Seed 1.6 ist ByteDance Seeds universelles multimodales Modell mit adaptivem Nachdenken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen auf Grundlage einer Oberfläche oder eines Dokuments. Es nimmt Anweisungen und Quellmaterial entgegen und liefert Text wie Antworten, Analysen oder Code. Die adaptive Version bleibt eigenständig gegenüber Seed1.6-Thinking, Flash und späteren Seed-Generationen.
Der Hersteller beschreibt ein dünn besetztes Mixture-of-Experts-Modell mit insgesamt 230 Milliarden und 23 Milliarden aktiven Parametern. Das Training beginnt mit Text, setzt sich mit gemischtem Text- und Bildmaterial fort und erweitert anschliessend die Sequenzlänge von 32K auf 256K. Dadurch erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext umfasst weiterhin Dialog und generiertes Ergebnis gemeinsam; lassen Sie daher Platz für die Antwort, statt ihn als unabhängiges Ausgabebudget zu behandeln.
Bewahren Sie bei Dokumentaufgaben Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Geben Sie an, welchen Vergleich oder welche Extraktion das Material ermöglichen soll. Eine hilfreiche Aufgabenbeschreibung lautet: «Vergleiche die Bedingungen in diesen beiden Dokumenten, identifiziere jeden wesentlichen Unterschied und zitiere die zugehörige Textstelle neben jedem Befund.» Erklären Sie bei einem Screenshot, was der Nutzer erreichen will, und verlangen Sie eine Interpretation anhand der sichtbaren Beschriftungen.
Seed1.6 führt Adaptive Chain-of-Thought mit drei Herstellermodi ein. FullCoT denkt vor der Antwort auf jeden Prompt nach. NoCoT antwortet direkt. AdaCoT entscheidet je nach Frage, ob es nachdenkt. Das Training belohnt ein angemessenes Mass an Nachdenken statt unnötig langer Gedankengänge bei jeder Anfrage.
Wählen Sie die Aufgabentiefe nach dem erforderlichen Ergebnis: Direkte Extraktion oder Überarbeitung können eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen braucht. Benennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein ausgedehnter Denkprozess ist nur hilfreich, wenn er die benötigte Antwort unterstützt.
Das multimodale Training verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild und die für seine Interpretation nötigen umgebenden Beschriftungen bereit. Erklären Sie bei einem Schaubild die Frage und bewahren Sie seine Anmerkungen; unterscheiden Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Der Hersteller nennt in seiner Evaluationsdiskussion unscharfe Schaubilder als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.
Kennzeichnen Sie bei einer Oberflächenaufgabe, ob der Screenshot den aktuellen Zustand oder das beabsichtigte Design zeigt. Fordern Sie die sichtbaren Bedienelemente oder den Code für das angegebene Verhalten an und nutzen Sie anschliessend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer ausgeführten Oberflächenaktion.
Das ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgaben und Werkzeugnutzung mit 256K Kontext, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschliesslich Schlussfolgern. Die Anwendung stellt Werkzeugdefinitionen bereit und führt ausgewählte Operationen aus; Beobachtungen werden für den nächsten Schritt zurückgegeben. Nutzen Sie diese Ergebnisse als Belege und halten Sie den Dialog auf die Aufgabe ausgerichtet.
Ein praktisches Endergebnis kann eine gelöste Aufgabe, ein gezielter Codevorschlag oder ein quellenbelegter analytischer Datensatz sein. Legen Sie Sprache, zwingende Terminologie und Abschlusskriterium fest. Prüfen Sie extrahierte Werte anhand der Quelle und kennzeichnen Sie fehlende Informationen ausdrücklich. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed-1.6-Version und ihre dokumentierten Modusunterschiede erhalten bleiben.
