modeller

Meta: Llama 3.2 1B Instruct

Markdown · JSON

Meta: Llama 3.2 1B Instruct

Llama 3.2 1B Instruct är Metas kompakta textmodell med 1.23B parametrar för dialog, sammanfattning, kunskapshämtning och omformulering av sökfrågor. Tillverkaren anger en 128k-kontext för den vanliga utgåvan och 8k för separata kvantiserade varianter, med flerspråkiga text- och kodutdata.

Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

Llama 3.2 1B Instruct är Metas kompakta instruktionsfinjusterade textmodell, med 1.23 miljarder parametrar enligt tillverkarens tabell. Den tar emot flerspråkig text och returnerar text eller kod. Utgåvan är avsedd för dialog, kunskapshämtning, sammanfattning, mobila skrivassistenter och omformulering av sökfrågor eller promptar, snarare än de bildförståelseuppgifter som Llamas separata bildutgåvor hanterar.

Modellinformation och kontext

Modellen använder en autoregressiv Transformer-arkitektur med grouped-query attention och delade embeddings. Meta skiljer mellan förtränade och instruktionsfinjusterade 1B- och 3B-modeller. Denna post gäller checkpointen 1B Instruct, vars uppgift är att följa användarens begäran i ett samtal snarare än att fungera som en förtränad basmodell.

Den vanliga textutgåvan dokumenteras med en 128k-kontext. Tillverkaren anger separat en 8k-kontext för sina kvantiserade textmodeller. Dessa konfigurationer bör förbli åtskilda: kvantisering ger inte stöd för att överföra den vanliga utgåvans kontext till varje checkpoint i ett mindre format eller för att dra slutsatser om den konfigurerade kapaciteten i en viss tjänst.

Använd kontexten för de textavsnitt och det samtal som är relevanta för en definierad åtgärd. Ett långt dokument kan fortfarande kräva en kort sammanfattning, en omformulerad sökfråga eller ett källbaserat svar. Identifiera materialet som resultatet måste behålla och den längd eller de fält som nästa applikationssteg behöver.

Hämtning, sammanfattningar och omskrivning

För sammanfattning tillhandahåller du det faktiska textavsnittet eller samtalet och anger målgrupp, längd och väsentliga fakta. Ett användbart resultat kan skilja mellan huvudfrågan, redan uttalade beslut och öppna frågor. Om källan innehåller flera ämnen identifierar du vilket ämne sammanfattningen ska täcka i stället för att be om en planlös förkortning av allt.

För kunskapshämtning tillhandahåller du de valda källavsnitten eller information som en hämtningskomponent returnerat. Be om det påstående som besvarar frågan och det textavsnitt som stöder det. Modellens textsvar kan förklara hämtad information, medan sökning i en privat samling förblir den anslutna applikationens arbete. Modellen får inte tillgång till samlingen enbart för att användningsfallet benämns hämtning.

För omformulering av sökfrågor anger du originalfrågan och sökningens syfte. Be om en kortfattad omformulering som bevarar entiteten, villkoret och den önskade informationen. En supportfråga kan omformuleras med produkttermen och den åtgärd som är viktig, utan att lägga till en uppgift som inte finns i användarens meddelande. Returnera den reviderade sökfrågan separat från eventuell förklaring om en annan komponent ska använda den direkt.

För en skrivassistent anger du läsare, ton och källfakta innan du begär ett kort brev eller ett omarbetat textavsnitt. För en extraktionsuppgift definierar du fälten och hur saknad information ska representeras. Detta är konkreta åtgärder som kopplar den kompakta modellens dokumenterade textinriktning till ett resultat som går att granska.

Språkstöd och träning

De språk som har officiellt stöd är engelska, tyska, franska, italienska, portugisiska, hindi, spanska och thailändska. Modellen tränas på en bredare språksamling, vilket är skilt från de åtta språk som kortet uttryckligen stöder. Ange slutligt språk och eventuella termer eller identifierare som måste förbli oförändrade.

