Guide d’utilisation des bons
Quels types de bons Novita propose-t-il ?
Novita propose actuellement les types de bons suivants pour aider les utilisateurs à découvrir les services de la plateforme :- Bon pour nouvel utilisateur : disponible pour les utilisateurs inscrits pour la première fois afin d’essayer des services associés à différents types de modèles.
- Bon de parrainage : obtenu en invitant d’autres personnes à s’inscrire et à effectuer des tâches sur la plateforme.
Limites de débit pour l’utilisation des modèles
Quelles sont les limites RPM pour les différents utilisateurs ?
Les limites RPM (Requests Per Minute, requêtes par minute) varient selon le niveau de vérification et le statut du compte de l’utilisateur. Pour connaître les limites détaillées, veuillez consulter la documentation officielle :Politique d’ajustement et de mise à niveau du RPM
Les utilisateurs peuvent-ils demander une augmentation des limites RPM ?
Oui. Novita permet des mises à niveau RPM flexibles en fonction des besoins d’utilisation. Les règles sont indiquées ci-dessous :- Modèles DeepSeek : la plateforme s’efforcera de répondre aux besoins raisonnables de montée en charge.
- Autres modèles : les augmentations de RPM sont évaluées en fonction du coût du modèle et du comportement réel de l’utilisateur, sous réserve de la capacité disponible.
Processus de demande :
Utilisateur → Customer Manager / Tech Support → Examen et approbation par l’équipe produitQue se passe-t-il si l’utilisation réelle est inférieure au RPM engagé ?
Si le RPM réel de l’utilisateur reste inférieur au niveau engagé pendant une semaine consécutive, la plateforme ajustera la politique de limites de débit comme suit :- Réduire la limite au pic de RPM observé au cours de la semaine précédente, ou
- Revenir à la limite de débit par défaut du modèle (selon la valeur la plus basse).
La mise à niveau RPM en libre-service est-elle prise en charge ?
Oui. Novita prévoit de lancer un package de mise à niveau RPM, permettant aux utilisateurs de gérer et d’augmenter leurs limites RPM de manière autonome, sans approbation manuelle. Pour obtenir de l’aide supplémentaire, veuillez réserver un appel avec notre équipe commerciale.Facturation
Quelle est la priorité de facturation lors de l’utilisation du Coding Plan ?
Le système déduit d’abord votre quota Coding Plan. Ce n’est qu’une fois le quota du Coding Plan entièrement épuisé que les frais seront appliqués au solde de votre compte API.Comment les 50 M de tokens du Coding Plan sont-ils calculés ?
Les tokens sont calculés sur la base de nombres de tokens équivalents au tarif de base. Les différents modèles ont des pondérations tarifaires variables, proportionnelles à leurs ratios de coût. Les tokens d’entrée comme les tokens de sortie sont comptabilisés dans votre utilisation totale.Comment les tokens mis en cache sont-ils facturés ?
Les tokens de lecture mis en cache sont facturés à un tarif réduit, environ 1/10th du prix standard des tokens d’entrée (les tarifs exacts varient selon le modèle). Les opérations d’écriture dans le cache sont facturées au tarif normal des tokens d’entrée.Thinking Mode
Thinking (reasoning) models write out a chain of thought before they answer. That improves accuracy on hard problems but adds latency and output tokens. On Novita, reasoning models fall into three groups:- Always on: the model always reasons and this cannot be turned off, for example
zai-org/glm-5.3. - Switchable (hybrid): the model reasons by default and you can turn it off per request, for example
moonshotai/kimi-k2.5andqwen/qwen3.8-flash. - Adjustable depth: instead of an on/off switch, the model lets you pick how much it reasons.
zai-org/glm-5.3supports the levels low, high and max (default max).
How do I turn thinking off for a request?
For switchable models, add"enable_thinking": false to the request body. The model answers directly and no reasoning tokens are produced or billed.
Where does the reasoning appear in the response?
Reasoning is returned next to the answer, not mixed into it. Set"separate_reasoning": true and read message.reasoning_content (or delta.reasoning_content when streaming); the final answer stays in content. Models that support interleaved thinking may also return a structured reasoning_details array. See Reasoning Models for complete code samples.
Why is content empty with finish_reason: "length"?
max_tokens covers reasoning tokens as well as visible output. If the budget is too small, the model spends all of it on reasoning and returns an empty content. Raise max_tokens, or lower the reasoning depth or turn thinking off on models that allow it.
Are reasoning tokens billed?
Yes. Reasoning tokens are output tokens and are billed at the model’s output price, whether or not you read them. Turning thinking off on switchable models is the most direct way to cut cost and latency on simple requests.Do I need to send reasoning back in multi-turn conversations?
Normally no. Keep onlycontent in the assistant turns of your message history; the model does not need its earlier reasoning to continue. The exception is agentic tool-calling with interleaved-thinking models, where the previous turn’s reasoning must be passed back between tool calls. See Interleaved Thinking Support.
Prise en charge des fonctionnalités
Le paramètre top_logprobs est-il pris en charge ?
Le paramètre top_logprobs n’est actuellement pas pris en charge.
La sortie structurée (response_format) est-elle prise en charge ?
Actuellement, seul "type": "json_object" est pris en charge. "type": "json_schema" (avec une définition de schéma stricte) n’est pas encore disponible.
Dépannage
Pourquoi est-ce que je reçois des erreurs 403 lors de l’appel à un modèle ?
Les causes courantes incluent :- Solde de compte insuffisant — rechargez votre compte et réessayez.
- Le modèle nécessite un accès via liste blanche — certains modèles sont restreints. Consultez Comment demander l’accès à un modèle via liste blanche ? ci-dessous.
- Restriction liée au plan — le modèle peut ne pas être inclus dans votre plan d’abonnement actuel.
Pourquoi est-ce que je reçois des erreurs 400 ?
Les causes courantes incluent :- La longueur d’entrée dépasse la limite de fenêtre de contexte du modèle.
- Types de paramètres ou formatage incorrects.
- Champs obligatoires manquants dans le corps de la requête.
trace_id à notre équipe d’assistance pour une investigation détaillée.