SenseNova V6 Turbo ist SenseTimes kompakte multimodale Katalogvariante für Bild-Text-Gespräche. Die Variantentabelle des Anbieters gibt Textausgabe an, während die breitere V6-Reihe visuelles und sprachliches Verstehen für Schlussfolgern und Analyse verbindet. Turbo ist eine gesonderte Variante gegenüber der allgemeinen Version Pro und dem auf komplexes Denken ausgerichteten Reasoner. Wählen Sie die kompakte Variante für eine gezielte Bild-Text-Aufgabe.
Stellen Sie das relevante Bild oder die Passage bereit und geben Sie an, was die Antwort feststellen soll. Eine Frage zur visuellen Assistenz kann das zu interpretierende Objekt oder die Beschriftung benennen; eine Dokumentfrage kann einen Vergleich anhand sichtbarer Werte verlangen. Halten Sie das Bild für die Aufgabe ausreichend klar und bewahren Sie bei mehreren Seiten seine Quellenkennung.
Definieren Sie das erwartete Ergebnis praktisch: eine kurze Erklärung, eine Reihe extrahierter Werte, einen Vergleich oder eine Antwort auf Grundlage des bereitgestellten Materials. Geben Sie bei einem Diagramm die relevanten Datenreihen, Einheiten und den Zeitraum an. Prüfen Sie diese Details am Originalbild, statt eine flüssige Beschreibung als Beweis dafür zu akzeptieren, dass jeder Wert richtig gelesen wurde.
Die V6-Ankündigung des Anbieters beschreibt eine fusionierte multimodale Modellfamilie mit Stärken beim Schlussfolgern sowie in Mathematik und Analyse. Nutzen Sie die Textanweisung, um die Beziehung zwischen den sichtbaren Elementen zu klären. Ein Vergleich zweier Dokumentbilder kann fragen, welche angegebene Bedingung sich ändert und welcher Bereich diesen Befund stützt. Halten Sie abgeleitete Folgen von Werten getrennt, die tatsächlich in der Quelle stehen.
Eine begrenzte Aufgabe ist für die kompakte Variante nützlich: Wählen Sie das Material aus, das die Antwort verändert, und nennen Sie das Abschlusskriterium. Falls ein Wert fehlt oder das Bild mehrdeutig ist, bewahren Sie diese Unsicherheit, statt einen vollständig ausgefüllten Datensatz zu erzwingen. Die Ausgabe bleibt ein Textergebnis, das anhand der bereitgestellten Belege geprüft werden kann.
Der Hersteller führt Pro, Turbo und Reasoner getrennt auf, wobei Reasoner einen Denkprozess und eine endgültige Antwort für komplexe Denkaufgaben unterstützt. Die Demonstrationen langer Videos und Omni-Interaktionen der breiteren V6-Familie belegen nicht jedes Feld oder jede Grenze von Turbos Bild-Text-Schnittstelle. Spätere Familienveröffentlichungen haben eigene Medien- und Reasoning-Steuerungen.
Bewahren Sie die ausgewählte Turbo-Variante, das Quellmaterial und die fertige Antwort für eine Rückfrage auf. Eine nützliche Übergabe kann die Frage, das Quellbild und die Erklärung oder den extrahierten Datensatz mit den stützenden Belegen enthalten. Prüfen Sie wichtige Namen, Zahlen und visuelle Beziehungen, bevor Sie das Ergebnis in ein anderes Dokument oder einen anderen Ablauf übernehmen. So bleibt die kompakte multimodale Aufgabe konkret und die nächste Korrektur an das tatsächliche Material gebunden.
