models

Reflection: Beam 1.0 501B A23B

Markdown · JSON

Reflection: Beam 1.0 501B A23B

reflection/beam-1.0-501b-a23b
Reflectionข้อความขาเข้า US$0.0005 / 1Kขาออก US$0.002 / 1K

โมเดลข้อความ MoE ของ Reflection ที่มีบริบทขนาดใหญ่ สำหรับวิศวกรรมซอฟต์แวร์ การให้เหตุผลคณิตศาสตร์ และการวิเคราะห์โจทย์ตามลำดับ

Beam 1.0 จาก Reflection

Beam 1.0 501B A23B เป็นโมเดลข้อความของ Reflection สำหรับเขียนโปรแกรม ให้เหตุผล และงานที่แบ่งเป็นหลายขั้นเกี่ยวเนื่องกัน สถาปัตยกรรม MoE แบบเบาบางมีพารามิเตอร์รวม 501.3 พันล้าน และเปิดใช้ประมาณ 23.4 พันล้านต่อโทเคน โมเดลพัฒนาสำหรับภาษาอังกฤษเป็นหลัก ควรคำนึงถึงจุดนี้เมื่อเลือกภาษาของซอร์สโค้ด เอกสารเทคนิค และคำสั่งโดยละเอียด

สถาปัตยกรรมรวมกลไกความสนใจเฉพาะส่วนและแบบทั่วทั้งหมด การเตรียมโมเดลครอบคลุมซอร์สโค้ด เอกสารเทคนิค และเนื้อหาวิทยาศาสตร์กับการศึกษา มีขั้นฝึกแยกสำหรับพัฒนาบริบทยาวด้วยคลังโค้ดที่มีโครงสร้าง งานต่อเนื่องยาว และเอกสารขนาดใหญ่ ระหว่างการเรียนรู้แบบเสริมกำลัง ผู้พัฒนาผสมงานเขียนโปรแกรม งานในเทอร์มินัล และ STEM

โมเดลมุ่งสู่งานใด

Reflection เน้นวิศวกรรมซอฟต์แวร์ การให้เหตุผลทางคณิตศาสตร์และวิทยาศาสตร์ รวมถึงการแก้ปัญหาตามลำดับ แนวทางเหล่านี้ใช้กับบทสนทนาข้อความที่มีสาระได้ เช่น อธิบายความสัมพันธ์ระหว่างส่วนของโปรแกรม วิเคราะห์ข้อผิดพลาดเชิงตรรกะ เสนอการแก้อัลกอริทึม วางแผนตรวจสมมติฐาน หรือสรุปเนื้อหาทางเทคนิค

Beam ให้ความสำคัญแยกกับการใช้โทเคนให้เหตุผลอย่างประหยัด ในการฝึกมีรางวัลสำหรับการแก้สำเร็จพร้อมลดโทเคนส่วนเกิน นี่เป็นคำอธิบายแนวทางของผู้พัฒนา ส่วนความยาวคำตอบแต่ละครั้งยังควรกำหนดชัดในคำขอ เช่น ข้อสรุปสั้น บทพิสูจน์ละเอียด หรือแพตช์พร้อมคำอธิบาย

บริบทข้อความขนาดใหญ่ใน Ailoot

หน้าต่างบริบทของการเชื่อมต่อคือ 1,048,576 โทเคน ซึ่งรวมข้อมูลที่ส่ง คำสั่ง ประวัติ และคำตอบที่กำลังสร้าง เมทาดาทาของโมเดลระบุปริมาณคำตอบสูงสุด 131,072 โทเคน ปริมาณนี้รองรับข้อความเกี่ยวข้องหลายชิ้น เช่น ข้อกำหนด ส่วนการนำไปใช้ ผลตรวจสอบ และคำถามต่อสิ่งเหล่านั้น ตั้งชื่อข้อมูลและขอให้ระบุว่าข้อสรุปอิงส่วนใด เพื่อให้ตรวจบทวิเคราะห์ขนาดใหญ่ได้สะดวก

