Llama 3.3 Euryale 70B v2.3 är Sao10K:s Euryale-utgåva byggd på Llama 3.3 70B Instruct. Skaparen identifierar den som efterföljaren till Euryale v2.2 och håller den åtskild från Hanami-x1. Den tar emot skriftliga instruktioner och konversation och producerar text, med rollspelsmaterial och kreativa instruktioner i det publicerade träningsreceptet.
Skaparens konfiguration har 80 Transformer-lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Det maximala positionsantalet är 131 072, med Llama 3:s roterande skalning. Träningsreceptet använder sekvenser på 16 384 token. Detta är olika egenskaper: träningssekvensens längd är inte samma tal som den publicerade modellkonfigurationens maximala positionsantal.
Tillverkaren rekommenderar Llama 3 Instruct-formatering och betonar systempromptens betydelse. Exempelinställningarna använder temperatur 1,1 och sampling med lägsta sannolikhet 0,1. Detta är skaparens rekommendationer för denna utgåva, inte en fast svarsstil eller ett löfte om att varje applikation exponerar dessa kontroller.
För en karaktärskonversation anger du personan, scenen, relationen mellan de talande och den senaste replikväxlingen. Ange vilken karaktär nästa svar tillhör och var turen ska sluta. En konkret systeminstruktion kan definiera rösten och de fakta som ska behållas, medan användarmeddelandet tillhandahåller nästa händelse eller fråga.
För kreativ prosa tillhandahåller du textavsnittet och specificerar önskad ändring: en fortsättning, en tonomarbetning eller en tydligare replikväxling mellan karaktärer. Håll viktiga scenfakta synliga och skilj dem från stilpreferenser. Ett användbart resultat kan vara ett omarbetat textavsnitt som bevarar handlingen, följt av en kort förklaring när en förklaring efterfrågas.
Modellens v2.3-identitet är viktig vid jämförelser med tidigare Euryale-utgåvor: den använder Llama 3.3 Instruct som grund och sitt eget träningsrecept och sina egna inställningar. Skaparens korta utgivningsanteckning anger denna omfattning, medan det resulterande utkastet fortfarande ska granskas för önskad röst, kontinuitet och instruktionsföljning. Den fastställer inte visuella indata, körning av externa verktyg eller en separat styrbar resonemangsfas.
", "aboutText": "Llama 3.3 Euryale 70B v2.3 är Sao10K:s Euryale-utgåva byggd på Llama 3.3 70B Instruct. Skaparen identifierar den som efterföljaren till Euryale v2.2 och håller den åtskild från Hanami-x1. Den tar emot skriftliga instruktioner och konversation och producerar text, med rollspelsmaterial och kreativa instruktioner i det publicerade träningsreceptet.\n\nSkaparens konfiguration har 80 Transformer-lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Det maximala positionsantalet är 131 072, med Llama 3:s roterande skalning. Träningsreceptet använder sekvenser på 16 384 token. Detta är olika egenskaper: träningssekvensens längd är inte samma tal som den publicerade modellkonfigurationens maximala positionsantal.\n\nTillverkaren rekommenderar Llama 3 Instruct-formatering och betonar systempromptens betydelse. Exempelinställningarna använder temperatur 1,1 och sampling med lägsta sannolikhet 0,1. Detta är skaparens rekommendationer för denna utgåva, inte en fast svarsstil eller ett löfte om att varje applikation exponerar dessa kontroller.\n\nFör en karaktärskonversation anger du personan, scenen, relationen mellan de talande och den senaste replikväxlingen. Ange vilken karaktär nästa svar tillhör och var turen ska sluta. En konkret systeminstruktion kan definiera rösten och de fakta som ska behållas, medan användarmeddelandet tillhandahåller nästa händelse eller fråga.\n\nFör kreativ prosa tillhandahåller du textavsnittet och specificerar önskad ändring: en fortsättning, en tonomarbetning eller en tydligare replikväxling mellan karaktärer. Håll viktiga scenfakta synliga och skilj dem från stilpreferenser. Ett användbart resultat kan vara ett omarbetat textavsnitt som bevarar handlingen, följt av en kort förklaring när en förklaring efterfrågas.\n\nModellens v2.3-identitet är viktig vid jämförelser med tidigare Euryale-utgåvor: den använder Llama 3.3 Instruct som grund och sitt eget träningsrecept och sina egna inställningar. Skaparens korta utgivningsanteckning anger denna omfattning, medan det resulterande utkastet fortfarande ska granskas för önskad röst, kontinuitet och instruktionsföljning. Den fastställer inte visuella indata, körning av externa verktyg eller en separat styrbar resonemangsfas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Continue a reluctant guide roleplay\n\nWrite only Ivo, an old mountain guide who distrusts the royal expedition. I control the expedition leader. The bridge is gone, Ivo knows a dangerous ridge path, and the leader says, 'You owe us a route.' Give Ivo two short replies with a physical gesture between them, then pause before the leader decides.Two in-character replies, one gesture and an open decision for the reader-controlled leader.Preserve the lost bridge and Ivo's distrust without writing the leader's response or resolving the journey.sao10k/l3.3-euryale-70bSao10K:s Euryale v2.3 är en finjustering av Llama 3.3 70B Instruct för samtal och kreativ text. Skaparen anger Llama 3 Instruct-promptformat, rollspelsinriktade träningsdata och en publicerad konfiguration med 131 072 positioner.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 3.3 Euryale 70B v2.3 är Sao10K:s Euryale-utgåva byggd på Llama 3.3 70B Instruct. Skaparen identifierar den som efterföljaren till Euryale v2.2 och håller den åtskild från Hanami-x1. Den tar emot skriftliga instruktioner och konversation och producerar text, med rollspelsmaterial och kreativa instruktioner i det publicerade träningsreceptet.
