Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small er Inference.nets model med fokus på udtrækskvalitet til at omdanne HTML til JSON, der følger et skema. Producenten udvikler den til komplekse skemaer og lange sider med en anden behandlingsrolle end den gennemløbsorienterede V2 Turbo. Den læser HTML og kalderens skema og returnerer den tilsvarende strukturerede post. Målet er at udtrække de fakta, en efterfølgende applikation kræver, frem for at generere et bredt samtalesvar.
Producentens vejledning siger, at udtræksinstruktioner hører hjemme i skemaet frem for i en system- eller brugerprompt i naturligt sprog. Definer hver egenskabs type, og forklar dens betydning i feltbeskrivelsen. Indlejrede objekter og lister understøttes. En produktpost kan for eksempel adskille en produktidentifikator fra det viste navn og gruppere specifikationsværdier i deres eget objekt.
Ved en kompleks side skal du afklare tvetydige feltbetydninger, før du beder om udtræk. Forklar, om en dato henviser til offentliggørelse, en hændelse eller en revision, og hvordan flere kildeværdier skal repræsenteres. Brug en skemakonvention for manglende oplysninger, så modellen ikke behøver at opfinde en værdi for at få objektet til at virke komplet. Producenten demonstrerer typede modeller og JSON Schema sammen med validering af den returnerede JSON.
Den anbefalede HTML-forbehandling fjerner scripts, stilregler og standardelementer, mens relevant indhold bevares. Producenten anbefaler forsigtighed: fjerner man for meget, kan man miste de oplysninger, udtrækket kræver. Bevar tabeloverskrifter, indlejrede etiketter og den nærliggende tekst, der fastslår, hvad en værdi betyder. Afgræns til det relevante område, når siden indeholder uvedkommende navigation eller gentaget materiale.
En illustrativ opgave er at udtrække en teknisk post fra en produktside med flere konfigurationstabeller. Inputtet bør bevare, hvilken tabel der tilhører hvilken variant, og skemaet bør beskrive den konkrete variant eller den påkrævede liste over varianter. Den resulterende JSON kan derefter kontrolleres mod disse kilderækker frem for at blive betragtet som et sammendrag af hele webstedet.
V2 Small lægger vægt på udtrækskvalitet ved vanskelige skemaer og lang HTML. Turbo er den separate version, der er optimeret til at behandle sider med højere gennemløb. Begge deler V2-familiens dokumenterede kontekst på 128K og strenge skemastyrede JSON-arbejdsgang. Kontekstbudgettet indeholder input og ønsket output samlet, så fokuser en stor side omkring den post, opgaven faktisk kræver.
Et struktureret objekt kan understøtte katalogindlæsning, dokumentfortolkning eller et dokumentationslag til et søgeunderstøttet svar. Applikationen henter kildesiden, leverer skemaet og validerer outputtet, før den bruger det. Bevar sideidentifikatoren eller kildeforbindelsen i denne omgivende arbejdsgang. Hvis posten indeholder tal, skal du sammenligne enhederne og den tilsigtede fortolkning med kilden.
Skemaoverensstemmelse fastslår resultatets form; den verificerer ikke i sig selv hvert udtrukket faktum. Gennemgå repræsentative poster mod den oprindelige HTML, og definer håndteringen af modstridende eller manglende oplysninger. V2 Small forbliver sin egen navngivne udgivelse, adskilt fra V1-checkpoints med åbne vægte. Dens dokumenterede grænseflade er HTML-til-JSON-udtræk og indebærer ikke billedinput, generel samtale, automatisk webadgang eller en indbygget arbejdsgang til værktøjsudførelse.