ตัวอย่างเช่น งานโค้ดอาจขอแผนผังความสัมพันธ์จากไฟล์ที่ส่งก่อน จากนั้นระบุตำแหน่งแก้ไข แล้วจึงเตรียมการนำไปใช้ ส่วนโจทย์วิทยาศาสตร์ ให้ระบุเงื่อนไขตั้งต้น สัญลักษณ์ และระดับความเคร่งครัดที่ต้องการ นี่เป็นวิธีจัดคำขอให้เทียบผลที่ใช้ได้กับข้อมูลต้นทางได้

การเชื่อมต่อรับข้อความและคืนข้อความผ่าน Messages, Responses, Chat Completions และ generateContent แบบข้อความ โค้ดและคำแนะนำเป็นคำตอบของโมเดล ส่วนการรันคำสั่งและทำงานกับข้อมูลภายนอกขึ้นอยู่กับความสามารถของแอปพลิเคชัน

ใช้งานได้ผ่าน Ailoot API

Ultra Anthropic MessagesPOST /v1/messages
ขาเข้า
text
ขาออก
text
บริบท
ไม่ได้ระบุในแค็ตตาล็อก
ความยาวคำตอบสูงสุด
ไม่ได้ระบุในแค็ตตาล็อก
ขาเข้า
US$0.0005 / 1K
ขาออก
US$0.002 / 1K
การอ่านแคช
US$0.0001 / 1K
Ultra OpenAI ResponsesPOST /v1/responses
ขาเข้า
text
ขาออก
text
บริบท
ไม่ได้ระบุในแค็ตตาล็อก
ความยาวคำตอบสูงสุด
ไม่ได้ระบุในแค็ตตาล็อก
ขาเข้า
US$0.0005 / 1K
ขาออก
US$0.002 / 1K
การอ่านแคช
US$0.0001 / 1K
Ultra OpenAI ChatPOST /v1/chat/completions
ขาเข้า
text
ขาออก
text
บริบท
ไม่ได้ระบุในแค็ตตาล็อก
ความยาวคำตอบสูงสุด
ไม่ได้ระบุในแค็ตตาล็อก
ขาเข้า
US$0.0005 / 1K
ขาออก
US$0.002 / 1K
การอ่านแคช
US$0.0001 / 1K
Ultra Gemini generateContentPOST /v1beta/models/reflection/beam-1.0-501b-a23b:generateContent
ขาเข้า
text
ขาออก
text
บริบท
ไม่ได้ระบุในแค็ตตาล็อก
ความยาวคำตอบสูงสุด
ไม่ได้ระบุในแค็ตตาล็อก
ขาเข้า
US$0.0005 / 1K
ขาออก
US$0.002 / 1K
การอ่านแคช
US$0.0001 / 1K
reflection/beam-1.0-501b-a23b · JSON
{"about":"### Beam 1.0 จาก Reflection\n\nBeam 1.0 501B A23B เป็นโมเดลข้อความของ Reflection สำหรับเขียนโปรแกรม ให้เหตุผล และงานที่แบ่งเป็นหลายขั้นเกี่ยวเนื่องกัน สถาปัตยกรรม MoE แบบเบาบางมีพารามิเตอร์รวม 501.3 พันล้าน และเปิดใช้ประมาณ 23.4 พันล้านต่อโทเคน โมเดลพัฒนาสำหรับภาษาอังกฤษเป็นหลัก ควรคำนึงถึงจุดนี้เมื่อเลือกภาษาของซอร์สโค้ด เอกสารเทคนิค และคำสั่งโดยละเอียด\n\nสถาปัตยกรรมรวมกลไกความสนใจเฉพาะส่วนและแบบทั่วทั้งหมด การเตรียมโมเดลครอบคลุมซอร์สโค้ด เอกสารเทคนิค และเนื้อหาวิทยาศาสตร์กับการศึกษา มีขั้นฝึกแยกสำหรับพัฒนาบริบทยาวด้วยคลังโค้ดที่มีโครงสร้าง งานต่อเนื่องยาว และเอกสารขนาดใหญ่ ระหว่างการเรียนรู้แบบเสริมกำลัง ผู้พัฒนาผสมงานเขียนโปรแกรม งานในเทอร์มินัล และ STEM\n\n### โมเดลมุ่งสู่งานใด\n\nReflection เน้นวิศวกรรมซอฟต์แวร์ การให้เหตุผลทางคณิตศาสตร์และวิทยาศาสตร์ รวมถึงการแก้ปัญหาตามลำดับ แนวทางเหล่านี้ใช้กับบทสนทนาข้อความที่มีสาระได้ เช่น อธิบายความสัมพันธ์ระหว่างส่วนของโปรแกรม วิเคราะห์ข้อผิดพลาดเชิงตรรกะ เสนอการแก้อัลกอริทึม วางแผนตรวจสมมติฐาน หรือสรุปเนื้อหาทางเทคนิค\n\nBeam ให้ความสำคัญแยกกับการใช้โทเคนให้เหตุผลอย่างประหยัด ในการฝึกมีรางวัลสำหรับการแก้สำเร็จพร้อมลดโทเคนส่วนเกิน นี่เป็นคำอธิบายแนวทางของผู้พัฒนา ส่วนความยาวคำตอบแต่ละครั้งยังควรกำหนดชัดในคำขอ เช่น ข้อสรุปสั้น บทพิสูจน์ละเอียด หรือแพตช์พร้อมคำอธิบาย\n\n### บริบทข้อความขนาดใหญ่ใน