Inkling-Small är Thinking Machines Labs mindre multimodala modell med öppna vikter för resonemang, kodning, konversation och verktygsanvändande applikationer. Den accepterar text, bilder och ljud och producerar text. Dess mixture-of-experts-arkitektur har totalt 276 miljarder parametrar, varav 12 miljarder är aktiva, jämfört med Inklings totalt 975 miljarder och 41 miljarder aktiva. Small är en separat lanserad modell med en annan balans mellan effektivitet och förmåga, inget läge för kortare utdata från Inkling.
För en kodundersökning tillhandahåller du de berörda filerna, det observerade beteendet och ändringen du behöver och ber sedan om den ansvariga kodvägen och en avgränsad korrigering. En användbar slutartefakt innehåller den föreslagna ändringen och beläggen från eventuella kontroller som den anslutna applikationen faktiskt körde. För en supportassistent tillhandahåller du relevant policy och konversationsfakta och efterfrågar nästa svar eller saknade fråga. Modellens avsedda användningar omfattar kodassistenter, chattbotar, hämtningsförstärkta svar och agentsystem med applikationsverktyg.
Kontextfönstret är upp till en miljon token. Organisera ett långt kodarkiv eller en dokumentsamling med filnamn, avsnittsbeteckningar och en tydlig fråga och bevara fakta som ett senare steg måste använda. Ett stort fönster är användbart för att jämföra avlägsna informationsdelar, men det begärda resultatet bör förbli specifikt: en kodändring, en källbaserad förklaring eller extraherade fält. Ny eller privat information hör hemma i de tillhandahållna beläggen eller i returnerade hämtningsresultat i stället för att antas ingå i inlärd kunskap.
Tänkandeansträngningen är styrbar. Tillverkarens familjeguide använder kontinuerliga värden från och med 0.0 till under 1.0, med startförvalen none, minimal, low, medium, high och xhigh som motsvarar 0.0, 0.1, 0.2, 0.7, 0.9 och 0.99. Tillverkarens renderare har high som standard. Högre ansträngning kan uppmuntra mer resonemang och kan behöva en större genereringsbudget, men garanterar inget längre eller mer korrekt svar. En nollinställning styr modellen mot inget resonemang snarare än att genomdriva en hård frånvaro av resonemang. Välj ansträngning efter uppgiften och håll kravet på slutresultatet tydligt.
Bilder kan stödja visuella frågor, tolkning av diagram eller scheman och matematiskt resonemang utifrån synlig information. För god prestanda använder du bilder med dimensioner mellan 40 och 4 096 pixlar. Bevara läsbara etiketter och förklara detaljen som spelar roll. Med ett konfigurerat Python-verktyg kan modellen kombinera visuellt resonemang med beskärning, zoomning och programmatisk granskning av ett dokument eller diagram. Dessa åtgärder behöver köras av den anslutna verktygsmiljön; det skriftliga svaret bör använda observationerna som returneras därifrån.
Ljudindata är WAV med en samplingsfrekvens på 16 kHz, med inspelningar helst under två minuter för optimal prestanda. Detta är en förberedelserekommendation, ingen hård garanti för längd. Använd en relevant talad fråga eller ett kort klipp och ange om det skriftliga resultatet ska transkribera tal, besvara en fråga om inspelningen eller koppla dess innehåll till annat tillhandahållet material. Det inbyggda svaret är text snarare än genererat tal. Inklings separata rekommendation för längre ljud ska inte överföras till Small-utgåvan.
Verktygsanvändande arbetsflöden behöver meningsfulla verktygsbeskrivningar, argumentdefinitioner och resultat från åtgärderna som applikationen utför. Håll ett uppslagningsresultat, en beräkning eller en filobservation åtskild från modellens föreslagna åtgärd. För en avvikelse i ett diagram identifierar du de relevanta etiketterna, granskar de tillhandahållna värdena genom ett beräkningsverktyg och ber om en förklaring som hänvisar till dessa värden. Modellen är tränad för varierade kodnings- och agentmiljöer, så den omgivande uppgiften och verktygen bör beskrivas i stället för att lämnas underförstådda.
