Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small ist Inference.nets auf Extraktionsqualität ausgerichtetes Modell zur Umwandlung von HTML in schemakonformes JSON. Der Hersteller entwickelt es für komplexe Schemas und lange Seiten, mit einer anderen Aufgabenrolle als das durchsatzorientierte V2 Turbo. Es liest HTML und das Schema des Aufrufers und gibt den entsprechenden strukturierten Datensatz zurück. Das Ziel ist die Extraktion der für eine nachgelagerte Anwendung nötigen Fakten und keine breite Gesprächsantwort.
Laut Herstellerleitfaden gehören Extraktionsanweisungen in das Schema statt in einen natürlichsprachlichen System- oder Nutzerprompt. Definieren Sie den Typ jeder Eigenschaft und erklären Sie ihre Bedeutung in der Feldbeschreibung. Verschachtelte Objekte und Listen werden unterstützt. Ein Produktdatensatz kann beispielsweise eine Produktkennung vom angezeigten Namen unterscheiden und Spezifikationswerte in einem eigenen Objekt gruppieren.
Klären Sie bei einer komplexen Seite mehrdeutige Feldbedeutungen vor der Extraktion. Erklären Sie, ob ein Datum Veröffentlichung, Ereignis oder Überarbeitung bezeichnet und wie mehrere Quellenwerte darzustellen sind. Verwenden Sie eine Schemakonvention für fehlende Informationen, damit das Modell keinen Wert erfinden muss, um das Objekt vollständig erscheinen zu lassen. Der Hersteller zeigt typisierte Modelle und JSON Schema neben der Validierung des zurückgegebenen JSON.
Die empfohlene HTML-Vorverarbeitung entfernt Skripte, Styles und Standardbestandteile und bewahrt relevante Inhalte. Der Hersteller rät zu einem vorsichtigen Vorgehen: Zu viel Entfernung kann Informationen verlieren, die für die Extraktion nötig sind. Bewahren Sie Tabellenüberschriften, verschachtelte Beschriftungen und benachbarten Text, der die Bedeutung eines Werts festlegt. Beschränken Sie sich auf den relevanten Bereich, wenn die Seite unbeteiligte Navigation oder wiederholtes Material enthält.
Eine Beispielaufgabe extrahiert einen technischen Datensatz aus einer Produktseite mit mehreren Konfigurationstabellen. Die Eingabe sollte bewahren, welche Tabelle zu welcher Variante gehört, und das Schema die gewünschte Variante oder Variantenliste beschreiben. Das resultierende JSON lässt sich danach anhand dieser Quellenzeilen prüfen, statt als Zusammenfassung der gesamten Website zu gelten.
V2 Small betont die Extraktionsqualität für schwierige Schemas und langes HTML. Turbo ist die separate, für höheren Seitendurchsatz optimierte Version. Beide teilen den dokumentierten 128K-Kontext und den strikt schemageleiteten JSON-Ablauf der V2-Familie. Das Kontextbudget umfasst Eingabe und angeforderte Ausgabe zusammen; richten Sie eine grosse Seite daher auf den tatsächlich benötigten Datensatz aus.
Ein strukturiertes Objekt kann Katalogimport, Dokumentparsing oder eine Belegebene für eine suchgestützte Antwort unterstützen. Die Anwendung beschafft die Quellseite, stellt das Schema bereit und validiert die Ausgabe vor ihrer Verwendung. Bewahren Sie Seitenkennung oder Quellenzuordnung in diesem umgebenden Ablauf. Enthält der Datensatz Zahlen, vergleichen Sie Einheiten und beabsichtigte Interpretation mit der Quelle.
Schemakonformität belegt die Form des Ergebnisses; sie prüft nicht unabhängig jede extrahierte Tatsache. Vergleichen Sie repräsentative Datensätze mit dem Original-HTML und definieren Sie den Umgang mit widersprüchlichen oder fehlenden Informationen. V2 Small bleibt eine eigene benannte Veröffentlichung, getrennt von V1-Checkpoints mit offenen Gewichten. Seine dokumentierte Schnittstelle ist HTML-zu-JSON-Extraktion und bedeutet weder Bildeingaben noch allgemeine Gespräche, automatischen Webzugriff oder einen nativen Werkzeugausführungsablauf.
