Seed 2.0 Mini er ByteDance Seeds lille modelvalg i Seed2.0-serien. Producenten udvikler Mini til applikationer med høj gennemstrømning og følsomhed over for svartid, samtidig med at familiens sproglige og visuelle evner bevares. Inputtet er en skriftlig opgave med relevant kildemateriale, herunder understøttede billeder eller video; outputtet er tekst, såsom et svar, en klassifikation, en udtrukket post eller en foreslået værktøjshandling.
Mini er nyttig, når en applikation gentagne gange beder modellen om at udføre en tydelig handling: Identificere et problem i kundefeedback, udtrække felter fra et dokument, forklare en produktdetalje eller omskrive en passage til en bestemt målgruppe. Lever feltdefinitionerne og et lille eksempel, der viser den tilsigtede betydning. Forklar, hvordan en manglende værdi skal repræsenteres, og hvilke oprindelige navne eller enheder der skal forblive uændrede.
Ved behandling af feedback er en illustrativ beskrivelse: »Identificér brugerens hovedproblem, tildel en af disse problemkategorier, og citér den sætning, som understøtter valget. Hvis ingen passer, skal du forklare den manglende kategori.« Det forventede resultat er en kort post, der kan gennemgås, og som forbinder en beslutning med det faktiske input. Dette er en bedre opgavespecifikation end en anmodning om at analysere alt uden at identificere den efterfølgende anvendelse.
Producenten evaluerer Mini inden for Seed2.0-familien for visuel forståelse og videoforståelse. Opgaver med blandede medier kan kombinere det skriftlige spørgsmål med et diagram, et sidebillede eller en synlig sekvens. Hold tabeloverskrifter og akseetiketter læselige, nummerér flere input, og angiv, hvad der skal sammenlignes. Ved en video skal du beskrive segmentet og den ændring eller handling, som skal forklares, og derefter bede om en tekstlig redegørelse med grundlag i segmentet.
Familiens fokus på struktureret udtræk hjælper med at forberede oplysninger til en applikation, men et velformet svar skal stadig stemme overens med kilden. Bed modellen om at adskille en synlig værdi fra en udledt fortolkning. Når en detalje ikke kan læses, skal denne usikkerhed bevares i resultatet frem for at blive erstattet med en forventet værdi.
Den dokumenterede Mini-profil understøtter dybt ræsonnement, tekstgenerering, struktureret output og værktøjsbrug. En producentarbejdsgang kan skelne ræsonneringsindhold fra det endelige svar; det endelige svar skal følge de ønskede felter eller prosaformatet. Når værktøjer indgår, stiller applikationen deres definitioner til rådighed, udfører den valgte handling og returnerer observationen. En foreslået søgning eller filhandling er adskilt fra et færdigt resultat.
Ved en mindre opgave med flere trin skal du identificere de tilladte handlinger og det punkt, hvor opgaven er fuldført. Hold de relevante observationer kortfattede, så den næste samtalerunde bevarer den dokumentation, der er nødvendig for beslutningen. Brug faktisk returnerede data til at revidere svaret, og bed udtrykkeligt om den endelige leverance.
Producentens offentliggjorte Mini-profil har en 256K-kontekst og op til 128K tokens i samlet output inklusive ræsonnement. Den konkrete inputramme afhænger af den dokumenterede arbejdsgang og revision; kilde, historik, værktøjsresultater og genereret svar skal kunne rummes samlet. Den mindre udgave er et valg ud fra arbejdsbelastningen frem for en garanti for, at enhver åben opgave kan fuldføres i én omgang. Kontrollér resultatet mod de felter, den dokumentation og den adfærd, der er specificeret for opgaven, og hold Mini adskilt fra Lite, Pro og efterfølgende Seed-versioner.