", "aboutText": "Seed 1.6 ist ByteDance Seeds universelles multimodales Modell mit adaptivem Nachdenken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen auf Grundlage einer Oberfläche oder eines Dokuments. Es nimmt Anweisungen und Quellmaterial entgegen und liefert Text wie Antworten, Analysen oder Code. Die adaptive Version bleibt eigenständig gegenüber Seed1.6-Thinking, Flash und späteren Seed-Generationen.\n\n### Multimodales Training und langer Kontext\n\nDer Hersteller beschreibt ein dünn besetztes Mixture-of-Experts-Modell mit insgesamt 230 Milliarden und 23 Milliarden aktiven Parametern. Das Training beginnt mit Text, setzt sich mit gemischtem Text- und Bildmaterial fort und erweitert anschliessend die Sequenzlänge von 32K auf 256K. Dadurch erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext umfasst weiterhin Dialog und generiertes Ergebnis gemeinsam; lassen Sie daher Platz für die Antwort, statt ihn als unabhängiges Ausgabebudget zu behandeln.\n\nBewahren Sie bei Dokumentaufgaben Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Geben Sie an, welchen Vergleich oder welche Extraktion das Material ermöglichen soll. Eine hilfreiche Aufgabenbeschreibung lautet: «Vergleiche die Bedingungen in diesen beiden Dokumenten, identifiziere jeden wesentlichen Unterschied und zitiere die zugehörige Textstelle neben jedem Befund.» Erklären Sie bei einem Screenshot, was der Nutzer erreichen will, und verlangen Sie eine Interpretation anhand der sichtbaren Beschriftungen.\n\n### Adaptives Nachdenken\n\nSeed1.6 führt Adaptive Chain-of-Thought mit drei Herstellermodi ein. FullCoT denkt vor der Antwort auf jeden Prompt nach. NoCoT antwortet direkt. AdaCoT entscheidet je nach Frage, ob es nachdenkt. Das Training belohnt ein angemessenes Mass an Nachdenken statt unnötig langer Gedankengänge bei jeder Anfrage.\n\nWählen Sie die Aufgabentiefe nach dem erforderlichen Ergebnis: Direkte Extraktion oder Überarbeitung können eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen braucht. Benennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein ausgedehnter Denkprozess ist nur hilfreich, wenn er die benötigte Antwort unterstützt.\n\n### Visuelles Schlussfolgern und Vorbereitung\n\nDas multimodale Training verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild und die für seine Interpretation nötigen umgebenden Beschriftungen bereit. Erklären Sie bei einem Schaubild die Frage und bewahren Sie seine Anmerkungen; unterscheiden Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Der Hersteller nennt in seiner Evaluationsdiskussion unscharfe Schaubilder als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.\n\nKennzeichnen Sie bei einer Oberflächenaufgabe, ob der Screenshot den aktuellen Zustand oder das beabsichtigte Design zeigt. Fordern Sie die sichtbaren Bedienelemente oder den Code für das angegebene Verhalten an und nutzen Sie anschliessend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer ausgeführten Oberflächenaktion.\n\n### Werkzeugnutzung und Antwortgrenzen\n\nDas ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgaben und Werkzeugnutzung mit 256K Kontext, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschliesslich Schlussfolgern. Die Anwendung stellt Werkzeugdefinitionen bereit und führt ausgewählte Operationen aus; Beobachtungen werden für den nächsten Schritt zurückgegeben. Nutzen Sie diese Ergebnisse als Belege und halten Sie den Dialog auf die Aufgabe ausgerichtet.\n\nEin praktisches Endergebnis kann eine gelöste Aufgabe, ein gezielter Codevorschlag oder ein quellenbelegter analytischer Datensatz sein. Legen Sie Sprache, zwingende Terminologie und Abschlusskriterium fest. Prüfen Sie extrahierte Werte anhand der Quelle und kennzeichnen Sie fehlende Informationen ausdrücklich. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed-1.6-Version und ihre dokumentierten Modusunterschiede erhalten bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.bytedance-seed/seed-1.6Seed 1.6 verbindet Text- und Bildverständnis mit adaptivem Schlussfolgern und einem Kontext von 256K. Seine Modi FullCoT, NoCoT und AdaCoT erlauben dem Herstellerprofil, vertiefte Analyse oder direkte Antworten an die Aufgabe anzupassen und Erklärungen, Code und quellenbezogene Befunde zu erzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Seed 1.6 ist ByteDance Seeds universelles multimodales Modell mit adaptivem Nachdenken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen auf Grundlage einer Oberfläche oder eines Dokuments. Es nimmt Anweisungen und Quellmaterial entgegen und liefert Text wie Antworten, Analysen oder Code. Die adaptive Version bleibt eigenständig gegenüber Seed1.6-Thinking, Flash und späteren Seed-Generationen.
