Amazon Nova Pro 是 Amazon 第一代 Nova 系列中均衡的多模態理解模型。它整合文字、圖片與影片理解，用途從文件問答、視覺分析，到軟體工作與代理流程。輸出是文字：說明、擷取資訊、程式碼、計畫或工具請求。Pro 位於較輕量的 Nova Lite 與處理更高需求長上下文工作的 Premier 之間；此設定描述原始 Pro v1 版本，而不是 Nova 2 模型。
第一代 Nova 指南列出 300K token 上下文視窗與最高 10K token 輸出。文件記載的知識截止時間為 2024 年 10 月。實用流程可結合參考段落、文件內容、視覺證據與近期對話，再傳回精簡結果。技術審查應提供相關程式碼、觀察行為與限制，並要求附理由的修改提案。報告則指出要比較的來源與欄位。將證據與指令分開，讓模型區分文件陳述與希望它調查的結論。
Amazon 記載 Pro 可回答視覺問題、分類或摘要圖片，並回傳指定物件的邊界框。第一代圖片指南採 [0, 1000) 座標尺度，由使用端應用程式換算為原圖尺寸。圖片會自動縮放，文件列出最高解析度為 8,000 × 8,000 像素。這可支援在截圖中辨識元素或描述圖解等工作。請保留可讀文字與關鍵視覺背景，要求解讀前先請模型提出相關觀察。
原廠支援的圖片格式包括 PNG、JPG/JPEG、GIF 與 WebP。文件流程接受 PDF、DOC/DOCX、CSV、XLS/XLSX、HTML、TXT 與 Markdown。文字格式提供文字，PDF 與 DOCX 則可結合圖表及表格等視覺元素解讀。文件指南允許最多 5 份文件，每份文字文件上限為 4.5 MB。不支援含 CMYK 或 SVG 圖片的 PDF 內容，也不支援 JPEG2000、JBIG2 等編碼。若任務只需要 PDF 文字，擷取文字比逐頁視覺閱讀更簡單。內嵌媒體共用 25 MB 載荷額度，包含 base64 額外大小。一次請求包含 1 支影片，透過 S3 時上限為 1 GB；S3 媒體合計可達 2 GB。PDF 與 DOCX 仍限最多 5 份，直接上傳合計上限 25 MB，透過 S3 則為 2 GB。
Pro 可分析 MP4、MOV、MKV、WebM 等常見影片格式。其 version1 取樣策略對不超過 16 分鐘的影片每秒取 1 格，較長影片則將 960 格分布於全片。這較適合場景層級摘要，而非精確分析極快速動作，尤其影片越長越明顯。Amazon 建議較高動態影片維持在 16 分鐘以下，低動態影片在 1 小時以下。提供相關片段，指出要檢查的可見事件或關係；文件所列輸入模態不包含音訊，因此口語資訊應以逐字稿提供。原廠也表示，此模型不會辨識或指名圖片、文件或影片中的人物。
Pro 支援串流回應、用戶端執行函式呼叫與檢索增強任務，也在 Amazon 文件所列服務設定中支援提示詞快取。明確快取每個檢查點至少需 1K token，最多 4 個檢查點，保存 5 分鐘。原廠將提示詞快取上限設為 20K token，主要用於文字提示；快取額度與完整上下文視窗不同。描述工具及引數，讓應用程式執行請求，並在模型繼續前傳回觀察或錯誤。第一代 Nova 可透過提示詞分階段求解，但與 Nova 2 Lite 另行設定的延伸思考模式及內建工具不同。Pro 也作為 Nova Micro、Lite 的蒸餾教師，Amazon 並記載 Pro 自訂微調；這些自訂模型保留各自識別。
version1 指南說明訓練涵蓋超過 200 種語言，並針對 15 種最佳化，包括英語、德語、西班牙語、法語、義大利語、日語、韓語、阿拉伯語、簡體中文、俄語、印地語、葡萄牙語、荷蘭語、土耳其語與希伯來語。請指定所需語言與術語，不要假設各方言表現相同。可重複流程應指定最終結構，以及每個欄位應攜帶的來源證據。Pro 可能傳回看似合理但錯誤的主張，或未執行的程式碼；提供明確事實，並區分工具結果與提案，能讓輸出更容易使用與驗證。
