Быстрый старт

Первый ответ за две минуты.

1. Получите ключ API

2. Отправьте запрос

Задайте SARA_API_KEY в окружении, затем вызовите эндпоинт чата:

curl https://api.sara-ai.kz/v1/chat/completions \
  -H "Authorization: Bearer $SARA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma-4-31b",
    "messages": [{"role": "user", "content": "Hello!"}],
    "stream": true
  }'

3. Включение режима рассуждений (необязательно)

Модели Gemma и GLM могут рассуждать пошагово перед формированием ответа. Этот режим управляется полем запроса reasoning. При использовании Python SDK передавайте его в extra_body.

gemma-4-31b: режим рассуждений по умолчанию выключен. Чтобы включить его, передайте "reasoning": {"enabled": true}.
glm-5.2-744b: режим рассуждений по умолчанию включён. Чтобы отключить его, передайте "reasoning": {"enabled": false}. Это сокращает время ответа и стоимость запроса.
glm-5.2-744b также поддерживает уровни усилия: low, medium и high. Например, "reasoning": {"effort": "low"} запрашивает более короткие рассуждения. Уровень усилия носит рекомендательный характер и не ограничивает расход токенов; для жёсткого ограничения используйте max_tokens.

curl https://api.sara-ai.kz/v1/chat/completions \
  -H "Authorization: Bearer $SARA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma-4-31b",
    "messages": [{"role": "user", "content": "Is 9.11 bigger than 9.9?"}],
    "reasoning": {"enabled": true}
  }'
# thinking: choices[0].message.reasoning_content
# answer:   choices[0].message.content

Рассуждения возвращаются в поле reasoning_content, отдельно от ответа в поле content. В потоковом режиме они передаются в delta.reasoning_content.

Токены рассуждений тарифицируются как выходные токены. Если вы задаёте max_tokens, предусмотрите достаточный запас: при низком лимите модель может израсходовать его на рассуждения и вернуть пустой ответ.