Inkling är Thinking Machines Labs stora multimodala modell för allmän användning. Den officiella specifikationen anger totalt 975 miljarder parametrar och 41 miljarder aktiva parametrar. Den accepterar text, bilder och ljud och genererar UTF-8-text för konversation, kodning, instruktionsbaserade uppgifter, hämtningsförstärkt arbete och verktygsanslutna applikationer. Den hålls åtskild från Inkling-Small och separat anpassade modellversioner.
Modellen använder 66 avkodarlager, där varje token dirigeras till sex av 256 experter plus två gemensamma experter. Lokal och global attention kombineras. Tillverkarens lansering beskriver förträning på 45 biljoner token som omfattar text, bilder, ljud och video, med ytterligare databearbetning och efterträning. Separata BF16- och NVFP4-utgåvor är skilda precisionsartefakter.
Modellen stöder en kontext på upp till 1 miljon token, medan tillverkarens träningstjänst erbjuder konfigurationerna 64K och 256K. Indata och utdata måste rymmas inom kontexten som används för uppgiften, med utrymme för både resonemang och slutligt svar. En uppgift med lång kontext bör identifiera frågan och materialet som påverkar den i stället för att behandla all tillgänglig text som lika viktig.
Tänkandeansträngningen är kontinuerlig i tillverkarens renderare: ett ändligt värde från 0.0 upp till, men inte inklusive, 1.0. Namngivna startpunkter kopplar none till 0.0, minimal till 0.1, low till 0.2, medium till 0.7, high till 0.9 och xhigh till 0.99; renderaren har high som standard. Noll uppmuntrar inget resonemang utan att införa ett hårt förbud. Ansträngning och genereringslängd är separata kontroller, så tänkandet måste lämna utrymme för slutsvaret.
För bilder rekommenderar kortet dimensioner helst mellan 40 och 4 096 pixlar. Ljud bör vara WAV vid 16 kHz och helst kortare än tjugo minuter. Detta är rekommendationer för optimala indata. Tillhandahåll bilden eller inspelningen med en tydlig fråga och det ordförråd eller den bakgrund som behövs för tolkningen. Textutdata kan förklara materialet eller organisera relevanta fynd; det är inget genererat tal eller video.
För kod eller en agentuppgift tillhandahåller du källmaterialet, målet och observationerna från aktuella kontroller. Modellen föreslår verktygsinteraktioner och applikationen kör dem och returnerar resultat. Bevara historiken så att följande steg använder de faktiska beläggen. En användbar slutartefakt anger den föreslagna ändringen eller slutsatsen och vad som fortfarande behöver en observation för att fastställas.
Tillverkaren släpper Inkling för forskning och anpassning och dokumenterar multimodala säkerhetsutvärderingar och kvarvarande begränsningar, inklusive ojämn språktäckning och försämring i långa konversationer. Håll en anpassad modell åtskild från dess ursprungliga modellversion och utvärdera den faktiska texten eller koden mot uppgiftens belägg och krav.
", "aboutText": "Inkling är Thinking Machines Labs stora multimodala modell för allmän användning. Den officiella specifikationen anger totalt 975 miljarder parametrar och 41 miljarder aktiva parametrar. Den accepterar text, bilder och ljud och genererar UTF-8-text för konversation, kodning, instruktionsbaserade uppgifter, hämtningsförstärkt arbete och verktygsanslutna applikationer. Den hålls åtskild från Inkling-Small och separat anpassade modellversioner.\n\nModellen använder 66 avkodarlager, där varje token dirigeras till sex av 256 experter plus två gemensamma experter. Lokal och global attention kombineras. Tillverkarens lansering beskriver förträning på 45 biljoner token som omfattar text, bilder, ljud och video, med ytterligare databearbetning och efterträning. Separata BF16- och NVFP4-utgåvor är skilda precisionsartefakter.\n\nModellen stöder en kontext på upp till 1 miljon token, medan tillverkarens träningstjänst erbjuder konfigurationerna 64K och 256K. Indata och utdata måste rymmas inom kontexten som används för uppgiften, med utrymme för både resonemang och slutligt svar. En uppgift med lång kontext bör identifiera frågan och materialet som påverkar den i stället för att behandla all tillgänglig text som lika viktig.\n\nTänkandeansträngningen är kontinuerlig i tillverkarens renderare: ett ändligt värde från 0.0 upp till, men inte inklusive, 1.0. Namngivna startpunkter kopplar none till 0.0, minimal till 0.1, low till 0.2, medium till 0.7, high till 0.9 och xhigh till 0.99; renderaren har high som standard. Noll uppmuntrar inget resonemang utan att införa ett hårt förbud. Ansträngning och genereringslängd är separata kontroller, så tänkandet måste lämna utrymme för slutsvaret.