", "aboutText": "Amazon Nova Pro 是 Amazon 第一代 Nova 系列中均衡的多模態理解模型。它整合文字、圖片與影片理解，用途從文件問答、視覺分析，到軟體工作與代理流程。輸出是文字：說明、擷取資訊、程式碼、計畫或工具請求。Pro 位於較輕量的 Nova Lite 與處理更高需求長上下文工作的 Premier 之間；此設定描述原始 Pro v1 版本，而不是 Nova 2 模型。\n\n第一代 Nova 指南列出 300K token 上下文視窗與最高 10K token 輸出。文件記載的知識截止時間為 2024 年 10 月。實用流程可結合參考段落、文件內容、視覺證據與近期對話，再傳回精簡結果。技術審查應提供相關程式碼、觀察行為與限制，並要求附理由的修改提案。報告則指出要比較的來源與欄位。將證據與指令分開，讓模型區分文件陳述與希望它調查的結論。\n\nAmazon 記載 Pro 可回答視覺問題、分類或摘要圖片，並回傳指定物件的邊界框。第一代圖片指南採 [0, 1000) 座標尺度，由使用端應用程式換算為原圖尺寸。圖片會自動縮放，文件列出最高解析度為 8,000 × 8,000 像素。這可支援在截圖中辨識元素或描述圖解等工作。請保留可讀文字與關鍵視覺背景，要求解讀前先請模型提出相關觀察。\n\n原廠支援的圖片格式包括 PNG、JPG/JPEG、GIF 與 WebP。文件流程接受 PDF、DOC/DOCX、CSV、XLS/XLSX、HTML、TXT 與 Markdown。文字格式提供文字，PDF 與 DOCX 則可結合圖表及表格等視覺元素解讀。文件指南允許最多 5 份文件，每份文字文件上限為 4.5 MB。不支援含 CMYK 或 SVG 圖片的 PDF 內容，也不支援 JPEG2000、JBIG2 等編碼。若任務只需要 PDF 文字，擷取文字比逐頁視覺閱讀更簡單。內嵌媒體共用 25 MB 載荷額度，包含 base64 額外大小。一次請求包含 1 支影片，透過 S3 時上限為 1 GB；S3 媒體合計可達 2 GB。PDF 與 DOCX 仍限最多 5 份，直接上傳合計上限 25 MB，透過 S3 則為 2 GB。\n\nPro 可分析 MP4、MOV、MKV、WebM 等常見影片格式。其 version1 取樣策略對不超過 16 分鐘的影片每秒取 1 格，較長影片則將 960 格分布於全片。這較適合場景層級摘要，而非精確分析極快速動作，尤其影片越長越明顯。Amazon 建議較高動態影片維持在 16 分鐘以下，低動態影片在 1 小時以下。提供相關片段，指出要檢查的可見事件或關係；文件所列輸入模態不包含音訊，因此口語資訊應以逐字稿提供。原廠也表示，此模型不會辨識或指名圖片、文件或影片中的人物。\n\nPro 支援串流回應、用戶端執行函式呼叫與檢索增強任務，也在 Amazon 文件所列服務設定中支援提示詞快取。明確快取每個檢查點至少需 1K token，最多 4 個檢查點，保存 5 分鐘。原廠將提示詞快取上限設為 20K token，主要用於文字提示；快取額度與完整上下文視窗不同。描述工具及引數，讓應用程式執行請求，並在模型繼續前傳回觀察或錯誤。第一代 Nova 可透過提示詞分階段求解，但與 Nova 2 Lite 另行設定的延伸思考模式及內建工具不同。Pro 也作為 Nova Micro、Lite 的蒸餾教師，Amazon 並記載 Pro 自訂微調；這些自訂模型保留各自識別。\n\nversion1 指南說明訓練涵蓋超過 200 種語言，並針對 15 種最佳化，包括英語、德語、西班牙語、法語、義大利語、日語、韓語、阿拉伯語、簡體中文、俄語、印地語、葡萄牙語、荷蘭語、土耳其語與希伯來語。請指定所需語言與術語，不要假設各方言表現相同。可重複流程應指定最終結構，以及每個欄位應攜帶的來源證據。Pro 可能傳回看似合理但錯誤的主張，或未執行的程式碼；提供明確事實，並區分工具結果與提案，能讓輸出更容易使用與驗證。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
Compare supplier delivery terms\n\nCompare these supplier notes for a purchasing manager. Note A: 120 units, delivery within 14 calendar days, damaged units reported within 48 hours. Note B: 120 units, delivery within 10 business days, damage reported within five calendar days. Give a three-row comparison and identify what prevents a reliable delivery-date comparison.A table covering quantity, delivery timing and damage reporting, followed by one clarification about the delivery calendar or start date.The answer preserves calendar versus business days and does not invent arrival dates.amazon/nova-pro-v1Amazon Nova Pro 是第一代 Nova 系列中，用於跨文字、圖片、文件與影片推理的均衡模型。