Ailoot\n\nหน้าต่างบริบทของการเชื่อมต่อคือ 1,048,576 โทเคน ซึ่งรวมข้อมูลที่ส่ง คำสั่ง ประวัติ และคำตอบที่กำลังสร้าง เมทาดาทาของโมเดลระบุปริมาณคำตอบสูงสุด 131,072 โทเคน ปริมาณนี้รองรับข้อความเกี่ยวข้องหลายชิ้น เช่น ข้อกำหนด ส่วนการนำไปใช้ ผลตรวจสอบ และคำถามต่อสิ่งเหล่านั้น ตั้งชื่อข้อมูลและขอให้ระบุว่าข้อสรุปอิงส่วนใด เพื่อให้ตรวจบทวิเคราะห์ขนาดใหญ่ได้สะดวก\n\nตัวอย่างเช่น งานโค้ดอาจขอแผนผังความสัมพันธ์จากไฟล์ที่ส่งก่อน จากนั้นระบุตำแหน่งแก้ไข แล้วจึงเตรียมการนำไปใช้ ส่วนโจทย์วิทยาศาสตร์ ให้ระบุเงื่อนไขตั้งต้น สัญลักษณ์ และระดับความเคร่งครัดที่ต้องการ นี่เป็นวิธีจัดคำขอให้เทียบผลที่ใช้ได้กับข้อมูลต้นทางได้\n\nการเชื่อมต่อรับข้อความและคืนข้อความผ่าน Messages, Responses, Chat Completions และ generateContent แบบข้อความ โค้ดและคำแนะนำเป็นคำตอบของโมเดล ส่วนการรันคำสั่งและทำงานกับข้อมูลภายนอกขึ้นอยู่กับความสามารถของแอปพลิเคชัน","alias_of":null,"aliases":[],"author":"Reflection","canonical_model":"reflection/beam-1.0-501b-a23b","ctx":null,"formats":["chat","gemini","messages","responses"],"id":"reflection/beam-1.0-501b-a23b","input":["text"],"kind":"text","max_out":null,"methods":[{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"anthropic","fast_multiplier":1,"flex_multiplier":1,"fmt":"messages","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"Anthropic Messages","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1/messages","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"responses","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"OpenAI Responses","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1/responses","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"chat","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"OpenAI Chat","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1/chat/completions","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]},{"cache_read":0.1,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":null,"family":"gemini","fast_multiplier":1,"flex_multiplier":1,"fmt":"gemini","http":"POST","img_in":null,"img_out":null,"in":0.5,"input":["text"],"label":"Gemini generateContent","max_out":null,"max_tool_calls":null,"out":2.0,"output":["text"],"path":"/v1beta/models/reflection/beam-1.0-501b-a23b:generateContent","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"reflection/beam-1.0-501b-a23b","request_model_id":"reflection/beam-1.0-501b-a23b","route_label":"Ultra"}],"name":"Reflection: Beam 1.0 501B A23B","price":{"in":0.5,"in_label":null,"out":2.0,"out_label":null,"sort_in":0.5,"sort_out":2.0,"varies":false},"public_id":"reflection/beam-1.0-501b-a23b","short":"โมเดลข้อความ MoE ของ Reflection ที่มีบริบทขนาดใหญ่ สำหรับวิศวกรรมซอฟต์แวร์ การให้เหตุผลคณิตศาสตร์ และการวิเคราะห์โจทย์ตามลำดับ"}