\n\nFör bilder rekommenderar kortet dimensioner helst mellan 40 och 4 096 pixlar. Ljud bör vara WAV vid 16 kHz och helst kortare än tjugo minuter. Detta är rekommendationer för optimala indata. Tillhandahåll bilden eller inspelningen med en tydlig fråga och det ordförråd eller den bakgrund som behövs för tolkningen. Textutdata kan förklara materialet eller organisera relevanta fynd; det är inget genererat tal eller video.\n\nFör kod eller en agentuppgift tillhandahåller du källmaterialet, målet och observationerna från aktuella kontroller. Modellen föreslår verktygsinteraktioner och applikationen kör dem och returnerar resultat. Bevara historiken så att följande steg använder de faktiska beläggen. En användbar slutartefakt anger den föreslagna ändringen eller slutsatsen och vad som fortfarande behöver en observation för att fastställas.\n\nTillverkaren släpper Inkling för forskning och anpassning och dokumenterar multimodala säkerhetsutvärderingar och kvarvarande begränsningar, inklusive ojämn språktäckning och försämring i långa konversationer. Håll en anpassad modell åtskild från dess ursprungliga modellversion och utvärdera den faktiska texten eller koden mot uppgiftens belägg och krav.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.thinkingmachines/inklingThinking Machines Labs Inkling är en MoE-modell med totalt 975 miljarder parametrar, varav 41 miljarder är aktiva, för resonemang över text, bild och ljud. Den genererar text, stöder verktygsinriktade applikationer och kodningsapplikationer och erbjuder kontinuerlig tänkandeansträngning med en modellkontext på 1 miljon token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Inkling är Thinking Machines Labs stora multimodala modell för allmän användning. Den officiella specifikationen anger totalt 975 miljarder parametrar och 41 miljarder aktiva parametrar. Den accepterar text, bilder och ljud och genererar UTF-8-text för konversation, kodning, instruktionsbaserade uppgifter, hämtningsförstärkt arbete och verktygsanslutna applikationer. Den hålls åtskild från Inkling-Small och separat anpassade modellversioner.
Modellen använder 66 avkodarlager, där varje token dirigeras till sex av 256 experter plus två gemensamma experter. Lokal och global attention kombineras. Tillverkarens lansering beskriver förträning på 45 biljoner token som omfattar text, bilder, ljud och video, med ytterligare databearbetning och efterträning. Separata BF16- och NVFP4-utgåvor är skilda precisionsartefakter.
Modellen stöder en kontext på upp till 1 miljon token, medan tillverkarens träningstjänst erbjuder konfigurationerna 64K och 256K. Indata och utdata måste rymmas inom kontexten som används för uppgiften, med utrymme för både resonemang och slutligt svar. En uppgift med lång kontext bör identifiera frågan och materialet som påverkar den i stället för att behandla all tillgänglig text som lika viktig.
Tänkandeansträngningen är kontinuerlig i tillverkarens renderare: ett ändligt värde från 0.0 upp till, men inte inklusive, 1.0. Namngivna startpunkter kopplar none till 0.0, minimal till 0.1, low till 0.2, medium till 0.7, high till 0.9 och xhigh till 0.99; renderaren har high som standard. Noll uppmuntrar inget resonemang utan att införa ett hårt förbud. Ansträngning och genereringslängd är separata kontroller, så tänkandet måste lämna utrymme för slutsvaret.
För bilder rekommenderar kortet dimensioner helst mellan 40 och 4 096 pixlar. Ljud bör vara WAV vid 16 kHz och helst kortare än tjugo minuter. Detta är rekommendationer för optimala indata. Tillhandahåll bilden eller inspelningen med en tydlig fråga och det ordförråd eller den bakgrund som behövs för tolkningen. Textutdata kan förklara materialet eller organisera relevanta fynd; det är inget genererat tal eller video.
För kod eller en agentuppgift tillhandahåller du källmaterialet, målet och observationerna från aktuella kontroller. Modellen föreslår verktygsinteraktioner och applikationen kör dem och returnerar resultat. Bevara historiken så att följande steg använder de faktiska beläggen. En användbar slutartefakt anger den föreslagna ändringen eller slutsatsen och vad som fortfarande behöver en observation för att fastställas.