", "aboutText": "Schematron V2 Small er Inference.nets model med fokus på udtrækskvalitet til at omdanne HTML til JSON, der følger et skema. Producenten udvikler den til komplekse skemaer og lange sider med en anden behandlingsrolle end den gennemløbsorienterede V2 Turbo. Den læser HTML og kalderens skema og returnerer den tilsvarende strukturerede post. Målet er at udtrække de fakta, en efterfølgende applikation kræver, frem for at generere et bredt samtalesvar.\n\n### Skemaet som opgavespecifikation\n\nProducentens vejledning siger, at udtræksinstruktioner hører hjemme i skemaet frem for i en system- eller brugerprompt i naturligt sprog. Definer hver egenskabs type, og forklar dens betydning i feltbeskrivelsen. Indlejrede objekter og lister understøttes. En produktpost kan for eksempel adskille en produktidentifikator fra det viste navn og gruppere specifikationsværdier i deres eget objekt.\n\nVed en kompleks side skal du afklare tvetydige feltbetydninger, før du beder om udtræk. Forklar, om en dato henviser til offentliggørelse, en hændelse eller en revision, og hvordan flere kildeværdier skal repræsenteres. Brug en skemakonvention for manglende oplysninger, så modellen ikke behøver at opfinde en værdi for at få objektet til at virke komplet. Producenten demonstrerer typede modeller og JSON Schema sammen med validering af den returnerede JSON.\n\n### Forberedelse af et langt dokument\n\nDen anbefalede HTML-forbehandling fjerner scripts, stilregler og standardelementer, mens relevant indhold bevares. Producenten anbefaler forsigtighed: fjerner man for meget, kan man miste de oplysninger, udtrækket kræver. Bevar tabeloverskrifter, indlejrede etiketter og den nærliggende tekst, der fastslår, hvad en værdi betyder. Afgræns til det relevante område, når siden indeholder uvedkommende navigation eller gentaget materiale.\n\nEn illustrativ opgave er at udtrække en teknisk post fra en produktside med flere konfigurationstabeller. Inputtet bør bevare, hvilken tabel der tilhører hvilken variant, og skemaet bør beskrive den konkrete variant eller den påkrævede liste over varianter. Den resulterende JSON kan derefter kontrolleres mod disse kilderækker frem for at blive betragtet som et sammendrag af hele webstedet.\n\n### Small og Turbo er separate valg\n\nV2 Small lægger vægt på udtrækskvalitet ved vanskelige skemaer og lang HTML. Turbo er den separate version, der er optimeret til at behandle sider med højere gennemløb. Begge deler V2-familiens dokumenterede kontekst på 128K og strenge skemastyrede JSON-arbejdsgang. Kontekstbudgettet indeholder input og ønsket output samlet, så fokuser en stor side omkring den post, opgaven faktisk kræver.\n\n### Fra udtræk til applikationsdata\n\nEt struktureret objekt kan understøtte katalogindlæsning, dokumentfortolkning eller et dokumentationslag til et søgeunderstøttet svar. Applikationen henter kildesiden, leverer skemaet og validerer outputtet, før den bruger det. Bevar sideidentifikatoren eller kildeforbindelsen i denne omgivende arbejdsgang. Hvis posten indeholder tal, skal du sammenligne enhederne og den tilsigtede fortolkning med kilden.\n\nSkemaoverensstemmelse fastslår resultatets form; den verificerer ikke i sig selv hvert udtrukket faktum. Gennemgå repræsentative poster mod den oprindelige HTML, og definer håndteringen af modstridende eller manglende oplysninger. V2 Small forbliver sin egen navngivne udgivelse, adskilt fra V1-checkpoints med åbne vægte. Dens dokumenterede grænseflade er HTML-til-JSON-udtræk og indebærer ikke billedinput, generel samtale, automatisk webadgang eller en indbygget arbejdsgang til værktøjsudførelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.inference-net/schematron-v2-smallSchematron V2 Small udtrækker skemadefinerede fakta fra leveret HTML til typet JSON. Det er det kvalitetsorienterede V2-valg til komplekse skemaer og lange sider med producentens kontekst på 128K, indlejrede poster og feltbeskrivelser, der angiver de data, som skal returneres.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Schematron V2 Small er Inference.nets model med fokus på udtrækskvalitet til at omdanne HTML til JSON, der følger et skema. Producenten udvikler den til komplekse skemaer og lange sider med en anden behandlingsrolle end den gennemløbsorienterede V2 Turbo. Den læser HTML og kalderens skema og returnerer den tilsvarende strukturerede post. Målet er at udtrække de fakta, en efterfølgende applikation kræver, frem for at generere et bredt samtalesvar.
