Trail Pack
- Weight
- 1.2 kg
- Rain cover
- Side pocket
Schematron V2 Turbo ist Inference.nets durchsatzorientiertes Modell für schemageleitete Extraktion aus HTML. Es wurde gezielt entwickelt, um unübersichtliche Webseiten in sauberes, typisiertes JSON umzuwandeln, statt als allgemeiner Gesprächsassistent zu dienen. Die Aufgabe hat zwei semantische Eingaben: das zu untersuchende HTML und ein Schema, das die zu extrahierenden Informationen definiert. Das Ergebnis ist ein JSON-Objekt, das dieser Struktur entspricht.
Der Herstellerablauf verwendet das Schema anstelle einer natürlichsprachlichen Benutzer- oder Systemanweisung zur Steuerung der Extraktion. Geben Sie die Bedeutung eines Felds in seiner Beschreibung an, zusammen mit dem passenden Typ und möglichen verschachtelten Objekt- oder Listenstrukturen. Für eine Produktseite könnte ein praktisches Schema den Produktnamen, Spezifikationswerte mit Einheiten und eine Liste der aufgeführten Merkmale anfordern. Dieses Beispiel beschreibt den gewünschten Datensatz; die Werte sollten aus der Seite selbst stammen.
Eine klare Feldbeschreibung unterscheidet ähnliche Quellwerte. Benennen Sie, ob ein Feld den aktuellen Produktnamen, eine technische Kennung oder eine Kategorie meint, und erklären Sie die Darstellung fehlender Informationen. Der Hersteller zeigt typisierte Schemadefinitionen und JSON-Schema-Ausgabe mit Validierung des zurückgegebenen Objekts. Korrekte Syntax allein belegt nicht, dass ein extrahierter Wert mit der Originalseite übereinstimmt.
Inference.net empfiehlt, HTML vor der Extraktion von Skripten, Stilen und wiederkehrendem Rahmeninhalt zu bereinigen und dabei eine zu den Trainingsdaten passende Vorverarbeitung zu verwenden. Begrenzen Sie es nach Möglichkeit auf die relevante Region, behalten Sie aber im Zweifel mehr Inhalt, wenn eine aggressive Entfernung nützliche Belege verwerfen könnte. Bewahren Sie Überschriften, Tabellenbeziehungen, Beschriftungen und Einheiten, die zur Interpretation eines Felds nötig sind.
Machen Sie bei einer Seite mit mehreren Produkten den gewünschten Artikel im Material und im Schema deutlich. Bewahren Sie im umgebenden Aufgabendatensatz eine Quellen-URL oder Seitenkennung, damit das extrahierte Objekt später überprüft werden kann. Der Abruf der Seite ist ein separater Anwendungsvorgang; Schematron extrahiert aus dem empfangenen HTML.
V2 Turbo ist die für die Verarbeitung vieler Seiten mit definierter Ausgabestruktur optimierte Version. V2 Small ist die separate, auf Extraktionsqualität ausgerichtete Option für komplexe Schemata und lange Dokumente. Wählen Sie die Aufgabenrolle anhand der tatsächlich benötigten Datensätze und bewerten Sie, wie gut die zurückgegebenen Daten die Informationen repräsentativer Seiten bewahren. Eine Rolle mit hohem Durchsatz macht eine unklare Felddefinition nicht präzise.
Die Ankündigung der V2-Familie des Herstellers dokumentiert einen 128K-Kontext und strikte Schematreue im JSON-Modus. HTML und gewünschtes Ergebnis teilen sich das verfügbare Aufgabenbudget. Bei großen Seiten hilft es, die relevanten Inhalte zu benennen, statt nicht zugehörige Seitenstruktur als Kontext zu verwenden.
Die JSON-Ausgabe kann einen Katalog, eine Übernahmeaufgabe oder ein Suchsystem versorgen, das konkrete Fakten statt einer gesamten Rohseite benötigt. Definieren Sie den Datensatz einmal, vergleichen Sie extrahierte Werte mit Quellenbeispielen und bewahren Sie die Quellenzuordnung. Prüfen Sie bei einem Zahlenfeld dessen Einheiten und ob die Seite einen Wert, einen Bereich oder eine alternative Konfiguration beschreibt.
