Pareto 26.10 Preview är Unbiaseds förhandsutgåva av dess kombinerade språkmodell. Flera modeller arbetar parallellt med samma förfrågan och en uppgiftsberoende syntes producerar ett enda svar. Sammansättningen kan ändras när tillverkaren utvecklar utgåvan. Förhandsnamnet identifierar därför en föränderlig utgåva snarare än en fryst uppsättning komponentmodeller.
Pareto accepterar skriftliga promptar och bildmaterial och returnerar ett textsvar. Dess dokumenterade tillämpningsområden omfattar kunskapsintensivt resonemang, undersökning och agentbaserad kodning. Tillverkaren presenterar förhandsutgåvan som en vidareutveckling av den föregående Pareto-utgåvan, med särskilt fokus på utdragna agentflöden. Denna utgåva hålls åtskild från det versionslösa Pareto-valet och den tidigare 26.9-utgåvan.
För en undersökningsuppgift tillhandahåller du frågan, källmaterialet och beslutet som svaret ska stödja. En användbar prompt kan be om en beläggstabell med ett påstående, dess stödjande textavsnitt och eventuella olösta motsägelser. När en bild ingår i beläggen identifierar du den synliga egenskapen som ska undersökas och förklarar hur den hänger ihop med den skriftliga frågan. Det resulterande svaret kan sedan bli ett jämförelseunderlag, en problemlista eller en uppsättning frågor för vidare undersökning.
För programvaruarbete tar du med relevant kod, det förväntade beteendet och det observerade felet. Be om en föreslagen ändring följd av en förklaring av hur den ska kontrolleras. I ett anslutet kodningsflöde skiljer du modellens föreslagna kommando eller patch från resultatet som returneras av applikationens körverktyg. Ett uppföljningsmeddelande kan tillhandahålla det resultatet och be modellen revidera den föreslagna ändringen med de nya beläggen.
Förbered långa uppgifter kring en konkret leverans: avsnitten i en rapport, filerna som berörs av en ändring eller fälten som förväntas i en granskning. Behåll uppgiftens begränsningar och de senaste bekräftade fynden i konversationen så att senare turer har en tydlig utgångspunkt. En undersökning av ett kodarkiv kan till exempel sluta med en kort ändringssammanfattning, den berörda komponenten och en lista med kontroller som utvecklaren ska köra. Detta är sätt att organisera uppgiften och dess utdata, inga ytterligare modelllägen.
Tillverkaren dokumenterar konversationsförfrågningar och strömmade svar i sina egna integrationsformat. Dessa beskriver hur tillverkaren tillhandahåller Pareto; själva kombinationen levererar språkmodellsvaret. Extern informationsinsamling, kommandokörning och ändringar i användarens filer beror på den omgivande applikationen och verktygen den erbjuder.
", "aboutText": "Pareto 26.10 Preview är Unbiaseds förhandsutgåva av dess kombinerade språkmodell. Flera modeller arbetar parallellt med samma förfrågan och en uppgiftsberoende syntes producerar ett enda svar. Sammansättningen kan ändras när tillverkaren utvecklar utgåvan. Förhandsnamnet identifierar därför en föränderlig utgåva snarare än en fryst uppsättning komponentmodeller.\n\nPareto accepterar skriftliga promptar och bildmaterial och returnerar ett textsvar. Dess dokumenterade tillämpningsområden omfattar kunskapsintensivt resonemang, undersökning och agentbaserad kodning. Tillverkaren presenterar förhandsutgåvan som en vidareutveckling av den föregående Pareto-utgåvan, med särskilt fokus på utdragna agentflöden. Denna utgåva hålls åtskild från det versionslösa Pareto-valet och den tidigare 26.9-utgåvan.\n\nFör en undersökningsuppgift tillhandahåller du frågan, källmaterialet och beslutet som svaret ska stödja. En användbar prompt kan be om en beläggstabell med ett påstående, dess stödjande textavsnitt och eventuella olösta motsägelser. När en bild ingår i beläggen identifierar du den synliga egenskapen som ska undersökas och förklarar hur den hänger ihop med den skriftliga frågan. Det resulterande svaret kan sedan bli ett jämförelseunderlag, en problemlista eller en uppsättning frågor för vidare undersökning.\n\nFör programvaruarbete tar du med relevant kod, det förväntade beteendet och det observerade felet. Be om en föreslagen ändring följd av en förklaring av hur den ska kontrolleras. I ett anslutet kodningsflöde skiljer du modellens föreslagna kommando eller patch från resultatet som returneras av applikationens körverktyg. Ett uppföljningsmeddelande kan tillhandahålla det resultatet och be modellen revidera den föreslagna ändringen med de nya beläggen.