SenseChat-Turbo ist der leichtgewichtige allgemeine Dialogeintrag in SenseTimes SenseNova-Modellreihe. Der Hersteller positioniert ihn für schnelle Fragenbeantwortung und Modellanpassungsszenarien. Nutzen Sie ihn für eine klar abgegrenzte Textaufgabe: eine Frage anhand bereitgestellter Informationen beantworten, eine kurze Nachricht umformulieren, den Kerngedanken einer Textstelle bestimmen oder ein gezieltes Gespräch fortsetzen.
Geben Sie an, was die Antwort leisten soll, und fügen Sie die dafür benötigten Informationen hinzu. Stellen Sie für eine Erklärung an Kunden die relevanten Produktfakten bereit und verlangen Sie eine knappe Antwort auf die tatsächliche Frage. Geben Sie für eine Umformulierung den ursprünglichen Wortlaut, die Zielgruppe und den gewünschten Ton an. Trennen Sie das zu analysierende Material von den Anweisungen zur Darstellung des Ergebnisses.
Ein nützliches Briefing lautet: „Erklären Sie anhand des bereitgestellten Richtlinienauszugs, welcher Schritt auf diese Situation zutrifft, und listen Sie anschließend die noch benötigten Informationen auf.“ Der entstehende Text sollte eine belegte Antwort von einer Frage unterscheiden, die der Auszug nicht klärt. Eine kurze Antwort lässt sich leichter nutzen, wenn sie ein klares Anliegen beantwortet, statt mehrere unzusammenhängende Ziele zu vermischen.
Der Textdialogablauf des Herstellers verwendet rollengekennzeichnete Nachrichten und unterstützt eine Folge von Nutzeranfragen und Assistentenantworten. Bewahren Sie einen früheren Beitrag, wenn sich eine Folgefrage darauf bezieht, zusammen mit allen weiterhin relevanten Fakten oder Rahmenbedingungen. In einem Ablauf ohne serverseitig gespeicherten Gesprächsverlauf liefert die Anwendung die relevante Historie mit der nächsten Anfrage.
Bewahren Sie bei einem fortlaufenden Supportgespräch die bereits geklärte Frage und die vom Nutzer mitgeteilte Beobachtung. Lassen Sie die nächste Antwort von diesem Stand aus fortfahren. Entfernen Sie unzusammenhängendes Material, das von der aktuellen Aufgabe ablenkt, und reservieren Sie innerhalb der für das Gespräch verwendeten Konfiguration Platz für die Antwort.
SenseTime nennt Modellanpassungsszenarien als Teil von Turbos Positionierung. Bereiten Sie für eine aufgabenspezifische Anpassung repräsentative Eingabe-Antwort-Beispiele vor, die das gewünschte Verhalten zeigen: Wortschatz, Antwortform, Detailgrad und Umgang mit fehlenden Informationen. Halten Sie die erwartete Antwort in jedem Beispiel mit den Quellenfakten konsistent.
Nützliche Beispiele könnten eine Faktenantwort von einer Rückfrage oder eine kurze Erklärung von einer strukturierten Feldliste unterscheiden. Nehmen Sie schwierige oder mehrdeutige Fälle ebenso auf wie einfache. Prüfen Sie die Beispiele anhand der vorgesehenen Aufgabe, bevor Sie ihren Wortlaut als wiederholbares Muster behandeln. Diese Vorbereitung beschreibt das gewünschte Dialogverhalten; der umgebende Anpassungsablauf bestimmt, wie die Beispiele verwendet werden.
Die Gesprächsschnittstellen des Herstellers unterstützen vollständigen und gestreamten Text. Eine vollständige Antwort liefert die Antwort als ein Ergebnis; ein Stream liefert aufeinanderfolgende Teile, die die Anwendung zusammensetzt. Bewahren Sie die fertige Antwort zur Prüfung oder Wiederverwendung, statt die Aufgabe nur anhand der ersten sichtbaren Wörter zu beurteilen.
Prüfen Sie bei Extraktion oder Klassifizierung die tatsächlichen Felder oder Bezeichnungen anhand der Quelle. Vergleichen Sie bei einer Umformulierung, ob die Bedeutung die gewünschte Tonänderung überstanden hat. Prüfen Sie bei einem Frage-Antwort-Austausch, ob die Antwort das aktuelle Anliegen behandelt und ob eine Folgeanfrage relevant ist.
