Modeloak eta prezioak

1M TOKENEKO

APIaren modelo-id guztiak, zer onartzen duten eta zenbat kostatzen duten: 10 Shannon modelo eta 12 pisu irekiko modelo ostatatu, bakoitza hiru endpoint-etan eskuragarri. GET /v1/models-ek zerrenda bera itzultzen du JSON gisa.

zentsurarik gabeko modelo: 22
testuinguru-leihoa: 256K
-tik aurrera: $0.50 /1M

Pisu irekiko modelo ostatatuak

262,144 tokeneko testuingurua id guztietan; sarrera eta irteera bereizita fakturatzen dira; id bakoitzak imitatzen duen modeloak onartzen duena onartzen du

Modeloa	Sarrera	Irteera egituratua	Sarrera / cache / irteera 1MHko	Gehiago
DeepSeek-V4-Pro-0813`3BIT-REAP`DeepSeek · 1.6T MoE · 49B activeZentsurarik gabea	Testua sarreran	JSON eskema	$1.95 / $0.488 / $3.90	Gehiago
GLM-5.2`3BIT-REAP`Z.ai · 744B MoE · 40B activeZentsurarik gabea	Testua sarreran	JSON eskema	$0.73 / $0.183 / $2.34	Gehiago
Kimi-K3`3BIT-REAP`Moonshot AI · 2.8T MoE · 104B activeZentsurarik gabea	Testua + irudia sarreran	JSON eskema	$3.83 / $0.958 / $19.12	Gehiago
Nemotron3Ultra`3BIT-REAP`NVIDIA · 550B hybrid Mamba-Attention MoE · 55B activeZentsurarik gabea	Testua sarreran	JSON eskema	$0.75 / $0.188 / $3.30	Gehiago
MiniMax-M3`3BIT-REAP`MiniMax · 428B MoE · 23B active · sparse attentionZentsurarik gabea	Testua + irudia sarreran	JSON eskema	$0.50 / $0.125 / $2.00	Gehiago
DeepSeek-V4-Flash-0731`W4A16-AUTOROUND-REAP`DeepSeek · 284B MoE · 13B activeZentsurarik gabea	Testua sarreran	JSON eskema	$0.50 / $0.125 / $2.00	Gehiago
Kimi-K2.6`W4A16-AUTOROUND-REAP`Moonshot AI · 1T MoE · 32B activeZentsurarik gabea	Testua + irudia sarreran	JSON eskema	$0.78 / $0.195 / $3.67	Gehiago
Laguna-S-2.1`W4A16-AUTOROUND-REAP`Poolside · 118B MoE · 8B activeZentsurarik gabea	Testua sarreran	Irteera egituraturik ez	$0.50 / $0.125 / $2.00	Gehiago
inkling`W4A16-AUTOROUND-REAP`Thinking Machines · 975B MoE · 41B activeZentsurarik gabea	Testua + irudia sarreran	JSON objektua	$1.42 / $0.355 / $6.07	Gehiago
MiMo-V2.5-Pro`W8A16`Xiaomi · 1.02T MoE · 42B active · 8-bitZentsurarik gabea	Testua sarreran	JSON eskema	$0.50 / $0.125 / $2.00	Gehiago
MiMo-V2.5`W8A16`Xiaomi · 8-bit multimodal · W8A16Zentsurarik gabea	Testua + irudia sarreran	JSON eskema	$0.50 / $0.125 / $2.00	Gehiago
Hy3`W8A16`Tencent · 295B MoE · 21B active · 8-bitZentsurarik gabea	Testua sarreran	JSON eskema	$0.50 / $0.125 / $2.00	Gehiago

Shannon modeloak

tarifa finko bakarra sarrerarako eta irteerarako

Modeloa	Testuingurua	Sarrera	Irteera egituratua	Prezioa / 1M token
Shannon 1.6 Lite`shannon-1.6-lite`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.90
Shannon 1.6 Pro`shannon-1.6-pro`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$7.80
Shannon 2 Lite`shannon-2-lite`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.90
Shannon 2 Pro`shannon-2-pro`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$5.85
Shannon 3`shannon-3`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.35
Shannon 3 Pro`shannon-3-pro`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.35
Shannon 3.1`shannon-3.1`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.35
Shannon 3.1 Pro`shannon-3.1-pro`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.35
Shannon 3.5`shannon-3.5`Zentsurarik gabea	192K	Testua + irudia sarreran	JSON eskema	$3.35
Shannon Coder 1`shannon-coder-1`Zentsurarik gabea	128K	Testua sarreran	JSON eskema	$8.00

