Trail Pack
- Weight
- 1.2 kg
- Rain cover
- Side pocket
Schematron V2 Turbo er Inference.nets gennemløbsorienterede model til skemastyret udtræk fra HTML. Den er specialudviklet til at omdanne uoverskuelige websider til ren, typet JSON frem for at være en generel samtaleassistent. Opgaven har to semantiske input: den HTML, der skal undersøges, og et skema, der definerer de oplysninger, der skal udtrækkes. Resultatet er et JSON-objekt, der følger denne struktur.
Producentens arbejdsgang bruger skemaet som styring af udtrækket i stedet for en bruger- eller systeminstruktion i naturligt sprog. Placer feltets betydning i dets beskrivelse med den passende type og eventuel struktur af indlejrede objekter eller lister. Ved en produktside kan et praktisk skema bede om produktnavnet, specifikationsværdier med enheder og en liste over angivne funktioner. Eksemplet beskriver den ønskede post; værdierne bør komme fra selve siden.
En klar feltbeskrivelse adskiller lignende kildeværdier. Angiv, om et felt betyder det aktuelle produktnavn, en teknisk identifikator eller en kategori, og forklar, hvordan manglende oplysninger skal repræsenteres. Producenten demonstrerer typede skemadefinitioner og JSON-skemaoutput med validering af det returnerede objekt. Korrekt syntaks fastslår ikke i sig selv, at en udtrukket værdi stemmer med den oprindelige side.
Inference.net anbefaler at rense HTML for scripts, stilregler og standardelementer før udtræk med forbehandling, der svarer til træningsdataene. Afgræns til det relevante område, hvor det er muligt, men bevar hellere mere indhold, når aggressiv fjernelse kan kassere nyttig dokumentation. Bevar overskrifter, tabelsammenhænge, etiketter og enheder, der er nødvendige for at fortolke et felt.
Ved en side med flere produkter skal du gøre det ønskede produkt tydeligt i materialet og skemaet. Bevar en kilde-URL eller sideidentifikator i den omgivende opgaveregistrering, så det udtrukne objekt kan kontrolleres senere. Hentning af siden er en separat handling udført af applikationen; Schematron udtrækker fra den HTML, den modtager.
V2 Turbo er den version, der er optimeret til at behandle mange sider med en defineret outputstruktur. V2 Small er det særskilte valg med fokus på udtrækskvalitet for komplekse skemaer og lange dokumenter. Vælg behandlingsrollen efter de faktiske poster, der kræves, og vurder, hvor godt de returnerede data bevarer oplysningerne på repræsentative sider. En rolle med højt gennemløb gør ikke en uklar feltdefinition præcis.
Producentens annoncering af V2-familien dokumenterer en kontekst på 128K og streng overholdelse af skemaet i JSON-tilstand. HTML og det ønskede resultat deler det tilgængelige opgavebudget. Store sider har gavn af at få det relevante indhold identificeret frem for at bruge uvedkommende sidestruktur som kontekst.
JSON-outputtet kan føde et katalog, en indlæsningsopgave eller et søgesystem, der kræver bestemte fakta frem for en hel rå side. Definer posten én gang, sammenlign udtrukne værdier med kildeeksempler, og bevar kildeforbindelsen. Ved et numerisk felt skal du kontrollere enhederne, og om siden beskriver en værdi, et interval eller en alternativ konfiguration.
V2-modellen forbliver adskilt fra de oprindelige Schematron-udgivelser med åbne vægte. Dens dokumenterede udtrækstilstand indebærer ikke generel chat, billedanalyse, selvstændig browsing eller værktøjsudførelse. Det nyttige resultat er den ønskede typede post forankret i den leverede HTML med uafklarede eller manglende kildeoplysninger repræsenteret efter skemaet.
