Llama 3.3 70B Instruct är Metas instruktionsfinjusterade språkmodell med 70 miljarder parametrar. Den tar emot text och returnerar text eller kod. Meta utformar denna utgåva för flerspråkig assistentdialog och använder övervakad finjustering och förstärkningsinlärning med mänsklig återkoppling för att forma hur den svarar på instruktioner.
Tillverkaren listar engelska, tyska, franska, italienska, portugisiska, hindi, spanska och thailändska som stödda språk. Ange språket för slutsvaret och tillhandahåll eventuell terminologi som måste förbli konsekvent. En produktassistent kan ta emot ett samtal på ett av dessa språk, identifiera kundens begäran och skriva ett svarsutkast utifrån det tillhandahållna policymaterialet.
För lokaliseringsarbete tillhandahåller du originalavsnittet, avsedd målgrupp och en ordlista. Be om det omskrivna avsnittet följt av en kort lista över val som ändrar innebörd eller ton. Bevara uttryckligen produktnamn, identifierare och storheter. Detta producerar material som en granskare kan jämföra med källan utan att förlora viktiga detaljer.
Meta anger ett kontextfönster på 128K för modellen. Använd det utrymmet för relevanta källavsnitt, tidigare beslut och den aktuella frågan. Märk varje dokument eller utdrag innan du ber modellen jämföra dem. En dokumentdialog kan begära ett svar som stöds av utdrags-ID:n, med en separat lista över punkter som det tillhandahållna materialet inte löser.
För ett längre samtal behåller du de beslut som påverkar nästa svar och tar bort upprepad bakgrund. Be om ett särskilt arbetsresultat: en jämförelsetabell, ett reviderat textavsnitt, en kravlista eller en förklaring av ett namngivet kodavsnitt. En specifik resultatform ger granskningen ett konkret mål.
Modellens dokumenterade utdata omfattar kod. En kodprompt kan tillhandahålla ett gränssnitt, exempelindata och förväntade utdata och sedan begära en implementation tillsammans med tester för de gränsfall du anger. Kör och granska implementationen i målprojektet innan den införlivas.
Meta visar också format för verktygsanrop för denna instruktionsfinjusterade utgåva. I ett sådant arbetsflöde exponerar den omgivande applikationen funktioner, kör ett begärt anrop och returnerar resultatet till samtalet. Håll dessa resultat knutna till den relevanta begäran så att slutsvaret kan använda det faktiska underlaget. Formaten beskriver tillverkarens integrationsbeteende; själva funktionerna tillhör applikationen.
Llama 3.3 är en statisk modell tränad på en offlinedatamängd. Tillhandahåll aktuella siffror, policyer eller poster när svaret beror på dem. Dess rent textbaserade indata gör läsbara utdrag till det lämpliga underlaget för denna utgåva.
", "aboutText": "Llama 3.3 70B Instruct är Metas instruktionsfinjusterade språkmodell med 70 miljarder parametrar. Den tar emot text och returnerar text eller kod. Meta utformar denna utgåva för flerspråkig assistentdialog och använder övervakad finjustering och förstärkningsinlärning med mänsklig återkoppling för att forma hur den svarar på instruktioner.\n\n### Bygg ett flerspråkigt samtal\n\nTillverkaren listar engelska, tyska, franska, italienska, portugisiska, hindi, spanska och thailändska som stödda språk. Ange språket för slutsvaret och tillhandahåll eventuell terminologi som måste förbli konsekvent. En produktassistent kan ta emot ett samtal på ett av dessa språk, identifiera kundens begäran och skriva ett svarsutkast utifrån det tillhandahållna policymaterialet.\n\nFör lokaliseringsarbete tillhandahåller du originalavsnittet, avsedd målgrupp och en ordlista. Be om det omskrivna avsnittet följt av en kort lista över val som ändrar innebörd eller ton. Bevara uttryckligen produktnamn, identifierare och storheter. Detta producerar material som en granskare kan jämföra med källan utan att förlora viktiga detaljer.\n\n### Arbeta utifrån en textsamling\n\nMeta anger ett kontextfönster på 128K för modellen. Använd det utrymmet för relevanta källavsnitt, tidigare beslut och den aktuella frågan. Märk varje dokument eller utdrag innan du ber modellen jämföra dem. En dokumentdialog kan begära ett svar som stöds av utdrags-ID:n, med en separat lista över punkter som det tillhandahållna materialet inte löser.