De öppna vikterna stöder modellforskning, finjustering och integration i efterföljande produkter. Lanseringen av Inkling-Small följer en tidigare förhandsversion och innehåller ytterligare träning för agentbaserad kodning; slutmodellen och förhandsversionen bör behålla separata identiteter. För en specialiserad extraktion eller svarsstil använder anpassning representativa exempel och ett uttryckligt målbeteende. En vanlig prompt tillhandahåller i stället kontext för den aktuella förfrågan; den skapar inte och byter inte till en nytränad modell.
Ett användbart steg för resultatgranskning kontrollerar att den föreslagna kodändringen, transkriptionen, de extraherade uppgifterna eller det skriftliga svaret stämmer med de tillhandahållna beläggen. Ange hur osäkerhet och saknad information ska visas, särskilt för en prognos eller ett faktasvar vars källa är ofullständig. Tillverkaren tränade Inkling-Small för prognoskalibrering med förstärkningsinlärning mot poängregler av typen proper scoring rules på verkliga frågor, med målet att uttrycka säkerhet som passar de tillgängliga beläggen. Bevara materialet och verktygsobservationerna tillsammans med artefakten så att en följdfråga kan revidera ett problem utan att tappa den ursprungliga uppgiften. Inkling-Smalls allmänna flerspråkiga och multimodala förmågor förblir åtskilda från en särskild talgenerator eller en tjänst med garanterade externa åtgärder.
", "aboutText": "Inkling-Small är Thinking Machines Labs mindre multimodala modell med öppna vikter för resonemang, kodning, konversation och verktygsanvändande applikationer. Den accepterar text, bilder och ljud och producerar text. Dess mixture-of-experts-arkitektur har totalt 276 miljarder parametrar, varav 12 miljarder är aktiva, jämfört med Inklings totalt 975 miljarder och 41 miljarder aktiva. Small är en separat lanserad modell med en annan balans mellan effektivitet och förmåga, inget läge för kortare utdata från Inkling.\n\nFör en kodundersökning tillhandahåller du de berörda filerna, det observerade beteendet och ändringen du behöver och ber sedan om den ansvariga kodvägen och en avgränsad korrigering. En användbar slutartefakt innehåller den föreslagna ändringen och beläggen från eventuella kontroller som den anslutna applikationen faktiskt körde. För en supportassistent tillhandahåller du relevant policy och konversationsfakta och efterfrågar nästa svar eller saknade fråga. Modellens avsedda användningar omfattar kodassistenter, chattbotar, hämtningsförstärkta svar och agentsystem med applikationsverktyg.\n\nKontextfönstret är upp till en miljon token. Organisera ett långt kodarkiv eller en dokumentsamling med filnamn, avsnittsbeteckningar och en tydlig fråga och bevara fakta som ett senare steg måste använda. Ett stort fönster är användbart för att jämföra avlägsna informationsdelar, men det begärda resultatet bör förbli specifikt: en kodändring, en källbaserad förklaring eller extraherade fält. Ny eller privat information hör hemma i de tillhandahållna beläggen eller i returnerade hämtningsresultat i stället för att antas ingå i inlärd kunskap.\n\nTänkandeansträngningen är styrbar. Tillverkarens familjeguide använder kontinuerliga värden från och med 0.0 till under 1.0, med startförvalen none, minimal, low, medium, high och xhigh som motsvarar 0.0, 0.1, 0.2, 0.7, 0.9 och 0.99. Tillverkarens renderare har high som standard. Högre ansträngning kan uppmuntra mer resonemang och kan behöva en större genereringsbudget, men garanterar inget längre eller mer korrekt svar. En nollinställning styr modellen mot inget resonemang snarare än att genomdriva en hård frånvaro av resonemang. Välj ansträngning efter uppgiften och håll kravet på slutresultatet tydligt.