Mercury 2.5 是 Inception 以擴散為基礎的推理語言模型。它接續 Mercury 2，依正式環境回饋與失敗案例更新訓練，同時保留此系列重視快速回應文字生成的方向。公開模型版本包含 260K 上下文、可調推理、平行工具呼叫，以及符合結構描述的 JSON。輸入是書面任務與相關文字上下文；輸出則為文字、程式碼、結構化記錄或建議工具呼叫內容。
Mercury 系列透過平行細化生成語言，而非僅從左至右逐一預測 token。此架構方向旨在讓重複模型步驟融入互動流程。可調推理讓開發商的模型版本依任務調整分析深度。明確設定所需最終成果：即使中間過程較複雜，答案仍可能需要簡短。
比較任務應提供準則與具名來源段落。擷取任務應定義欄位及其意義。實用指示可以是：「將這些來源段落轉為必要規格記錄，保留單位，並指出支持每個值的段落。」符合結構描述的輸出，可提供應用程式有組織的結果；是否與來源一致，仍須檢查。
開發商說明 Mercury 可用於搜尋規劃、查詢改寫、事實結構化、來源摘要與答案檢查。應用程式可為每一步指定用途，並將相關證據傳給下一步。要求查詢改寫保留使用者實際限制；來源摘要應保留最終答案需要的事實，不應只是把每段都縮短。
當獨立操作可為任務取得不同觀察時，Mercury 2.5 的平行工具呼叫能力很有用。提供清楚的函式定義與參數結構描述。應用程式執行所選呼叫，並回傳結果。將呼叫識別碼與來源標籤一併保存，讓最終答案使用觀察到的資訊，而非假設工具已執行。
開發商也描述程式設計輔助，以及壓縮長對話或尋找適當工具等支援操作。壓縮時，應指出下一個任務需要什麼：已接受要求、目前失敗、決策及其背後證據。要求模型保留這些項目，並區分未完成工作與已完成成果。
修改軟體時，提供相關程式碼、預期行為，以及失敗輸入或觀察到的錯誤。要求聚焦實作與解說。若視覺或語音應用把 Mercury 作為語言步驟，應提供此模型實際接收的文字或工具觀察；語音辨識、語音合成與媒體渲染仍是不同元件。
260K 上下文是 2.5 模型版本文件所載的規格，與 Mercury 2 推出時的 128K 上下文，以及專用 Mercury Voice 與 Router 模型不同。來源資料、歷史、推理與最終結果應一併計入預算。任務開始前先選擇輸出形式，並為包含必要細節的答案預留空間。
實用的最終成果可以是結構化擷取、依來源撰寫的解說、程式碼提案，或精簡任務狀態摘要。事實應與提供資料核對，程式碼則在預期環境檢查。擴散架構與快速回應工作定位，本身並不確立正確性、外部來源存取權，或建議動作已被執行。
", "aboutText": "Mercury 2.5 是 Inception 以擴散為基礎的推理語言模型。它接續 Mercury 2，依正式環境回饋與失敗案例更新訓練，同時保留此系列重視快速回應文字生成的方向。公開模型版本包含 260K 上下文、可調推理、平行工具呼叫，以及符合結構描述的 JSON。輸入是書面任務與相關文字上下文；輸出則為文字、程式碼、結構化記錄或建議工具呼叫內容。\n\n### 擴散與推理\n\nMercury 系列透過平行細化生成語言，而非僅從左至右逐一預測 token。此架構方向旨在讓重複模型步驟融入互動流程。可調推理讓開發商的模型版本依任務調整分析深度。明確設定所需最終成果：即使中間過程較複雜，答案仍可能需要簡短。\n\n比較任務應提供準則與具名來源段落。擷取任務應定義欄位及其意義。實用指示可以是：「將這些來源段落轉為必要規格記錄，保留單位，並指出支持每個值的段落。」符合結構描述的輸出，可提供應用程式有組織的結果；是否與來源一致，仍須檢查。\n\n### 搜尋與檢索流程\n\n開發商說明 Mercury 可用於搜尋規劃、查詢改寫、事實結構化、來源摘要與答案檢查。應用程式可為每一步指定用途，並將相關證據傳給下一步。要求查詢改寫保留使用者實際限制；來源摘要應保留最終答案需要的事實，不應只是把每段都縮短。\n\n當獨立操作可為任務取得不同觀察時，Mercury 2.5 的平行工具呼叫能力很有用。提供清楚的函式定義與參數結構描述。應用程式執行所選呼叫，並回傳結果。將呼叫識別碼與來源標籤一併保存，讓最終答案使用觀察到的資訊，而非假設工具已執行。\n\n### 程式設計與上下文工作\n\n開發商也描述程式設計輔助，以及壓縮長對話或尋找適當工具等支援操作。壓縮時，應指出下一個任務需要什麼：已接受要求、目前失敗、決策及其背後證據。要求模型保留這些項目，並區分未完成工作與已完成成果。\n\n修改軟體時，提供相關程式碼、預期行為，以及失敗輸入或觀察到的錯誤。要求聚焦實作與解說。若視覺或語音應用把 Mercury 作為語言步驟，應提供此模型實際接收的文字或工具觀察；語音辨識、語音合成與媒體渲染仍是不同元件。\n\n### 限制與輸出檢查\n\n260K 上下文是 2.5 模型版本文件所載的規格，與 Mercury 2 推出時的 128K 上下文，以及專用 Mercury Voice 與 Router 模型不同。來源資料、歷史、推理與最終結果應一併計入預算。任務開始前先選擇輸出形式，並為包含必要細節的答案預留空間。\n\n實用的最終成果可以是結構化擷取、依來源撰寫的解說、程式碼提案，或精簡任務狀態摘要。事實應與提供資料核對，程式碼則在預期環境檢查。擴散架構與快速回應工作定位，本身並不確立正確性、外部來源存取權，或建議動作已被執行。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.inception/mercury-2.5Mercury 2.5 是 Inception 以擴散為基礎的推理文字模型，具有 260K 上下文。可調推理、平行工具呼叫與符合結構描述的 JSON，支援搜尋、擷取、程式設計輔助，以及需要清楚結構化結果的重複代理步驟。