", "aboutText": "SenseNova V6 Turbo ist SenseTimes kompakte multimodale Katalogvariante für Bild-Text-Gespräche. Die Variantentabelle des Anbieters gibt Textausgabe an, während die breitere V6-Reihe visuelles und sprachliches Verstehen für Schlussfolgern und Analyse verbindet. Turbo ist eine gesonderte Variante gegenüber der allgemeinen Version Pro und dem auf komplexes Denken ausgerichteten Reasoner. Wählen Sie die kompakte Variante für eine gezielte Bild-Text-Aufgabe.\n\n### Formulieren Sie eine gezielte Bild-Text-Aufgabe\n\nStellen Sie das relevante Bild oder die Passage bereit und geben Sie an, was die Antwort feststellen soll. Eine Frage zur visuellen Assistenz kann das zu interpretierende Objekt oder die Beschriftung benennen; eine Dokumentfrage kann einen Vergleich anhand sichtbarer Werte verlangen. Halten Sie das Bild für die Aufgabe ausreichend klar und bewahren Sie bei mehreren Seiten seine Quellenkennung.\n\nDefinieren Sie das erwartete Ergebnis praktisch: eine kurze Erklärung, eine Reihe extrahierter Werte, einen Vergleich oder eine Antwort auf Grundlage des bereitgestellten Materials. Geben Sie bei einem Diagramm die relevanten Datenreihen, Einheiten und den Zeitraum an. Prüfen Sie diese Details am Originalbild, statt eine flüssige Beschreibung als Beweis dafür zu akzeptieren, dass jeder Wert richtig gelesen wurde.\n\n### Verbinden Sie Sprache und visuelle Belege\n\nDie V6-Ankündigung des Anbieters beschreibt eine fusionierte multimodale Modellfamilie mit Stärken beim Schlussfolgern sowie in Mathematik und Analyse. Nutzen Sie die Textanweisung, um die Beziehung zwischen den sichtbaren Elementen zu klären. Ein Vergleich zweier Dokumentbilder kann fragen, welche angegebene Bedingung sich ändert und welcher Bereich diesen Befund stützt. Halten Sie abgeleitete Folgen von Werten getrennt, die tatsächlich in der Quelle stehen.\n\nEine begrenzte Aufgabe ist für die kompakte Variante nützlich: Wählen Sie das Material aus, das die Antwort verändert, und nennen Sie das Abschlusskriterium. Falls ein Wert fehlt oder das Bild mehrdeutig ist, bewahren Sie diese Unsicherheit, statt einen vollständig ausgefüllten Datensatz zu erzwingen. Die Ausgabe bleibt ein Textergebnis, das anhand der bereitgestellten Belege geprüft werden kann.\n\n### Halten Sie den Umfang der Turbo-Variante klar\n\nDer Hersteller führt Pro, Turbo und Reasoner getrennt auf, wobei Reasoner einen Denkprozess und eine endgültige Antwort für komplexe Denkaufgaben unterstützt. Die Demonstrationen langer Videos und Omni-Interaktionen der breiteren V6-Familie belegen nicht jedes Feld oder jede Grenze von Turbos Bild-Text-Schnittstelle. Spätere Familienveröffentlichungen haben eigene Medien- und Reasoning-Steuerungen.\n\nBewahren Sie die ausgewählte Turbo-Variante, das Quellmaterial und die fertige Antwort für eine Rückfrage auf. Eine nützliche Übergabe kann die Frage, das Quellbild und die Erklärung oder den extrahierten Datensatz mit den stützenden Belegen enthalten. Prüfen Sie wichtige Namen, Zahlen und visuelle Beziehungen, bevor Sie das Ergebnis in ein anderes Dokument oder einen anderen Ablauf übernehmen. So bleibt die kompakte multimodale Aufgabe konkret und die nächste Korrektur an das tatsächliche Material gebunden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a chart transcription\n\nUse this transcribed chart: returns per 100 orders, Week 1 = 2, Week 2 = 5, Week 3 = unknown. Write a short explanation for an operations colleague, state the recorded change and identify the missing comparison. Do not call the values total returns or infer why Week 2 increased.A brief explanation with the Week 1-to-2 change, correct per-100-order units and an explicit Week 3 gap.Check that the rate denominator is retained and no Week 3 trend or cause is invented.SenseNova-V6-TurboSenseNova V6 Turbo ist SenseTimes kompakte Katalogvariante für Bild-Text-Gespräche. Sie liefert Text für gezielte visuelle Fragen und Dokumentaufgaben; Quellbild und Frage werden zur Prüfung des Ergebnisses aufbewahrt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
SenseNova V6 Turbo ist SenseTimes kompakte multimodale Katalogvariante für Bild-Text-Gespräche. Die Variantentabelle des Anbieters gibt Textausgabe an, während die breitere V6-Reihe visuelles und sprachliches Verstehen für Schlussfolgern und Analyse verbindet. Turbo ist eine gesonderte Variante gegenüber der allgemeinen Version Pro und dem auf komplexes Denken ausgerichteten Reasoner. Wählen Sie die kompakte Variante für eine gezielte Bild-Text-Aufgabe.
Stellen Sie das relevante Bild oder die Passage bereit und geben Sie an, was die Antwort feststellen soll. Eine Frage zur visuellen Assistenz kann das zu interpretierende Objekt oder die Beschriftung benennen; eine Dokumentfrage kann einen Vergleich anhand sichtbarer Werte verlangen. Halten Sie das Bild für die Aufgabe ausreichend klar und bewahren Sie bei mehreren Seiten seine Quellenkennung.
Definieren Sie das erwartete Ergebnis praktisch: eine kurze Erklärung, eine Reihe extrahierter Werte, einen Vergleich oder eine Antwort auf Grundlage des bereitgestellten Materials. Geben Sie bei einem Diagramm die relevanten Datenreihen, Einheiten und den Zeitraum an. Prüfen Sie diese Details am Originalbild, statt eine flüssige Beschreibung als Beweis dafür zu akzeptieren, dass jeder Wert richtig gelesen wurde.