Das V2-Modell bleibt von den ursprünglichen Schematron-Veröffentlichungen mit offenen Gewichten getrennt. Sein dokumentierter Extraktionsmodus impliziert weder allgemeine Gespräche noch Bildanalyse, autonomes Browsen oder Werkzeugausführung. Das nützliche Ergebnis ist der angeforderte typisierte Datensatz auf Grundlage des bereitgestellten HTML, wobei ungeklärte oder fehlende Quelleninformationen gemäß dem Schema dargestellt werden.
", "aboutText": "Schematron V2 Turbo ist Inference.nets durchsatzorientiertes Modell für schemageleitete Extraktion aus HTML. Es wurde gezielt entwickelt, um unübersichtliche Webseiten in sauberes, typisiertes JSON umzuwandeln, statt als allgemeiner Gesprächsassistent zu dienen. Die Aufgabe hat zwei semantische Eingaben: das zu untersuchende HTML und ein Schema, das die zu extrahierenden Informationen definiert. Das Ergebnis ist ein JSON-Objekt, das dieser Struktur entspricht.\n\n### Was die Extraktion definiert\n\nDer Herstellerablauf verwendet das Schema anstelle einer natürlichsprachlichen Benutzer- oder Systemanweisung zur Steuerung der Extraktion. Geben Sie die Bedeutung eines Felds in seiner Beschreibung an, zusammen mit dem passenden Typ und möglichen verschachtelten Objekt- oder Listenstrukturen. Für eine Produktseite könnte ein praktisches Schema den Produktnamen, Spezifikationswerte mit Einheiten und eine Liste der aufgeführten Merkmale anfordern. Dieses Beispiel beschreibt den gewünschten Datensatz; die Werte sollten aus der Seite selbst stammen.\n\nEine klare Feldbeschreibung unterscheidet ähnliche Quellwerte. Benennen Sie, ob ein Feld den aktuellen Produktnamen, eine technische Kennung oder eine Kategorie meint, und erklären Sie die Darstellung fehlender Informationen. Der Hersteller zeigt typisierte Schemadefinitionen und JSON-Schema-Ausgabe mit Validierung des zurückgegebenen Objekts. Korrekte Syntax allein belegt nicht, dass ein extrahierter Wert mit der Originalseite übereinstimmt.\n\n### HTML vorbereiten\n\nInference.net empfiehlt, HTML vor der Extraktion von Skripten, Stilen und wiederkehrendem Rahmeninhalt zu bereinigen und dabei eine zu den Trainingsdaten passende Vorverarbeitung zu verwenden. Begrenzen Sie es nach Möglichkeit auf die relevante Region, behalten Sie aber im Zweifel mehr Inhalt, wenn eine aggressive Entfernung nützliche Belege verwerfen könnte. Bewahren Sie Überschriften, Tabellenbeziehungen, Beschriftungen und Einheiten, die zur Interpretation eines Felds nötig sind.\n\nMachen Sie bei einer Seite mit mehreren Produkten den gewünschten Artikel im Material und im Schema deutlich. Bewahren Sie im umgebenden Aufgabendatensatz eine Quellen-URL oder Seitenkennung, damit das extrahierte Objekt später überprüft werden kann. Der Abruf der Seite ist ein separater Anwendungsvorgang; Schematron extrahiert aus dem empfangenen HTML.\n\n### Die Aufgabenrolle von Turbo\n\nV2 Turbo ist die für die Verarbeitung vieler Seiten mit definierter Ausgabestruktur optimierte Version. V2 Small ist die separate, auf Extraktionsqualität ausgerichtete Option für komplexe Schemata und lange Dokumente. Wählen Sie die Aufgabenrolle anhand der tatsächlich benötigten Datensätze und bewerten Sie, wie gut die zurückgegebenen Daten die Informationen repräsentativer Seiten bewahren. Eine Rolle mit hohem Durchsatz macht eine unklare Felddefinition nicht präzise.