它為視覺分析、軟體任務、文件流程，以及結合提供證據與工具的代理產生文字。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Amazon Nova Pro 是 Amazon 第一代 Nova 系列中均衡的多模態理解模型。它整合文字、圖片與影片理解，用途從文件問答、視覺分析，到軟體工作與代理流程。輸出是文字：說明、擷取資訊、程式碼、計畫或工具請求。Pro 位於較輕量的 Nova Lite 與處理更高需求長上下文工作的 Premier 之間；此設定描述原始 Pro v1 版本，而不是 Nova 2 模型。
第一代 Nova 指南列出 300K token 上下文視窗與最高 10K token 輸出。文件記載的知識截止時間為 2024 年 10 月。實用流程可結合參考段落、文件內容、視覺證據與近期對話，再傳回精簡結果。技術審查應提供相關程式碼、觀察行為與限制，並要求附理由的修改提案。報告則指出要比較的來源與欄位。將證據與指令分開，讓模型區分文件陳述與希望它調查的結論。
Amazon 記載 Pro 可回答視覺問題、分類或摘要圖片，並回傳指定物件的邊界框。第一代圖片指南採 [0, 1000) 座標尺度，由使用端應用程式換算為原圖尺寸。圖片會自動縮放，文件列出最高解析度為 8,000 × 8,000 像素。這可支援在截圖中辨識元素或描述圖解等工作。請保留可讀文字與關鍵視覺背景，要求解讀前先請模型提出相關觀察。
原廠支援的圖片格式包括 PNG、JPG/JPEG、GIF 與 WebP。文件流程接受 PDF、DOC/DOCX、CSV、XLS/XLSX、HTML、TXT 與 Markdown。文字格式提供文字，PDF 與 DOCX 則可結合圖表及表格等視覺元素解讀。文件指南允許最多 5 份文件，每份文字文件上限為 4.5 MB。不支援含 CMYK 或 SVG 圖片的 PDF 內容，也不支援 JPEG2000、JBIG2 等編碼。若任務只需要 PDF 文字，擷取文字比逐頁視覺閱讀更簡單。內嵌媒體共用 25 MB 載荷額度，包含 base64 額外大小。一次請求包含 1 支影片，透過 S3 時上限為 1 GB；S3 媒體合計可達 2 GB。PDF 與 DOCX 仍限最多 5 份，直接上傳合計上限 25 MB，透過 S3 則為 2 GB。
Pro 可分析 MP4、MOV、MKV、WebM 等常見影片格式。其 version1 取樣策略對不超過 16 分鐘的影片每秒取 1 格，較長影片則將 960 格分布於全片。這較適合場景層級摘要，而非精確分析極快速動作，尤其影片越長越明顯。Amazon 建議較高動態影片維持在 16 分鐘以下，低動態影片在 1 小時以下。提供相關片段，指出要檢查的可見事件或關係；文件所列輸入模態不包含音訊，因此口語資訊應以逐字稿提供。原廠也表示，此模型不會辨識或指名圖片、文件或影片中的人物。
Pro 支援串流回應、用戶端執行函式呼叫與檢索增強任務，也在 Amazon 文件所列服務設定中支援提示詞快取。明確快取每個檢查點至少需 1K token，最多 4 個檢查點，保存 5 分鐘。原廠將提示詞快取上限設為 20K token，主要用於文字提示；快取額度與完整上下文視窗不同。描述工具及引數，讓應用程式執行請求，並在模型繼續前傳回觀察或錯誤。第一代 Nova 可透過提示詞分階段求解，但與 Nova 2 Lite 另行設定的延伸思考模式及內建工具不同。Pro 也作為 Nova Micro、Lite 的蒸餾教師，Amazon 並記載 Pro 自訂微調；這些自訂模型保留各自識別。