", "aboutText": "Schematron V2 Small ist Inference.nets auf Extraktionsqualität ausgerichtetes Modell zur Umwandlung von HTML in schemakonformes JSON. Der Hersteller entwickelt es für komplexe Schemas und lange Seiten, mit einer anderen Aufgabenrolle als das durchsatzorientierte V2 Turbo. Es liest HTML und das Schema des Aufrufers und gibt den entsprechenden strukturierten Datensatz zurück. Das Ziel ist die Extraktion der für eine nachgelagerte Anwendung nötigen Fakten und keine breite Gesprächsantwort.\n\n### Das Schema als Aufgabenbeschreibung\n\nLaut Herstellerleitfaden gehören Extraktionsanweisungen in das Schema statt in einen natürlichsprachlichen System- oder Nutzerprompt. Definieren Sie den Typ jeder Eigenschaft und erklären Sie ihre Bedeutung in der Feldbeschreibung. Verschachtelte Objekte und Listen werden unterstützt. Ein Produktdatensatz kann beispielsweise eine Produktkennung vom angezeigten Namen unterscheiden und Spezifikationswerte in einem eigenen Objekt gruppieren.\n\nKlären Sie bei einer komplexen Seite mehrdeutige Feldbedeutungen vor der Extraktion. Erklären Sie, ob ein Datum Veröffentlichung, Ereignis oder Überarbeitung bezeichnet und wie mehrere Quellenwerte darzustellen sind. Verwenden Sie eine Schemakonvention für fehlende Informationen, damit das Modell keinen Wert erfinden muss, um das Objekt vollständig erscheinen zu lassen. Der Hersteller zeigt typisierte Modelle und JSON Schema neben der Validierung des zurückgegebenen JSON.\n\n### Ein langes Dokument vorbereiten\n\nDie empfohlene HTML-Vorverarbeitung entfernt Skripte, Styles und Standardbestandteile und bewahrt relevante Inhalte. Der Hersteller rät zu einem vorsichtigen Vorgehen: Zu viel Entfernung kann Informationen verlieren, die für die Extraktion nötig sind. Bewahren Sie Tabellenüberschriften, verschachtelte Beschriftungen und benachbarten Text, der die Bedeutung eines Werts festlegt. Beschränken Sie sich auf den relevanten Bereich, wenn die Seite unbeteiligte Navigation oder wiederholtes Material enthält.\n\nEine Beispielaufgabe extrahiert einen technischen Datensatz aus einer Produktseite mit mehreren Konfigurationstabellen. Die Eingabe sollte bewahren, welche Tabelle zu welcher Variante gehört, und das Schema die gewünschte Variante oder Variantenliste beschreiben. Das resultierende JSON lässt sich danach anhand dieser Quellenzeilen prüfen, statt als Zusammenfassung der gesamten Website zu gelten.\n\n### Small und Turbo sind getrennte Optionen\n\nV2 Small betont die Extraktionsqualität für schwierige Schemas und langes HTML. Turbo ist die separate, für höheren Seitendurchsatz optimierte Version. Beide teilen den dokumentierten 128K-Kontext und den strikt schemageleiteten JSON-Ablauf der V2-Familie. Das Kontextbudget umfasst Eingabe und angeforderte Ausgabe zusammen; richten Sie eine grosse Seite daher auf den tatsächlich benötigten Datensatz aus.\n\n### Von der Extraktion zu Anwendungsdaten\n\nEin strukturiertes Objekt kann Katalogimport, Dokumentparsing oder eine Belegebene für eine suchgestützte Antwort unterstützen. Die Anwendung beschafft die Quellseite, stellt das Schema bereit und validiert die Ausgabe vor ihrer Verwendung. Bewahren Sie Seitenkennung oder Quellenzuordnung in diesem umgebenden Ablauf. Enthält der Datensatz Zahlen, vergleichen Sie Einheiten und beabsichtigte Interpretation mit der Quelle.\n\nSchemakonformität belegt die Form des Ergebnisses; sie prüft nicht unabhängig jede extrahierte Tatsache. Vergleichen Sie repräsentative Datensätze mit dem Original-HTML und definieren Sie den Umgang mit widersprüchlichen oder fehlenden Informationen. V2 Small bleibt eine eigene benannte Veröffentlichung, getrennt von V1-Checkpoints mit offenen Gewichten. Seine dokumentierte Schnittstelle ist HTML-zu-JSON-Extraktion und bedeutet weder Bildeingaben noch allgemeine Gespräche, automatischen Webzugriff oder einen nativen Werkzeugausführungsablauf.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.inference-net/schematron-v2-smallSchematron V2 Small extrahiert schemadefinierte Fakten aus bereitgestelltem HTML in typisiertes JSON. Es ist die qualitätsorientierte V2-Option für komplexe Schemas und lange Seiten, mit einem 128K-Herstellerkontext, verschachtelten Datensätzen und Feldbeschreibungen, die die zurückzugebenden Daten festlegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schematron V2 Small ist Inference.nets auf Extraktionsqualität ausgerichtetes Modell zur Umwandlung von HTML in schemakonformes JSON. Der Hersteller entwickelt es für komplexe Schemas und lange Seiten, mit einer anderen Aufgabenrolle als das durchsatzorientierte V2 Turbo. Es liest HTML und das Schema des Aufrufers und gibt den entsprechenden strukturierten Datensatz zurück. Das Ziel ist die Extraktion der für eine nachgelagerte Anwendung nötigen Fakten und keine breite Gesprächsantwort.