\n\nFörbered långa uppgifter kring en konkret leverans: avsnitten i en rapport, filerna som berörs av en ändring eller fälten som förväntas i en granskning. Behåll uppgiftens begränsningar och de senaste bekräftade fynden i konversationen så att senare turer har en tydlig utgångspunkt. En undersökning av ett kodarkiv kan till exempel sluta med en kort ändringssammanfattning, den berörda komponenten och en lista med kontroller som utvecklaren ska köra. Detta är sätt att organisera uppgiften och dess utdata, inga ytterligare modelllägen.\n\nTillverkaren dokumenterar konversationsförfrågningar och strömmade svar i sina egna integrationsformat. Dessa beskriver hur tillverkaren tillhandahåller Pareto; själva kombinationen levererar språkmodellsvaret. Extern informationsinsamling, kommandokörning och ändringar i användarens filer beror på den omgivande applikationen och verktygen den erbjuder.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Build a decision evidence table\n\nPrepare an evidence table for choosing a document editor. S1: Editor A supports tracked changes; offline editing is not mentioned. S2: Editor B supports offline editing; tracked changes require an add-on. Requirements: both features must be included without add-ons. State whether either option is established as compliant and list only the missing facts that could change that conclusion.A requirement-by-editor evidence table, a qualified conclusion and targeted unanswered questions.Check that omitted offline support is marked unknown and an add-on feature is not treated as included.unbiased/pareto-26.10-previewUnbiaseds Pareto 26.10 Preview kombinerar flera språkmodeller till ett svar för resonemangs-, undersöknings- och kodningsuppgifter. Den accepterar text och bilder, med en föränderlig blandning bakom den namngivna förhandsutgåvan.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Pareto 26.10 Preview är Unbiaseds förhandsutgåva av dess kombinerade språkmodell. Flera modeller arbetar parallellt med samma förfrågan och en uppgiftsberoende syntes producerar ett enda svar. Sammansättningen kan ändras när tillverkaren utvecklar utgåvan. Förhandsnamnet identifierar därför en föränderlig utgåva snarare än en fryst uppsättning komponentmodeller.
Pareto accepterar skriftliga promptar och bildmaterial och returnerar ett textsvar. Dess dokumenterade tillämpningsområden omfattar kunskapsintensivt resonemang, undersökning och agentbaserad kodning. Tillverkaren presenterar förhandsutgåvan som en vidareutveckling av den föregående Pareto-utgåvan, med särskilt fokus på utdragna agentflöden. Denna utgåva hålls åtskild från det versionslösa Pareto-valet och den tidigare 26.9-utgåvan.
För en undersökningsuppgift tillhandahåller du frågan, källmaterialet och beslutet som svaret ska stödja. En användbar prompt kan be om en beläggstabell med ett påstående, dess stödjande textavsnitt och eventuella olösta motsägelser. När en bild ingår i beläggen identifierar du den synliga egenskapen som ska undersökas och förklarar hur den hänger ihop med den skriftliga frågan. Det resulterande svaret kan sedan bli ett jämförelseunderlag, en problemlista eller en uppsättning frågor för vidare undersökning.
För programvaruarbete tar du med relevant kod, det förväntade beteendet och det observerade felet. Be om en föreslagen ändring följd av en förklaring av hur den ska kontrolleras. I ett anslutet kodningsflöde skiljer du modellens föreslagna kommando eller patch från resultatet som returneras av applikationens körverktyg. Ett uppföljningsmeddelande kan tillhandahålla det resultatet och be modellen revidera den föreslagna ändringen med de nya beläggen.
Förbered långa uppgifter kring en konkret leverans: avsnitten i en rapport, filerna som berörs av en ändring eller fälten som förväntas i en granskning. Behåll uppgiftens begränsningar och de senaste bekräftade fynden i konversationen så att senare turer har en tydlig utgångspunkt. En undersökning av ett kodarkiv kan till exempel sluta med en kort ändringssammanfattning, den berörda komponenten och en lista med kontroller som utvecklaren ska köra. Detta är sätt att organisera uppgiften och dess utdata, inga ytterligare modelllägen.