Joan hasiera azkarrera Probatu Playground

Errenkada bat nola irakurri

Zutabea	Zer dioen
Modeloa	Bistaratzeko izena. Haren azpiko lerroa `model` gisa bidaltzen duzun id-a da. Ostatatuen taulan id-a izena eta ondoko etiketa dira, gidoiz lotuta: `MiniMax-M3` eta `3BIT-REAP` eginda `MiniMax-M3-3BIT-REAP` sortzen da. Izenaren azpiko lerroak nork egin duen modeloa eta bere tamaina erakusten ditu.
Testuingurua	Testuinguru-leihoa: modeloak elkarrizketako zenbat token irakurtzen dituen. K 1,024 tokenen baliokidea da. Zenbaki zehatza `GET /v1/models`-eko `context_window` da.
Sarrera	Testua bakarrik, edo testua eta irudiak. Irudiak irakurtzen dituen modelo batek `capabilities.vision: true` jakinarazten du. `shannon-2-lite` eta `shannon-2-pro` irudiak irakurtzen dituzte `tools` edo `response_format` ere bidaltzen duten eskaeretan.
Irteera egituratua	`response_format`-ek modeloari zer eska diezaiokeen: zure JSON eskema jarraitzen duen erantzuna, JSON objektu den erantzuna, edo bietako bat ere ez.
Prezioa	USD 1,000,000 tokeneko. Shannon modelo batek prezio bakarra du sarrerarako eta irteerarako. Pisu irekiko modelo ostatatu batek hiru ditu: sarrera, cacheko sarrera eta irteera.

Modelo guztiek streaming egiten dute eta tresnei dei diezaieke. APIaren gainerako eginbideak Gaitasunak orrialdean deskribatzen dira. Gaitasunak

Testuinguru-leihoa eta irteera-mugak

Testuinguru-leihoak modeloak erantzun bakarrerako irakurtzen duen guztia hartzen du: zure mezuak, tresna-definizioak eta irudiak.
Shannon 3 familiak elkarrizketa luzeago bat bere kabuz egokitzen du: leihoan sartzen diren txanda berrienak mantentzen ditu eta erantzuten du.
Stream batean, luzeegia den prompt bat errore-frame gisa jakinarazten da, invalid_request_error motarekin eta code: "context_length_exceeded" kodearekin.
max_tokens-ek 1etik 65,536ra bitarteko balioak hartzen ditu modelo guztietan; GET /v1/models-eko max_output_tokens tarte horren goiko muga da. Lehenetsia 4,096 da.
Modelo guztietan, max_tokens eskaera batek zure saldotik erreserbatzen duen kopurua da.
Erantzunaren luzeraren muga gisa, max_tokens pisu irekiko modelo ostatatuek, shannon-1.6-lite, shannon-1.6-pro eta shannon-coder-1 modeloek aplikatzen dute.
Pisu irekiko modelo ostatatuetan erantzun-testua mugatzen du. Erantzunaren aurreko arrazonamendua ez da kontatzen, eta 256 azpiko balioak 256 bezala jokatzen du.
shannon-1.6-lite, shannon-1.6-pro, shannon-coder-1 edo Shannon 3 familiaren stream batek finish_reason: "length" du amaieran erantzuna bere mugan moztu denean.

Mugak eta saldoa

Prezio bat nola osatzen den

Prezioak USD-tan dira 1,000,000 tokeneko. Zure saldoa 1,000,000 bakoitzeko $5.00 balio duten tokenetan kontatzen da, beraz modelo baten prezioak esaten du bere tokenek zenbat saldo hartzen duten.
Shannon modeloek prezio bakarra dute. Dei bati usage.total_tokens kobratzen zaio prezio horretan.
Pisu irekiko modelo ostatatuek hiru prezio dituzte. Prompt cachetik irakurritako sarrera cacheko prezioan kobratzen da, hau da, sarrera-prezioaren % 25, $0.001-era biribilduta. Sarreraren gainerakoa sarrera-prezioan kobratzen da, irteera irteera-prezioan.
Pisu irekiko modelo ostatatuek tokenak modelo bakoitzaren tokenizatzaile propioarekin kontatzen dituzte. GET /v1/models-ek tokenizer: "original" gisa markatzen du.
shannon-coder-1 deitan kontatzen da, ez tokenetan, /v1/chat/completions eta /v1/messages endpoint-etan. Zerrendatutako prezioa /v1/responses endpoint-ean aplikatzen da.