Laut Herstellerleitfaden gehören Extraktionsanweisungen in das Schema statt in einen natürlichsprachlichen System- oder Nutzerprompt. Definieren Sie den Typ jeder Eigenschaft und erklären Sie ihre Bedeutung in der Feldbeschreibung. Verschachtelte Objekte und Listen werden unterstützt. Ein Produktdatensatz kann beispielsweise eine Produktkennung vom angezeigten Namen unterscheiden und Spezifikationswerte in einem eigenen Objekt gruppieren.
Klären Sie bei einer komplexen Seite mehrdeutige Feldbedeutungen vor der Extraktion. Erklären Sie, ob ein Datum Veröffentlichung, Ereignis oder Überarbeitung bezeichnet und wie mehrere Quellenwerte darzustellen sind. Verwenden Sie eine Schemakonvention für fehlende Informationen, damit das Modell keinen Wert erfinden muss, um das Objekt vollständig erscheinen zu lassen. Der Hersteller zeigt typisierte Modelle und JSON Schema neben der Validierung des zurückgegebenen JSON.
Die empfohlene HTML-Vorverarbeitung entfernt Skripte, Styles und Standardbestandteile und bewahrt relevante Inhalte. Der Hersteller rät zu einem vorsichtigen Vorgehen: Zu viel Entfernung kann Informationen verlieren, die für die Extraktion nötig sind. Bewahren Sie Tabellenüberschriften, verschachtelte Beschriftungen und benachbarten Text, der die Bedeutung eines Werts festlegt. Beschränken Sie sich auf den relevanten Bereich, wenn die Seite unbeteiligte Navigation oder wiederholtes Material enthält.
Eine Beispielaufgabe extrahiert einen technischen Datensatz aus einer Produktseite mit mehreren Konfigurationstabellen. Die Eingabe sollte bewahren, welche Tabelle zu welcher Variante gehört, und das Schema die gewünschte Variante oder Variantenliste beschreiben. Das resultierende JSON lässt sich danach anhand dieser Quellenzeilen prüfen, statt als Zusammenfassung der gesamten Website zu gelten.
V2 Small betont die Extraktionsqualität für schwierige Schemas und langes HTML. Turbo ist die separate, für höheren Seitendurchsatz optimierte Version. Beide teilen den dokumentierten 128K-Kontext und den strikt schemageleiteten JSON-Ablauf der V2-Familie. Das Kontextbudget umfasst Eingabe und angeforderte Ausgabe zusammen; richten Sie eine grosse Seite daher auf den tatsächlich benötigten Datensatz aus.
Ein strukturiertes Objekt kann Katalogimport, Dokumentparsing oder eine Belegebene für eine suchgestützte Antwort unterstützen. Die Anwendung beschafft die Quellseite, stellt das Schema bereit und validiert die Ausgabe vor ihrer Verwendung. Bewahren Sie Seitenkennung oder Quellenzuordnung in diesem umgebenden Ablauf. Enthält der Datensatz Zahlen, vergleichen Sie Einheiten und beabsichtigte Interpretation mit der Quelle.
Schemakonformität belegt die Form des Ergebnisses; sie prüft nicht unabhängig jede extrahierte Tatsache. Vergleichen Sie repräsentative Datensätze mit dem Original-HTML und definieren Sie den Umgang mit widersprüchlichen oder fehlenden Informationen. V2 Small bleibt eine eigene benannte Veröffentlichung, getrennt von V1-Checkpoints mit offenen Gewichten. Seine dokumentierte Schnittstelle ist HTML-zu-JSON-Extraktion und bedeutet weder Bildeingaben noch allgemeine Gespräche, automatischen Webzugriff oder einen nativen Werkzeugausführungsablauf.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inference-net/schematron-v2-small | 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00046 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00046 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inference-net/schematron-v2-small", "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-small',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-small',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-small
Verwenden Sie die oben angezeigten Methodenpfade.