", "aboutText": "Schematron V2 Turbo er Inference.nets gennemløbsorienterede model til skemastyret udtræk fra HTML. Den er specialudviklet til at omdanne uoverskuelige websider til ren, typet JSON frem for at være en generel samtaleassistent. Opgaven har to semantiske input: den HTML, der skal undersøges, og et skema, der definerer de oplysninger, der skal udtrækkes. Resultatet er et JSON-objekt, der følger denne struktur.\n\n### Hvad definerer udtrækket\n\nProducentens arbejdsgang bruger skemaet som styring af udtrækket i stedet for en bruger- eller systeminstruktion i naturligt sprog. Placer feltets betydning i dets beskrivelse med den passende type og eventuel struktur af indlejrede objekter eller lister. Ved en produktside kan et praktisk skema bede om produktnavnet, specifikationsværdier med enheder og en liste over angivne funktioner. Eksemplet beskriver den ønskede post; værdierne bør komme fra selve siden.\n\nEn klar feltbeskrivelse adskiller lignende kildeværdier. Angiv, om et felt betyder det aktuelle produktnavn, en teknisk identifikator eller en kategori, og forklar, hvordan manglende oplysninger skal repræsenteres. Producenten demonstrerer typede skemadefinitioner og JSON-skemaoutput med validering af det returnerede objekt. Korrekt syntaks fastslår ikke i sig selv, at en udtrukket værdi stemmer med den oprindelige side.\n\n### Forbered HTML\n\nInference.net anbefaler at rense HTML for scripts, stilregler og standardelementer før udtræk med forbehandling, der svarer til træningsdataene. Afgræns til det relevante område, hvor det er muligt, men bevar hellere mere indhold, når aggressiv fjernelse kan kassere nyttig dokumentation. Bevar overskrifter, tabelsammenhænge, etiketter og enheder, der er nødvendige for at fortolke et felt.\n\nVed en side med flere produkter skal du gøre det ønskede produkt tydeligt i materialet og skemaet. Bevar en kilde-URL eller sideidentifikator i den omgivende opgaveregistrering, så det udtrukne objekt kan kontrolleres senere. Hentning af siden er en separat handling udført af applikationen; Schematron udtrækker fra den HTML, den modtager.\n\n### Turbos rolle i behandlingen\n\nV2 Turbo er den version, der er optimeret til at behandle mange sider med en defineret outputstruktur. V2 Small er det særskilte valg med fokus på udtrækskvalitet for komplekse skemaer og lange dokumenter. Vælg behandlingsrollen efter de faktiske poster, der kræves, og vurder, hvor godt de returnerede data bevarer oplysningerne på repræsentative sider. En rolle med højt gennemløb gør ikke en uklar feltdefinition præcis.\n\nProducentens annoncering af V2-familien dokumenterer en kontekst på 128K og streng overholdelse af skemaet i JSON-tilstand. HTML og det ønskede resultat deler det tilgængelige opgavebudget. Store sider har gavn af at få det relevante indhold identificeret frem for at bruge uvedkommende sidestruktur som kontekst.\n\n### Et nyttigt udtrukket resultat\n\nJSON-outputtet kan føde et katalog, en indlæsningsopgave eller et søgesystem, der kræver bestemte fakta frem for en hel rå side. Definer posten én gang, sammenlign udtrukne værdier med kildeeksempler, og bevar kildeforbindelsen. Ved et numerisk felt skal du kontrollere enhederne, og om siden beskriver en værdi, et interval eller en alternativ konfiguration.\n\nV2-modellen forbliver adskilt fra de oprindelige Schematron-udgivelser med åbne vægte. Dens dokumenterede udtrækstilstand indebærer ikke generel chat, billedanalyse, selvstændig browsing eller værktøjsudførelse. Det nyttige resultat er den ønskede typede post forankret i den leverede HTML med uafklarede eller manglende kildeoplysninger repræsenteret efter skemaet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a typed product record\n\nHTML:\n<article><h1>Trail Pack</h1><dl><dt>Weight</dt><dd>1.2 kg</dd></dl><ul><li>Rain cover</li><li>Side pocket</li></ul></article>\nSchema:\n{"type":"object","properties":{"name":{"type":"string","description":"Product heading"},"weight_kg":{"type":"number","description":"Weight in kilograms"},"features":{"type":"array","items":{"type":"string"},"description":"Listed product features"}},"required":["name","weight_kg","features"],"additionalProperties":false}A JSON object with name as a string, weight_kg as a number and features as a list of strings, with no extra properties.Validate the requested schema and compare every value to the supplied HTML, including the kilogram unit.inference-net/schematron-v2-turboSchematron V2 Turbo omdanner leveret HTML til typet JSON ved hjælp af et skema defineret af den, der kalder modellen. Den gennemløbsorienterede V2-udgave understøtter udtræk fra lange sider i producentens kontekst på 128K; feltbeskrivelser, indlejrede objekter og lister definerer de oplysninger, der skal returneres.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Schematron V2 Turbo er Inference.nets gennemløbsorienterede model til skemastyret udtræk fra HTML. Den er specialudviklet til at omdanne uoverskuelige websider til ren, typet JSON frem for at være en generel samtaleassistent. Opgaven har to semantiske input: den HTML, der skal undersøges, og et skema, der definerer de oplysninger, der skal udtrækkes. Resultatet er et JSON-objekt, der følger denne struktur.