Turbo und SenseChat-5 sind separat benannte allgemeine Dialogmodelle. Auch SenseChat-5-Cantonese, die Charakterdialogmodelle und die Vision- oder Fusionsmodalitätsmodelle haben eigene Katalogvarianten. Bewahren Sie die gewählte Ausgabe und den bereitgestellten Text zusammen mit der finalen Antwort, wenn Sie eine Aufgabe vergleichen oder ein Anwendungsgespräch fortsetzen.
Wählen Sie Turbos Rolle für abgegrenzte Dialoge, wenn das Ergebnis ein knapper, nutzbarer Text sein soll. Geben Sie der Antwort einen ausdrücklichen Verwendungszweck – eine Erwiderung, einen überarbeiteten Absatz, eine Feldliste oder eine Rückfrage – und prüfen Sie dieses Ergebnis auf sachliche Passung, Wortlaut und Vollständigkeit, bevor Sie es im nächsten Schritt verwenden.
", "aboutText": "### Schnelle Fragen und angepasster Dialog\n\nSenseChat-Turbo ist der leichtgewichtige allgemeine Dialogeintrag in SenseTimes SenseNova-Modellreihe. Der Hersteller positioniert ihn für schnelle Fragenbeantwortung und Modellanpassungsszenarien. Nutzen Sie ihn für eine klar abgegrenzte Textaufgabe: eine Frage anhand bereitgestellter Informationen beantworten, eine kurze Nachricht umformulieren, den Kerngedanken einer Textstelle bestimmen oder ein gezieltes Gespräch fortsetzen.\n\n### Stellen Sie dem Modell eine präzise Anfrage\n\nGeben Sie an, was die Antwort leisten soll, und fügen Sie die dafür benötigten Informationen hinzu. Stellen Sie für eine Erklärung an Kunden die relevanten Produktfakten bereit und verlangen Sie eine knappe Antwort auf die tatsächliche Frage. Geben Sie für eine Umformulierung den ursprünglichen Wortlaut, die Zielgruppe und den gewünschten Ton an. Trennen Sie das zu analysierende Material von den Anweisungen zur Darstellung des Ergebnisses.\n\nEin nützliches Briefing lautet: „Erklären Sie anhand des bereitgestellten Richtlinienauszugs, welcher Schritt auf diese Situation zutrifft, und listen Sie anschließend die noch benötigten Informationen auf.“ Der entstehende Text sollte eine belegte Antwort von einer Frage unterscheiden, die der Auszug nicht klärt. Eine kurze Antwort lässt sich leichter nutzen, wenn sie ein klares Anliegen beantwortet, statt mehrere unzusammenhängende Ziele zu vermischen.\n\n### Halten Sie den Gesprächskontext relevant\n\nDer Textdialogablauf des Herstellers verwendet rollengekennzeichnete Nachrichten und unterstützt eine Folge von Nutzeranfragen und Assistentenantworten. Bewahren Sie einen früheren Beitrag, wenn sich eine Folgefrage darauf bezieht, zusammen mit allen weiterhin relevanten Fakten oder Rahmenbedingungen. In einem Ablauf ohne serverseitig gespeicherten Gesprächsverlauf liefert die Anwendung die relevante Historie mit der nächsten Anfrage.\n\nBewahren Sie bei einem fortlaufenden Supportgespräch die bereits geklärte Frage und die vom Nutzer mitgeteilte Beobachtung. Lassen Sie die nächste Antwort von diesem Stand aus fortfahren. Entfernen Sie unzusammenhängendes Material, das von der aktuellen Aufgabe ablenkt, und reservieren Sie innerhalb der für das Gespräch verwendeten Konfiguration Platz für die Antwort.\n\n### Bereiten Sie aufgabenspezifische Beispiele vor\n\nSenseTime nennt Modellanpassungsszenarien als Teil von Turbos Positionierung. Bereiten Sie für eine aufgabenspezifische Anpassung repräsentative Eingabe-Antwort-Beispiele vor, die das gewünschte Verhalten zeigen: Wortschatz, Antwortform, Detailgrad und Umgang mit fehlenden Informationen. Halten Sie die erwartete Antwort in jedem Beispiel mit den Quellenfakten konsistent.\n\nNützliche Beispiele könnten eine Faktenantwort von einer Rückfrage oder eine kurze Erklärung von einer strukturierten Feldliste unterscheiden. Nehmen Sie schwierige oder mehrdeutige Fälle ebenso auf wie einfache. Prüfen Sie die Beispiele anhand der vorgesehenen Aufgabe, bevor Sie ihren Wortlaut als wiederholbares Muster behandeln. Diese Vorbereitung beschreibt das gewünschte Dialogverhalten; der umgebende Anpassungsablauf bestimmt, wie die Beispiele verwendet werden.