\n\nFör ett längre samtal behåller du de beslut som påverkar nästa svar och tar bort upprepad bakgrund. Be om ett särskilt arbetsresultat: en jämförelsetabell, ett reviderat textavsnitt, en kravlista eller en förklaring av ett namngivet kodavsnitt. En specifik resultatform ger granskningen ett konkret mål.\n\n### Kod och applikationsverktyg\n\nModellens dokumenterade utdata omfattar kod. En kodprompt kan tillhandahålla ett gränssnitt, exempelindata och förväntade utdata och sedan begära en implementation tillsammans med tester för de gränsfall du anger. Kör och granska implementationen i målprojektet innan den införlivas.\n\nMeta visar också format för verktygsanrop för denna instruktionsfinjusterade utgåva. I ett sådant arbetsflöde exponerar den omgivande applikationen funktioner, kör ett begärt anrop och returnerar resultatet till samtalet. Håll dessa resultat knutna till den relevanta begäran så att slutsvaret kan använda det faktiska underlaget. Formaten beskriver tillverkarens integrationsbeteende; själva funktionerna tillhör applikationen.\n\nLlama 3.3 är en statisk modell tränad på en offlinedatamängd. Tillhandahåll aktuella siffror, policyer eller poster när svaret beror på dem. Dess rent textbaserade indata gör läsbara utdrag till det lämpliga underlaget för denna utgåva.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.meta-llama/llama-3.3-70b-instructLlama 3.3 70B Instruct är Metas flerspråkiga textmodell för assistentsamtal. Den genererar text och kod, med en tillverkarangiven 128K-kontext och åtta stödda språk, vilket gör den lämplig för dokumentdialog, omskrivning och källgrundade förklaringar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 3.3 70B Instruct är Metas instruktionsfinjusterade språkmodell med 70 miljarder parametrar. Den tar emot text och returnerar text eller kod. Meta utformar denna utgåva för flerspråkig assistentdialog och använder övervakad finjustering och förstärkningsinlärning med mänsklig återkoppling för att forma hur den svarar på instruktioner.
Tillverkaren listar engelska, tyska, franska, italienska, portugisiska, hindi, spanska och thailändska som stödda språk. Ange språket för slutsvaret och tillhandahåll eventuell terminologi som måste förbli konsekvent. En produktassistent kan ta emot ett samtal på ett av dessa språk, identifiera kundens begäran och skriva ett svarsutkast utifrån det tillhandahållna policymaterialet.
För lokaliseringsarbete tillhandahåller du originalavsnittet, avsedd målgrupp och en ordlista. Be om det omskrivna avsnittet följt av en kort lista över val som ändrar innebörd eller ton. Bevara uttryckligen produktnamn, identifierare och storheter. Detta producerar material som en granskare kan jämföra med källan utan att förlora viktiga detaljer.
Meta anger ett kontextfönster på 128K för modellen. Använd det utrymmet för relevanta källavsnitt, tidigare beslut och den aktuella frågan. Märk varje dokument eller utdrag innan du ber modellen jämföra dem. En dokumentdialog kan begära ett svar som stöds av utdrags-ID:n, med en separat lista över punkter som det tillhandahållna materialet inte löser.
För ett längre samtal behåller du de beslut som påverkar nästa svar och tar bort upprepad bakgrund. Be om ett särskilt arbetsresultat: en jämförelsetabell, ett reviderat textavsnitt, en kravlista eller en förklaring av ett namngivet kodavsnitt. En specifik resultatform ger granskningen ett konkret mål.
Modellens dokumenterade utdata omfattar kod. En kodprompt kan tillhandahålla ett gränssnitt, exempelindata och förväntade utdata och sedan begära en implementation tillsammans med tester för de gränsfall du anger. Kör och granska implementationen i målprojektet innan den införlivas.
Meta visar också format för verktygsanrop för denna instruktionsfinjusterade utgåva. I ett sådant arbetsflöde exponerar den omgivande applikationen funktioner, kör ett begärt anrop och returnerar resultatet till samtalet. Håll dessa resultat knutna till den relevanta begäran så att slutsvaret kan använda det faktiska underlaget. Formaten beskriver tillverkarens integrationsbeteende; själva funktionerna tillhör applikationen.