\n\nBilder kan stödja visuella frågor, tolkning av diagram eller scheman och matematiskt resonemang utifrån synlig information. För god prestanda använder du bilder med dimensioner mellan 40 och 4 096 pixlar. Bevara läsbara etiketter och förklara detaljen som spelar roll. Med ett konfigurerat Python-verktyg kan modellen kombinera visuellt resonemang med beskärning, zoomning och programmatisk granskning av ett dokument eller diagram. Dessa åtgärder behöver köras av den anslutna verktygsmiljön; det skriftliga svaret bör använda observationerna som returneras därifrån.\n\nLjudindata är WAV med en samplingsfrekvens på 16 kHz, med inspelningar helst under två minuter för optimal prestanda. Detta är en förberedelserekommendation, ingen hård garanti för längd. Använd en relevant talad fråga eller ett kort klipp och ange om det skriftliga resultatet ska transkribera tal, besvara en fråga om inspelningen eller koppla dess innehåll till annat tillhandahållet material. Det inbyggda svaret är text snarare än genererat tal. Inklings separata rekommendation för längre ljud ska inte överföras till Small-utgåvan.\n\nVerktygsanvändande arbetsflöden behöver meningsfulla verktygsbeskrivningar, argumentdefinitioner och resultat från åtgärderna som applikationen utför. Håll ett uppslagningsresultat, en beräkning eller en filobservation åtskild från modellens föreslagna åtgärd. För en avvikelse i ett diagram identifierar du de relevanta etiketterna, granskar de tillhandahållna värdena genom ett beräkningsverktyg och ber om en förklaring som hänvisar till dessa värden. Modellen är tränad för varierade kodnings- och agentmiljöer, så den omgivande uppgiften och verktygen bör beskrivas i stället för att lämnas underförstådda.\n\nDe öppna vikterna stöder modellforskning, finjustering och integration i efterföljande produkter. Lanseringen av Inkling-Small följer en tidigare förhandsversion och innehåller ytterligare träning för agentbaserad kodning; slutmodellen och förhandsversionen bör behålla separata identiteter. För en specialiserad extraktion eller svarsstil använder anpassning representativa exempel och ett uttryckligt målbeteende. En vanlig prompt tillhandahåller i stället kontext för den aktuella förfrågan; den skapar inte och byter inte till en nytränad modell.\n\nEtt användbart steg för resultatgranskning kontrollerar att den föreslagna kodändringen, transkriptionen, de extraherade uppgifterna eller det skriftliga svaret stämmer med de tillhandahållna beläggen. Ange hur osäkerhet och saknad information ska visas, särskilt för en prognos eller ett faktasvar vars källa är ofullständig. Tillverkaren tränade Inkling-Small för prognoskalibrering med förstärkningsinlärning mot poängregler av typen proper scoring rules på verkliga frågor, med målet att uttrycka säkerhet som passar de tillgängliga beläggen. Bevara materialet och verktygsobservationerna tillsammans med artefakten så att en följdfråga kan revidera ett problem utan att tappa den ursprungliga uppgiften. Inkling-Smalls allmänna flerspråkiga och multimodala förmågor förblir åtskilda från en särskild talgenerator eller en tjänst med garanterade externa åtgärder.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "440a36f441e2a6f6235a96cb0de123fa9b504b1f16e74ad5d4f45440ede97b1f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "thinkingmachines/inkling-small:freeInkling-Small är en multimodal modell med öppna vikter för kodning, verktygsanvändning och resonemang över text, bilder och ljud. Dess styrbara resonemangsnivå och stora kontext stödjer fokuserade applikationsuppgifter med skrivna resultat och använder en mindre aktiv modell än Inkling.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Inkling-Small är Thinking Machines Labs mindre multimodala modell med öppna vikter för resonemang, kodning, konversation och verktygsanvändande applikationer. Den accepterar text, bilder och ljud och producerar text. Dess mixture-of-experts-arkitektur har totalt 276 miljarder parametrar, varav 12 miljarder är aktiva, jämfört med Inklings totalt 975 miljarder och 41 miljarder aktiva. Small är en separat lanserad modell med en annan balans mellan effektivitet och förmåga, inget läge för kortare utdata från Inkling.