Familjen är förtränad på upp till nio biljoner token, med dataslutdatum i december 2023. För 1B- och 3B-modellerna använder tillverkaren utdata från Llama 3.1 8B och 70B som träningsmål på tokennivå och kunskapsdestillering efter beskärning. Detta är en träningsprocess; det betyder inte att den driftsatta 1B-modellen ber dessa större modeller besvara varje användarfråga.

Kortet beskriver övervakad finjustering och preferensbaserad anpassning, med efterträningsomgångar som omfattar övervakade exempel, rejection sampling och direct preference optimization. Dessa steg ger Instruct-beteendet samtidigt som den namngivna checkpointen och den rent textbaserade modaliteten behålls.

Konversation och kvantiserade utgåvor

Tillverkaren visar separata system- och användarmeddelanden med det matchande konversationsformatet. Definiera assistentens roll och svarskrav separat från den faktiska källtexten. Behåll det relevanta tidigare svaret när en uppföljning begär en bearbetning, ett förtydligande eller en annan form av samma information.

Utgåvan dokumenterar också separata varianter med kvantiseringsmedveten träning och kvantisering efter träning. Deras precision och 8k-kontext tillhör dessa varianter snarare än en allmän specifikation för denna vanliga Instruct-post. Använd den exakta checkpointen och konfigurationen när en upprepad uppgift jämförs eller en härledd driftsättning förbereds.

Väsentliga avgränsningar

Denna 1B-utgåva är rent textbaserad. Den bör inte ärva bildindata från Llama 3.2:s bildmodeller på 11B eller 90B, Llama 4:s text- och bildfunktioner eller Muse Sparks namngivna reglage för resonemangsinsats. Kortets genereringsexempel med 256 token är en exempelinställning, inte en separat angiven maximal svarskapacitet.

Ett praktiskt slutresultat är den begärda sammanfattningen, sökfrågan, extraherade posten eller omskrivna texten, med källans relevanta innebörd och identifierare bevarade. De lästa källorna anger ingen separat hård maxgräns för utdatatoken. Håll uppgiften fokuserad, indatamaterialet komplett för den åtgärden och skillnaden mellan vanlig och kvantiserad kontext uttrycklig.

Praktisk uppgift

Praktisk uppgift

Tekniskt exempel på engelska

Rewrite a retrieval query

Rewrite this customer question as one concise search query for a support knowledge base: “My Atlas Mini still shows the old timezone after I changed it in account settings. Do I need to restart?” Preserve the product, stale timezone symptom and restart question. Return only the query and do not invent a cause.

Förväntat resultat

A single concise retrieval query retaining the product name, symptom and requested information.

Kontrollera resultatet

Check that the query includes Atlas Mini and timezone refresh or restart, without asserting a confirmed defect.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta-llama/llama-3.2-1b-instruct

meta-llama/llama-3.2-1b-instruct

Meta /meta-llama/llama-3.2-1b-instruct

Start

Llama 3.2 1B Instruct är Metas kompakta textmodell med 1.23B parametrar för dialog, sammanfattning, kunskapshämtning och omformulering av sökfrågor. Tillverkaren anger en 128k-kontext för den vanliga utgåvan och 8k för separata kvantiserade varianter, med flerspråkiga text- och kodutdata.