inference-net/schematron-v2-smallSchematron V2 Small extrahiert schemadefinierte Fakten aus bereitgestelltem HTML in typisiertes JSON. Es ist die qualitätsorientierte V2-Option für komplexe Schemas und lange Seiten, mit einem 128K-Herstellerkontext, verschachtelten Datensätzen und Feldbeschreibungen, die die zurückzugebenden Daten festlegen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schematron V2 Small ist Inference.nets auf Extraktionsqualität ausgerichtetes Modell zur Umwandlung von HTML in schemakonformes JSON. Der Hersteller entwickelt es für komplexe Schemas und lange Seiten, mit einer anderen Aufgabenrolle als das durchsatzorientierte V2 Turbo. Es liest HTML und das Schema des Aufrufers und gibt den entsprechenden strukturierten Datensatz zurück. Das Ziel ist die Extraktion der für eine nachgelagerte Anwendung nötigen Fakten und keine breite Gesprächsantwort.
Laut Herstellerleitfaden gehören Extraktionsanweisungen in das Schema statt in einen natürlichsprachlichen System- oder Nutzerprompt. Definieren Sie den Typ jeder Eigenschaft und erklären Sie ihre Bedeutung in der Feldbeschreibung. Verschachtelte Objekte und Listen werden unterstützt. Ein Produktdatensatz kann beispielsweise eine Produktkennung vom angezeigten Namen unterscheiden und Spezifikationswerte in einem eigenen Objekt gruppieren.
Klären Sie bei einer komplexen Seite mehrdeutige Feldbedeutungen vor der Extraktion. Erklären Sie, ob ein Datum Veröffentlichung, Ereignis oder Überarbeitung bezeichnet und wie mehrere Quellenwerte darzustellen sind. Verwenden Sie eine Schemakonvention für fehlende Informationen, damit das Modell keinen Wert erfinden muss, um das Objekt vollständig erscheinen zu lassen. Der Hersteller zeigt typisierte Modelle und JSON Schema neben der Validierung des zurückgegebenen JSON.
Die empfohlene HTML-Vorverarbeitung entfernt Skripte, Styles und Standardbestandteile und bewahrt relevante Inhalte. Der Hersteller rät zu einem vorsichtigen Vorgehen: Zu viel Entfernung kann Informationen verlieren, die für die Extraktion nötig sind. Bewahren Sie Tabellenüberschriften, verschachtelte Beschriftungen und benachbarten Text, der die Bedeutung eines Werts festlegt. Beschränken Sie sich auf den relevanten Bereich, wenn die Seite unbeteiligte Navigation oder wiederholtes Material enthält.
Eine Beispielaufgabe extrahiert einen technischen Datensatz aus einer Produktseite mit mehreren Konfigurationstabellen. Die Eingabe sollte bewahren, welche Tabelle zu welcher Variante gehört, und das Schema die gewünschte Variante oder Variantenliste beschreiben. Das resultierende JSON lässt sich danach anhand dieser Quellenzeilen prüfen, statt als Zusammenfassung der gesamten Website zu gelten.
V2 Small betont die Extraktionsqualität für schwierige Schemas und langes HTML. Turbo ist die separate, für höheren Seitendurchsatz optimierte Version. Beide teilen den dokumentierten 128K-Kontext und den strikt schemageleiteten JSON-Ablauf der V2-Familie. Das Kontextbudget umfasst Eingabe und angeforderte Ausgabe zusammen; richten Sie eine grosse Seite daher auf den tatsächlich benötigten Datensatz aus.
Ein strukturiertes Objekt kann Katalogimport, Dokumentparsing oder eine Belegebene für eine suchgestützte Antwort unterstützen. Die Anwendung beschafft die Quellseite, stellt das Schema bereit und validiert die Ausgabe vor ihrer Verwendung. Bewahren Sie Seitenkennung oder Quellenzuordnung in diesem umgebenden Ablauf. Enthält der Datensatz Zahlen, vergleichen Sie Einheiten und beabsichtigte Interpretation mit der Quelle.
Schemakonformität belegt die Form des Ergebnisses; sie prüft nicht unabhängig jede extrahierte Tatsache. Vergleichen Sie repräsentative Datensätze mit dem Original-HTML und definieren Sie den Umgang mit widersprüchlichen oder fehlenden Informationen. V2 Small bleibt eine eigene benannte Veröffentlichung, getrennt von V1-Checkpoints mit offenen Gewichten. Seine dokumentierte Schnittstelle ist HTML-zu-JSON-Extraktion und bedeutet weder Bildeingaben noch allgemeine Gespräche, automatischen Webzugriff oder einen nativen Werkzeugausführungsablauf.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inference-net/schematron-v2-small | 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00046 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00046 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small', '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-small', '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-small
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.Capacity: 350 ml
Capacity: 600 ml