Nex-N2.5-Pro är Nex AGI:s namngivna multimodala Pro-utgåva för långsiktiga uppgifter i verkliga miljöer. Tillsammans med mini vidareutvecklar den den visuella grunden i Nex-N2, med riktade förbättringar av datoranvändning, webbsurfning och visuellt förankrat agentarbete. Den förblir skild från familjens textbaserade Max-modell; en Pro-uppgift kan använda visuella observationer för att kontrollera vad som har ändrats och avgöra hur arbetet ska fortsätta.
Förbered ett produktivitetsuppdrag med dess faktiska källor och ett tydligt resultat: en färdig jämförelse, en kodändring eller ett specifikt tillstånd som uppnås i en applikation. Ge modellen den relevanta skärmbilden eller dokumentkontexten och ange tillåtna åtgärder. Ett praktiskt uppdragsunderlag är: ”Använd dessa källor och skärmobservationer för att slutföra jämförelsen, verifiera varje obligatoriskt fält och returnera den slutliga posten med underlaget som stöder den.”
För en gränssnittsuppgift bevarar du synliga etiketter och identifierar tillståndet som skulle fastställa att uppgiften är klar. För programarbete tillhandahåller du implementationen, det observerade felet och beteendet som ska bevaras. Dessa indata kopplar agentens beslut till användarens mål i stället för att låta en plan bli ett antaget slutfört resultat.
Tillverkaren tränar familjen att agera kontinuerligt och självkorrigera utifrån återkoppling från miljön. Modellen kan tolka en skärm och föreslå en funktion eller operation, medan applikationen utför den och returnerar den resulterande visuella observationen eller textobservationen. Jämför observationen med det angivna målet innan du avgör om nästa åtgärd behövs.
Behåll käll- och operationsidentifierare tillsammans med resultaten. Om en uppgift producerar kod hämtar applikationen den faktiska återkopplingen från körning eller validering. Om en webbläsaruppgift ändrar ett tillstånd är den nya skärmen underlaget för vad som inträffade. En genererad instruktion, föreslagen koordinat eller skriftligt valideringskommando förblir skilt från dess exekvering.
Nex-N2.5 använder reasoning_effort för tre lägen. None returnerar ett direkt svar. Medium är det adaptiva standardläget som låter modellen välja om och hur mycket den ska resonera. High aktiverar alltid tänkande före det slutliga svaret. Producenten rekommenderar temperatur 0.7, top-p 0.95 och top-k 40 för sin referensvariant.
Definiera den slutliga leveransen oberoende av resonemangsläget, inklusive språk, obligatoriska detaljer och hantering av saknad information. Den inbyggda mallen använder reasoning_effort; en annan modells thinking-flagga är inte en utbytbar kontroll utan uttrycklig översättning i det omgivande arbetsflödet.
Producenten dokumenterar strukturerade funktionsanrop och separat tolkning av resonemang och slutligt svar. Tillhandahåll funktioner med precisa syften och parameterdefinitioner. Använd returnerade observationer för att stödja den fortsatta uppgiften och ange vilket resultat som låter den avslutas. För forskning eller kunskapsarbete tillhandahåller du auktoritativa avsnitt eller lämpliga uppslagningsfunktioner så att slutsatser kan spåras till faktiskt underlag.
Långsiktigt arbete samlar kontext från källor, skärmar, samtal, resonemang och verktygssvar. Håll relevanta observationer organiserade och bevara slutförandekriteriet genom uppföljningar. Tillverkarens Pro-identitet fastställer inte i sig ett odokumenterat parameterantal eller en universell gräns för indata och utdata.
Den användbara leveransen är en textförklaring, kodleverans eller färdig analytisk post som kan granskas mot källorna och miljöobservationerna. Pro behåller sin egen multimodala utgåva och lägeskontroller utan att ärva Max-modellens textbaserade arkitektur eller anta att varje föreslagen operation över flera applikationer redan har utförts.