Der Hersteller beschreibt ein dünn besetztes Mixture-of-Experts-Modell mit insgesamt 230 Milliarden und 23 Milliarden aktiven Parametern. Das Training beginnt mit Text, setzt sich mit gemischtem Text- und Bildmaterial fort und erweitert anschliessend die Sequenzlänge von 32K auf 256K. Dadurch erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext umfasst weiterhin Dialog und generiertes Ergebnis gemeinsam; lassen Sie daher Platz für die Antwort, statt ihn als unabhängiges Ausgabebudget zu behandeln.
Bewahren Sie bei Dokumentaufgaben Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Geben Sie an, welchen Vergleich oder welche Extraktion das Material ermöglichen soll. Eine hilfreiche Aufgabenbeschreibung lautet: «Vergleiche die Bedingungen in diesen beiden Dokumenten, identifiziere jeden wesentlichen Unterschied und zitiere die zugehörige Textstelle neben jedem Befund.» Erklären Sie bei einem Screenshot, was der Nutzer erreichen will, und verlangen Sie eine Interpretation anhand der sichtbaren Beschriftungen.
Seed1.6 führt Adaptive Chain-of-Thought mit drei Herstellermodi ein. FullCoT denkt vor der Antwort auf jeden Prompt nach. NoCoT antwortet direkt. AdaCoT entscheidet je nach Frage, ob es nachdenkt. Das Training belohnt ein angemessenes Mass an Nachdenken statt unnötig langer Gedankengänge bei jeder Anfrage.
Wählen Sie die Aufgabentiefe nach dem erforderlichen Ergebnis: Direkte Extraktion oder Überarbeitung können eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen braucht. Benennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein ausgedehnter Denkprozess ist nur hilfreich, wenn er die benötigte Antwort unterstützt.
Das multimodale Training verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild und die für seine Interpretation nötigen umgebenden Beschriftungen bereit. Erklären Sie bei einem Schaubild die Frage und bewahren Sie seine Anmerkungen; unterscheiden Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Der Hersteller nennt in seiner Evaluationsdiskussion unscharfe Schaubilder als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.
Kennzeichnen Sie bei einer Oberflächenaufgabe, ob der Screenshot den aktuellen Zustand oder das beabsichtigte Design zeigt. Fordern Sie die sichtbaren Bedienelemente oder den Code für das angegebene Verhalten an und nutzen Sie anschliessend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer ausgeführten Oberflächenaktion.
Das ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgaben und Werkzeugnutzung mit 256K Kontext, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschliesslich Schlussfolgern. Die Anwendung stellt Werkzeugdefinitionen bereit und führt ausgewählte Operationen aus; Beobachtungen werden für den nächsten Schritt zurückgegeben. Nutzen Sie diese Ergebnisse als Belege und halten Sie den Dialog auf die Aufgabe ausgerichtet.
Ein praktisches Endergebnis kann eine gelöste Aufgabe, ein gezielter Codevorschlag oder ein quellenbelegter analytischer Datensatz sein. Legen Sie Sprache, zwingende Terminologie und Abschlusskriterium fest. Prüfen Sie extrahierte Werte anhand der Quelle und kennzeichnen Sie fehlende Informationen ausdrücklich. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed-1.6-Version und ihre dokumentierten Modusunterschiede erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits bytedance-seed/seed-1.6 | 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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich128'000 | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als128'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.001 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "bytedance-seed/seed-1.6", "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='bytedance-seed/seed-1.6',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='bytedance-seed/seed-1.6',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 bytedance-seed/seed-1.6
Verwenden Sie die oben angezeigten Methodenpfade.
bytedance-seed/seed-1.6Seed 1.6 verbindet Text- und Bildverständnis mit adaptivem Schlussfolgern und einem Kontext von 256K. Seine Modi FullCoT, NoCoT und AdaCoT erlauben dem Herstellerprofil, vertiefte Analyse oder direkte Antworten an die Aufgabe anzupassen und Erklärungen, Code und quellenbezogene Befunde zu erzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Seed 1.6 ist ByteDance Seeds universelles multimodales Modell mit adaptivem Nachdenken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen auf Grundlage einer Oberfläche oder eines Dokuments. Es nimmt Anweisungen und Quellmaterial entgegen und liefert Text wie Antworten, Analysen oder Code. Die adaptive Version bleibt eigenständig gegenüber Seed1.6-Thinking, Flash und späteren Seed-Generationen.