version1 指南說明訓練涵蓋超過 200 種語言，並針對 15 種最佳化，包括英語、德語、西班牙語、法語、義大利語、日語、韓語、阿拉伯語、簡體中文、俄語、印地語、葡萄牙語、荷蘭語、土耳其語與希伯來語。請指定所需語言與術語，不要假設各方言表現相同。可重複流程應指定最終結構，以及每個欄位應攜帶的來源證據。Pro 可能傳回看似合理但錯誤的主張，或未執行的程式碼；提供明確事實，並區分工具結果與提案，能讓輸出更容易使用與驗證。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 amazon/nova-pro-v1 | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0016 / 1K Token 輸出 · 輸出 Token $0.0064 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0016 / 1K Token 輸出 · 輸出 Token $0.0064 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "amazon/nova-pro-v1", "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='amazon/nova-pro-v1',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='amazon/nova-pro-v1',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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra amazon/nova-pro-v1
請使用上方列出的 API 方法路徑。
amazon/nova-pro-v1Amazon Nova Pro 是第一代 Nova 系列中，用於跨文字、圖片、文件與影片推理的均衡模型。它為視覺分析、軟體任務、文件流程，以及結合提供證據與工具的代理產生文字。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Amazon Nova Pro 是 Amazon 第一代 Nova 系列中均衡的多模態理解模型。它整合文字、圖片與影片理解，用途從文件問答、視覺分析，到軟體工作與代理流程。輸出是文字：說明、擷取資訊、程式碼、計畫或工具請求。Pro 位於較輕量的 Nova Lite 與處理更高需求長上下文工作的 Premier 之間；此設定描述原始 Pro v1 版本，而不是 Nova 2 模型。
第一代 Nova 指南列出 300K token 上下文視窗與最高 10K token 輸出。文件記載的知識截止時間為 2024 年 10 月。實用流程可結合參考段落、文件內容、視覺證據與近期對話，再傳回精簡結果。技術審查應提供相關程式碼、觀察行為與限制，並要求附理由的修改提案。報告則指出要比較的來源與欄位。將證據與指令分開，讓模型區分文件陳述與希望它調查的結論。
Amazon 記載 Pro 可回答視覺問題、分類或摘要圖片，並回傳指定物件的邊界框。第一代圖片指南採 [0, 1000) 座標尺度，由使用端應用程式換算為原圖尺寸。圖片會自動縮放，文件列出最高解析度為 8,000 × 8,000 像素。這可支援在截圖中辨識元素或描述圖解等工作。請保留可讀文字與關鍵視覺背景，要求解讀前先請模型提出相關觀察。
原廠支援的圖片格式包括 PNG、JPG/JPEG、GIF 與 WebP。文件流程接受 PDF、DOC/DOCX、CSV、XLS/XLSX、HTML、TXT 與 Markdown。文字格式提供文字，PDF 與 DOCX 則可結合圖表及表格等視覺元素解讀。文件指南允許最多 5 份文件，每份文字文件上限為 4.5 MB。不支援含 CMYK 或 SVG 圖片的 PDF 內容，也不支援 JPEG2000、JBIG2 等編碼。若任務只需要 PDF 文字，擷取文字比逐頁視覺閱讀更簡單。內嵌媒體共用 25 MB 載荷額度，包含 base64 額外大小。一次請求包含 1 支影片，透過 S3 時上限為 1 GB；S3 媒體合計可達 2 GB。PDF 與 DOCX 仍限最多 5 份，直接上傳合計上限 25 MB，透過 S3 則為 2 GB。