Die V6-Ankündigung des Anbieters beschreibt eine fusionierte multimodale Modellfamilie mit Stärken beim Schlussfolgern sowie in Mathematik und Analyse. Nutzen Sie die Textanweisung, um die Beziehung zwischen den sichtbaren Elementen zu klären. Ein Vergleich zweier Dokumentbilder kann fragen, welche angegebene Bedingung sich ändert und welcher Bereich diesen Befund stützt. Halten Sie abgeleitete Folgen von Werten getrennt, die tatsächlich in der Quelle stehen.
Eine begrenzte Aufgabe ist für die kompakte Variante nützlich: Wählen Sie das Material aus, das die Antwort verändert, und nennen Sie das Abschlusskriterium. Falls ein Wert fehlt oder das Bild mehrdeutig ist, bewahren Sie diese Unsicherheit, statt einen vollständig ausgefüllten Datensatz zu erzwingen. Die Ausgabe bleibt ein Textergebnis, das anhand der bereitgestellten Belege geprüft werden kann.
Der Hersteller führt Pro, Turbo und Reasoner getrennt auf, wobei Reasoner einen Denkprozess und eine endgültige Antwort für komplexe Denkaufgaben unterstützt. Die Demonstrationen langer Videos und Omni-Interaktionen der breiteren V6-Familie belegen nicht jedes Feld oder jede Grenze von Turbos Bild-Text-Schnittstelle. Spätere Familienveröffentlichungen haben eigene Medien- und Reasoning-Steuerungen.
Bewahren Sie die ausgewählte Turbo-Variante, das Quellmaterial und die fertige Antwort für eine Rückfrage auf. Eine nützliche Übergabe kann die Frage, das Quellbild und die Erklärung oder den extrahierten Datensatz mit den stützenden Belegen enthalten. Prüfen Sie wichtige Namen, Zahlen und visuelle Beziehungen, bevor Sie das Ergebnis in ein anderes Dokument oder einen anderen Ablauf übernehmen. So bleibt die kompakte multimodale Aufgabe konkret und die nächste Korrektur an das tatsächliche Material gebunden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits SenseNova-V6-Turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Die unterstützten Rollen hängen vom ausgewählten Modell ab. 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 | VertragLesen Sie Ihr tatsächliches UTF-8-Dokument ein und fügen Sie seinen Text in messages[].content ein. |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00055 / 1K Token Ausgabe · Ausgabetoken $0.00143 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "SenseNova-V6-Turbo",\n "messages": [\n {\n "role": "user",\n "content": "Hello!"\n }\n ]\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source document}"\nexport AILOOT_TEXT_FILE AILOOT_STREAM\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nmaterial_path = Path(os.environ['AILOOT_TEXT_FILE'])\nif not material_path.is_file():\n raise SystemExit('Choose your actual UTF-8 document')\ntext = material_path.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('The document must contain text')\nstream = os.environ.get('AILOOT_STREAM', '0') == '1'\npayload = {'model': 'SenseNova-V6-Turbo', 'messages': [{'role': 'user', 'content': 'Hello!'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting passages.\\n\\n' + text\npayload['stream'] = stream\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/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-body.bin\npython3 - <<'PY_RESULT'\nimport json, os\nfrom pathlib import Path\n\nraw = Path('result-body.bin').read_bytes()\nif os.environ.get('AILOOT_STREAM', '0') == '1':\n Path('result.sse').write_bytes(raw)\n print(raw.decode('utf-8'))\nelse:\n Path('result.json').write_bytes(raw)\n result = json.loads(raw)\n print(json.dumps(result, ensure_ascii=False, indent=2))\n for choice in result.get('choices', []):\n print('Choice', choice.get('index'), json.dumps(choice, ensure_ascii=False))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nmaterial_path = Path(os.environ['AILOOT_TEXT_FILE'])\nif not material_path.is_file():\n raise SystemExit('Choose your actual UTF-8 document')\ntext = material_path.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('The document must contain text')\nstream = os.environ.get('AILOOT_STREAM', '0') == '1'\npayload = {'model': 'SenseNova-V6-Turbo', 'messages': [{'role': 'user', 'content': 'Hello!'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting passages.\\n\\n' + text\npayload['stream'] = stream\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')\nrequest = Request('https://api.ailoot.ai/v1/chat/completions', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers={'Authorization': 'Bearer ' + api_key, 'Content-Type': 'application/json'}, 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-body.bin').