Seed 1.6 ist das allgemeine multimodale Modell von ByteDance Seed mit adaptivem Denken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen, die auf einer Oberfläche oder einem Dokument beruhen. Es erhält Anweisungen und Quellmaterial und gibt Text zurück, etwa eine Antwort, Analyse oder Code. Seine adaptive Edition bleibt von Seed1.6-Thinking, Flash und späteren Seed-Generationen getrennt.
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. Damit erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext enthält weiterhin Dialog und erzeugtes Ergebnis gemeinsam; lassen Sie deshalb Platz für die Antwort, statt ihn als eigenständiges Ausgabebudget zu betrachten.
Bewahren Sie bei einer Dokumentaufgabe Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Fordern Sie den Vergleich oder die Extraktion an, die das Material stützen soll. Ein hilfreiches Briefing lautet: „Vergleiche die Bedingungen in diesen beiden Dokumenten, ermittle jeden wesentlichen Unterschied und zitiere neben jedem Befund die relevante Passage.“ Erläutern Sie bei einem Screenshot das Ziel des Nutzers und fordern Sie eine Interpretation anhand der sichtbaren Beschriftungen an.
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 ein Denkprozess nötig ist. Das Training belohnt einen angemessenen Denkumfang statt unnötig langer Überlegungen bei jeder Anfrage.
Wählen Sie die Tiefe der Aufgabe nach dem benötigten Ergebnis: Direkte Extraktion oder Textüberarbeitung kann eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen benötigt. Nennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein längerer Denkprozess ist nur dann nützlich, wenn er die benötigte Antwort stützt.
Das multimodale Training des Modells verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild bereit und fügen Sie die für seine Interpretation nötigen umgebenden Beschriftungen hinzu. Erläutern Sie bei einer schematischen Darstellung die Frage und bewahren Sie ihre Anmerkungen; trennen Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Die Evaluationsdiskussion des Herstellers nennt unscharfe Darstellungen als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.
Geben Sie bei einer Oberflächenaufgabe an, ob der Screenshot den aktuellen Zustand oder den gewünschten Entwurf zeigt. Fragen Sie nach den sichtbaren Steuerelementen oder dem für das festgelegte Verhalten nötigen Code und verwenden Sie anschließend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer abgeschlossenen Oberflächenaktion.
Das ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgabe und Werkzeugnutzung mit einem Kontext von 256K, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschließlich Denkprozess. Die Anwendung liefert Werkzeugdefinitionen und führt die gewählten Operationen aus; sie gibt Beobachtungen für den nächsten Schritt zurück. Verwenden Sie diese Ergebnisse als Belege und richten Sie den Dialog auf die Aufgabe aus.
Ein praktisches Endergebnis kann ein gelöstes Problem, ein gezielter Codevorschlag oder ein quellenbasierter analytischer Datensatz sein. Geben Sie Sprache, verbindliche Begriffe und Abschlusskriterium an. Prüfen Sie extrahierte Werte anhand der Quelle und halten Sie fehlende Informationen ausdrücklich fest. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed 1.6-Edition und ihre dokumentierten Modusunterschiede erhalten bleiben.
", "aboutText": "Seed 1.6 ist das allgemeine multimodale Modell von ByteDance Seed mit adaptivem Denken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen, die auf einer Oberfläche oder einem Dokument beruhen. Es erhält Anweisungen und Quellmaterial und gibt Text zurück, etwa eine Antwort, Analyse oder Code. Seine adaptive Edition bleibt von Seed1.6-Thinking, Flash und späteren Seed-Generationen getrennt.\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. Damit erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext enthält weiterhin Dialog und erzeugtes Ergebnis gemeinsam; lassen Sie deshalb Platz für die Antwort, statt ihn als eigenständiges Ausgabebudget zu betrachten.\n\nBewahren Sie bei einer Dokumentaufgabe Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Fordern Sie den Vergleich oder die Extraktion an, die das Material stützen soll. Ein hilfreiches Briefing lautet: „Vergleiche die Bedingungen in diesen beiden Dokumenten, ermittle jeden wesentlichen Unterschied und zitiere neben jedem Befund die relevante Passage.“ Erläutern Sie bei einem Screenshot das Ziel des Nutzers und fordern Sie eine Interpretation anhand der sichtbaren Beschriftungen an.\n\n### Adaptives Denken\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 ein Denkprozess nötig ist. Das Training belohnt einen angemessenen Denkumfang statt unnötig langer Überlegungen bei jeder Anfrage.\n\nWählen Sie die Tiefe der Aufgabe nach dem benötigten Ergebnis: Direkte Extraktion oder Textüberarbeitung kann eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen benötigt. Nennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein längerer Denkprozess ist nur dann nützlich, wenn er die benötigte Antwort stützt.