SenseChat-Turbo er letvægtsvarianten til generel dialog i SenseTimes SenseNova-modelserie. Producenten positionerer den til hurtig besvarelse af spørgsmål og scenarier med modeltilpasning. Brug den til en tydeligt afgrænset tekstopgave: at besvare et spørgsmål ud fra leverede oplysninger, omskrive en kort besked, identificere pointen i en passage eller fortsætte en fokuseret samtale.
Angiv, hvad svaret skal opnå, og medtag de oplysninger, der er nødvendige for at producere det. Til en kundevendt forklaring skal du levere de relevante produktfakta og bede om et kortfattet svar på det faktiske spørgsmål. Ved omskrivning skal du angive den oprindelige ordlyd, målgruppen og den ønskede tone. Adskil det materiale, der skal analyseres, fra instruktioner om, hvordan resultatet skal præsenteres.
En nyttig opgavebeskrivelse er: “Brug det leverede uddrag af retningslinjerne til at forklare, hvilket trin der gælder for denne situation, og opregn derefter de oplysninger, der stadig mangler.” Den resulterende tekst skal skelne mellem et underbygget svar og et spørgsmål, som uddraget ikke afklarer. Et kort svar er lettere at bruge, når det besvarer ét tydeligt spørgsmål frem for at blande flere uvedkommende mål.
Producentens arbejdsgang til tekstsamtaler bruger rollemærkede beskeder og understøtter en sekvens af brugeranmodninger og assistentsvar. Bevar den tidligere samtaletur, når en opfølgning henviser til den, sammen med enhver oplysning eller begrænsning, der stadig er relevant. I en arbejdsgang uden samtalehistorik lagret på serveren leverer applikationen den relevante historik med den næste anmodning.
Ved en fortsat supportudveksling skal du bevare det spørgsmål, der allerede er afklaret, og den observation, brugeren leverede. Bed det næste svar om at fortsætte fra denne tilstand. Fjern uvedkommende materiale, der distraherer fra den aktuelle opgave, og reservér plads til svaret inden for den konfiguration, samtalen bruger.
SenseTime angiver scenarier med modeltilpasning som del af Turbos positionering. Til opgavespecifik tilpasning skal du forberede repræsentative input- og svareksempler, der viser den ønskede adfærd: ordforråd, svarform, detaljeringsniveau og håndtering af manglende oplysninger. Hold det forventede svar i overensstemmelse med kildefaktaene i hvert eksempel.
Nyttige eksempler kan skelne mellem et faktuelt svar og en anmodning om afklaring eller mellem en kort forklaring og en struktureret feltliste. Medtag vanskelige eller tvetydige tilfælde såvel som enkle. Kontrollér eksemplerne mod den tilsigtede opgave, før deres ordlyd behandles som et mønster, der skal gentages. Denne forberedelse beskriver den ønskede dialogadfærd; den omgivende tilpasningsarbejdsgang bestemmer, hvordan eksemplerne bruges.
Producentens samtalegrænseflader understøtter færdig tekst og streamet tekst. Et færdigt svar giver svaret som ét resultat; en stream leverer successive dele, som applikationen samler. Bevar det færdige svar til gennemgang eller genbrug i stedet for kun at bedømme opgaven ud fra de første synlige ord.
Ved udtrækning eller klassifikation skal du kontrollere de faktiske felter eller etiketter mod kilden. Ved omskrivning skal du sammenligne, om betydningen blev bevaret gennem den ønskede toneændring. Ved en spørgsmål-og-svar-udveksling skal du kontrollere, at svaret behandler det aktuelle emne, og at enhver opfølgende anmodning er relevant.
Turbo og SenseChat-5 er særskilt navngivne modeller til generel dialog. SenseChat-5-Cantonese, karakterdialogmodellerne og modellerne til visuelle eller kombinerede modaliteter har også deres egne varianter. Gem den valgte udgave og den leverede tekst sammen med det endelige svar, når du sammenligner en opgave eller fortsætter en applikationssamtale.
Vælg Turbos rolle til afgrænset dialog, når resultatet skal være et kortfattet, anvendeligt stykke tekst. Giv svaret et udtrykkeligt formål: et svar til en modtager, et revideret afsnit, en feltliste eller et afklarende spørgsmål, og undersøg denne leverance for faktuel overensstemmelse, ordlyd og fuldstændighed, før den bruges i næste trin.
