genom YaRN.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ling Flash 2.0 är inclusionAI:s språkmodell i arkitekturfamiljen Ling 2.0. Tillverkaren beskriver komplext resonemang, kodgenerering, frontendutveckling och kreativt skrivande som typiska uppgifter. Det publicerade modellkortet anger totalt 100 miljarder parametrar och 6,1 miljarder aktiva parametrar, inklusive inbäddningar, för dess mixture-of-experts-modell.
Tillhandahåll villkoren, källmaterialet och det slutliga resultatet. En resonemangsfråga kan begära en slutsats kopplad till de fakta som stöder den. En koduppgift kan ange relevant källkod, förväntat beteende och det fall som ska lösas. För frontendarbete anger du de kontroller, tillstånd och datarelationer som gränssnittet måste implementera.
Håll det föreslagna resultatet åtskilt från belägg för körning. Modellen returnerar text eller kod; applikationen sparar, kör och granskar resultatet i dess avsedda miljö. En följdfråga kan ange ett observerat fel eller en specifik avvikelse och begära en fokuserad korrigering.
Tillverkaren visar en systeminstruktion och en användarfråga genom utgåvans chattmall. Håll källmaterialet tydligt märkt och bevara de uppgiftsbeslut som behövs för senare turer. En längre begäran bör ange vilka avsnitt eller filer som är viktiga för det slutliga svaret.
För ett strukturerat resultat definierar du de obligatoriska avsnitten eller fälten och hur frånvarande information ska hanteras. Kontrollera de returnerade värdena mot det tillhandahållna underlaget innan de används i den omgivande applikationen.
Tillverkarens modelltabell anger en kontext på 32K som utökas till 128K med YaRN. Dess driftsättningsguide beskriver en skalningskonfiguration och en uttrycklig maximal modellängd för denna utökning. Den exakta driftade modellvarianten anger en arbetskontext på 128 000 token; använd det valda gränssnittets faktiska gränser i stället för att tillämpa en lokal driftsättningsändring på en begäran till en driftad tjänst.
Tillverkaren beskriver träning på mer än 20 biljoner token med övervakad finjustering och förstärkningsinlärning i flera steg. Håll Ling Flash åtskild från den separat namngivna språkmodellen Mini och tänkandefamiljen Ring. Beskrivningen av arkitektur och träning fastställer inte en allmängiltig svarshastighet eller en verktygstransport som exponeras av varje gränssnitt.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inclusionAI/Ling-flash-2.0 | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000286 / 1K token Utdata · Utdatatoken $0.001144 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "inclusionAI/Ling-flash-2.0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-flash-2.0', '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-flash-2.0', '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-flash-2.0
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Specify an accessible filter interaction\n\nPropose HTML and plain JavaScript for a product filter with three checkboxes: In stock, On sale and Free delivery. Show the number of active filters beside a Reset button. Reset must uncheck every box and set the count to zero. Include a keyboard-use check and a test of toggling two filters. Return code, not a screenshot.A complete small HTML/JavaScript example and two verification steps for keyboard use and count/reset behaviour.Checkbox state and active count stay consistent after individual toggles and Reset.