Godkända indata
Text
Resultat
Text

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Indatatyper
text
Utdatatyper
text
Utdataformat
json eller SSE
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
meta-llama/llama-3.2-1b-instruct
Standard—
FältmessagesTypmessage[]KravObligatorisktVärden & gränser
Minsta antal objekt: 1
Standard—
Fältmessages[].roleTypstringKravObligatorisktVärden & 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[].contentTypstring|content_part[]|nullKravValfrittVärden & gränserStandard—
Fältmessages[].tool_callsTyptool_call[]KravValfrittVärden & gränserStandard—
Fältmessages[].tool_call_idTypstringKravValfrittVärden & gränser
Gäller när: role=tool; använd det faktiska returnerade ID:t
Standard—
Fältmessages[].nameTypstringKravValfrittVärden & gränserStandard—
Fältmessages[].reasoning_contentTypstringKravValfrittVärden & gränser
Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det
Standard—
Fältmessages[].reasoning_detailsTypobject|arrayKravValfrittVärden & gränser
Beror på modellen
Standard—
Fältmax_tokensTypintegerKravValfrittVärden & gränser
Minimum: 1
Beror på modellen
Standard—
Fältmax_completion_tokensTypintegerKravValfrittVärden & gränser
Minimum: 1
Beror på modellen
Standard—
FältstreamTypbooleanKravValfrittVärden & gränserStandardfalse
Fältstream_options.include_usageTypbooleanKravValfrittVärden & gränser
Beror på modellen
Standard—
FälttemperatureTypnumberKravValfrittVärden & gränser
Beror på modellen
Standard—
Fälttop_pTypnumberKravValfrittVärden & gränser
Beror på modellen
Standard—
FältstopTypstring|string[]KravValfrittVärden & gränser
Beror på modellen
Standard—
FälttoolsTypfunction_tool[]KravValfrittVärden & gränser
Beror på modellen
Standard—
Fälttools[].typeTypstringKravValfrittVärden & gränser
function
Beror på modellen
Standard—
Fälttools[].function.nameTypstringKravObligatorisktVärden & gränser
Gäller när: verktyg av typen funktion har tillhandahållits
Standard—
Fälttools[].function.descriptionTypstringKravValfrittVärden & gränserStandard—
Fälttools[].function.parametersTypJSON_schemaKravValfrittVärden & gränserStandard—
Fälttool_choiceTypstring|objectKravValfrittVärden & gränser
Beror på modellen
Standard—
Fältparallel_tool_callsTypbooleanKravValfrittVärden & gränser
Beror på modellen
Standard—
Fältresponse_formatTypobjectKravValfrittVärden & gränser
Beror på modellen
Standard—
Fältreasoning_effortTypstringKravValfrittVärden & gränser
Beror på modellen
Standard—
FältreasoningTypobjectKravValfrittVärden & gränser
Beror på modellen
Standard—
Fältservice_tierTypstringKravValfrittVärden & gränser
Beror på modellen
Standard—
FältinstructionsTypstringKravValfrittVärden & gränser
Kompatibilitetsfält
Standard—
FältfunctionsTypfunction[]KravValfrittVärden & gränser
Beror på modellen
Standard—
Fältfunction_callTypstring|objectKravValfrittVärden & gränser
Beror på modellen
Standard—
Fältprompt_cache_optionsTypobjectKravValfrittVärden & gränser
Beror på modellen
Standard—
FältmodalitiesTypstring[]KravValfrittVärden & gränser
text
Standard—
FältproviderTypobjectKravValfrittVärden & gränser
Villkor: provider.options avvisas på denna Ultra-textrutt
Standard—
Fältcache_control.ttlTypstringKravValfrittVärden & gränser
Villkor: 1h avvisas på de faktiska platserna för promptcache
Standard—
Kombinationer av indatamaterial

Text · UTF8-text

messages[].content

Metodparametrar och livscykel
ParameterAvtal
Parametercontent_typeAvtalapplication/json
ParameterrequiredAvtalmodel, messages
Parametermaterial_typesAvtaltext
ParametermessagesAvtalmeddelandearray med strukturen role/content
Parameterfile_materialAvtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds
Parameteroptional_controlsAvtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeAvtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg
Parameteroutput_modalitiesAvtaltext
Parameterhosted_operationsAvtalfalse
Parametermultimodal_input_bindingAvtalnull

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.