", "aboutText": "### Hurtige spørgsmål og tilpasset dialog\n\nSenseChat-Turbo er letvægtsvarianten til generel dialog i SenseTimes SenseNova-modelserie. Producenten positionerer den til hurtig besvarelse af spørgsmål og scenarier med modeltilpasning. Brug den til en tydeligt afgrænset tekstopgave: at besvare et spørgsmål ud fra leverede oplysninger, omskrive en kort besked, identificere pointen i en passage eller fortsætte en fokuseret samtale.\n\n### Giv modellen en præcis anmodning\n\nAngiv, hvad svaret skal opnå, og medtag de oplysninger, der er nødvendige for at producere det. Til en kundevendt forklaring skal du levere de relevante produktfakta og bede om et kortfattet svar på det faktiske spørgsmål. Ved omskrivning skal du angive den oprindelige ordlyd, målgruppen og den ønskede tone. Adskil det materiale, der skal analyseres, fra instruktioner om, hvordan resultatet skal præsenteres.\n\nEn nyttig opgavebeskrivelse er: “Brug det leverede uddrag af retningslinjerne til at forklare, hvilket trin der gælder for denne situation, og opregn derefter de oplysninger, der stadig mangler.” Den resulterende tekst skal skelne mellem et underbygget svar og et spørgsmål, som uddraget ikke afklarer. Et kort svar er lettere at bruge, når det besvarer ét tydeligt spørgsmål frem for at blande flere uvedkommende mål.\n\n### Hold samtalekonteksten relevant\n\nProducentens arbejdsgang til tekstsamtaler bruger rollemærkede beskeder og understøtter en sekvens af brugeranmodninger og assistentsvar. Bevar den tidligere samtaletur, når en opfølgning henviser til den, sammen med enhver oplysning eller begrænsning, der stadig er relevant. I en arbejdsgang uden samtalehistorik lagret på serveren leverer applikationen den relevante historik med den næste anmodning.\n\nVed en fortsat supportudveksling skal du bevare det spørgsmål, der allerede er afklaret, og den observation, brugeren leverede. Bed det næste svar om at fortsætte fra denne tilstand. Fjern uvedkommende materiale, der distraherer fra den aktuelle opgave, og reservér plads til svaret inden for den konfiguration, samtalen bruger.\n\n### Forbered opgavespecifikke eksempler\n\nSenseTime angiver scenarier med modeltilpasning som del af Turbos positionering. Til opgavespecifik tilpasning skal du forberede repræsentative input- og svareksempler, der viser den ønskede adfærd: ordforråd, svarform, detaljeringsniveau og håndtering af manglende oplysninger. Hold det forventede svar i overensstemmelse med kildefaktaene i hvert eksempel.\n\nNyttige eksempler kan skelne mellem et faktuelt svar og en anmodning om afklaring eller mellem en kort forklaring og en struktureret feltliste. Medtag vanskelige eller tvetydige tilfælde såvel som enkle. Kontrollér eksemplerne mod den tilsigtede opgave, før deres ordlyd behandles som et mønster, der skal gentages. Denne forberedelse beskriver den ønskede dialogadfærd; den omgivende tilpasningsarbejdsgang bestemmer, hvordan eksemplerne bruges.\n\n### Færdige og streamede svar\n\nProducentens samtalegrænseflader understøtter færdig tekst og streamet tekst. Et færdigt svar giver svaret som ét resultat; en stream leverer successive dele, som applikationen samler. Bevar det færdige svar til gennemgang eller genbrug i stedet for kun at bedømme opgaven ud fra de første synlige ord.\n\nVed udtrækning eller klassifikation skal du kontrollere de faktiske felter eller etiketter mod kilden. Ved omskrivning skal du sammenligne, om betydningen blev bevaret gennem den ønskede toneændring. Ved en spørgsmål-og-svar-udveksling skal du kontrollere, at svaret behandler det aktuelle emne, og at enhver opfølgende anmodning er relevant.\n\n### Hold Turbo-udgaven adskilt\n\nTurbo og SenseChat-5 er særskilt navngivne modeller til generel dialog. SenseChat-5-Cantonese, karakterdialogmodellerne og modellerne til visuelle eller kombinerede modaliteter har også deres egne varianter. Gem den valgte udgave og den leverede tekst sammen med det endelige svar, når du sammenligner en opgave eller fortsætter en applikationssamtale.\n\nVælg Turbos rolle til afgrænset dialog, når resultatet skal være et kortfattet, anvendeligt stykke tekst. Giv svaret et udtrykkeligt formål: et svar til en modtager, et revideret afsnit, en feltliste eller et afklarende spørgsmål, og undersøg denne leverance for faktuel overensstemmelse, ordlyd og fuldstændighed, før den bruges i næste trin.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseTimes SenseChat-Turbo er en letvægtsmodel til tekstsamtaler, positioneret til hurtige spørgsmål og opgavespecifik tilpasning. Forbered kortfattede anmodninger, hold den relevante dialog samlet, og gennemgå det færdige svar mod de fakta, der er leveret til opgaven.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
SenseChat-Turbo er letvægtsvarianten til generel dialog i SenseTimes SenseNova-modelserie. Producenten positionerer den til hurtig besvarelse af spørgsmål og scenarier med modeltilpasning. Brug den til en tydeligt afgrænset tekstopgave: at besvare et spørgsmål ud fra leverede oplysninger, omskrive en kort besked, identificere pointen i en passage eller fortsætte en fokuseret samtale.