", "aboutText": "Seed 2.0 Mini er ByteDance Seeds lille modelvalg i Seed2.0-serien. Producenten udvikler Mini til applikationer med høj gennemstrømning og følsomhed over for svartid, samtidig med at familiens sproglige og visuelle evner bevares. Inputtet er en skriftlig opgave med relevant kildemateriale, herunder understøttede billeder eller video; outputtet er tekst, såsom et svar, en klassifikation, en udtrukket post eller en foreslået værktøjshandling.\n\n### Gentagne opgaver med et defineret resultat\n\nMini er nyttig, når en applikation gentagne gange beder modellen om at udføre en tydelig handling: Identificere et problem i kundefeedback, udtrække felter fra et dokument, forklare en produktdetalje eller omskrive en passage til en bestemt målgruppe. Lever feltdefinitionerne og et lille eksempel, der viser den tilsigtede betydning. Forklar, hvordan en manglende værdi skal repræsenteres, og hvilke oprindelige navne eller enheder der skal forblive uændrede.\n\nVed behandling af feedback er en illustrativ beskrivelse: »Identificér brugerens hovedproblem, tildel en af disse problemkategorier, og citér den sætning, som understøtter valget. Hvis ingen passer, skal du forklare den manglende kategori.« Det forventede resultat er en kort post, der kan gennemgås, og som forbinder en beslutning med det faktiske input. Dette er en bedre opgavespecifikation end en anmodning om at analysere alt uden at identificere den efterfølgende anvendelse.\n\n### Billeder og video som dokumentation\n\nProducenten evaluerer Mini inden for Seed2.0-familien for visuel forståelse og videoforståelse. Opgaver med blandede medier kan kombinere det skriftlige spørgsmål med et diagram, et sidebillede eller en synlig sekvens. Hold tabeloverskrifter og akseetiketter læselige, nummerér flere input, og angiv, hvad der skal sammenlignes. Ved en video skal du beskrive segmentet og den ændring eller handling, som skal forklares, og derefter bede om en tekstlig redegørelse med grundlag i segmentet.\n\nFamiliens fokus på struktureret udtræk hjælper med at forberede oplysninger til en applikation, men et velformet svar skal stadig stemme overens med kilden. Bed modellen om at adskille en synlig værdi fra en udledt fortolkning. Når en detalje ikke kan læses, skal denne usikkerhed bevares i resultatet frem for at blive erstattet med en forventet værdi.\n\n### Ræsonnement og værktøjsstyrede opgaver\n\nDen dokumenterede Mini-profil understøtter dybt ræsonnement, tekstgenerering, struktureret output og værktøjsbrug. En producentarbejdsgang kan skelne ræsonneringsindhold fra det endelige svar; det endelige svar skal følge de ønskede felter eller prosaformatet. Når værktøjer indgår, stiller applikationen deres definitioner til rådighed, udfører den valgte handling og returnerer observationen. En foreslået søgning eller filhandling er adskilt fra et færdigt resultat.\n\nVed en mindre opgave med flere trin skal du identificere de tilladte handlinger og det punkt, hvor opgaven er fuldført. Hold de relevante observationer kortfattede, så den næste samtalerunde bevarer den dokumentation, der er nødvendig for beslutningen. Brug faktisk returnerede data til at revidere svaret, og bed udtrykkeligt om den endelige leverance.\n\n### Grænser og udgavens anvendelsesområde\n\nProducentens offentliggjorte Mini-profil har en 256K-kontekst og op til 128K tokens i samlet output inklusive ræsonnement. Den konkrete inputramme afhænger af den dokumenterede arbejdsgang og revision; kilde, historik, værktøjsresultater og genereret svar skal kunne rummes samlet. Den mindre udgave er et valg ud fra arbejdsbelastningen frem for en garanti for, at enhver åben opgave kan fuldføres i én omgang. Kontrollér resultatet mod de felter, den dokumentation og den adfærd, der er specificeret for opgaven, og hold Mini adskilt fra Lite, Pro og efterfølgende Seed-versioner.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a delivery complaint\n\nExtract a compact record from this message: Order K42 arrived on Monday, but one of the two bottles was leaking. I have not contacted the courier. Return order_id, issue, affected_quantity and supporting_quote. Use null for any missing field. Preserve the order identifier exactly and do not infer a refund request.A four-field record: order_id, issue, affected_quantity, supporting_quote. Missing values use null.Check that affected_quantity is one, K42 is preserved and the quoted evidence comes from the message.bytedance-seed/seed-2.0-miniSeed 2.0 Mini er den lille Seed2.0-udgave til hurtig assistance og gentagne informationsbehandlingsopgaver. Den kombinerer tekstlig og visuel forståelse med ræsonnement og værktøjsbaserede arbejdsgange og returnerer svar eller struktureret tekst inden for producentens 256K-kontekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Seed 2.0 Mini er ByteDance Seeds lille modelvalg i Seed2.0-serien. Producenten udvikler Mini til applikationer med høj gennemstrømning og følsomhed over for svartid, samtidig med at familiens sproglige og visuelle evner bevares. Inputtet er en skriftlig opgave med relevant kildemateriale, herunder understøttede billeder eller video; outputtet er tekst, såsom et svar, en klassifikation, en udtrukket post eller en foreslået værktøjshandling.