\n\nDie Ankündigung der V2-Familie des Herstellers dokumentiert einen 128K-Kontext und strikte Schematreue im JSON-Modus. HTML und gewünschtes Ergebnis teilen sich das verfügbare Aufgabenbudget. Bei großen Seiten hilft es, die relevanten Inhalte zu benennen, statt nicht zugehörige Seitenstruktur als Kontext zu verwenden.\n\n### Ein nützliches extrahiertes Ergebnis\n\nDie JSON-Ausgabe kann einen Katalog, eine Übernahmeaufgabe oder ein Suchsystem versorgen, das konkrete Fakten statt einer gesamten Rohseite benötigt. Definieren Sie den Datensatz einmal, vergleichen Sie extrahierte Werte mit Quellenbeispielen und bewahren Sie die Quellenzuordnung. Prüfen Sie bei einem Zahlenfeld dessen Einheiten und ob die Seite einen Wert, einen Bereich oder eine alternative Konfiguration beschreibt.\n\nDas V2-Modell bleibt von den ursprünglichen Schematron-Veröffentlichungen mit offenen Gewichten getrennt. Sein dokumentierter Extraktionsmodus impliziert weder allgemeine Gespräche noch Bildanalyse, autonomes Browsen oder Werkzeugausführung. Das nützliche Ergebnis ist der angeforderte typisierte Datensatz auf Grundlage des bereitgestellten HTML, wobei ungeklärte oder fehlende Quelleninformationen gemäß dem Schema dargestellt werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 wandelt bereitgestelltes HTML anhand eines vom Aufrufer definierten Schemas in typisiertes JSON um. Die durchsatzorientierte V2-Ausgabe unterstützt die Extraktion langer Seiten in einem 128K-Herstellerkontext; Feldbeschreibungen, verschachtelte Objekte und Listen definieren die zurückzugebenden Informationen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schematron V2 Turbo ist Inference.nets durchsatzorientiertes Modell für schemageleitete Extraktion aus HTML. Es wurde gezielt entwickelt, um unübersichtliche Webseiten in sauberes, typisiertes JSON umzuwandeln, statt als allgemeiner Gesprächsassistent zu dienen. Die Aufgabe hat zwei semantische Eingaben: das zu untersuchende HTML und ein Schema, das die zu extrahierenden Informationen definiert. Das Ergebnis ist ein JSON-Objekt, das dieser Struktur entspricht.
Der Herstellerablauf verwendet das Schema anstelle einer natürlichsprachlichen Benutzer- oder Systemanweisung zur Steuerung der Extraktion. Geben Sie die Bedeutung eines Felds in seiner Beschreibung an, zusammen mit dem passenden Typ und möglichen verschachtelten Objekt- oder Listenstrukturen. Für eine Produktseite könnte ein praktisches Schema den Produktnamen, Spezifikationswerte mit Einheiten und eine Liste der aufgeführten Merkmale anfordern. Dieses Beispiel beschreibt den gewünschten Datensatz; die Werte sollten aus der Seite selbst stammen.
Eine klare Feldbeschreibung unterscheidet ähnliche Quellwerte. Benennen Sie, ob ein Feld den aktuellen Produktnamen, eine technische Kennung oder eine Kategorie meint, und erklären Sie die Darstellung fehlender Informationen. Der Hersteller zeigt typisierte Schemadefinitionen und JSON-Schema-Ausgabe mit Validierung des zurückgegebenen Objekts. Korrekte Syntax allein belegt nicht, dass ein extrahierter Wert mit der Originalseite übereinstimmt.