För en kodundersökning tillhandahåller du de berörda filerna, det observerade beteendet och ändringen du behöver och ber sedan om den ansvariga kodvägen och en avgränsad korrigering. En användbar slutartefakt innehåller den föreslagna ändringen och beläggen från eventuella kontroller som den anslutna applikationen faktiskt körde. För en supportassistent tillhandahåller du relevant policy och konversationsfakta och efterfrågar nästa svar eller saknade fråga. Modellens avsedda användningar omfattar kodassistenter, chattbotar, hämtningsförstärkta svar och agentsystem med applikationsverktyg.
Kontextfönstret är upp till en miljon token. Organisera ett långt kodarkiv eller en dokumentsamling med filnamn, avsnittsbeteckningar och en tydlig fråga och bevara fakta som ett senare steg måste använda. Ett stort fönster är användbart för att jämföra avlägsna informationsdelar, men det begärda resultatet bör förbli specifikt: en kodändring, en källbaserad förklaring eller extraherade fält. Ny eller privat information hör hemma i de tillhandahållna beläggen eller i returnerade hämtningsresultat i stället för att antas ingå i inlärd kunskap.
Tänkandeansträngningen är styrbar. Tillverkarens familjeguide använder kontinuerliga värden från och med 0.0 till under 1.0, med startförvalen none, minimal, low, medium, high och xhigh som motsvarar 0.0, 0.1, 0.2, 0.7, 0.9 och 0.99. Tillverkarens renderare har high som standard. Högre ansträngning kan uppmuntra mer resonemang och kan behöva en större genereringsbudget, men garanterar inget längre eller mer korrekt svar. En nollinställning styr modellen mot inget resonemang snarare än att genomdriva en hård frånvaro av resonemang. Välj ansträngning efter uppgiften och håll kravet på slutresultatet tydligt.
Bilder kan stödja visuella frågor, tolkning av diagram eller scheman och matematiskt resonemang utifrån synlig information. För god prestanda använder du bilder med dimensioner mellan 40 och 4 096 pixlar. Bevara läsbara etiketter och förklara detaljen som spelar roll. Med ett konfigurerat Python-verktyg kan modellen kombinera visuellt resonemang med beskärning, zoomning och programmatisk granskning av ett dokument eller diagram. Dessa åtgärder behöver köras av den anslutna verktygsmiljön; det skriftliga svaret bör använda observationerna som returneras därifrån.
Ljudindata är WAV med en samplingsfrekvens på 16 kHz, med inspelningar helst under två minuter för optimal prestanda. Detta är en förberedelserekommendation, ingen hård garanti för längd. Använd en relevant talad fråga eller ett kort klipp och ange om det skriftliga resultatet ska transkribera tal, besvara en fråga om inspelningen eller koppla dess innehåll till annat tillhandahållet material. Det inbyggda svaret är text snarare än genererat tal. Inklings separata rekommendation för längre ljud ska inte överföras till Small-utgåvan.
Verktygsanvändande arbetsflöden behöver meningsfulla verktygsbeskrivningar, argumentdefinitioner och resultat från åtgärderna som applikationen utför. Håll ett uppslagningsresultat, en beräkning eller en filobservation åtskild från modellens föreslagna åtgärd. För en avvikelse i ett diagram identifierar du de relevanta etiketterna, granskar de tillhandahållna värdena genom ett beräkningsverktyg och ber om en förklaring som hänvisar till dessa värden. Modellen är tränad för varierade kodnings- och agentmiljöer, så den omgivande uppgiften och verktygen bör beskrivas i stället för att lämnas underförstådda.
De öppna vikterna stöder modellforskning, finjustering och integration i efterföljande produkter. Lanseringen av Inkling-Small följer en tidigare förhandsversion och innehåller ytterligare träning för agentbaserad kodning; slutmodellen och förhandsversionen bör behålla separata identiteter. För en specialiserad extraktion eller svarsstil använder anpassning representativa exempel och ett uttryckligt målbeteende. En vanlig prompt tillhandahåller i stället kontext för den aktuella förfrågan; den skapar inte och byter inte till en nytränad modell.
