Step 3.5 Flash är StepFuns glesa mixture-of-experts-textmodell för resonemang och agentinriktat arbete. Den publicerade specifikationen anger totalt 196,81 miljarder parametrar, inklusive dess prediktionshuvud, och aktiverar omkring 11 miljarder parametrar per token. Den bearbetar skriftliga instruktioner och konversationer för att generera text, kod och föreslagna verktygsinteraktioner.
Basarkitekturen med 45 lager kombinerar attention med glidande fönster och full attention i förhållandet tre till ett och stöder en kontext på 256K. Varje expertlager har 288 dirigerade experter plus en gemensam expert, där åtta dirigerade experter väljs per token. Ett huvud för förutsägelse av flera token ingår i tillverkarens effektivitetsutformning. Dessa arkitekturval beskriver modellen; en viss applikations hastighet beror även på serverkonfiguration och arbetsbelastning.
De centrala uppgiftsområdena är resonemang, kodning och längre agentflöden. För en programvaruuppgift tillhandahåller du det förväntade beteendet, den relevanta källkoden och ett faktiskt fel eller en önskad ändring. Be om den föreslagna artefakten och kontrollerna som behövs för bedömningen. I en ansluten applikation returnerar du resultaten från kommandon och kontroller innan modellen väljer nästa steg.
För analys med lång kontext definierar du frågan och materialets viktiga avsnitt. En användbar rapport anger sin slutsats, beläggen som stöder den och eventuella saknade observationer. Håll det aktuella målet och tidigare bekräftade fynd tillgängliga genom följdfrågor så att modellen kan fortsätta från uppgiftens tillstånd i stället för att rekonstruera det från en ofullständig prompt.
StepFun publicerar integrations- och lokala driftsättningsrecept för kodnings- och undersökningsapplikationer. Verktygskörningen tillhör det omgivande arbetsflödet: modellen tillhandahåller den föreslagna åtgärden och applikationen kör den och returnerar utfallet. Separata konverterade eller kvantiserade artefakter har egna driftsättningsvillkor; det allmänna modellnamnet väljer ingen av dem.
Tillverkarens kända problem är konkreta. Modellen kan använda långa genereringsförlopp och stabiliteten kan minska inom specialiserade domäner eller utdragna konversationer med flera turer. Rapporterade symtom omfattar upprepande resonemang, utdata med blandade språk och inkonsekvenser om tid eller identitet. Ange svarsspråket och den aktuella uppgiften tydligt, bevara relevanta observationer och granska slutartefakten mot det angivna målet. Håll denna textutgåva åtskild från Step 3.7 Flash med dess tillagda bildkodare och bildindata.
", "aboutText": "Step 3.5 Flash är StepFuns glesa mixture-of-experts-textmodell för resonemang och agentinriktat arbete. Den publicerade specifikationen anger totalt 196,81 miljarder parametrar, inklusive dess prediktionshuvud, och aktiverar omkring 11 miljarder parametrar per token. Den bearbetar skriftliga instruktioner och konversationer för att generera text, kod och föreslagna verktygsinteraktioner.\n\nBasarkitekturen med 45 lager kombinerar attention med glidande fönster och full attention i förhållandet tre till ett och stöder en kontext på 256K. Varje expertlager har 288 dirigerade experter plus en gemensam expert, där åtta dirigerade experter väljs per token. Ett huvud för förutsägelse av flera token ingår i tillverkarens effektivitetsutformning. Dessa arkitekturval beskriver modellen; en viss applikations hastighet beror även på serverkonfiguration och arbetsbelastning.\n\nDe centrala uppgiftsområdena är resonemang, kodning och längre agentflöden. För en programvaruuppgift tillhandahåller du det förväntade beteendet, den relevanta källkoden och ett faktiskt fel eller en önskad ändring. Be om den föreslagna artefakten och kontrollerna som behövs för bedömningen. I en ansluten applikation returnerar du resultaten från kommandon och kontroller innan modellen väljer nästa steg.