Inference.net empfiehlt, HTML vor der Extraktion von Skripten, Stilen und wiederkehrendem Rahmeninhalt zu bereinigen und dabei eine zu den Trainingsdaten passende Vorverarbeitung zu verwenden. Begrenzen Sie es nach Möglichkeit auf die relevante Region, behalten Sie aber im Zweifel mehr Inhalt, wenn eine aggressive Entfernung nützliche Belege verwerfen könnte. Bewahren Sie Überschriften, Tabellenbeziehungen, Beschriftungen und Einheiten, die zur Interpretation eines Felds nötig sind.
Machen Sie bei einer Seite mit mehreren Produkten den gewünschten Artikel im Material und im Schema deutlich. Bewahren Sie im umgebenden Aufgabendatensatz eine Quellen-URL oder Seitenkennung, damit das extrahierte Objekt später überprüft werden kann. Der Abruf der Seite ist ein separater Anwendungsvorgang; Schematron extrahiert aus dem empfangenen HTML.
V2 Turbo ist die für die Verarbeitung vieler Seiten mit definierter Ausgabestruktur optimierte Version. V2 Small ist die separate, auf Extraktionsqualität ausgerichtete Option für komplexe Schemata und lange Dokumente. Wählen Sie die Aufgabenrolle anhand der tatsächlich benötigten Datensätze und bewerten Sie, wie gut die zurückgegebenen Daten die Informationen repräsentativer Seiten bewahren. Eine Rolle mit hohem Durchsatz macht eine unklare Felddefinition nicht präzise.
Die Ankündigung der V2-Familie des Herstellers dokumentiert einen 128K-Kontext und strikte Schematreue im JSON-Modus. HTML und gewünschtes Ergebnis teilen sich das verfügbare Aufgabenbudget. Bei großen Seiten hilft es, die relevanten Inhalte zu benennen, statt nicht zugehörige Seitenstruktur als Kontext zu verwenden.
Die JSON-Ausgabe kann einen Katalog, eine Übernahmeaufgabe oder ein Suchsystem versorgen, das konkrete Fakten statt einer gesamten Rohseite benötigt. Definieren Sie den Datensatz einmal, vergleichen Sie extrahierte Werte mit Quellenbeispielen und bewahren Sie die Quellenzuordnung. Prüfen Sie bei einem Zahlenfeld dessen Einheiten und ob die Seite einen Wert, einen Bereich oder eine alternative Konfiguration beschreibt.
Das V2-Modell bleibt von den ursprünglichen Schematron-Veröffentlichungen mit offenen Gewichten getrennt. Sein dokumentierter Extraktionsmodus impliziert weder allgemeine Gespräche noch Bildanalyse, autonomes Browsen oder Werkzeugausführung. Das nützliche Ergebnis ist der angeforderte typisierte Datensatz auf Grundlage des bereitgestellten HTML, wobei ungeklärte oder fehlende Quelleninformationen gemäß dem Schema dargestellt werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inference-net/schematron-v2-turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra inference-net/schematron-v2-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
inference-net/schematron-v2-turboSchematron V2 Turbo wandelt bereitgestelltes HTML anhand eines vom Aufrufer definierten Schemas in typisiertes JSON um. Die durchsatzorientierte V2-Ausgabe unterstützt die Extraktion langer Seiten in einem 128K-Herstellerkontext; Feldbeschreibungen, verschachtelte Objekte und Listen definieren die zurückzugebenden Informationen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schematron V2 Turbo ist Inference.nets durchsatzorientiertes Modell für schemageleitete Extraktion aus HTML. Es wurde gezielt entwickelt, um unübersichtliche Webseiten in sauberes, typisiertes JSON umzuwandeln, statt als allgemeiner Gesprächsassistent zu dienen. Die Aufgabe hat zwei semantische Eingaben: das zu untersuchende HTML und ein Schema, das die zu extrahierenden Informationen definiert. Das Ergebnis ist ein JSON-Objekt, das dieser Struktur entspricht.