Llama 3.3 är en statisk modell tränad på en offlinedatamängd. Tillhandahåll aktuella siffror, policyer eller poster när svaret beror på dem. Dess rent textbaserade indata gör läsbara utdrag till det lämpliga underlaget för denna utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta-llama/llama-3.3-70b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0018 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00059 / 1K token Indata · Skrivning till cache $0 / 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 $0.0018 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00059 / 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": "meta-llama/llama-3.3-70b-instruct", "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='meta-llama/llama-3.3-70b-instruct',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='meta-llama/llama-3.3-70b-instruct',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 meta-llama/llama-3.3-70b-instruct
Använd metodsökvägarna som visas ovan.
meta-llama/llama-3.3-70b-instructLlama 3.3 70B Instruct är Metas flerspråkiga textmodell för assistentsamtal. Den genererar text och kod, med en tillverkarangiven 128K-kontext och åtta stödda språk, vilket gör den lämplig för dokumentdialog, omskrivning och källgrundade förklaringar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 3.3 70B Instruct är Metas instruktionsfinjusterade språkmodell med 70 miljarder parametrar. Den tar emot text och returnerar text eller kod. Meta utformar denna utgåva för flerspråkig assistentdialog och använder övervakad finjustering och förstärkningsinlärning med mänsklig återkoppling för att forma hur den svarar på instruktioner.
Tillverkaren listar engelska, tyska, franska, italienska, portugisiska, hindi, spanska och thailändska som stödda språk. Ange språket för slutsvaret och tillhandahåll eventuell terminologi som måste förbli konsekvent. En produktassistent kan ta emot ett samtal på ett av dessa språk, identifiera kundens begäran och skriva ett svarsutkast utifrån det tillhandahållna policymaterialet.
För lokaliseringsarbete tillhandahåller du originalavsnittet, avsedd målgrupp och en ordlista. Be om det omskrivna avsnittet följt av en kort lista över val som ändrar innebörd eller ton. Bevara uttryckligen produktnamn, identifierare och storheter. Detta producerar material som en granskare kan jämföra med källan utan att förlora viktiga detaljer.
Meta anger ett kontextfönster på 128K för modellen. Använd det utrymmet för relevanta källavsnitt, tidigare beslut och den aktuella frågan. Märk varje dokument eller utdrag innan du ber modellen jämföra dem. En dokumentdialog kan begära ett svar som stöds av utdrags-ID:n, med en separat lista över punkter som det tillhandahållna materialet inte löser.
För ett längre samtal behåller du de beslut som påverkar nästa svar och tar bort upprepad bakgrund. Be om ett särskilt arbetsresultat: en jämförelsetabell, ett reviderat textavsnitt, en kravlista eller en förklaring av ett namngivet kodavsnitt. En specifik resultatform ger granskningen ett konkret mål.
Modellens dokumenterade utdata omfattar kod. En kodprompt kan tillhandahålla ett gränssnitt, exempelindata och förväntade utdata och sedan begära en implementation tillsammans med tester för de gränsfall du anger. Kör och granska implementationen i målprojektet innan den införlivas.
Meta visar också format för verktygsanrop för denna instruktionsfinjusterade utgåva. I ett sådant arbetsflöde exponerar den omgivande applikationen funktioner, kör ett begärt anrop och returnerar resultatet till samtalet. Håll dessa resultat knutna till den relevanta begäran så att slutsvaret kan använda det faktiska underlaget. Formaten beskriver tillverkarens integrationsbeteende; själva funktionerna tillhör applikationen.
Llama 3.3 är en statisk modell tränad på en offlinedatamängd. Tillhandahåll aktuella siffror, policyer eller poster när svaret beror på dem. Dess rent textbaserade indata gör läsbara utdrag till det lämpliga underlaget för denna utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta-llama/llama-3.3-70b-instruct | 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 $0.0018 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00059 / 1K token Indata · Skrivning till cache $0 / 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 $0.0018 / 1K token Utdata · Utdatatoken $0.0018 / 1K token Indata · Cacheläsning $0.00059 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "meta-llama/llama-3.3-70b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-3.3-70b-instruct', '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': 'meta-llama/llama-3.3-70b-instruct', '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 meta-llama/llama-3.3-70b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Localize a customer reply with fixed terms\n\nTranslate this support reply into Spanish for a customer, keeping product name ClearDesk and reference R-882 unchanged: 'We received your return request for ClearDesk. Please include reference R-882 in your reply. We will review the photos you already sent.' Use a polite conversational register, then briefly identify any tone choice.A Spanish reply followed by a short note about the selected register.ClearDesk and R-882 stay exact, and the reply does not ask the customer to resend photos.