\n\n### Vollständige und gestreamte Antworten\n\nDie Gesprächsschnittstellen des Herstellers unterstützen vollständigen und gestreamten Text. Eine vollständige Antwort liefert die Antwort als ein Ergebnis; ein Stream liefert aufeinanderfolgende Teile, die die Anwendung zusammensetzt. Bewahren Sie die fertige Antwort zur Prüfung oder Wiederverwendung, statt die Aufgabe nur anhand der ersten sichtbaren Wörter zu beurteilen.\n\nPrüfen Sie bei Extraktion oder Klassifizierung die tatsächlichen Felder oder Bezeichnungen anhand der Quelle. Vergleichen Sie bei einer Umformulierung, ob die Bedeutung die gewünschte Tonänderung überstanden hat. Prüfen Sie bei einem Frage-Antwort-Austausch, ob die Antwort das aktuelle Anliegen behandelt und ob eine Folgeanfrage relevant ist.\n\n### Halten Sie die Turbo-Ausgabe getrennt\n\nTurbo und SenseChat-5 sind separat benannte allgemeine Dialogmodelle. Auch SenseChat-5-Cantonese, die Charakterdialogmodelle und die Vision- oder Fusionsmodalitätsmodelle haben eigene Katalogvarianten. Bewahren Sie die gewählte Ausgabe und den bereitgestellten Text zusammen mit der finalen Antwort, wenn Sie eine Aufgabe vergleichen oder ein Anwendungsgespräch fortsetzen.\n\nWählen Sie Turbos Rolle für abgegrenzte Dialoge, wenn das Ergebnis ein knapper, nutzbarer Text sein soll. Geben Sie der Antwort einen ausdrücklichen Verwendungszweck – eine Erwiderung, einen überarbeiteten Absatz, eine Feldliste oder eine Rückfrage – und prüfen Sie dieses Ergebnis auf sachliche Passung, Wortlaut und Vollständigkeit, bevor Sie es im nächsten Schritt verwenden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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-TurboSenseChat-Turbo von SenseTime ist ein leichtgewichtiges Textdialogmodell für schnelle Fragen und aufgabenspezifische Anpassung. Formulieren Sie knappe Anfragen, halten Sie den relevanten Dialog zusammen und prüfen Sie die vollständige Antwort anhand der für die Aufgabe bereitgestellten Fakten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
SenseChat-Turbo ist der leichtgewichtige allgemeine Dialogeintrag in SenseTimes SenseNova-Modellreihe. Der Hersteller positioniert ihn für schnelle Fragenbeantwortung und Modellanpassungsszenarien. Nutzen Sie ihn für eine klar abgegrenzte Textaufgabe: eine Frage anhand bereitgestellter Informationen beantworten, eine kurze Nachricht umformulieren, den Kerngedanken einer Textstelle bestimmen oder ein gezieltes Gespräch fortsetzen.
Geben Sie an, was die Antwort leisten soll, und fügen Sie die dafür benötigten Informationen hinzu. Stellen Sie für eine Erklärung an Kunden die relevanten Produktfakten bereit und verlangen Sie eine knappe Antwort auf die tatsächliche Frage. Geben Sie für eine Umformulierung den ursprünglichen Wortlaut, die Zielgruppe und den gewünschten Ton an. Trennen Sie das zu analysierende Material von den Anweisungen zur Darstellung des Ergebnisses.
Ein nützliches Briefing lautet: „Erklären Sie anhand des bereitgestellten Richtlinienauszugs, welcher Schritt auf diese Situation zutrifft, und listen Sie anschließend die noch benötigten Informationen auf.“ Der entstehende Text sollte eine belegte Antwort von einer Frage unterscheiden, die der Auszug nicht klärt. Eine kurze Antwort lässt sich leichter nutzen, wenn sie ein klares Anliegen beantwortet, statt mehrere unzusammenhängende Ziele zu vermischen.
Der Textdialogablauf des Herstellers verwendet rollengekennzeichnete Nachrichten und unterstützt eine Folge von Nutzeranfragen und Assistentenantworten. Bewahren Sie einen früheren Beitrag, wenn sich eine Folgefrage darauf bezieht, zusammen mit allen weiterhin relevanten Fakten oder Rahmenbedingungen. In einem Ablauf ohne serverseitig gespeicherten Gesprächsverlauf liefert die Anwendung die relevante Historie mit der nächsten Anfrage.