Tillverkaren släpper Inkling för forskning och anpassning och dokumenterar multimodala säkerhetsutvärderingar och kvarvarande begränsningar, inklusive ojämn språktäckning och försämring i långa konversationer. Håll en anpassad modell åtskild från dess ursprungliga modellversion och utvärdera den faktiska texten eller koden mot uppgiftens belägg och krav.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser thinkingmachines/inkling | 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 $0.0019 / 1K token Utdata · Utdatatoken $0.0081 / 1K token Indata · Cacheläsning $0.00032 / 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 $0.0019 / 1K token Utdata · Utdatatoken $0.0081 / 1K token Indata · Cacheläsning $0.00032 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "thinkingmachines/inkling", "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='thinkingmachines/inkling',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='thinkingmachines/inkling',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 thinkingmachines/inkling
Använd metodsökvägarna som visas ovan.
thinkingmachines/inklingThinking Machines Labs Inkling är en MoE-modell med totalt 975 miljarder parametrar, varav 41 miljarder är aktiva, för resonemang över text, bild och ljud. Den genererar text, stöder verktygsinriktade applikationer och kodningsapplikationer och erbjuder kontinuerlig tänkandeansträngning med en modellkontext på 1 miljon token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Inkling är Thinking Machines Labs stora multimodala modell för allmän användning. Den officiella specifikationen anger totalt 975 miljarder parametrar och 41 miljarder aktiva parametrar. Den accepterar text, bilder och ljud och genererar UTF-8-text för konversation, kodning, instruktionsbaserade uppgifter, hämtningsförstärkt arbete och verktygsanslutna applikationer. Den hålls åtskild från Inkling-Small och separat anpassade modellversioner.
Modellen använder 66 avkodarlager, där varje token dirigeras till sex av 256 experter plus två gemensamma experter. Lokal och global attention kombineras. Tillverkarens lansering beskriver förträning på 45 biljoner token som omfattar text, bilder, ljud och video, med ytterligare databearbetning och efterträning. Separata BF16- och NVFP4-utgåvor är skilda precisionsartefakter.
Modellen stöder en kontext på upp till 1 miljon token, medan tillverkarens träningstjänst erbjuder konfigurationerna 64K och 256K. Indata och utdata måste rymmas inom kontexten som används för uppgiften, med utrymme för både resonemang och slutligt svar. En uppgift med lång kontext bör identifiera frågan och materialet som påverkar den i stället för att behandla all tillgänglig text som lika viktig.
Tänkandeansträngningen är kontinuerlig i tillverkarens renderare: ett ändligt värde från 0.0 upp till, men inte inklusive, 1.0. Namngivna startpunkter kopplar none till 0.0, minimal till 0.1, low till 0.2, medium till 0.7, high till 0.9 och xhigh till 0.99; renderaren har high som standard. Noll uppmuntrar inget resonemang utan att införa ett hårt förbud. Ansträngning och genereringslängd är separata kontroller, så tänkandet måste lämna utrymme för slutsvaret.
För bilder rekommenderar kortet dimensioner helst mellan 40 och 4 096 pixlar. Ljud bör vara WAV vid 16 kHz och helst kortare än tjugo minuter. Detta är rekommendationer för optimala indata. Tillhandahåll bilden eller inspelningen med en tydlig fråga och det ordförråd eller den bakgrund som behövs för tolkningen. Textutdata kan förklara materialet eller organisera relevanta fynd; det är inget genererat tal eller video.
För kod eller en agentuppgift tillhandahåller du källmaterialet, målet och observationerna från aktuella kontroller. Modellen föreslår verktygsinteraktioner och applikationen kör dem och returnerar resultat. Bevara historiken så att följande steg använder de faktiska beläggen. En användbar slutartefakt anger den föreslagna ändringen eller slutsatsen och vad som fortfarande behöver en observation för att fastställas.
Tillverkaren släpper Inkling för forskning och anpassning och dokumenterar multimodala säkerhetsutvärderingar och kvarvarande begränsningar, inklusive ojämn språktäckning och försämring i långa konversationer. Håll en anpassad modell åtskild från dess ursprungliga modellversion och utvärdera den faktiska texten eller koden mot uppgiftens belägg och krav.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser thinkingmachines/inkling | 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 $0.0019 / 1K token Utdata · Utdatatoken $0.0081 / 1K token Indata · Cacheläsning $0.00032 / 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 $0.0019 / 1K token Utdata · Utdatatoken $0.0081 / 1K token Indata · Cacheläsning $0.00032 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "thinkingmachines/inkling",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'thinkingmachines/inkling', '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': 'thinkingmachines/inkling', '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 thinkingmachines/inkling
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Assess a code proposal from a check result\n\nReview this Python proposal and supplied check: def normalize(name): return name.strip().lower(). Requirement: preserve letter case but remove surrounding spaces. Check result C1: normalize(' Ada ') returned 'ada', expected 'Ada'. Return the smallest proposed correction, cite C1 and add a second boundary test. Do not claim that you ran either test.A focused code correction and two source-connected test cases, with execution status explicit.The proposal must remove the lowercasing while preserving whitespace trimming.