", "aboutText": "Nex-N2.5-Pro är Nex AGI:s namngivna multimodala Pro-utgåva för långsiktiga uppgifter i verkliga miljöer. Tillsammans med mini vidareutvecklar den den visuella grunden i Nex-N2, med riktade förbättringar av datoranvändning, webbsurfning och visuellt förankrat agentarbete. Den förblir skild från familjens textbaserade Max-modell; en Pro-uppgift kan använda visuella observationer för att kontrollera vad som har ändrats och avgöra hur arbetet ska fortsätta.\n\n### Mål, källa och miljö\n\nFörbered ett produktivitetsuppdrag med dess faktiska källor och ett tydligt resultat: en färdig jämförelse, en kodändring eller ett specifikt tillstånd som uppnås i en applikation. Ge modellen den relevanta skärmbilden eller dokumentkontexten och ange tillåtna åtgärder. Ett praktiskt uppdragsunderlag är: ”Använd dessa källor och skärmobservationer för att slutföra jämförelsen, verifiera varje obligatoriskt fält och returnera den slutliga posten med underlaget som stöder den.”\n\nFör en gränssnittsuppgift bevarar du synliga etiketter och identifierar tillståndet som skulle fastställa att uppgiften är klar. För programarbete tillhandahåller du implementationen, det observerade felet och beteendet som ska bevaras. Dessa indata kopplar agentens beslut till användarens mål i stället för att låta en plan bli ett antaget slutfört resultat.\n\n### Visuell återkoppling och självkorrigering\n\nTillverkaren tränar familjen att agera kontinuerligt och självkorrigera utifrån återkoppling från miljön. Modellen kan tolka en skärm och föreslå en funktion eller operation, medan applikationen utför den och returnerar den resulterande visuella observationen eller textobservationen. Jämför observationen med det angivna målet innan du avgör om nästa åtgärd behövs.\n\nBehåll käll- och operationsidentifierare tillsammans med resultaten. Om en uppgift producerar kod hämtar applikationen den faktiska återkopplingen från körning eller validering. Om en webbläsaruppgift ändrar ett tillstånd är den nya skärmen underlaget för vad som inträffade. En genererad instruktion, föreslagen koordinat eller skriftligt valideringskommando förblir skilt från dess exekvering.\n\n### Tänkelägen och producentens vägledning\n\nNex-N2.5 använder reasoning_effort för tre lägen. None returnerar ett direkt svar. Medium är det adaptiva standardläget som låter modellen välja om och hur mycket den ska resonera. High aktiverar alltid tänkande före det slutliga svaret. Producenten rekommenderar temperatur 0.7, top-p 0.95 och top-k 40 för sin referensvariant.\n\nDefiniera den slutliga leveransen oberoende av resonemangsläget, inklusive språk, obligatoriska detaljer och hantering av saknad information. Den inbyggda mallen använder reasoning_effort; en annan modells thinking-flagga är inte en utbytbar kontroll utan uttrycklig översättning i det omgivande arbetsflödet.\n\n### Funktionsanrop och användbara leveranser\n\nProducenten dokumenterar strukturerade funktionsanrop och separat tolkning av resonemang och slutligt svar. Tillhandahåll funktioner med precisa syften och parameterdefinitioner. Använd returnerade observationer för att stödja den fortsatta uppgiften och ange vilket resultat som låter den avslutas. För forskning eller kunskapsarbete tillhandahåller du auktoritativa avsnitt eller lämpliga uppslagningsfunktioner så att slutsatser kan spåras till faktiskt underlag.\n\nLångsiktigt arbete samlar kontext från källor, skärmar, samtal, resonemang och verktygssvar. Håll relevanta observationer organiserade och bevara slutförandekriteriet genom uppföljningar. Tillverkarens Pro-identitet fastställer inte i sig ett odokumenterat parameterantal eller en universell gräns för indata och utdata.\n\nDen användbara leveransen är en textförklaring, kodleverans eller färdig analytisk post som kan granskas mot källorna och miljöobservationerna. Pro behåller sin egen multimodala utgåva och lägeskontroller utan att ärva Max-modellens textbaserade arkitektur eller anta att varje föreslagen operation över flera applikationer redan har utförts.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.nex-agi/nex-n2.5-proNex-N2.5-Pro är Nex AGI:s multimodala agentutgåva för datoranvändning, webbsurfning och långsiktiga produktivitetsuppgifter. Den använder visuell återkoppling, funktionsanrop och direkta, adaptiva eller tänkande lägen för att koppla ett definierat mål till text, kod och föreslagna applikationsåtgärder.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Nex-N2.5-Pro är Nex AGI:s namngivna multimodala Pro-utgåva för långsiktiga uppgifter i verkliga miljöer. Tillsammans med mini vidareutvecklar den den visuella grunden i Nex-N2, med riktade förbättringar av datoranvändning, webbsurfning och visuellt förankrat agentarbete. Den förblir skild från familjens textbaserade Max-modell; en Pro-uppgift kan använda visuella observationer för att kontrollera vad som har ändrats och avgöra hur arbetet ska fortsätta.