Bewahren Sie bei einem fortlaufenden Supportgespräch die bereits geklärte Frage und die vom Nutzer mitgeteilte Beobachtung. Lassen Sie die nächste Antwort von diesem Stand aus fortfahren. Entfernen Sie unzusammenhängendes Material, das von der aktuellen Aufgabe ablenkt, und reservieren Sie innerhalb der für das Gespräch verwendeten Konfiguration Platz für die Antwort.
SenseTime nennt Modellanpassungsszenarien als Teil von Turbos Positionierung. Bereiten Sie für eine aufgabenspezifische Anpassung repräsentative Eingabe-Antwort-Beispiele vor, die das gewünschte Verhalten zeigen: Wortschatz, Antwortform, Detailgrad und Umgang mit fehlenden Informationen. Halten Sie die erwartete Antwort in jedem Beispiel mit den Quellenfakten konsistent.
Nützliche Beispiele könnten eine Faktenantwort von einer Rückfrage oder eine kurze Erklärung von einer strukturierten Feldliste unterscheiden. Nehmen Sie schwierige oder mehrdeutige Fälle ebenso auf wie einfache. Prüfen Sie die Beispiele anhand der vorgesehenen Aufgabe, bevor Sie ihren Wortlaut als wiederholbares Muster behandeln. Diese Vorbereitung beschreibt das gewünschte Dialogverhalten; der umgebende Anpassungsablauf bestimmt, wie die Beispiele verwendet werden.
Die Gesprächsschnittstellen des Herstellers unterstützen vollständigen und gestreamten Text. Eine vollständige Antwort liefert die Antwort als ein Ergebnis; ein Stream liefert aufeinanderfolgende Teile, die die Anwendung zusammensetzt. Bewahren Sie die fertige Antwort zur Prüfung oder Wiederverwendung, statt die Aufgabe nur anhand der ersten sichtbaren Wörter zu beurteilen.
Prüfen Sie bei Extraktion oder Klassifizierung die tatsächlichen Felder oder Bezeichnungen anhand der Quelle. Vergleichen Sie bei einer Umformulierung, ob die Bedeutung die gewünschte Tonänderung überstanden hat. Prüfen Sie bei einem Frage-Antwort-Austausch, ob die Antwort das aktuelle Anliegen behandelt und ob eine Folgeanfrage relevant ist.
Turbo und SenseChat-5 sind separat benannte allgemeine Dialogmodelle. Auch SenseChat-5-Cantonese, die Charakterdialogmodelle und die Vision- oder Fusionsmodalitätsmodelle haben eigene Katalogvarianten. Bewahren Sie die gewählte Ausgabe und den bereitgestellten Text zusammen mit der finalen Antwort, wenn Sie eine Aufgabe vergleichen oder ein Anwendungsgespräch fortsetzen.
Wählen Sie Turbos Rolle für abgegrenzte Dialoge, wenn das Ergebnis ein knapper, nutzbarer Text sein soll. Geben Sie der Antwort einen ausdrücklichen Verwendungszweck – eine Erwiderung, einen überarbeiteten Absatz, eine Feldliste oder eine Rückfrage – und prüfen Sie dieses Ergebnis auf sachliche Passung, Wortlaut und Vollständigkeit, bevor Sie es im nächsten Schritt verwenden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits SenseChat-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00154 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 SenseChat-Turbo
Verwenden Sie die oben angezeigten Methodenpfade.
SenseChat-TurboSenseChat-Turbo von SenseTime ist ein leichtgewichtiges Textdialogmodell für schnelle Fragen und aufgabenspezifische Anpassung. Formulieren Sie knappe Anfragen, halten Sie den relevanten Dialog zusammen und prüfen Sie die vollständige Antwort anhand der für die Aufgabe bereitgestellten Fakten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
SenseChat-Turbo ist der leichtgewichtige allgemeine Dialogeintrag in SenseTimes SenseNova-Modellreihe. Der Hersteller positioniert ihn für schnelle Fragenbeantwortung und Modellanpassungsszenarien. Nutzen Sie ihn für eine klar abgegrenzte Textaufgabe: eine Frage anhand bereitgestellter Informationen beantworten, eine kurze Nachricht umformulieren, den Kerngedanken einer Textstelle bestimmen oder ein gezieltes Gespräch fortsetzen.
Geben Sie an, was die Antwort leisten soll, und fügen Sie die dafür benötigten Informationen hinzu. Stellen Sie für eine Erklärung an Kunden die relevanten Produktfakten bereit und verlangen Sie eine knappe Antwort auf die tatsächliche Frage. Geben Sie für eine Umformulierung den ursprünglichen Wortlaut, die Zielgruppe und den gewünschten Ton an. Trennen Sie das zu analysierende Material von den Anweisungen zur Darstellung des Ergebnisses.