Pro 可分析 MP4、MOV、MKV、WebM 等常見影片格式。其 version1 取樣策略對不超過 16 分鐘的影片每秒取 1 格，較長影片則將 960 格分布於全片。這較適合場景層級摘要，而非精確分析極快速動作，尤其影片越長越明顯。Amazon 建議較高動態影片維持在 16 分鐘以下，低動態影片在 1 小時以下。提供相關片段，指出要檢查的可見事件或關係；文件所列輸入模態不包含音訊，因此口語資訊應以逐字稿提供。原廠也表示，此模型不會辨識或指名圖片、文件或影片中的人物。
Pro 支援串流回應、用戶端執行函式呼叫與檢索增強任務，也在 Amazon 文件所列服務設定中支援提示詞快取。明確快取每個檢查點至少需 1K token，最多 4 個檢查點，保存 5 分鐘。原廠將提示詞快取上限設為 20K token，主要用於文字提示；快取額度與完整上下文視窗不同。描述工具及引數，讓應用程式執行請求，並在模型繼續前傳回觀察或錯誤。第一代 Nova 可透過提示詞分階段求解，但與 Nova 2 Lite 另行設定的延伸思考模式及內建工具不同。Pro 也作為 Nova Micro、Lite 的蒸餾教師，Amazon 並記載 Pro 自訂微調；這些自訂模型保留各自識別。
version1 指南說明訓練涵蓋超過 200 種語言，並針對 15 種最佳化，包括英語、德語、西班牙語、法語、義大利語、日語、韓語、阿拉伯語、簡體中文、俄語、印地語、葡萄牙語、荷蘭語、土耳其語與希伯來語。請指定所需語言與術語，不要假設各方言表現相同。可重複流程應指定最終結構，以及每個欄位應攜帶的來源證據。Pro 可能傳回看似合理但錯誤的主張，或未執行的程式碼；提供明確事實，並區分工具結果與提案，能讓輸出更容易使用與驗證。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 amazon/nova-pro-v1 | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0016 / 1K Token 輸出 · 輸出 Token $0.0064 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.0016 / 1K Token 輸出 · 輸出 Token $0.0064 / 1K Token 輸入 · 讀取快取 — / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "amazon/nova-pro-v1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'amazon/nova-pro-v1', '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': 'amazon/nova-pro-v1', '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 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra amazon/nova-pro-v1
請使用上方列出的 API 方法路徑。
英文技術範例
Compare supplier delivery terms\n\nCompare these supplier notes for a purchasing manager. Note A: 120 units, delivery within 14 calendar days, damaged units reported within 48 hours. Note B: 120 units, delivery within 10 business days, damage reported within five calendar days. Give a three-row comparison and identify what prevents a reliable delivery-date comparison.A table covering quantity, delivery timing and damage reporting, followed by one clarification about the delivery calendar or start date.The answer preserves calendar versus business days and does not invent arrival dates.