\n\nFör analys med lång kontext definierar du frågan och materialets viktiga avsnitt. En användbar rapport anger sin slutsats, beläggen som stöder den och eventuella saknade observationer. Håll det aktuella målet och tidigare bekräftade fynd tillgängliga genom följdfrågor så att modellen kan fortsätta från uppgiftens tillstånd i stället för att rekonstruera det från en ofullständig prompt.\n\nStepFun publicerar integrations- och lokala driftsättningsrecept för kodnings- och undersökningsapplikationer. Verktygskörningen tillhör det omgivande arbetsflödet: modellen tillhandahåller den föreslagna åtgärden och applikationen kör den och returnerar utfallet. Separata konverterade eller kvantiserade artefakter har egna driftsättningsvillkor; det allmänna modellnamnet väljer ingen av dem.\n\nTillverkarens kända problem är konkreta. Modellen kan använda långa genereringsförlopp och stabiliteten kan minska inom specialiserade domäner eller utdragna konversationer med flera turer. Rapporterade symtom omfattar upprepande resonemang, utdata med blandade språk och inkonsekvenser om tid eller identitet. Ange svarsspråket och den aktuella uppgiften tydligt, bevara relevanta observationer och granska slutartefakten mot det angivna målet. Håll denna textutgåva åtskild från Step 3.7 Flash med dess tillagda bildkodare och bildindata.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.stepfun/step-3.5-flashStepFuns Step 3.5 Flash är en gles textmodell för resonemang, kod och agentflöden. Den aktiverar omkring 11 miljarder parametrar från sin modell i 196-miljardersklassen, kombinerar glidande och full attention och stöder en kontext på 256K.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Step 3.5 Flash är StepFuns glesa mixture-of-experts-textmodell för resonemang och agentinriktat arbete. Den publicerade specifikationen anger totalt 196,81 miljarder parametrar, inklusive dess prediktionshuvud, och aktiverar omkring 11 miljarder parametrar per token. Den bearbetar skriftliga instruktioner och konversationer för att generera text, kod och föreslagna verktygsinteraktioner.
Basarkitekturen med 45 lager kombinerar attention med glidande fönster och full attention i förhållandet tre till ett och stöder en kontext på 256K. Varje expertlager har 288 dirigerade experter plus en gemensam expert, där åtta dirigerade experter väljs per token. Ett huvud för förutsägelse av flera token ingår i tillverkarens effektivitetsutformning. Dessa arkitekturval beskriver modellen; en viss applikations hastighet beror även på serverkonfiguration och arbetsbelastning.
De centrala uppgiftsområdena är resonemang, kodning och längre agentflöden. För en programvaruuppgift tillhandahåller du det förväntade beteendet, den relevanta källkoden och ett faktiskt fel eller en önskad ändring. Be om den föreslagna artefakten och kontrollerna som behövs för bedömningen. I en ansluten applikation returnerar du resultaten från kommandon och kontroller innan modellen väljer nästa steg.
För analys med lång kontext definierar du frågan och materialets viktiga avsnitt. En användbar rapport anger sin slutsats, beläggen som stöder den och eventuella saknade observationer. Håll det aktuella målet och tidigare bekräftade fynd tillgängliga genom följdfrågor så att modellen kan fortsätta från uppgiftens tillstånd i stället för att rekonstruera det från en ofullständig prompt.
StepFun publicerar integrations- och lokala driftsättningsrecept för kodnings- och undersökningsapplikationer. Verktygskörningen tillhör det omgivande arbetsflödet: modellen tillhandahåller den föreslagna åtgärden och applikationen kör den och returnerar utfallet. Separata konverterade eller kvantiserade artefakter har egna driftsättningsvillkor; det allmänna modellnamnet väljer ingen av dem.