Ein nützliches Briefing lautet: „Erklären Sie anhand des bereitgestellten Richtlinienauszugs, welcher Schritt auf diese Situation zutrifft, und listen Sie anschließend die noch benötigten Informationen auf.“ Der entstehende Text sollte eine belegte Antwort von einer Frage unterscheiden, die der Auszug nicht klärt. Eine kurze Antwort lässt sich leichter nutzen, wenn sie ein klares Anliegen beantwortet, statt mehrere unzusammenhängende Ziele zu vermischen.
Der Textdialogablauf des Herstellers verwendet rollengekennzeichnete Nachrichten und unterstützt eine Folge von Nutzeranfragen und Assistentenantworten. Bewahren Sie einen früheren Beitrag, wenn sich eine Folgefrage darauf bezieht, zusammen mit allen weiterhin relevanten Fakten oder Rahmenbedingungen. In einem Ablauf ohne serverseitig gespeicherten Gesprächsverlauf liefert die Anwendung die relevante Historie mit der nächsten Anfrage.
Bewahren Sie bei einem fortlaufenden Supportgespräch die bereits geklärte Frage und die vom Nutzer mitgeteilte Beobachtung. Lassen Sie die nächste Antwort von diesem Stand aus fortfahren. Entfernen Sie unzusammenhängendes Material, das von der aktuellen Aufgabe ablenkt, und reservieren Sie innerhalb der für das Gespräch verwendeten Konfiguration Platz für die Antwort.
SenseTime nennt Modellanpassungsszenarien als Teil von Turbos Positionierung. Bereiten Sie für eine aufgabenspezifische Anpassung repräsentative Eingabe-Antwort-Beispiele vor, die das gewünschte Verhalten zeigen: Wortschatz, Antwortform, Detailgrad und Umgang mit fehlenden Informationen. Halten Sie die erwartete Antwort in jedem Beispiel mit den Quellenfakten konsistent.
Nützliche Beispiele könnten eine Faktenantwort von einer Rückfrage oder eine kurze Erklärung von einer strukturierten Feldliste unterscheiden. Nehmen Sie schwierige oder mehrdeutige Fälle ebenso auf wie einfache. Prüfen Sie die Beispiele anhand der vorgesehenen Aufgabe, bevor Sie ihren Wortlaut als wiederholbares Muster behandeln. Diese Vorbereitung beschreibt das gewünschte Dialogverhalten; der umgebende Anpassungsablauf bestimmt, wie die Beispiele verwendet werden.
Die Gesprächsschnittstellen des Herstellers unterstützen vollständigen und gestreamten Text. Eine vollständige Antwort liefert die Antwort als ein Ergebnis; ein Stream liefert aufeinanderfolgende Teile, die die Anwendung zusammensetzt. Bewahren Sie die fertige Antwort zur Prüfung oder Wiederverwendung, statt die Aufgabe nur anhand der ersten sichtbaren Wörter zu beurteilen.
Prüfen Sie bei Extraktion oder Klassifizierung die tatsächlichen Felder oder Bezeichnungen anhand der Quelle. Vergleichen Sie bei einer Umformulierung, ob die Bedeutung die gewünschte Tonänderung überstanden hat. Prüfen Sie bei einem Frage-Antwort-Austausch, ob die Antwort das aktuelle Anliegen behandelt und ob eine Folgeanfrage relevant ist.
Turbo und SenseChat-5 sind separat benannte allgemeine Dialogmodelle. Auch SenseChat-5-Cantonese, die Charakterdialogmodelle und die Vision- oder Fusionsmodalitätsmodelle haben eigene Katalogvarianten. Bewahren Sie die gewählte Ausgabe und den bereitgestellten Text zusammen mit der finalen Antwort, wenn Sie eine Aufgabe vergleichen oder ein Anwendungsgespräch fortsetzen.
Wählen Sie Turbos Rolle für abgegrenzte Dialoge, wenn das Ergebnis ein knapper, nutzbarer Text sein soll. Geben Sie der Antwort einen ausdrücklichen Verwendungszweck – eine Erwiderung, einen überarbeiteten Absatz, eine Feldliste oder eine Rückfrage – und prüfen Sie dieses Ergebnis auf sachliche Passung, Wortlaut und Vollständigkeit, bevor Sie es im nächsten Schritt verwenden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits SenseChat-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00154 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 SenseChat-Turbo
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.