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge
Standardpris När snabbt läge är valt
Flex-läge
Standardpris När läget flex är valt
Högsta resonemangsnivå
Standardpris När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.

KonfigurationPrislistaKontexttoken, fler änKontexttoken, upp till och medAvgift
KonfigurationGrundpriser för tokenPrislistaGrundprisKontexttoken, fler än—Kontexttoken, upp till och medIngen övre gränsAvgift
Indata · Indatatoken $0.000054 / 1K token
Utdata · Utdatatoken $0.000402 / 1K token
Indata · Cacheläsning — / 1K token
Indata · Skrivning till cache — / 1K token
Indata · Skrivning till cache, 1 tim — / 1K token
KonfigurationNivå 1 för förfrågans längdPrislista—Kontexttoken, fler än0Kontexttoken, upp till och medIngen övre gränsAvgift
Indata · Indatatoken $0.000054 / 1K token
Utdata · Utdatatoken $0.000402 / 1K token
Indata · Cacheläsning — / 1K token
Indata · Skrivning till cache — / 1K token
Indata · Skrivning till cache, 1 tim — / 1K token

Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →

Exempelbegäranden

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-strömning
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta-llama/llama-3.2-1b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta-llama/llama-3.2-1b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta-llama/llama-3.2-1b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Ta emot och spara resultat

Ailoot Ultra · OpenAI Chat

json eller SSE

Behåll alla färdiga resultat

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.

Om det ursprungliga svaret behöver kontrolleras

Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.

Svarsfält
FältTyp
Fältchoices[].indexTypinteger
Fältchoices[].message.contentTypstring|null
Fältchoices[].message.tool_callsTyptool_call[]
Fältchoices[].message.reasoning_contentTypstring
Fältchoices[].message.reasoning_detailsTypobject|array
Fältchoices[].finish_reasonTypstring|null
FältusageTypobject
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.

Alias

Modellalias

Ailoot Ultra meta-llama/llama-3.2-1b-instruct

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

meta-llama/llama-3.2-1b-instruct

Ailoot Ultra · Anthropic Messages POST /v1/messages meta-llama/llama-3.2-1b-instruct

meta-llama/llama-3.2-1b-instruct

Meta /meta-llama/llama-3.2-1b-instruct

Start

Llama 3.2 1B Instruct är Metas kompakta textmodell med 1.23B parametrar för dialog, sammanfattning, kunskapshämtning och omformulering av sökfrågor. Tillverkaren anger en 128k-kontext för den vanliga utgåvan och 8k för separata kvantiserade varianter, med flerspråkiga text- och kodutdata.

Godkända indata
Text
Resultat
json · sse

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · Anthropic Messages POST /v1/messages
Indatatyper
text
Utdatatyper
json, sse
Utdataformat
JSON eller SSE
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
meta-llama/llama-3.2-1b-instruct
Standard—
FältmessagesTypmessage[]KravObligatorisktVärden & gränserStandard—
Fältmessages[].roleTypstringKravObligatorisktVärden & gränser
user, assistant
Standard—
Fältmessages[].contentTypstringKravObligatorisktVärden & gränserStandard—
Fältmax_tokensTypintegerKravObligatorisktVärden & gränserStandard—
FältstreamTypbooleanKravValfrittVärden & gränserStandardfalse
Kombinationer av indatamaterial

Text · UTF-8-text

sträng i messages[].content

Metodparametrar och livscykel
ParameterAvtal
Parametercontent_typeAvtalapplication/json
ParameterrequiredAvtalmodel, messages, max_tokens
Parameteroptional_controlsAvtalstream
Parametermaterial_typesAvtaltext
Parametertext_file_materialAvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll.

Livscykel: synchronous_or_streamed

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge
Standardpris När snabbt läge är valt
Flex-läge
Standardpris När läget flex är valt
Högsta resonemangsnivå
Standardpris När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.