Der Herstellerablauf verwendet das Schema anstelle einer natürlichsprachlichen Benutzer- oder Systemanweisung zur Steuerung der Extraktion. Geben Sie die Bedeutung eines Felds in seiner Beschreibung an, zusammen mit dem passenden Typ und möglichen verschachtelten Objekt- oder Listenstrukturen. Für eine Produktseite könnte ein praktisches Schema den Produktnamen, Spezifikationswerte mit Einheiten und eine Liste der aufgeführten Merkmale anfordern. Dieses Beispiel beschreibt den gewünschten Datensatz; die Werte sollten aus der Seite selbst stammen.
Eine klare Feldbeschreibung unterscheidet ähnliche Quellwerte. Benennen Sie, ob ein Feld den aktuellen Produktnamen, eine technische Kennung oder eine Kategorie meint, und erklären Sie die Darstellung fehlender Informationen. Der Hersteller zeigt typisierte Schemadefinitionen und JSON-Schema-Ausgabe mit Validierung des zurückgegebenen Objekts. Korrekte Syntax allein belegt nicht, dass ein extrahierter Wert mit der Originalseite übereinstimmt.
Inference.net empfiehlt, HTML vor der Extraktion von Skripten, Stilen und wiederkehrendem Rahmeninhalt zu bereinigen und dabei eine zu den Trainingsdaten passende Vorverarbeitung zu verwenden. Begrenzen Sie es nach Möglichkeit auf die relevante Region, behalten Sie aber im Zweifel mehr Inhalt, wenn eine aggressive Entfernung nützliche Belege verwerfen könnte. Bewahren Sie Überschriften, Tabellenbeziehungen, Beschriftungen und Einheiten, die zur Interpretation eines Felds nötig sind.
Machen Sie bei einer Seite mit mehreren Produkten den gewünschten Artikel im Material und im Schema deutlich. Bewahren Sie im umgebenden Aufgabendatensatz eine Quellen-URL oder Seitenkennung, damit das extrahierte Objekt später überprüft werden kann. Der Abruf der Seite ist ein separater Anwendungsvorgang; Schematron extrahiert aus dem empfangenen HTML.
V2 Turbo ist die für die Verarbeitung vieler Seiten mit definierter Ausgabestruktur optimierte Version. V2 Small ist die separate, auf Extraktionsqualität ausgerichtete Option für komplexe Schemata und lange Dokumente. Wählen Sie die Aufgabenrolle anhand der tatsächlich benötigten Datensätze und bewerten Sie, wie gut die zurückgegebenen Daten die Informationen repräsentativer Seiten bewahren. Eine Rolle mit hohem Durchsatz macht eine unklare Felddefinition nicht präzise.
Die Ankündigung der V2-Familie des Herstellers dokumentiert einen 128K-Kontext und strikte Schematreue im JSON-Modus. HTML und gewünschtes Ergebnis teilen sich das verfügbare Aufgabenbudget. Bei großen Seiten hilft es, die relevanten Inhalte zu benennen, statt nicht zugehörige Seitenstruktur als Kontext zu verwenden.
Die JSON-Ausgabe kann einen Katalog, eine Übernahmeaufgabe oder ein Suchsystem versorgen, das konkrete Fakten statt einer gesamten Rohseite benötigt. Definieren Sie den Datensatz einmal, vergleichen Sie extrahierte Werte mit Quellenbeispielen und bewahren Sie die Quellenzuordnung. Prüfen Sie bei einem Zahlenfeld dessen Einheiten und ob die Seite einen Wert, einen Bereich oder eine alternative Konfiguration beschreibt.
Das V2-Modell bleibt von den ursprünglichen Schematron-Veröffentlichungen mit offenen Gewichten getrennt. Sein dokumentierter Extraktionsmodus impliziert weder allgemeine Gespräche noch Bildanalyse, autonomes Browsen oder Werkzeugausführung. Das nützliche Ergebnis ist der angeforderte typisierte Datensatz auf Grundlage des bereitgestellten HTML, wobei ungeklärte oder fehlende Quelleninformationen gemäß dem Schema dargestellt werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inference-net/schematron-v2-turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00006 / 1K Tokens Ausgabe · Ausgabetoken $0.0003 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "inference-net/schematron-v2-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra inference-net/schematron-v2-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.