Angiv, hvad svaret skal opnå, og medtag de oplysninger, der er nødvendige for at producere det. Til en kundevendt forklaring skal du levere de relevante produktfakta og bede om et kortfattet svar på det faktiske spørgsmål. Ved omskrivning skal du angive den oprindelige ordlyd, målgruppen og den ønskede tone. Adskil det materiale, der skal analyseres, fra instruktioner om, hvordan resultatet skal præsenteres.
En nyttig opgavebeskrivelse er: “Brug det leverede uddrag af retningslinjerne til at forklare, hvilket trin der gælder for denne situation, og opregn derefter de oplysninger, der stadig mangler.” Den resulterende tekst skal skelne mellem et underbygget svar og et spørgsmål, som uddraget ikke afklarer. Et kort svar er lettere at bruge, når det besvarer ét tydeligt spørgsmål frem for at blande flere uvedkommende mål.
Producentens arbejdsgang til tekstsamtaler bruger rollemærkede beskeder og understøtter en sekvens af brugeranmodninger og assistentsvar. Bevar den tidligere samtaletur, når en opfølgning henviser til den, sammen med enhver oplysning eller begrænsning, der stadig er relevant. I en arbejdsgang uden samtalehistorik lagret på serveren leverer applikationen den relevante historik med den næste anmodning.
Ved en fortsat supportudveksling skal du bevare det spørgsmål, der allerede er afklaret, og den observation, brugeren leverede. Bed det næste svar om at fortsætte fra denne tilstand. Fjern uvedkommende materiale, der distraherer fra den aktuelle opgave, og reservér plads til svaret inden for den konfiguration, samtalen bruger.
SenseTime angiver scenarier med modeltilpasning som del af Turbos positionering. Til opgavespecifik tilpasning skal du forberede repræsentative input- og svareksempler, der viser den ønskede adfærd: ordforråd, svarform, detaljeringsniveau og håndtering af manglende oplysninger. Hold det forventede svar i overensstemmelse med kildefaktaene i hvert eksempel.
Nyttige eksempler kan skelne mellem et faktuelt svar og en anmodning om afklaring eller mellem en kort forklaring og en struktureret feltliste. Medtag vanskelige eller tvetydige tilfælde såvel som enkle. Kontrollér eksemplerne mod den tilsigtede opgave, før deres ordlyd behandles som et mønster, der skal gentages. Denne forberedelse beskriver den ønskede dialogadfærd; den omgivende tilpasningsarbejdsgang bestemmer, hvordan eksemplerne bruges.
Producentens samtalegrænseflader understøtter færdig tekst og streamet tekst. Et færdigt svar giver svaret som ét resultat; en stream leverer successive dele, som applikationen samler. Bevar det færdige svar til gennemgang eller genbrug i stedet for kun at bedømme opgaven ud fra de første synlige ord.
Ved udtrækning eller klassifikation skal du kontrollere de faktiske felter eller etiketter mod kilden. Ved omskrivning skal du sammenligne, om betydningen blev bevaret gennem den ønskede toneændring. Ved en spørgsmål-og-svar-udveksling skal du kontrollere, at svaret behandler det aktuelle emne, og at enhver opfølgende anmodning er relevant.
Turbo og SenseChat-5 er særskilt navngivne modeller til generel dialog. SenseChat-5-Cantonese, karakterdialogmodellerne og modellerne til visuelle eller kombinerede modaliteter har også deres egne varianter. Gem den valgte udgave og den leverede tekst sammen med det endelige svar, når du sammenligner en opgave eller fortsætter en applikationssamtale.
Vælg Turbos rolle til afgrænset dialog, når resultatet skal være et kortfattet, anvendeligt stykke tekst. Giv svaret et udtrykkeligt formål: et svar til en modtager, et revideret afsnit, en feltliste eller et afklarende spørgsmål, og undersøg denne leverance for faktuel overensstemmelse, ordlyd og fuldstændighed, før den bruges i næste trin.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser SenseChat-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00066 / 1K tokens Output · Outputtokens $0.00154 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-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='SenseChat-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='SenseChat-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 SenseChat-Turbo
Brug metodestierne vist ovenfor.