Producentens vejledning siger, at udtræksinstruktioner hører hjemme i skemaet frem for i en system- eller brugerprompt i naturligt sprog. Definer hver egenskabs type, og forklar dens betydning i feltbeskrivelsen. Indlejrede objekter og lister understøttes. En produktpost kan for eksempel adskille en produktidentifikator fra det viste navn og gruppere specifikationsværdier i deres eget objekt.
Ved en kompleks side skal du afklare tvetydige feltbetydninger, før du beder om udtræk. Forklar, om en dato henviser til offentliggørelse, en hændelse eller en revision, og hvordan flere kildeværdier skal repræsenteres. Brug en skemakonvention for manglende oplysninger, så modellen ikke behøver at opfinde en værdi for at få objektet til at virke komplet. Producenten demonstrerer typede modeller og JSON Schema sammen med validering af den returnerede JSON.
Den anbefalede HTML-forbehandling fjerner scripts, stilregler og standardelementer, mens relevant indhold bevares. Producenten anbefaler forsigtighed: fjerner man for meget, kan man miste de oplysninger, udtrækket kræver. Bevar tabeloverskrifter, indlejrede etiketter og den nærliggende tekst, der fastslår, hvad en værdi betyder. Afgræns til det relevante område, når siden indeholder uvedkommende navigation eller gentaget materiale.
En illustrativ opgave er at udtrække en teknisk post fra en produktside med flere konfigurationstabeller. Inputtet bør bevare, hvilken tabel der tilhører hvilken variant, og skemaet bør beskrive den konkrete variant eller den påkrævede liste over varianter. Den resulterende JSON kan derefter kontrolleres mod disse kilderækker frem for at blive betragtet som et sammendrag af hele webstedet.
V2 Small lægger vægt på udtrækskvalitet ved vanskelige skemaer og lang HTML. Turbo er den separate version, der er optimeret til at behandle sider med højere gennemløb. Begge deler V2-familiens dokumenterede kontekst på 128K og strenge skemastyrede JSON-arbejdsgang. Kontekstbudgettet indeholder input og ønsket output samlet, så fokuser en stor side omkring den post, opgaven faktisk kræver.
Et struktureret objekt kan understøtte katalogindlæsning, dokumentfortolkning eller et dokumentationslag til et søgeunderstøttet svar. Applikationen henter kildesiden, leverer skemaet og validerer outputtet, før den bruger det. Bevar sideidentifikatoren eller kildeforbindelsen i denne omgivende arbejdsgang. Hvis posten indeholder tal, skal du sammenligne enhederne og den tilsigtede fortolkning med kilden.
Skemaoverensstemmelse fastslår resultatets form; den verificerer ikke i sig selv hvert udtrukket faktum. Gennemgå repræsentative poster mod den oprindelige HTML, og definer håndteringen af modstridende eller manglende oplysninger. V2 Small forbliver sin egen navngivne udgivelse, adskilt fra V1-checkpoints med åbne vægte. Dens dokumenterede grænseflade er HTML-til-JSON-udtræk og indebærer ikke billedinput, generel samtale, automatisk webadgang eller en indbygget arbejdsgang til værktøjsudførelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser inference-net/schematron-v2-small | 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 $0.0001 / 1K tokens Output · Outputtokens $0.00046 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.00046 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inference-net/schematron-v2-small", "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='inference-net/schematron-v2-small',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='inference-net/schematron-v2-small',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 inference-net/schematron-v2-small
Brug metodestierne vist ovenfor.
inference-net/schematron-v2-smallSchematron V2 Small udtrækker skemadefinerede fakta fra leveret HTML til typet JSON. Det er det kvalitetsorienterede V2-valg til komplekse skemaer og lange sider med producentens kontekst på 128K, indlejrede poster og feltbeskrivelser, der angiver de data, som skal returneres.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Schematron V2 Small er Inference.nets model med fokus på udtrækskvalitet til at omdanne HTML til JSON, der følger et skema. Producenten udvikler den til komplekse skemaer og lange sider med en anden behandlingsrolle end den gennemløbsorienterede V2 Turbo. Den læser HTML og kalderens skema og returnerer den tilsvarende strukturerede post. Målet er at udtrække de fakta, en efterfølgende applikation kræver, frem for at generere et bredt samtalesvar.