คำถาม

จะเลือกโมเดลสำหรับงานของฉันได้อย่างไร?

เริ่มจากระบุอินพุตและเอาต์พุตที่ต้องการ ได้แก่ ข้อความ รูปภาพ เสียง หรือวิดีโอ จากนั้นเปรียบเทียบวิธี API ที่เข้ากันได้ ID โมเดลที่แน่นอนหรือโมเดลที่นามแฝงชี้ไปในปัจจุบัน ราคาและหน่วยคิดค่าบริการ โดย GET /v1/models ใช้งานฟรีและแสดงโมเดลที่คีย์ของคุณเข้าถึงได้

ทุกโมเดลรองรับวิธี API และประเภทสื่อทั้งหมดหรือไม่?

ใช้วิธี API และประเภทอินพุตและเอาต์พุตที่ระบุในหน้าข้อมูลโมเดล การรองรับข้อความ รูปภาพ เสียง หรือวิดีโอขึ้นอยู่กับโมเดลและวิธีที่เลือก ตรวจสอบตัวอย่างคำขอที่เกี่ยวข้องก่อนส่งข้อมูล

ID โมเดลต่างจากนามแฝงอย่างไร?

ID ที่แน่นอนระบุโมเดลเฉพาะ นามแฝงชี้ไปยังโมเดลหนึ่งและโมเดลปลายทางอาจเปลี่ยนได้ ตรวจสอบโมเดลที่นามแฝงชี้ไปในปัจจุบันในแค็ตตาล็อก และใช้ ID ที่แน่นอนเมื่อการเชื่อมต่อต้องใช้โมเดลเฉพาะ

จะเปรียบเทียบราคาก่อนส่งคำขอได้อย่างไร?

ตรวจสอบราคาและหน่วยคิดค่าบริการของวิธี API ที่เลือกในหน้าข้อมูลโมเดล เปรียบเทียบด้วยหน่วยและประเภทอินพุตและเอาต์พุตเดียวกัน ประวัติคำขอจะแสดงการใช้งานจริงและยอดเงินที่หัก

สมาชิกให้อะไร?

ส่วนลดซื้อโทเคนสำหรับงานประจำ เลือกแพ็กเกจตามปริมาณคำขอ เงื่อนไขและราคาสมาชิกแสดงตอนสมัคร

ใช้โค้ดส่วนลดสูงสุด 50% อย่างไร?

ใส่โค้ดเมื่อซื้อโทเคน ยอดรวมคำนวณตามโปรโมชั่น และเห็นส่วนลดก่อนจ่าย