Ett användbart steg för resultatgranskning kontrollerar att den föreslagna kodändringen, transkriptionen, de extraherade uppgifterna eller det skriftliga svaret stämmer med de tillhandahållna beläggen. Ange hur osäkerhet och saknad information ska visas, särskilt för en prognos eller ett faktasvar vars källa är ofullständig. Tillverkaren tränade Inkling-Small för prognoskalibrering med förstärkningsinlärning mot poängregler av typen proper scoring rules på verkliga frågor, med målet att uttrycka säkerhet som passar de tillgängliga beläggen. Bevara materialet och verktygsobservationerna tillsammans med artefakten så att en följdfråga kan revidera ett problem utan att tappa den ursprungliga uppgiften. Inkling-Smalls allmänna flerspråkiga och multimodala förmågor förblir åtskilda från en särskild talgenerator eller en tjänst med garanterade externa åtgärder.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser thinkingmachines/inkling-small:free | Standard— |
Fältmessages | Typarray | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser false | Standardfalse |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Maximum: 262 144 | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Maximum: 262 144 | Standard— |
Fältn | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Maximum: 128 | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser | Standard— |
Fältseed | Typinteger | KravValfritt | Värden & gränser | Standard— |
Fältstop | Typ | KravValfritt | Värden & gränser | Standard— |
Fältfrequency_penalty | Typnumber | KravValfritt | Värden & gränser | Standard— |
Fältpresence_penalty | Typnumber | KravValfritt | Värden & gränser | Standard— |
Fältuser | Typstring | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parameteroptional | Avtalstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Avtaltext |
Parameterconditions | AvtalUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Livscykel: synchronous_json
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Använd metodsökvägarna som visas ovan.
thinkingmachines/inkling-small:freeInkling-Small är en multimodal modell med öppna vikter för kodning, verktygsanvändning och resonemang över text, bilder och ljud. Dess styrbara resonemangsnivå och stora kontext stödjer fokuserade applikationsuppgifter med skrivna resultat och använder en mindre aktiv modell än Inkling.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Inkling-Small är Thinking Machines Labs mindre multimodala modell med öppna vikter för resonemang, kodning, konversation och verktygsanvändande applikationer. Den accepterar text, bilder och ljud och producerar text. Dess mixture-of-experts-arkitektur har totalt 276 miljarder parametrar, varav 12 miljarder är aktiva, jämfört med Inklings totalt 975 miljarder och 41 miljarder aktiva. Small är en separat lanserad modell med en annan balans mellan effektivitet och förmåga, inget läge för kortare utdata från Inkling.
För en kodundersökning tillhandahåller du de berörda filerna, det observerade beteendet och ändringen du behöver och ber sedan om den ansvariga kodvägen och en avgränsad korrigering. En användbar slutartefakt innehåller den föreslagna ändringen och beläggen från eventuella kontroller som den anslutna applikationen faktiskt körde. För en supportassistent tillhandahåller du relevant policy och konversationsfakta och efterfrågar nästa svar eller saknade fråga. Modellens avsedda användningar omfattar kodassistenter, chattbotar, hämtningsförstärkta svar och agentsystem med applikationsverktyg.
Kontextfönstret är upp till en miljon token. Organisera ett långt kodarkiv eller en dokumentsamling med filnamn, avsnittsbeteckningar och en tydlig fråga och bevara fakta som ett senare steg måste använda. Ett stort fönster är användbart för att jämföra avlägsna informationsdelar, men det begärda resultatet bör förbli specifikt: en kodändring, en källbaserad förklaring eller extraherade fält. Ny eller privat information hör hemma i de tillhandahållna beläggen eller i returnerade hämtningsresultat i stället för att antas ingå i inlärd kunskap.
Tänkandeansträngningen är styrbar. Tillverkarens familjeguide använder kontinuerliga värden från och med 0.0 till under 1.0, med startförvalen none, minimal, low, medium, high och xhigh som motsvarar 0.0, 0.1, 0.2, 0.7, 0.9 och 0.99. Tillverkarens renderare har high som standard. Högre ansträngning kan uppmuntra mer resonemang och kan behöva en större genereringsbudget, men garanterar inget längre eller mer korrekt svar. En nollinställning styr modellen mot inget resonemang snarare än att genomdriva en hård frånvaro av resonemang. Välj ansträngning efter uppgiften och håll kravet på slutresultatet tydligt.