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。
Mercury 2.5 是 Inception 以擴散為基礎的推理語言模型。它接續 Mercury 2，依正式環境回饋與失敗案例更新訓練，同時保留此系列重視快速回應文字生成的方向。公開模型版本包含 260K 上下文、可調推理、平行工具呼叫，以及符合結構描述的 JSON。輸入是書面任務與相關文字上下文；輸出則為文字、程式碼、結構化記錄或建議工具呼叫內容。
Mercury 系列透過平行細化生成語言，而非僅從左至右逐一預測 token。此架構方向旨在讓重複模型步驟融入互動流程。可調推理讓開發商的模型版本依任務調整分析深度。明確設定所需最終成果：即使中間過程較複雜，答案仍可能需要簡短。
比較任務應提供準則與具名來源段落。擷取任務應定義欄位及其意義。實用指示可以是：「將這些來源段落轉為必要規格記錄，保留單位，並指出支持每個值的段落。」符合結構描述的輸出，可提供應用程式有組織的結果；是否與來源一致，仍須檢查。
開發商說明 Mercury 可用於搜尋規劃、查詢改寫、事實結構化、來源摘要與答案檢查。應用程式可為每一步指定用途，並將相關證據傳給下一步。要求查詢改寫保留使用者實際限制；來源摘要應保留最終答案需要的事實，不應只是把每段都縮短。
當獨立操作可為任務取得不同觀察時，Mercury 2.5 的平行工具呼叫能力很有用。提供清楚的函式定義與參數結構描述。應用程式執行所選呼叫，並回傳結果。將呼叫識別碼與來源標籤一併保存，讓最終答案使用觀察到的資訊，而非假設工具已執行。
開發商也描述程式設計輔助，以及壓縮長對話或尋找適當工具等支援操作。壓縮時，應指出下一個任務需要什麼：已接受要求、目前失敗、決策及其背後證據。要求模型保留這些項目，並區分未完成工作與已完成成果。
修改軟體時，提供相關程式碼、預期行為，以及失敗輸入或觀察到的錯誤。要求聚焦實作與解說。若視覺或語音應用把 Mercury 作為語言步驟，應提供此模型實際接收的文字或工具觀察；語音辨識、語音合成與媒體渲染仍是不同元件。
260K 上下文是 2.5 模型版本文件所載的規格，與 Mercury 2 推出時的 128K 上下文，以及專用 Mercury Voice 與 Router 模型不同。來源資料、歷史、推理與最終結果應一併計入預算。任務開始前先選擇輸出形式，並為包含必要細節的答案預留空間。
實用的最終成果可以是結構化擷取、依來源撰寫的解說、程式碼提案，或精簡任務狀態摘要。事實應與提供資料核對，程式碼則在預期環境檢查。擴散架構與快速回應工作定位，本身並不確立正確性、外部來源存取權，或建議動作已被執行。
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 inception/mercury-2.5 | 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 $0.0004 / 1K Token 輸出 · 輸出 Token $0.0015 / 1K Token 輸入 · 讀取快取 $0.00004 / 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 $0.0004 / 1K Token 輸出 · 輸出 Token $0.0015 / 1K Token 輸入 · 讀取快取 $0.00004 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inception/mercury-2.5", "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='inception/mercury-2.5',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='inception/mercury-2.5',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 inception/mercury-2.5
請使用上方列出的 API 方法路徑。
inception/mercury-2.5Mercury 2.5 是 Inception 以擴散為基礎的推理文字模型，具有 260K 上下文。可調推理、平行工具呼叫與符合結構描述的 JSON，支援搜尋、擷取、程式設計輔助，以及需要清楚結構化結果的重複代理步驟。
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。
Mercury 2.5 是 Inception 以擴散為基礎的推理語言模型。它接續 Mercury 2，依正式環境回饋與失敗案例更新訓練，同時保留此系列重視快速回應文字生成的方向。公開模型版本包含 260K 上下文、可調推理、平行工具呼叫，以及符合結構描述的 JSON。輸入是書面任務與相關文字上下文；輸出則為文字、程式碼、結構化記錄或建議工具呼叫內容。