Tillverkaren dokumenterar konversationsförfrågningar och strömmade svar i sina egna integrationsformat. Dessa beskriver hur tillverkaren tillhandahåller Pareto; själva kombinationen levererar språkmodellsvaret. Extern informationsinsamling, kommandokörning och ändringar i användarens filer beror på den omgivande applikationen och verktygen den erbjuder.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser unbiased/pareto-26.10-preview | 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 $0.0016 / 1K token Utdata · Utdatatoken $0.0064 / 1K token Indata · Cacheläsning $0.00006 / 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 $0.0016 / 1K token Utdata · Utdatatoken $0.0064 / 1K token Indata · Cacheläsning $0.00006 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "unbiased/pareto-26.10-preview", "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='unbiased/pareto-26.10-preview',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='unbiased/pareto-26.10-preview',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 unbiased/pareto-26.10-preview
Använd metodsökvägarna som visas ovan.
unbiased/pareto-26.10-previewUnbiaseds Pareto 26.10 Preview kombinerar flera språkmodeller till ett svar för resonemangs-, undersöknings- och kodningsuppgifter. Den accepterar text och bilder, med en föränderlig blandning bakom den namngivna förhandsutgåvan.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Pareto 26.10 Preview är Unbiaseds förhandsutgåva av dess kombinerade språkmodell. Flera modeller arbetar parallellt med samma förfrågan och en uppgiftsberoende syntes producerar ett enda svar. Sammansättningen kan ändras när tillverkaren utvecklar utgåvan. Förhandsnamnet identifierar därför en föränderlig utgåva snarare än en fryst uppsättning komponentmodeller.
Pareto accepterar skriftliga promptar och bildmaterial och returnerar ett textsvar. Dess dokumenterade tillämpningsområden omfattar kunskapsintensivt resonemang, undersökning och agentbaserad kodning. Tillverkaren presenterar förhandsutgåvan som en vidareutveckling av den föregående Pareto-utgåvan, med särskilt fokus på utdragna agentflöden. Denna utgåva hålls åtskild från det versionslösa Pareto-valet och den tidigare 26.9-utgåvan.
För en undersökningsuppgift tillhandahåller du frågan, källmaterialet och beslutet som svaret ska stödja. En användbar prompt kan be om en beläggstabell med ett påstående, dess stödjande textavsnitt och eventuella olösta motsägelser. När en bild ingår i beläggen identifierar du den synliga egenskapen som ska undersökas och förklarar hur den hänger ihop med den skriftliga frågan. Det resulterande svaret kan sedan bli ett jämförelseunderlag, en problemlista eller en uppsättning frågor för vidare undersökning.
För programvaruarbete tar du med relevant kod, det förväntade beteendet och det observerade felet. Be om en föreslagen ändring följd av en förklaring av hur den ska kontrolleras. I ett anslutet kodningsflöde skiljer du modellens föreslagna kommando eller patch från resultatet som returneras av applikationens körverktyg. Ett uppföljningsmeddelande kan tillhandahålla det resultatet och be modellen revidera den föreslagna ändringen med de nya beläggen.
Förbered långa uppgifter kring en konkret leverans: avsnitten i en rapport, filerna som berörs av en ändring eller fälten som förväntas i en granskning. Behåll uppgiftens begränsningar och de senaste bekräftade fynden i konversationen så att senare turer har en tydlig utgångspunkt. En undersökning av ett kodarkiv kan till exempel sluta med en kort ändringssammanfattning, den berörda komponenten och en lista med kontroller som utvecklaren ska köra. Detta är sätt att organisera uppgiften och dess utdata, inga ytterligare modelllägen.
Tillverkaren dokumenterar konversationsförfrågningar och strömmade svar i sina egna integrationsformat. Dessa beskriver hur tillverkaren tillhandahåller Pareto; själva kombinationen levererar språkmodellsvaret. Extern informationsinsamling, kommandokörning och ändringar i användarens filer beror på den omgivande applikationen och verktygen den erbjuder.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser unbiased/pareto-26.10-preview | 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 $0.0016 / 1K token Utdata · Utdatatoken $0.0064 / 1K token Indata · Cacheläsning $0.00006 / 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 $0.0016 / 1K token Utdata · Utdatatoken $0.0064 / 1K token Indata · Cacheläsning $0.00006 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "unbiased/pareto-26.10-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'unbiased/pareto-26.10-preview', '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': 'unbiased/pareto-26.10-preview', '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 unbiased/pareto-26.10-preview
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Build a decision evidence table\n\nPrepare an evidence table for choosing a document editor. S1: Editor A supports tracked changes; offline editing is not mentioned. S2: Editor B supports offline editing; tracked changes require an add-on. Requirements: both features must be included without add-ons. State whether either option is established as compliant and list only the missing facts that could change that conclusion.A requirement-by-editor evidence table, a qualified conclusion and targeted unanswered questions.Check that omitted offline support is marked unknown and an add-on feature is not treated as included.