Förbered ett produktivitetsuppdrag med dess faktiska källor och ett tydligt resultat: en färdig jämförelse, en kodändring eller ett specifikt tillstånd som uppnås i en applikation. Ge modellen den relevanta skärmbilden eller dokumentkontexten och ange tillåtna åtgärder. Ett praktiskt uppdragsunderlag är: ”Använd dessa källor och skärmobservationer för att slutföra jämförelsen, verifiera varje obligatoriskt fält och returnera den slutliga posten med underlaget som stöder den.”
För en gränssnittsuppgift bevarar du synliga etiketter och identifierar tillståndet som skulle fastställa att uppgiften är klar. För programarbete tillhandahåller du implementationen, det observerade felet och beteendet som ska bevaras. Dessa indata kopplar agentens beslut till användarens mål i stället för att låta en plan bli ett antaget slutfört resultat.
Tillverkaren tränar familjen att agera kontinuerligt och självkorrigera utifrån återkoppling från miljön. Modellen kan tolka en skärm och föreslå en funktion eller operation, medan applikationen utför den och returnerar den resulterande visuella observationen eller textobservationen. Jämför observationen med det angivna målet innan du avgör om nästa åtgärd behövs.
Behåll käll- och operationsidentifierare tillsammans med resultaten. Om en uppgift producerar kod hämtar applikationen den faktiska återkopplingen från körning eller validering. Om en webbläsaruppgift ändrar ett tillstånd är den nya skärmen underlaget för vad som inträffade. En genererad instruktion, föreslagen koordinat eller skriftligt valideringskommando förblir skilt från dess exekvering.
Nex-N2.5 använder reasoning_effort för tre lägen. None returnerar ett direkt svar. Medium är det adaptiva standardläget som låter modellen välja om och hur mycket den ska resonera. High aktiverar alltid tänkande före det slutliga svaret. Producenten rekommenderar temperatur 0.7, top-p 0.95 och top-k 40 för sin referensvariant.
Definiera den slutliga leveransen oberoende av resonemangsläget, inklusive språk, obligatoriska detaljer och hantering av saknad information. Den inbyggda mallen använder reasoning_effort; en annan modells thinking-flagga är inte en utbytbar kontroll utan uttrycklig översättning i det omgivande arbetsflödet.
Producenten dokumenterar strukturerade funktionsanrop och separat tolkning av resonemang och slutligt svar. Tillhandahåll funktioner med precisa syften och parameterdefinitioner. Använd returnerade observationer för att stödja den fortsatta uppgiften och ange vilket resultat som låter den avslutas. För forskning eller kunskapsarbete tillhandahåller du auktoritativa avsnitt eller lämpliga uppslagningsfunktioner så att slutsatser kan spåras till faktiskt underlag.
Långsiktigt arbete samlar kontext från källor, skärmar, samtal, resonemang och verktygssvar. Håll relevanta observationer organiserade och bevara slutförandekriteriet genom uppföljningar. Tillverkarens Pro-identitet fastställer inte i sig ett odokumenterat parameterantal eller en universell gräns för indata och utdata.
Den användbara leveransen är en textförklaring, kodleverans eller färdig analytisk post som kan granskas mot källorna och miljöobservationerna. Pro behåller sin egen multimodala utgåva och lägeskontroller utan att ärva Max-modellens textbaserade arkitektur eller anta att varje föreslagen operation över flera applikationer redan har utförts.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K token Utdata · Utdatatoken $0.0005 / 1K token Indata · Cacheläsning $0.00003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00015 / 1K token Utdata · Utdatatoken $0.0005 / 1K token Indata · Cacheläsning $0.00003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "nex-agi/nex-n2.5-pro", "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='nex-agi/nex-n2.5-pro',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='nex-agi/nex-n2.5-pro',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 nex-agi/nex-n2.5-pro
Använd metodsökvägarna som visas ovan.
nex-agi/nex-n2.5-proNex-N2.5-Pro är Nex AGI:s multimodala agentutgåva för datoranvändning, webbsurfning och långsiktiga produktivitetsuppgifter. Den använder visuell återkoppling, funktionsanrop och direkta, adaptiva eller tänkande lägen för att koppla ett definierat mål till text, kod och föreslagna applikationsåtgärder.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Nex-N2.5-Pro är Nex AGI:s namngivna multimodala Pro-utgåva för långsiktiga uppgifter i verkliga miljöer. Tillsammans med mini vidareutvecklar den den visuella grunden i Nex-N2, med riktade förbättringar av datoranvändning, webbsurfning och visuellt förankrat agentarbete. Den förblir skild från familjens textbaserade Max-modell; en Pro-uppgift kan använda visuella observationer för att kontrollera vad som har ändrats och avgöra hur arbetet ska fortsätta.