Producentens arbejdsgang bruger skemaet som styring af udtrækket i stedet for en bruger- eller systeminstruktion i naturligt sprog. Placer feltets betydning i dets beskrivelse med den passende type og eventuel struktur af indlejrede objekter eller lister. Ved en produktside kan et praktisk skema bede om produktnavnet, specifikationsværdier med enheder og en liste over angivne funktioner. Eksemplet beskriver den ønskede post; værdierne bør komme fra selve siden.
En klar feltbeskrivelse adskiller lignende kildeværdier. Angiv, om et felt betyder det aktuelle produktnavn, en teknisk identifikator eller en kategori, og forklar, hvordan manglende oplysninger skal repræsenteres. Producenten demonstrerer typede skemadefinitioner og JSON-skemaoutput med validering af det returnerede objekt. Korrekt syntaks fastslår ikke i sig selv, at en udtrukket værdi stemmer med den oprindelige side.
Inference.net anbefaler at rense HTML for scripts, stilregler og standardelementer før udtræk med forbehandling, der svarer til træningsdataene. Afgræns til det relevante område, hvor det er muligt, men bevar hellere mere indhold, når aggressiv fjernelse kan kassere nyttig dokumentation. Bevar overskrifter, tabelsammenhænge, etiketter og enheder, der er nødvendige for at fortolke et felt.
Ved en side med flere produkter skal du gøre det ønskede produkt tydeligt i materialet og skemaet. Bevar en kilde-URL eller sideidentifikator i den omgivende opgaveregistrering, så det udtrukne objekt kan kontrolleres senere. Hentning af siden er en separat handling udført af applikationen; Schematron udtrækker fra den HTML, den modtager.
V2 Turbo er den version, der er optimeret til at behandle mange sider med en defineret outputstruktur. V2 Small er det særskilte valg med fokus på udtrækskvalitet for komplekse skemaer og lange dokumenter. Vælg behandlingsrollen efter de faktiske poster, der kræves, og vurder, hvor godt de returnerede data bevarer oplysningerne på repræsentative sider. En rolle med højt gennemløb gør ikke en uklar feltdefinition præcis.
Producentens annoncering af V2-familien dokumenterer en kontekst på 128K og streng overholdelse af skemaet i JSON-tilstand. HTML og det ønskede resultat deler det tilgængelige opgavebudget. Store sider har gavn af at få det relevante indhold identificeret frem for at bruge uvedkommende sidestruktur som kontekst.
JSON-outputtet kan føde et katalog, en indlæsningsopgave eller et søgesystem, der kræver bestemte fakta frem for en hel rå side. Definer posten én gang, sammenlign udtrukne værdier med kildeeksempler, og bevar kildeforbindelsen. Ved et numerisk felt skal du kontrollere enhederne, og om siden beskriver en værdi, et interval eller en alternativ konfiguration.
V2-modellen forbliver adskilt fra de oprindelige Schematron-udgivelser med åbne vægte. Dens dokumenterede udtrækstilstand indebærer ikke generel chat, billedanalyse, selvstændig browsing eller værktøjsudførelse. Det nyttige resultat er den ønskede typede post forankret i den leverede HTML med uafklarede eller manglende kildeoplysninger repræsenteret efter skemaet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser inference-net/schematron-v2-turbo | 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 $0.00006 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning $0.00006 / 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 $0.00006 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-turbo", "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-turbo',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-turbo',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-turbo
Brug metodestierne vist ovenfor.
inference-net/schematron-v2-turboSchematron V2 Turbo omdanner leveret HTML til typet JSON ved hjælp af et skema defineret af den, der kalder modellen. Den gennemløbsorienterede V2-udgave understøtter udtræk fra lange sider i producentens kontekst på 128K; feltbeskrivelser, indlejrede objekter og lister definerer de oplysninger, der skal returneres.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Schematron V2 Turbo er Inference.nets gennemløbsorienterede model til skemastyret udtræk fra HTML. Den er specialudviklet til at omdanne uoverskuelige websider til ren, typet JSON frem for at være en generel samtaleassistent. Opgaven har to semantiske input: den HTML, der skal undersøges, og et skema, der definerer de oplysninger, der skal udtrækkes. Resultatet er et JSON-objekt, der følger denne struktur.