Mini er nyttig, når en applikation gentagne gange beder modellen om at udføre en tydelig handling: Identificere et problem i kundefeedback, udtrække felter fra et dokument, forklare en produktdetalje eller omskrive en passage til en bestemt målgruppe. Lever feltdefinitionerne og et lille eksempel, der viser den tilsigtede betydning. Forklar, hvordan en manglende værdi skal repræsenteres, og hvilke oprindelige navne eller enheder der skal forblive uændrede.
Ved behandling af feedback er en illustrativ beskrivelse: »Identificér brugerens hovedproblem, tildel en af disse problemkategorier, og citér den sætning, som understøtter valget. Hvis ingen passer, skal du forklare den manglende kategori.« Det forventede resultat er en kort post, der kan gennemgås, og som forbinder en beslutning med det faktiske input. Dette er en bedre opgavespecifikation end en anmodning om at analysere alt uden at identificere den efterfølgende anvendelse.
Producenten evaluerer Mini inden for Seed2.0-familien for visuel forståelse og videoforståelse. Opgaver med blandede medier kan kombinere det skriftlige spørgsmål med et diagram, et sidebillede eller en synlig sekvens. Hold tabeloverskrifter og akseetiketter læselige, nummerér flere input, og angiv, hvad der skal sammenlignes. Ved en video skal du beskrive segmentet og den ændring eller handling, som skal forklares, og derefter bede om en tekstlig redegørelse med grundlag i segmentet.
Familiens fokus på struktureret udtræk hjælper med at forberede oplysninger til en applikation, men et velformet svar skal stadig stemme overens med kilden. Bed modellen om at adskille en synlig værdi fra en udledt fortolkning. Når en detalje ikke kan læses, skal denne usikkerhed bevares i resultatet frem for at blive erstattet med en forventet værdi.
Den dokumenterede Mini-profil understøtter dybt ræsonnement, tekstgenerering, struktureret output og værktøjsbrug. En producentarbejdsgang kan skelne ræsonneringsindhold fra det endelige svar; det endelige svar skal følge de ønskede felter eller prosaformatet. Når værktøjer indgår, stiller applikationen deres definitioner til rådighed, udfører den valgte handling og returnerer observationen. En foreslået søgning eller filhandling er adskilt fra et færdigt resultat.
Ved en mindre opgave med flere trin skal du identificere de tilladte handlinger og det punkt, hvor opgaven er fuldført. Hold de relevante observationer kortfattede, så den næste samtalerunde bevarer den dokumentation, der er nødvendig for beslutningen. Brug faktisk returnerede data til at revidere svaret, og bed udtrykkeligt om den endelige leverance.
Producentens offentliggjorte Mini-profil har en 256K-kontekst og op til 128K tokens i samlet output inklusive ræsonnement. Den konkrete inputramme afhænger af den dokumenterede arbejdsgang og revision; kilde, historik, værktøjsresultater og genereret svar skal kunne rummes samlet. Den mindre udgave er et valg ud fra arbejdsbelastningen frem for en garanti for, at enhver åben opgave kan fuldføres i én omgang. Kontrollér resultatet mod de felter, den dokumentation og den adfærd, der er specificeret for opgaven, og hold Mini adskilt fra Lite, Pro og efterfølgende Seed-versioner.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser bytedance-seed/seed-2.0-mini | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med128.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end128.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "bytedance-seed/seed-2.0-mini", "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='bytedance-seed/seed-2.0-mini',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='bytedance-seed/seed-2.0-mini',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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra bytedance-seed/seed-2.0-mini
Brug metodestierne vist ovenfor.
bytedance-seed/seed-2.0-miniSeed 2.0 Mini er den lille Seed2.0-udgave til hurtig assistance og gentagne informationsbehandlingsopgaver. Den kombinerer tekstlig og visuel forståelse med ræsonnement og værktøjsbaserede arbejdsgange og returnerer svar eller struktureret tekst inden for producentens 256K-kontekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Seed 2.0 Mini er ByteDance Seeds lille modelvalg i Seed2.0-serien. Producenten udvikler Mini til applikationer med høj gennemstrømning og følsomhed over for svartid, samtidig med at familiens sproglige og visuelle evner bevares. Inputtet er en skriftlig opgave med relevant kildemateriale, herunder understøttede billeder eller video; outputtet er tekst, såsom et svar, en klassifikation, en udtrukket post eller en foreslået værktøjshandling.