Skaparens konfiguration har 80 Transformer-lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Det maximala positionsantalet är 131 072, med Llama 3:s roterande skalning. Träningsreceptet använder sekvenser på 16 384 token. Detta är olika egenskaper: träningssekvensens längd är inte samma tal som den publicerade modellkonfigurationens maximala positionsantal.
Tillverkaren rekommenderar Llama 3 Instruct-formatering och betonar systempromptens betydelse. Exempelinställningarna använder temperatur 1,1 och sampling med lägsta sannolikhet 0,1. Detta är skaparens rekommendationer för denna utgåva, inte en fast svarsstil eller ett löfte om att varje applikation exponerar dessa kontroller.
För en karaktärskonversation anger du personan, scenen, relationen mellan de talande och den senaste replikväxlingen. Ange vilken karaktär nästa svar tillhör och var turen ska sluta. En konkret systeminstruktion kan definiera rösten och de fakta som ska behållas, medan användarmeddelandet tillhandahåller nästa händelse eller fråga.
För kreativ prosa tillhandahåller du textavsnittet och specificerar önskad ändring: en fortsättning, en tonomarbetning eller en tydligare replikväxling mellan karaktärer. Håll viktiga scenfakta synliga och skilj dem från stilpreferenser. Ett användbart resultat kan vara ett omarbetat textavsnitt som bevarar handlingen, följt av en kort förklaring när en förklaring efterfrågas.
Modellens v2.3-identitet är viktig vid jämförelser med tidigare Euryale-utgåvor: den använder Llama 3.3 Instruct som grund och sitt eget träningsrecept och sina egna inställningar. Skaparens korta utgivningsanteckning anger denna omfattning, medan det resulterande utkastet fortfarande ska granskas för önskad röst, kontinuitet och instruktionsföljning. Den fastställer inte visuella indata, körning av externa verktyg eller en separat styrbar resonemangsfas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser sao10k/l3.3-euryale-70b | 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 $0.0013 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning — / 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 $0.0013 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sao10k/l3.3-euryale-70b", "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='sao10k/l3.3-euryale-70b',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='sao10k/l3.3-euryale-70b',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 sao10k/l3.3-euryale-70b
Använd metodsökvägarna som visas ovan.
sao10k/l3.3-euryale-70bSao10K:s Euryale v2.3 är en finjustering av Llama 3.3 70B Instruct för samtal och kreativ text. Skaparen anger Llama 3 Instruct-promptformat, rollspelsinriktade träningsdata och en publicerad konfiguration med 131 072 positioner.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 3.3 Euryale 70B v2.3 är Sao10K:s Euryale-utgåva byggd på Llama 3.3 70B Instruct. Skaparen identifierar den som efterföljaren till Euryale v2.2 och håller den åtskild från Hanami-x1. Den tar emot skriftliga instruktioner och konversation och producerar text, med rollspelsmaterial och kreativa instruktioner i det publicerade träningsreceptet.
Skaparens konfiguration har 80 Transformer-lager, 64 query-attentionhuvuden och åtta key/value-huvuden. Det maximala positionsantalet är 131 072, med Llama 3:s roterande skalning. Träningsreceptet använder sekvenser på 16 384 token. Detta är olika egenskaper: träningssekvensens längd är inte samma tal som den publicerade modellkonfigurationens maximala positionsantal.
Tillverkaren rekommenderar Llama 3 Instruct-formatering och betonar systempromptens betydelse. Exempelinställningarna använder temperatur 1,1 och sampling med lägsta sannolikhet 0,1. Detta är skaparens rekommendationer för denna utgåva, inte en fast svarsstil eller ett löfte om att varje applikation exponerar dessa kontroller.
För en karaktärskonversation anger du personan, scenen, relationen mellan de talande och den senaste replikväxlingen. Ange vilken karaktär nästa svar tillhör och var turen ska sluta. En konkret systeminstruktion kan definiera rösten och de fakta som ska behållas, medan användarmeddelandet tillhandahåller nästa händelse eller fråga.
För kreativ prosa tillhandahåller du textavsnittet och specificerar önskad ändring: en fortsättning, en tonomarbetning eller en tydligare replikväxling mellan karaktärer. Håll viktiga scenfakta synliga och skilj dem från stilpreferenser. Ett användbart resultat kan vara ett omarbetat textavsnitt som bevarar handlingen, följt av en kort förklaring när en förklaring efterfrågas.
Modellens v2.3-identitet är viktig vid jämförelser med tidigare Euryale-utgåvor: den använder Llama 3.3 Instruct som grund och sitt eget träningsrecept och sina egna inställningar. Skaparens korta utgivningsanteckning anger denna omfattning, medan det resulterande utkastet fortfarande ska granskas för önskad röst, kontinuitet och instruktionsföljning. Den fastställer inte visuella indata, körning av externa verktyg eller en separat styrbar resonemangsfas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser sao10k/l3.3-euryale-70b | 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 $0.0013 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning — / 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 $0.0013 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "sao10k/l3.3-euryale-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'sao10k/l3.3-euryale-70b', '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': 'sao10k/l3.3-euryale-70b', '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 sao10k/l3.3-euryale-70b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Continue a reluctant guide roleplay\n\nWrite only Ivo, an old mountain guide who distrusts the royal expedition. I control the expedition leader. The bridge is gone, Ivo knows a dangerous ridge path, and the leader says, 'You owe us a route.' Give Ivo two short replies with a physical gesture between them, then pause before the leader decides.Two in-character replies, one gesture and an open decision for the reader-controlled leader.Preserve the lost bridge and Ivo's distrust without writing the leader's response or resolving the journey.