Tillverkarens kända problem är konkreta. Modellen kan använda långa genereringsförlopp och stabiliteten kan minska inom specialiserade domäner eller utdragna konversationer med flera turer. Rapporterade symtom omfattar upprepande resonemang, utdata med blandade språk och inkonsekvenser om tid eller identitet. Ange svarsspråket och den aktuella uppgiften tydligt, bevara relevanta observationer och granska slutartefakten mot det angivna målet. Håll denna textutgåva åtskild från Step 3.7 Flash med dess tillagda bildkodare och bildindata.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser stepfun/step-3.5-flash | 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 $0.00022 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0 / 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 $0.00022 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "stepfun/step-3.5-flash", "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='stepfun/step-3.5-flash',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='stepfun/step-3.5-flash',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 stepfun/step-3.5-flash
Använd metodsökvägarna som visas ovan.
stepfun/step-3.5-flashStepFuns Step 3.5 Flash är en gles textmodell för resonemang, kod och agentflöden. Den aktiverar omkring 11 miljarder parametrar från sin modell i 196-miljardersklassen, kombinerar glidande och full attention och stöder en kontext på 256K.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Step 3.5 Flash är StepFuns glesa mixture-of-experts-textmodell för resonemang och agentinriktat arbete. Den publicerade specifikationen anger totalt 196,81 miljarder parametrar, inklusive dess prediktionshuvud, och aktiverar omkring 11 miljarder parametrar per token. Den bearbetar skriftliga instruktioner och konversationer för att generera text, kod och föreslagna verktygsinteraktioner.
Basarkitekturen med 45 lager kombinerar attention med glidande fönster och full attention i förhållandet tre till ett och stöder en kontext på 256K. Varje expertlager har 288 dirigerade experter plus en gemensam expert, där åtta dirigerade experter väljs per token. Ett huvud för förutsägelse av flera token ingår i tillverkarens effektivitetsutformning. Dessa arkitekturval beskriver modellen; en viss applikations hastighet beror även på serverkonfiguration och arbetsbelastning.
De centrala uppgiftsområdena är resonemang, kodning och längre agentflöden. För en programvaruuppgift tillhandahåller du det förväntade beteendet, den relevanta källkoden och ett faktiskt fel eller en önskad ändring. Be om den föreslagna artefakten och kontrollerna som behövs för bedömningen. I en ansluten applikation returnerar du resultaten från kommandon och kontroller innan modellen väljer nästa steg.
För analys med lång kontext definierar du frågan och materialets viktiga avsnitt. En användbar rapport anger sin slutsats, beläggen som stöder den och eventuella saknade observationer. Håll det aktuella målet och tidigare bekräftade fynd tillgängliga genom följdfrågor så att modellen kan fortsätta från uppgiftens tillstånd i stället för att rekonstruera det från en ofullständig prompt.
StepFun publicerar integrations- och lokala driftsättningsrecept för kodnings- och undersökningsapplikationer. Verktygskörningen tillhör det omgivande arbetsflödet: modellen tillhandahåller den föreslagna åtgärden och applikationen kör den och returnerar utfallet. Separata konverterade eller kvantiserade artefakter har egna driftsättningsvillkor; det allmänna modellnamnet väljer ingen av dem.
Tillverkarens kända problem är konkreta. Modellen kan använda långa genereringsförlopp och stabiliteten kan minska inom specialiserade domäner eller utdragna konversationer med flera turer. Rapporterade symtom omfattar upprepande resonemang, utdata med blandade språk och inkonsekvenser om tid eller identitet. Ange svarsspråket och den aktuella uppgiften tydligt, bevara relevanta observationer och granska slutartefakten mot det angivna målet. Håll denna textutgåva åtskild från Step 3.7 Flash med dess tillagda bildkodare och bildindata.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser stepfun/step-3.5-flash | 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 $0.00022 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0 / 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 $0.00022 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "stepfun/step-3.5-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'stepfun/step-3.5-flash', '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': 'stepfun/step-3.5-flash', '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 stepfun/step-3.5-flash
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Repair a stale accumulator default\n\nReview this Python function: def collect(value, items=[]): items.append(value); return items. Separate calls unexpectedly share earlier values. Propose a correction that preserves caller-supplied list mutation but creates a fresh list when the argument is omitted. Include tests for two omitted-argument calls and a call with an explicit list. Explain the changed default behavior.A corrected function and tests distinguishing fresh defaults from deliberate mutation of a supplied list.Omitted calls do not share state, while an explicit caller list retains the documented mutation behavior.