Mini er nyttig, når en applikation gentagne gange beder modellen om at udføre en tydelig handling: Identificere et problem i kundefeedback, udtrække felter fra et dokument, forklare en produktdetalje eller omskrive en passage til en bestemt målgruppe. Lever feltdefinitionerne og et lille eksempel, der viser den tilsigtede betydning. Forklar, hvordan en manglende værdi skal repræsenteres, og hvilke oprindelige navne eller enheder der skal forblive uændrede.
Ved behandling af feedback er en illustrativ beskrivelse: »Identificér brugerens hovedproblem, tildel en af disse problemkategorier, og citér den sætning, som understøtter valget. Hvis ingen passer, skal du forklare den manglende kategori.« Det forventede resultat er en kort post, der kan gennemgås, og som forbinder en beslutning med det faktiske input. Dette er en bedre opgavespecifikation end en anmodning om at analysere alt uden at identificere den efterfølgende anvendelse.
Producenten evaluerer Mini inden for Seed2.0-familien for visuel forståelse og videoforståelse. Opgaver med blandede medier kan kombinere det skriftlige spørgsmål med et diagram, et sidebillede eller en synlig sekvens. Hold tabeloverskrifter og akseetiketter læselige, nummerér flere input, og angiv, hvad der skal sammenlignes. Ved en video skal du beskrive segmentet og den ændring eller handling, som skal forklares, og derefter bede om en tekstlig redegørelse med grundlag i segmentet.
Familiens fokus på struktureret udtræk hjælper med at forberede oplysninger til en applikation, men et velformet svar skal stadig stemme overens med kilden. Bed modellen om at adskille en synlig værdi fra en udledt fortolkning. Når en detalje ikke kan læses, skal denne usikkerhed bevares i resultatet frem for at blive erstattet med en forventet værdi.
Den dokumenterede Mini-profil understøtter dybt ræsonnement, tekstgenerering, struktureret output og værktøjsbrug. En producentarbejdsgang kan skelne ræsonneringsindhold fra det endelige svar; det endelige svar skal følge de ønskede felter eller prosaformatet. Når værktøjer indgår, stiller applikationen deres definitioner til rådighed, udfører den valgte handling og returnerer observationen. En foreslået søgning eller filhandling er adskilt fra et færdigt resultat.
Ved en mindre opgave med flere trin skal du identificere de tilladte handlinger og det punkt, hvor opgaven er fuldført. Hold de relevante observationer kortfattede, så den næste samtalerunde bevarer den dokumentation, der er nødvendig for beslutningen. Brug faktisk returnerede data til at revidere svaret, og bed udtrykkeligt om den endelige leverance.
Producentens offentliggjorte Mini-profil har en 256K-kontekst og op til 128K tokens i samlet output inklusive ræsonnement. Den konkrete inputramme afhænger af den dokumenterede arbejdsgang og revision; kilde, historik, værktøjsresultater og genereret svar skal kunne rummes samlet. Den mindre udgave er et valg ud fra arbejdsbelastningen frem for en garanti for, at enhver åben opgave kan fuldføres i én omgang. Kontrollér resultatet mod de felter, den dokumentation og den adfærd, der er specificeret for opgaven, og hold Mini adskilt fra Lite, Pro og efterfølgende Seed-versioner.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser bytedance-seed/seed-2.0-mini | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med128.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end128.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "bytedance-seed/seed-2.0-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'bytedance-seed/seed-2.0-mini', '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': 'bytedance-seed/seed-2.0-mini', '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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra bytedance-seed/seed-2.0-mini
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract a delivery complaint\n\nExtract a compact record from this message: Order K42 arrived on Monday, but one of the two bottles was leaking. I have not contacted the courier. Return order_id, issue, affected_quantity and supporting_quote. Use null for any missing field. Preserve the order identifier exactly and do not infer a refund request.A four-field record: order_id, issue, affected_quantity, supporting_quote. Missing values use null.Check that affected_quantity is one, K42 is preserved and the quoted evidence comes from the message.