SenseChat-TurboSenseTimes SenseChat-Turbo er en letvægtsmodel til tekstsamtaler, positioneret til hurtige spørgsmål og opgavespecifik tilpasning. Forbered kortfattede anmodninger, hold den relevante dialog samlet, og gennemgå det færdige svar mod de fakta, der er leveret til opgaven.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
SenseChat-Turbo er letvægtsvarianten til generel dialog i SenseTimes SenseNova-modelserie. Producenten positionerer den til hurtig besvarelse af spørgsmål og scenarier med modeltilpasning. Brug den til en tydeligt afgrænset tekstopgave: at besvare et spørgsmål ud fra leverede oplysninger, omskrive en kort besked, identificere pointen i en passage eller fortsætte en fokuseret samtale.
Angiv, hvad svaret skal opnå, og medtag de oplysninger, der er nødvendige for at producere det. Til en kundevendt forklaring skal du levere de relevante produktfakta og bede om et kortfattet svar på det faktiske spørgsmål. Ved omskrivning skal du angive den oprindelige ordlyd, målgruppen og den ønskede tone. Adskil det materiale, der skal analyseres, fra instruktioner om, hvordan resultatet skal præsenteres.
En nyttig opgavebeskrivelse er: “Brug det leverede uddrag af retningslinjerne til at forklare, hvilket trin der gælder for denne situation, og opregn derefter de oplysninger, der stadig mangler.” Den resulterende tekst skal skelne mellem et underbygget svar og et spørgsmål, som uddraget ikke afklarer. Et kort svar er lettere at bruge, når det besvarer ét tydeligt spørgsmål frem for at blande flere uvedkommende mål.
Producentens arbejdsgang til tekstsamtaler bruger rollemærkede beskeder og understøtter en sekvens af brugeranmodninger og assistentsvar. Bevar den tidligere samtaletur, når en opfølgning henviser til den, sammen med enhver oplysning eller begrænsning, der stadig er relevant. I en arbejdsgang uden samtalehistorik lagret på serveren leverer applikationen den relevante historik med den næste anmodning.
Ved en fortsat supportudveksling skal du bevare det spørgsmål, der allerede er afklaret, og den observation, brugeren leverede. Bed det næste svar om at fortsætte fra denne tilstand. Fjern uvedkommende materiale, der distraherer fra den aktuelle opgave, og reservér plads til svaret inden for den konfiguration, samtalen bruger.
SenseTime angiver scenarier med modeltilpasning som del af Turbos positionering. Til opgavespecifik tilpasning skal du forberede repræsentative input- og svareksempler, der viser den ønskede adfærd: ordforråd, svarform, detaljeringsniveau og håndtering af manglende oplysninger. Hold det forventede svar i overensstemmelse med kildefaktaene i hvert eksempel.
Nyttige eksempler kan skelne mellem et faktuelt svar og en anmodning om afklaring eller mellem en kort forklaring og en struktureret feltliste. Medtag vanskelige eller tvetydige tilfælde såvel som enkle. Kontrollér eksemplerne mod den tilsigtede opgave, før deres ordlyd behandles som et mønster, der skal gentages. Denne forberedelse beskriver den ønskede dialogadfærd; den omgivende tilpasningsarbejdsgang bestemmer, hvordan eksemplerne bruges.
Producentens samtalegrænseflader understøtter færdig tekst og streamet tekst. Et færdigt svar giver svaret som ét resultat; en stream leverer successive dele, som applikationen samler. Bevar det færdige svar til gennemgang eller genbrug i stedet for kun at bedømme opgaven ud fra de første synlige ord.
Ved udtrækning eller klassifikation skal du kontrollere de faktiske felter eller etiketter mod kilden. Ved omskrivning skal du sammenligne, om betydningen blev bevaret gennem den ønskede toneændring. Ved en spørgsmål-og-svar-udveksling skal du kontrollere, at svaret behandler det aktuelle emne, og at enhver opfølgende anmodning er relevant.
Turbo og SenseChat-5 er særskilt navngivne modeller til generel dialog. SenseChat-5-Cantonese, karakterdialogmodellerne og modellerne til visuelle eller kombinerede modaliteter har også deres egne varianter. Gem den valgte udgave og den leverede tekst sammen med det endelige svar, når du sammenligner en opgave eller fortsætter en applikationssamtale.
Vælg Turbos rolle til afgrænset dialog, når resultatet skal være et kortfattet, anvendeligt stykke tekst. Giv svaret et udtrykkeligt formål: et svar til en modtager, et revideret afsnit, en feltliste eller et afklarende spørgsmål, og undersøg denne leverance for faktuel overensstemmelse, ordlyd og fuldstændighed, før den bruges i næste trin.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser SenseChat-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00066 / 1K tokens Output · Outputtokens $0.00154 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'SenseChat-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': 'SenseChat-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 SenseChat-Turbo
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.