\n\n### Visuelles Schlussfolgern und Vorbereitung\n\nDas multimodale Training des Modells verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild bereit und fügen Sie die für seine Interpretation nötigen umgebenden Beschriftungen hinzu. Erläutern Sie bei einer schematischen Darstellung die Frage und bewahren Sie ihre Anmerkungen; trennen Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Die Evaluationsdiskussion des Herstellers nennt unscharfe Darstellungen als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.\n\nGeben Sie bei einer Oberflächenaufgabe an, ob der Screenshot den aktuellen Zustand oder den gewünschten Entwurf zeigt. Fragen Sie nach den sichtbaren Steuerelementen oder dem für das festgelegte Verhalten nötigen Code und verwenden Sie anschließend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer abgeschlossenen Oberflächenaktion.\n\n### Werkzeugnutzung und Antwortgrenzen\n\nDas ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgabe und Werkzeugnutzung mit einem Kontext von 256K, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschließlich Denkprozess. Die Anwendung liefert Werkzeugdefinitionen und führt die gewählten Operationen aus; sie gibt Beobachtungen für den nächsten Schritt zurück. Verwenden Sie diese Ergebnisse als Belege und richten Sie den Dialog auf die Aufgabe aus.\n\nEin praktisches Endergebnis kann ein gelöstes Problem, ein gezielter Codevorschlag oder ein quellenbasierter analytischer Datensatz sein. Geben Sie Sprache, verbindliche Begriffe und Abschlusskriterium an. Prüfen Sie extrahierte Werte anhand der Quelle und halten Sie fehlende Informationen ausdrücklich fest. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed 1.6-Edition 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. Die Modi FullCoT, NoCoT und AdaCoT ermöglichen es dem Herstellerprofil, tiefere Analysen oder direkte Antworten an die Aufgabe anzupassen und Erklärungen, Code sowie quellenbasierte 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 das allgemeine multimodale Modell von ByteDance Seed mit adaptivem Denken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen, die auf einer Oberfläche oder einem Dokument beruhen. Es erhält Anweisungen und Quellmaterial und gibt Text zurück, etwa eine Antwort, Analyse oder Code. Seine adaptive Edition bleibt von Seed1.6-Thinking, Flash und späteren Seed-Generationen getrennt.
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. Damit erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext enthält weiterhin Dialog und erzeugtes Ergebnis gemeinsam; lassen Sie deshalb Platz für die Antwort, statt ihn als eigenständiges Ausgabebudget zu betrachten.
Bewahren Sie bei einer Dokumentaufgabe Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Fordern Sie den Vergleich oder die Extraktion an, die das Material stützen soll. Ein hilfreiches Briefing lautet: „Vergleiche die Bedingungen in diesen beiden Dokumenten, ermittle jeden wesentlichen Unterschied und zitiere neben jedem Befund die relevante Passage.“ Erläutern Sie bei einem Screenshot das Ziel des Nutzers und fordern Sie eine Interpretation anhand der sichtbaren Beschriftungen an.
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 ein Denkprozess nötig ist. Das Training belohnt einen angemessenen Denkumfang statt unnötig langer Überlegungen bei jeder Anfrage.
Wählen Sie die Tiefe der Aufgabe nach dem benötigten Ergebnis: Direkte Extraktion oder Textüberarbeitung kann eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen benötigt. Nennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein längerer Denkprozess ist nur dann nützlich, wenn er die benötigte Antwort stützt.
Das multimodale Training des Modells verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild bereit und fügen Sie die für seine Interpretation nötigen umgebenden Beschriftungen hinzu. Erläutern Sie bei einer schematischen Darstellung die Frage und bewahren Sie ihre Anmerkungen; trennen Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Die Evaluationsdiskussion des Herstellers nennt unscharfe Darstellungen als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.
Geben Sie bei einer Oberflächenaufgabe an, ob der Screenshot den aktuellen Zustand oder den gewünschten Entwurf zeigt. Fragen Sie nach den sichtbaren Steuerelementen oder dem für das festgelegte Verhalten nötigen Code und verwenden Sie anschließend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer abgeschlossenen Oberflächenaktion.
Das ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgabe und Werkzeugnutzung mit einem Kontext von 256K, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschließlich Denkprozess. Die Anwendung liefert Werkzeugdefinitionen und führt die gewählten Operationen aus; sie gibt Beobachtungen für den nächsten Schritt zurück. Verwenden Sie diese Ergebnisse als Belege und richten Sie den Dialog auf die Aufgabe aus.