Mercury 系列透過平行細化生成語言，而非僅從左至右逐一預測 token。此架構方向旨在讓重複模型步驟融入互動流程。可調推理讓開發商的模型版本依任務調整分析深度。明確設定所需最終成果：即使中間過程較複雜，答案仍可能需要簡短。
比較任務應提供準則與具名來源段落。擷取任務應定義欄位及其意義。實用指示可以是：「將這些來源段落轉為必要規格記錄，保留單位，並指出支持每個值的段落。」符合結構描述的輸出，可提供應用程式有組織的結果；是否與來源一致，仍須檢查。
開發商說明 Mercury 可用於搜尋規劃、查詢改寫、事實結構化、來源摘要與答案檢查。應用程式可為每一步指定用途，並將相關證據傳給下一步。要求查詢改寫保留使用者實際限制；來源摘要應保留最終答案需要的事實，不應只是把每段都縮短。
當獨立操作可為任務取得不同觀察時，Mercury 2.5 的平行工具呼叫能力很有用。提供清楚的函式定義與參數結構描述。應用程式執行所選呼叫，並回傳結果。將呼叫識別碼與來源標籤一併保存，讓最終答案使用觀察到的資訊，而非假設工具已執行。
開發商也描述程式設計輔助，以及壓縮長對話或尋找適當工具等支援操作。壓縮時，應指出下一個任務需要什麼：已接受要求、目前失敗、決策及其背後證據。要求模型保留這些項目，並區分未完成工作與已完成成果。
修改軟體時，提供相關程式碼、預期行為，以及失敗輸入或觀察到的錯誤。要求聚焦實作與解說。若視覺或語音應用把 Mercury 作為語言步驟，應提供此模型實際接收的文字或工具觀察；語音辨識、語音合成與媒體渲染仍是不同元件。
260K 上下文是 2.5 模型版本文件所載的規格，與 Mercury 2 推出時的 128K 上下文，以及專用 Mercury Voice 與 Router 模型不同。來源資料、歷史、推理與最終結果應一併計入預算。任務開始前先選擇輸出形式，並為包含必要細節的答案預留空間。
實用的最終成果可以是結構化擷取、依來源撰寫的解說、程式碼提案，或精簡任務狀態摘要。事實應與提供資料核對，程式碼則在預期環境檢查。擴散架構與快速回應工作定位，本身並不確立正確性、外部來源存取權，或建議動作已被執行。
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 inception/mercury-2.5 | 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 $0.0004 / 1K Token 輸出 · 輸出 Token $0.0015 / 1K Token 輸入 · 讀取快取 $0.00004 / 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 $0.0004 / 1K Token 輸出 · 輸出 Token $0.0015 / 1K Token 輸入 · 讀取快取 $0.00004 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "inception/mercury-2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inception/mercury-2.5', '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': 'inception/mercury-2.5', '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 inception/mercury-2.5
請使用上方列出的 API 方法路徑。
英文技術範例
Rewrite a constrained retrieval query\n\nRewrite this request into two concise search queries for an application's document retriever: 'Find the approved procedure for recovering failed nightly exports without rerunning completed pages, for the warehouse service, excluding the retired batch runner.' Preserve the service, recovery objective and exclusion. Explain briefly what each query emphasizes; do not perform a search.Two query rewrites with short purpose notes, retaining all mandatory constraints.Neither rewrite drops the warehouse-service scope, completed-page protection or retired-runner exclusion.