Producentens arbejdsgang bruger skemaet som styring af udtrækket i stedet for en bruger- eller systeminstruktion i naturligt sprog. Placer feltets betydning i dets beskrivelse med den passende type og eventuel struktur af indlejrede objekter eller lister. Ved en produktside kan et praktisk skema bede om produktnavnet, specifikationsværdier med enheder og en liste over angivne funktioner. Eksemplet beskriver den ønskede post; værdierne bør komme fra selve siden.
En klar feltbeskrivelse adskiller lignende kildeværdier. Angiv, om et felt betyder det aktuelle produktnavn, en teknisk identifikator eller en kategori, og forklar, hvordan manglende oplysninger skal repræsenteres. Producenten demonstrerer typede skemadefinitioner og JSON-skemaoutput med validering af det returnerede objekt. Korrekt syntaks fastslår ikke i sig selv, at en udtrukket værdi stemmer med den oprindelige side.
Inference.net anbefaler at rense HTML for scripts, stilregler og standardelementer før udtræk med forbehandling, der svarer til træningsdataene. Afgræns til det relevante område, hvor det er muligt, men bevar hellere mere indhold, når aggressiv fjernelse kan kassere nyttig dokumentation. Bevar overskrifter, tabelsammenhænge, etiketter og enheder, der er nødvendige for at fortolke et felt.
Ved en side med flere produkter skal du gøre det ønskede produkt tydeligt i materialet og skemaet. Bevar en kilde-URL eller sideidentifikator i den omgivende opgaveregistrering, så det udtrukne objekt kan kontrolleres senere. Hentning af siden er en separat handling udført af applikationen; Schematron udtrækker fra den HTML, den modtager.
V2 Turbo er den version, der er optimeret til at behandle mange sider med en defineret outputstruktur. V2 Small er det særskilte valg med fokus på udtrækskvalitet for komplekse skemaer og lange dokumenter. Vælg behandlingsrollen efter de faktiske poster, der kræves, og vurder, hvor godt de returnerede data bevarer oplysningerne på repræsentative sider. En rolle med højt gennemløb gør ikke en uklar feltdefinition præcis.
Producentens annoncering af V2-familien dokumenterer en kontekst på 128K og streng overholdelse af skemaet i JSON-tilstand. HTML og det ønskede resultat deler det tilgængelige opgavebudget. Store sider har gavn af at få det relevante indhold identificeret frem for at bruge uvedkommende sidestruktur som kontekst.
JSON-outputtet kan føde et katalog, en indlæsningsopgave eller et søgesystem, der kræver bestemte fakta frem for en hel rå side. Definer posten én gang, sammenlign udtrukne værdier med kildeeksempler, og bevar kildeforbindelsen. Ved et numerisk felt skal du kontrollere enhederne, og om siden beskriver en værdi, et interval eller en alternativ konfiguration.
V2-modellen forbliver adskilt fra de oprindelige Schematron-udgivelser med åbne vægte. Dens dokumenterede udtrækstilstand indebærer ikke generel chat, billedanalyse, selvstændig browsing eller værktøjsudførelse. Det nyttige resultat er den ønskede typede post forankret i den leverede HTML med uafklarede eller manglende kildeoplysninger repræsenteret efter skemaet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser inference-net/schematron-v2-turbo | 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 $0.00006 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning $0.00006 / 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 $0.00006 / 1K tokens Output · Outputtokens $0.0003 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "inference-net/schematron-v2-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-turbo', '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-turbo', '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-turbo
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract a typed product record\n\nHTML:\n<article><h1>Trail Pack</h1><dl><dt>Weight</dt><dd>1.2 kg</dd></dl><ul><li>Rain cover</li><li>Side pocket</li></ul></article>\nSchema:\n{"type":"object","properties":{"name":{"type":"string","description":"Product heading"},"weight_kg":{"type":"number","description":"Weight in kilograms"},"features":{"type":"array","items":{"type":"string"},"description":"Listed product features"}},"required":["name","weight_kg","features"],"additionalProperties":false}A JSON object with name as a string, weight_kg as a number and features as a list of strings, with no extra properties.Validate the requested schema and compare every value to the supplied HTML, including the kilogram unit.