Bilder kan stödja visuella frågor, tolkning av diagram eller scheman och matematiskt resonemang utifrån synlig information. För god prestanda använder du bilder med dimensioner mellan 40 och 4 096 pixlar. Bevara läsbara etiketter och förklara detaljen som spelar roll. Med ett konfigurerat Python-verktyg kan modellen kombinera visuellt resonemang med beskärning, zoomning och programmatisk granskning av ett dokument eller diagram. Dessa åtgärder behöver köras av den anslutna verktygsmiljön; det skriftliga svaret bör använda observationerna som returneras därifrån.
Ljudindata är WAV med en samplingsfrekvens på 16 kHz, med inspelningar helst under två minuter för optimal prestanda. Detta är en förberedelserekommendation, ingen hård garanti för längd. Använd en relevant talad fråga eller ett kort klipp och ange om det skriftliga resultatet ska transkribera tal, besvara en fråga om inspelningen eller koppla dess innehåll till annat tillhandahållet material. Det inbyggda svaret är text snarare än genererat tal. Inklings separata rekommendation för längre ljud ska inte överföras till Small-utgåvan.
Verktygsanvändande arbetsflöden behöver meningsfulla verktygsbeskrivningar, argumentdefinitioner och resultat från åtgärderna som applikationen utför. Håll ett uppslagningsresultat, en beräkning eller en filobservation åtskild från modellens föreslagna åtgärd. För en avvikelse i ett diagram identifierar du de relevanta etiketterna, granskar de tillhandahållna värdena genom ett beräkningsverktyg och ber om en förklaring som hänvisar till dessa värden. Modellen är tränad för varierade kodnings- och agentmiljöer, så den omgivande uppgiften och verktygen bör beskrivas i stället för att lämnas underförstådda.
De öppna vikterna stöder modellforskning, finjustering och integration i efterföljande produkter. Lanseringen av Inkling-Small följer en tidigare förhandsversion och innehåller ytterligare träning för agentbaserad kodning; slutmodellen och förhandsversionen bör behålla separata identiteter. För en specialiserad extraktion eller svarsstil använder anpassning representativa exempel och ett uttryckligt målbeteende. En vanlig prompt tillhandahåller i stället kontext för den aktuella förfrågan; den skapar inte och byter inte till en nytränad modell.
Ett användbart steg för resultatgranskning kontrollerar att den föreslagna kodändringen, transkriptionen, de extraherade uppgifterna eller det skriftliga svaret stämmer med de tillhandahållna beläggen. Ange hur osäkerhet och saknad information ska visas, särskilt för en prognos eller ett faktasvar vars källa är ofullständig. Tillverkaren tränade Inkling-Small för prognoskalibrering med förstärkningsinlärning mot poängregler av typen proper scoring rules på verkliga frågor, med målet att uttrycka säkerhet som passar de tillgängliga beläggen. Bevara materialet och verktygsobservationerna tillsammans med artefakten så att en följdfråga kan revidera ett problem utan att tappa den ursprungliga uppgiften. Inkling-Smalls allmänna flerspråkiga och multimodala förmågor förblir åtskilda från en särskild talgenerator eller en tjänst med garanterade externa åtgärder.
POST /v1/messagestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser thinkingmachines/inkling-small:free | Standard— |
Fältmessages | Typarray | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser false | Standardfalse |
Fältsystem | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser Minimum: 1 Maximum: 262 144 | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser | Standard— |
Fälttop_k | Typinteger | KravValfritt | Värden & gränser | Standard— |
Fältstop_sequences | Typarray | KravValfritt | Värden & gränser | Standard— |
Fältmetadata | Typobject | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional | Avtalstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Avtaltext |
Parameterconditions | AvtalUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 1048576 bytes. |
Livscykel: synchronous_json
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling-small:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra thinkingmachines/inkling-small:free
Använd metodsökvägarna som visas ovan.