Eskaera batek zer erreserbatzen duen, kobrantza baten adibide landuak eta Shannon Coder dei-kupoa Mugak eta saldoa orrialdean daude. Mugak eta saldoa

Modelo-id-ak

Bidali id hauetako bat model gisa.

Modelo-id-ak

shannon-1.6-lite
shannon-1.6-pro
shannon-2-lite
shannon-2-pro
shannon-3
shannon-3-pro
shannon-3.1
shannon-3.1-pro
shannon-3.5
shannon-coder-1
DeepSeek-V4-Pro-0813-3BIT-REAP
GLM-5.2-3BIT-REAP
Kimi-K3-3BIT-REAP
Nemotron3Ultra-3BIT-REAP
MiniMax-M3-3BIT-REAP
DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Kimi-K2.6-W4A16-AUTOROUND-REAP
Laguna-S-2.1-W4A16-AUTOROUND-REAP
inkling-W4A16-AUTOROUND-REAP
MiMo-V2.5-Pro-W8A16
MiMo-V2.5-W8A16
Hy3-W8A16

Maiuskulek eta minuskulek ez dute axolarik, eta id-aren inguruko tarteak kentzen dira: SHANNON-3 eta shannon-3 modelo bera dira.
Erantzunak beti argitaratutako id-a darama model-en, bidali duzun idazkera edozein dela ere.
Shannon 3 bezalako bistaratze-izen bat ez da id bat.

Lau idazkera labur ere onartzen dira.

Zuk bidaltzen duzu	Erantzuten duen modeloa
`shannon-1.6`	`shannon-1.6-lite`
`shannon-3-lite`	`shannon-3`
`shannon-3.1-lite`	`shannon-3.1`
`shannon-coder`	`shannon-coder-1`

Argitaratu gabeko id bati 400 egoerarekin, invalid_request_error motarekin eta unknown model: <id> mezuarekin erantzuten zaio hiru endpoint-etan. Ez da beste modelorik erantzuten haren ordez.

{
  "error": {
    "type": "invalid_request_error",
    "message": "unknown model: gpt-4o"
  }
}

{
  "type": "error",
  "error": {
    "type": "invalid_request_error",
    "message": "unknown model: gpt-4o"
  }
}

Bidali beti model. /v1/responses-ek hura gabeko eskaerari 400 erantzuten dio. /v1/chat/completions eta /v1/messages endpoint-etan halako eskaerari shannon-1.6-lite-k erantzuten dio.
POST /v1/tokenize eta POST /v1/messages/count_tokens pisu irekiko modelo ostatatuen id-ak hartzen dituzte.

Zerrendatu modeloak

GET /v1/models-ek orrialde honetako modeloak itzultzen ditu JSON gisa, testuinguru-leiho, prezio eta gaitasun berberekin. Erabili modelo-hautatzaile bat betetzeko edo prezio bat kodean egiaztatzeko.

GET https://api.shannon-ai.com/v1/models

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.shannon-ai.com/v1"
)

for model in client.models.list():
    print(model.id)

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: 'YOUR_API_KEY',
  baseURL: 'https://api.shannon-ai.com/v1'
});

for await (const model of client.models.list()) {
  console.log(model.id);
}

curl "https://api.shannon-ai.com/v1/models"

Erantzuna, mota bakoitzeko sarrera batera laburtuta:

200 JSON

{
  "object": "list",
  "data": [
    {
      "id": "shannon-3",
      "object": "model",
      "created": 1700000000,
      "owned_by": "shannon-ai",
      "display_name": "Shannon 3",
      "context_window": 196608,
      "max_output_tokens": 65536,
      "pricing": {
        "input_per_million_usd": 3.35,
        "output_per_million_usd": 3.35,
        "currency": "USD"
      },
      "capabilities": {
        "tools": true,
        "vision": true,
        "reasoning": true,
        "reasoning_effort": false,
        "streaming": true,
        "json_schema": true
      },
      "endpoints": [
        "/v1/chat/completions",
        "/v1/messages",
        "/v1/responses"
      ]
    },
    {
      "id": "MiniMax-M3-3BIT-REAP",
      "object": "model",
      "created": 1700000000,
      "owned_by": "shannon-ai",
      "display_name": "MiniMax-M3 · 3BIT-REAP",
      "context_window": 262144,
      "max_output_tokens": 65536,
      "pricing": {
        "input_per_million_usd": 0.5,
        "cached_input_per_million_usd": 0.125,
        "output_per_million_usd": 2,
        "currency": "USD"
      },
      "tokenizer": "original",
      "capabilities": {
        "tools": true,
        "vision": true,
        "reasoning": true,
        "reasoning_effort": true,
        "streaming": true,
        "response_format": true,
        "json_schema": true,
        "prompt_caching": true
      },
      "endpoints": [
        "/v1/chat/completions",
        "/v1/messages",
        "/v1/responses",
        "/v1/messages/count_tokens",
        "/v1/tokenize"
      ]
    }
  ]
}

Eremua	Mota	Deskribapena	Hemen dago
`object`	`string`	Beti `list`.
`data`	`array`	Sarrera bat deitu daitekeen modelo bakoitzeko.
`data[].id`	`string`	`model` gisa bidaltzen duzun id-a.	Modelo guztiak
`data[].object`	`string`	Beti `model`.	Modelo guztiak
`data[].created`	`integer`	Zenbaki finko bat, modelo guztientzat bera: `1700000000`.	Modelo guztiak
`data[].owned_by`	`string`	Beti `shannon-ai`.	Modelo guztiak
`data[].display_name`	`string`	Bistaratzeko izen bat. Ez da onartzen `model` gisa.	Modelo guztiak
`data[].context_window`	`integer`	Testuinguru-leihoa tokenetan.	Modelo guztiak
`data[].max_output_tokens`	`integer`	Eskaera batek eska dezakeen irteera-aurrekontu handiena: `65536` modelo guztietan.	Modelo guztiak
`data[].pricing.input_per_million_usd`	`number`	1,000,000 sarrera-tokenen prezioa USD-tan.	Modelo guztiak
`data[].pricing.cached_input_per_million_usd`	`number`	Prompt cachetik irakurritako 1,000,000 sarrera-tokenen prezioa.	Pisu irekiko modelo ostatatuak
`data[].pricing.output_per_million_usd`	`number`	1,000,000 irteera-tokenen prezioa USD-tan. Shannon modelo batean sarrera-prezioaren berdina da.	Modelo guztiak
`data[].pricing.currency`	`string`	Beti `USD`.	Modelo guztiak
`data[].tokenizer`	`string`	`original`: tokenak modeloaren tokenizatzaile propioarekin kontatzen dira.	Pisu irekiko modelo ostatatuak
`data[].capabilities.tools`	`boolean`	Modeloak zuk deklaratutako tresnei dei diezaieke. `true` modelo guztietan.	Modelo guztiak
`data[].capabilities.vision`	`boolean`	Modeloak irudiak irakurtzen ditu.	Modelo guztiak
`data[].capabilities.reasoning`	`boolean`	Modeloak arrazoitzen du erantzun aurretik.	Modelo guztiak
`data[].capabilities.reasoning_effort`	`boolean`	`reasoning_effort` eskaera-eremuak eragina du modelo honetan.	Modelo guztiak
`data[].capabilities.streaming`	`boolean`	`true` modelo guztietan.	Modelo guztiak
`data[].capabilities.json_schema`	`boolean`	`json_schema` motako `response_format`-ek eragina du.	Modelo guztiak
`data[].capabilities.response_format`	`boolean`	`response_format`-ek eragina du, gutxienez JSON objektu gisa.	Pisu irekiko modelo ostatatuak
`data[].capabilities.prompt_caching`	`boolean`	Errepikatutako prompt-aurrizkiak cachean gordetzen dira eta cacheko prezioan kobratzen dira.	Pisu irekiko modelo ostatatuak
`data[].endpoints`	`array`	Id hau hartzen duten bideak.	Modelo guztiak

GET /v1/models-ek ez du gakorik behar. Erantzuna deitzaile guztientzat bera da eta ez da zure planaren araberakoa.
Zerrendak deitu daitezkeen id-ak ditu. Une honetan zerbitzatu ezin den modeloa kanpoan uzten da.
Ez dago modelo bakar baterako endpoint-ik: GET /v1/models/{id}-ek 404 erantzuten du not_found_error motarekin.