Producentens vejledning siger, at udtræksinstruktioner hører hjemme i skemaet frem for i en system- eller brugerprompt i naturligt sprog. Definer hver egenskabs type, og forklar dens betydning i feltbeskrivelsen. Indlejrede objekter og lister understøttes. En produktpost kan for eksempel adskille en produktidentifikator fra det viste navn og gruppere specifikationsværdier i deres eget objekt.
Ved en kompleks side skal du afklare tvetydige feltbetydninger, før du beder om udtræk. Forklar, om en dato henviser til offentliggørelse, en hændelse eller en revision, og hvordan flere kildeværdier skal repræsenteres. Brug en skemakonvention for manglende oplysninger, så modellen ikke behøver at opfinde en værdi for at få objektet til at virke komplet. Producenten demonstrerer typede modeller og JSON Schema sammen med validering af den returnerede JSON.
Den anbefalede HTML-forbehandling fjerner scripts, stilregler og standardelementer, mens relevant indhold bevares. Producenten anbefaler forsigtighed: fjerner man for meget, kan man miste de oplysninger, udtrækket kræver. Bevar tabeloverskrifter, indlejrede etiketter og den nærliggende tekst, der fastslår, hvad en værdi betyder. Afgræns til det relevante område, når siden indeholder uvedkommende navigation eller gentaget materiale.
En illustrativ opgave er at udtrække en teknisk post fra en produktside med flere konfigurationstabeller. Inputtet bør bevare, hvilken tabel der tilhører hvilken variant, og skemaet bør beskrive den konkrete variant eller den påkrævede liste over varianter. Den resulterende JSON kan derefter kontrolleres mod disse kilderækker frem for at blive betragtet som et sammendrag af hele webstedet.
V2 Small lægger vægt på udtrækskvalitet ved vanskelige skemaer og lang HTML. Turbo er den separate version, der er optimeret til at behandle sider med højere gennemløb. Begge deler V2-familiens dokumenterede kontekst på 128K og strenge skemastyrede JSON-arbejdsgang. Kontekstbudgettet indeholder input og ønsket output samlet, så fokuser en stor side omkring den post, opgaven faktisk kræver.
Et struktureret objekt kan understøtte katalogindlæsning, dokumentfortolkning eller et dokumentationslag til et søgeunderstøttet svar. Applikationen henter kildesiden, leverer skemaet og validerer outputtet, før den bruger det. Bevar sideidentifikatoren eller kildeforbindelsen i denne omgivende arbejdsgang. Hvis posten indeholder tal, skal du sammenligne enhederne og den tilsigtede fortolkning med kilden.
Skemaoverensstemmelse fastslår resultatets form; den verificerer ikke i sig selv hvert udtrukket faktum. Gennemgå repræsentative poster mod den oprindelige HTML, og definer håndteringen af modstridende eller manglende oplysninger. V2 Small forbliver sin egen navngivne udgivelse, adskilt fra V1-checkpoints med åbne vægte. Dens dokumenterede grænseflade er HTML-til-JSON-udtræk og indebærer ikke billedinput, generel samtale, automatisk webadgang eller en indbygget arbejdsgang til værktøjsudførelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser inference-net/schematron-v2-small | 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 $0.0001 / 1K tokens Output · Outputtokens $0.00046 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.00046 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inference-net/schematron-v2-small', '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': 'inference-net/schematron-v2-small', '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 inference-net/schematron-v2-small
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.Capacity: 350 ml
Capacity: 600 ml