KonfigurationPrislistaKontexttoken, fler änKontexttoken, upp till och medAvgift
KonfigurationGrundpriser för tokenPrislistaGrundprisKontexttoken, fler än—Kontexttoken, upp till och medIngen övre gränsAvgift
Indata · Indatatoken $0.000054 / 1K token
Utdata · Utdatatoken $0.000402 / 1K token
Indata · Cacheläsning — / 1K token
Indata · Skrivning till cache — / 1K token
Indata · Skrivning till cache, 1 tim — / 1K token
KonfigurationNivå 1 för förfrågans längdPrislista—Kontexttoken, fler än0Kontexttoken, upp till och medIngen övre gränsAvgift
Indata · Indatatoken $0.000054 / 1K token
Utdata · Utdatatoken $0.000402 / 1K token
Indata · Cacheläsning — / 1K token
Indata · Skrivning till cache — / 1K token
Indata · Skrivning till cache, 1 tim — / 1K token

Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →

Exempelbegäranden

Ailoot Ultra · Anthropic Messages

Komplett minimal JSON-kroppcurl · använd ditt UTF-8-dokumentPython · spara hela resultatet
{
  "model": "meta-llama/llama-3.2-1b-instruct",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.2-1b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-3.2-1b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Ta emot och spara resultat

Ailoot Ultra · Anthropic Messages

JSON eller SSE

Behåll alla färdiga resultat

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.

Om det ursprungliga svaret behöver kontrolleras

Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.

Svarsfält
FältTyp
FältidTypstring
FältmodelTypstring
Fältcontent[]Typtext|thinking|tool_use|other content block
Fältstop_reasonTypstring|null
FältusageTypobject
Fel och nästa steg
SvarVillkorNästa steg
Svar400 · invalid_request_errorVillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärdeNästa stegKorrigera de angivna fälten före en ny begäran om att skapa.

Alias

Modellalias

Ailoot Ultra meta-llama/llama-3.2-1b-instruct

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

meta-llama/llama-3.2-1b-instruct

FAQ · Meta: Llama 3.2 1B Instruct
Vilka indata och resultat finns?

POST /v1/chat/completions · meta-llama/llama-3.2-1b-instruct: text → text

POST /v1/messages · meta-llama/llama-3.2-1b-instruct: text → json, sse

Vilka fält använder begäran?

POST /v1/chat/completions · meta-llama/llama-3.2-1b-instruct: model, messages, stream, modalities, provider

POST /v1/messages · meta-llama/llama-3.2-1b-instruct: model, messages, max_tokens, stream

Vilka gränser gäller?

POST /v1/chat/completions · meta-llama/llama-3.2-1b-instruct: messages.min_items: 1

Fler detaljer

Anslut Ailoot till Claude Code, OpenCode, Hermes eller din app.

Företaget och dess projektportfölj

Företaget och dess projektportfölj: miljontals kunder; månatlig försäljning för miljarder.

Köp token med rabatt.

Prenumerationsrabatt för återkommande arbete. Kampanjkoder ger upp till 50% vid tokenköp.

Prenumeration
Välj en rabatterad plan för återkommande anrop.
Kampanjkod upp till 50%
Ange koden vid köpet. Priset räknas om enligt kampanjen.
Kostnader i historiken
Modell, token och belopp sparas för varje anrop.

Välj prenumeration · Se modellpriser

Anslut API till produkten som du säljer.

SaaS, appar och botar enligt Ailoots officiella villkor och licensavtal. Begär återförsäljarlicens för vidareförsäljning.

Kommersiell applikation
Bygg text-, bild-, video- och ljudgenerering i tjänstens betalda funktioner.
Återförsäljarlicens
Skicka projektbeskrivning och åtkomstupplägg. Begär skriftliga villkor för användning och vidareförsäljning.
Dokument på webbplatsen
Officiella villkor, licensavtal och databehandlingspolicy finns tillgängliga före anslutning.

Begär återförsäljarlicens · Officiella villkor och licensavtal