Ein praktisches Endergebnis kann ein gelöstes Problem, ein gezielter Codevorschlag oder ein quellenbasierter analytischer Datensatz sein. Geben Sie Sprache, verbindliche Begriffe und Abschlusskriterium an. Prüfen Sie extrahierte Werte anhand der Quelle und halten Sie fehlende Informationen ausdrücklich fest. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed 1.6-Edition 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 Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich128.000 | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als128.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.001 / 1K Token Ausgabe · Ausgabetoken $0.008 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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. Die Modi FullCoT, NoCoT und AdaCoT ermöglichen es dem Herstellerprofil, tiefere Analysen oder direkte Antworten an die Aufgabe anzupassen und Erklärungen, Code sowie quellenbasierte 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 das allgemeine multimodale Modell von ByteDance Seed mit adaptivem Denken. Der Hersteller entwickelt es für textliches und visuelles Schlussfolgern, Fragen mit langem Kontext und Interaktionen, die auf einer Oberfläche oder einem Dokument beruhen. Es erhält Anweisungen und Quellmaterial und gibt Text zurück, etwa eine Antwort, Analyse oder Code. Seine adaptive Edition bleibt von Seed1.6-Thinking, Flash und späteren Seed-Generationen getrennt.
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. Damit erhält das Modell einen Kontext, in dem eine Frage mit umfangreichen Quellinformationen verbunden werden kann. Der Kontext enthält weiterhin Dialog und erzeugtes Ergebnis gemeinsam; lassen Sie deshalb Platz für die Antwort, statt ihn als eigenständiges Ausgabebudget zu betrachten.
Bewahren Sie bei einer Dokumentaufgabe Abschnittsnamen, Seitenkennzeichnungen, Tabellenüberschriften und Einheiten. Fordern Sie den Vergleich oder die Extraktion an, die das Material stützen soll. Ein hilfreiches Briefing lautet: „Vergleiche die Bedingungen in diesen beiden Dokumenten, ermittle jeden wesentlichen Unterschied und zitiere neben jedem Befund die relevante Passage.“ Erläutern Sie bei einem Screenshot das Ziel des Nutzers und fordern Sie eine Interpretation anhand der sichtbaren Beschriftungen an.
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 ein Denkprozess nötig ist. Das Training belohnt einen angemessenen Denkumfang statt unnötig langer Überlegungen bei jeder Anfrage.
Wählen Sie die Tiefe der Aufgabe nach dem benötigten Ergebnis: Direkte Extraktion oder Textüberarbeitung kann eine knappe Ausgabespezifikation erhalten, während eine mathematische Bedingung, ein Codefehler oder ein Quellenvergleich die relevanten Randbedingungen benötigt. Nennen Sie das Endergebnis getrennt von der Zwischenanalyse. Ein längerer Denkprozess ist nur dann nützlich, wenn er die benötigte Antwort stützt.
Das multimodale Training des Modells verbindet schriftliche und visuelle Belege. Stellen Sie ein lesbares Bild bereit und fügen Sie die für seine Interpretation nötigen umgebenden Beschriftungen hinzu. Erläutern Sie bei einer schematischen Darstellung die Frage und bewahren Sie ihre Anmerkungen; trennen Sie bei einem Diagramm die sichtbaren Werte von der gewünschten Interpretation. Die Evaluationsdiskussion des Herstellers nennt unscharfe Darstellungen als Ursache geringerer visueller Leistung, weshalb klare Quellbilder eine wichtige praktische Eingabeentscheidung sind.
Geben Sie bei einer Oberflächenaufgabe an, ob der Screenshot den aktuellen Zustand oder den gewünschten Entwurf zeigt. Fragen Sie nach den sichtbaren Steuerelementen oder dem für das festgelegte Verhalten nötigen Code und verwenden Sie anschließend das tatsächliche Anwendungsergebnis als Rückmeldung. Text, der einen Klick vorschlägt oder Code erzeugt, unterscheidet sich von einer abgeschlossenen Oberflächenaktion.
Das ursprüngliche Herstellerprofil dokumentiert strukturierte Ausgabe und Werkzeugnutzung mit einem Kontext von 256K, bis zu 224K Eingabe und bis zu 32K kombinierter Ausgabe einschließlich Denkprozess. Die Anwendung liefert Werkzeugdefinitionen und führt die gewählten Operationen aus; sie gibt Beobachtungen für den nächsten Schritt zurück. Verwenden Sie diese Ergebnisse als Belege und richten Sie den Dialog auf die Aufgabe aus.
Ein praktisches Endergebnis kann ein gelöstes Problem, ein gezielter Codevorschlag oder ein quellenbasierter analytischer Datensatz sein. Geben Sie Sprache, verbindliche Begriffe und Abschlusskriterium an. Prüfen Sie extrahierte Werte anhand der Quelle und halten Sie fehlende Informationen ausdrücklich fest. So bleibt die Antwort des adaptiven Modells mit der tatsächlichen Frage verbunden, während die genaue Seed 1.6-Edition 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 Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlich128.000 | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als128.000 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.001 / 1K Token Ausgabe · Ausgabetoken $0.008 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "bytedance-seed/seed-1.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.