Der Hersteller beschreibt ein dünn besetztes Mixture-of-Experts-Modell mit insgesamt 230 Milliarden und 23 Milliarden aktiven Parametern. Das Training beginnt mit Text, setzt sich mit gemischtem Text- und Bildmaterial fort und erweitert anschliessend die Sequenzlänge von 32K auf 256K. Dadurch erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext umfasst weiterhin Dialog und generiertes Ergebnis gemeinsam; lassen Sie daher Platz für die Antwort, statt ihn als unabhängiges Ausgabebudget zu behandeln.
Bewahren Sie bei Dokumentaufgaben Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Geben Sie an, welchen Vergleich oder welche Extraktion das Material ermöglichen soll. Eine hilfreiche Aufgabenbeschreibung lautet: «Vergleiche die Bedingungen in diesen beiden Dokumenten, identifiziere jeden wesentlichen Unterschied und zitiere die zugehörige Textstelle neben jedem Befund.» Erklären Sie bei einem Screenshot, was der Nutzer erreichen will, und verlangen Sie eine Interpretation anhand der sichtbaren Beschriftungen.
Seed1.6 führt Adaptive Chain-of-Thought mit drei Herstellermodi ein. FullCoT denkt vor der Antwort auf jeden Prompt nach. NoCoT antwortet direkt. AdaCoT entscheidet je nach Frage, ob es nachdenkt. Das Training belohnt ein angemessenes Mass an Nachdenken statt unnötig langer Gedankengänge bei jeder Anfrage.
Wählen Sie die Aufgabentiefe nach dem erforderlichen Ergebnis: Direkte Extraktion oder Überarbeitung können eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen braucht. Benennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein ausgedehnter Denkprozess ist nur hilfreich, wenn er die benötigte Antwort unterstützt.
Das multimodale Training verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild und die für seine Interpretation nötigen umgebenden Beschriftungen bereit. Erklären Sie bei einem Schaubild die Frage und bewahren Sie seine Anmerkungen; unterscheiden Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Der Hersteller nennt in seiner Evaluationsdiskussion unscharfe Schaubilder als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.
Kennzeichnen Sie bei einer Oberflächenaufgabe, ob der Screenshot den aktuellen Zustand oder das beabsichtigte Design zeigt. Fordern Sie die sichtbaren Bedienelemente oder den Code für das angegebene Verhalten an und nutzen Sie anschliessend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer ausgeführten Oberflächenaktion.
Das ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgaben und Werkzeugnutzung mit 256K Kontext, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschliesslich Schlussfolgern. Die Anwendung stellt Werkzeugdefinitionen bereit und führt ausgewählte Operationen aus; Beobachtungen werden für den nächsten Schritt zurückgegeben. Nutzen Sie diese Ergebnisse als Belege und halten Sie den Dialog auf die Aufgabe ausgerichtet.
Ein praktisches Endergebnis kann eine gelöste Aufgabe, ein gezielter Codevorschlag oder ein quellenbelegter analytischer Datensatz sein. Legen Sie Sprache, zwingende Terminologie und Abschlusskriterium fest. Prüfen Sie extrahierte Werte anhand der Quelle und kennzeichnen Sie fehlende Informationen ausdrücklich. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed-1.6-Version und ihre dokumentierten Modusunterschiede erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits bytedance-seed/seed-1.6 | 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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich128'000 | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als128'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.001 / 1K Tokens Ausgabe · Ausgabetoken $0.008 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "bytedance-seed/seed-1.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'bytedance-seed/seed-1.6', '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': 'bytedance-seed/seed-1.6', '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 bytedance-seed/seed-1.6
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.