Förbered ett produktivitetsuppdrag med dess faktiska källor och ett tydligt resultat: en färdig jämförelse, en kodändring eller ett specifikt tillstånd som uppnås i en applikation. Ge modellen den relevanta skärmbilden eller dokumentkontexten och ange tillåtna åtgärder. Ett praktiskt uppdragsunderlag är: ”Använd dessa källor och skärmobservationer för att slutföra jämförelsen, verifiera varje obligatoriskt fält och returnera den slutliga posten med underlaget som stöder den.”
För en gränssnittsuppgift bevarar du synliga etiketter och identifierar tillståndet som skulle fastställa att uppgiften är klar. För programarbete tillhandahåller du implementationen, det observerade felet och beteendet som ska bevaras. Dessa indata kopplar agentens beslut till användarens mål i stället för att låta en plan bli ett antaget slutfört resultat.
Tillverkaren tränar familjen att agera kontinuerligt och självkorrigera utifrån återkoppling från miljön. Modellen kan tolka en skärm och föreslå en funktion eller operation, medan applikationen utför den och returnerar den resulterande visuella observationen eller textobservationen. Jämför observationen med det angivna målet innan du avgör om nästa åtgärd behövs.
Behåll käll- och operationsidentifierare tillsammans med resultaten. Om en uppgift producerar kod hämtar applikationen den faktiska återkopplingen från körning eller validering. Om en webbläsaruppgift ändrar ett tillstånd är den nya skärmen underlaget för vad som inträffade. En genererad instruktion, föreslagen koordinat eller skriftligt valideringskommando förblir skilt från dess exekvering.
Nex-N2.5 använder reasoning_effort för tre lägen. None returnerar ett direkt svar. Medium är det adaptiva standardläget som låter modellen välja om och hur mycket den ska resonera. High aktiverar alltid tänkande före det slutliga svaret. Producenten rekommenderar temperatur 0.7, top-p 0.95 och top-k 40 för sin referensvariant.
Definiera den slutliga leveransen oberoende av resonemangsläget, inklusive språk, obligatoriska detaljer och hantering av saknad information. Den inbyggda mallen använder reasoning_effort; en annan modells thinking-flagga är inte en utbytbar kontroll utan uttrycklig översättning i det omgivande arbetsflödet.
Producenten dokumenterar strukturerade funktionsanrop och separat tolkning av resonemang och slutligt svar. Tillhandahåll funktioner med precisa syften och parameterdefinitioner. Använd returnerade observationer för att stödja den fortsatta uppgiften och ange vilket resultat som låter den avslutas. För forskning eller kunskapsarbete tillhandahåller du auktoritativa avsnitt eller lämpliga uppslagningsfunktioner så att slutsatser kan spåras till faktiskt underlag.
Långsiktigt arbete samlar kontext från källor, skärmar, samtal, resonemang och verktygssvar. Håll relevanta observationer organiserade och bevara slutförandekriteriet genom uppföljningar. Tillverkarens Pro-identitet fastställer inte i sig ett odokumenterat parameterantal eller en universell gräns för indata och utdata.
Den användbara leveransen är en textförklaring, kodleverans eller färdig analytisk post som kan granskas mot källorna och miljöobservationerna. Pro behåller sin egen multimodala utgåva och lägeskontroller utan att ärva Max-modellens textbaserade arkitektur eller anta att varje föreslagen operation över flera applikationer redan har utförts.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser nex-agi/nex-n2.5-pro | 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 $0.00015 / 1K token Utdata · Utdatatoken $0.0005 / 1K token Indata · Cacheläsning $0.00003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00015 / 1K token Utdata · Utdatatoken $0.0005 / 1K token Indata · Cacheläsning $0.00003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "nex-agi/nex-n2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'nex-agi/nex-n2.5-pro', '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': 'nex-agi/nex-n2.5-pro', '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 nex-agi/nex-n2.5-pro
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Verify a textual screen-state change\n\nCompare these recorded interface observations. [Before] Invoice I-72: draft; approve button visible. [Action] User clicked approve. [After] Invoice I-72: pending review; approval ID blank. Required completion: approved status with a populated approval ID. State whether completion is established and identify the next evidence to obtain. Use only the recorded text.A before/action/after comparison, an explicit completion finding and one next evidence request.Ensure a clicked button is not treated as proof of approved status or an approval ID.