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result-body.bin').write_bytes(raw)\nimport json, os\nfrom pathlib import Path\n\nraw = Path('result-body.bin').read_bytes()\nif os.environ.get('AILOOT_STREAM', '0') == '1':\n Path('result.sse').write_bytes(raw)\n print(raw.decode('utf-8'))\nelse:\n Path('result.json').write_bytes(raw)\n result = json.loads(raw)\n print(json.dumps(result, ensure_ascii=False, indent=2))\n for choice in result.get('choices', []):\n print('Choice', choice.get('index'), json.dumps(choice, ensure_ascii=False))\nimport { readFileSync, writeFileSync } from 'node:fs';\n\nconst apiKey = process.env.AILOOT_API_KEY;\nif (!apiKey?.trim()) throw new Error('Set AILOOT_API_KEY');\nif (!process.env.AILOOT_TEXT_FILE) throw new Error('Choose your actual UTF-8 document');\nconst text = readFileSync(process.env.AILOOT_TEXT_FILE, 'utf8');\nif (!text.trim()) throw new Error('The document must contain text');\nconst stream = process.env.AILOOT_STREAM === '1';\nconst payload = {"model": "SenseNova-V6-Turbo", "messages": [{"role": "user", "content": "Hello!"}]};\npayload.messages[0].content = 'Summarize this material and quote supporting passages.\\n\\n' + text;\npayload.stream = stream;\nconst response = await fetch('https://api.ailoot.ai/v1/chat/completions', { method: 'POST', headers: { 'Authorization': 'Bearer ' + apiKey, 'Content-Type': 'application/json' }, body: JSON.stringify(payload) });\nconst raw = Buffer.from(await response.arrayBuffer());\nwriteFileSync('result-body.bin', raw);\nwriteFileSync('response-headers.txt', [...response.headers].map(([key, value]) => key + ': ' + value).join('\\n'));\nif (!response.ok) throw new Error('HTTP ' + response.status + '; original response saved in result-body.bin');\nif (stream) {\n writeFileSync('result.sse', raw);\n process.stdout.write(raw);\n} else {\n writeFileSync('result.json', raw);\n const result = JSON.parse(raw.toString('utf8'));\n console.log(JSON.stringify(result, null, 2));\n for (const choice of result.choices ?? []) console.log('Choice', choice.index, JSON.stringify(choice));\n}\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 SenseNova-V6-Turbo, sensetime/sensenova-v6-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
SenseNova-V6-TurboSenseNova V6 Turbo ist SenseTimes kompakte Katalogvariante für Bild-Text-Gespräche. Sie liefert Text für gezielte visuelle Fragen und Dokumentaufgaben; Quellbild und Frage werden zur Prüfung des Ergebnisses aufbewahrt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
SenseNova V6 Turbo ist SenseTimes kompakte multimodale Katalogvariante für Bild-Text-Gespräche. Die Variantentabelle des Anbieters gibt Textausgabe an, während die breitere V6-Reihe visuelles und sprachliches Verstehen für Schlussfolgern und Analyse verbindet. Turbo ist eine gesonderte Variante gegenüber der allgemeinen Version Pro und dem auf komplexes Denken ausgerichteten Reasoner. Wählen Sie die kompakte Variante für eine gezielte Bild-Text-Aufgabe.
Stellen Sie das relevante Bild oder die Passage bereit und geben Sie an, was die Antwort feststellen soll. Eine Frage zur visuellen Assistenz kann das zu interpretierende Objekt oder die Beschriftung benennen; eine Dokumentfrage kann einen Vergleich anhand sichtbarer Werte verlangen. Halten Sie das Bild für die Aufgabe ausreichend klar und bewahren Sie bei mehreren Seiten seine Quellenkennung.
Definieren Sie das erwartete Ergebnis praktisch: eine kurze Erklärung, eine Reihe extrahierter Werte, einen Vergleich oder eine Antwort auf Grundlage des bereitgestellten Materials. Geben Sie bei einem Diagramm die relevanten Datenreihen, Einheiten und den Zeitraum an. Prüfen Sie diese Details am Originalbild, statt eine flüssige Beschreibung als Beweis dafür zu akzeptieren, dass jeder Wert richtig gelesen wurde.
Die V6-Ankündigung des Anbieters beschreibt eine fusionierte multimodale Modellfamilie mit Stärken beim Schlussfolgern sowie in Mathematik und Analyse. Nutzen Sie die Textanweisung, um die Beziehung zwischen den sichtbaren Elementen zu klären. Ein Vergleich zweier Dokumentbilder kann fragen, welche angegebene Bedingung sich ändert und welcher Bereich diesen Befund stützt. Halten Sie abgeleitete Folgen von Werten getrennt, die tatsächlich in der Quelle stehen.
Eine begrenzte Aufgabe ist für die kompakte Variante nützlich: Wählen Sie das Material aus, das die Antwort verändert, und nennen Sie das Abschlusskriterium. Falls ein Wert fehlt oder das Bild mehrdeutig ist, bewahren Sie diese Unsicherheit, statt einen vollständig ausgefüllten Datensatz zu erzwingen. Die Ausgabe bleibt ein Textergebnis, das anhand der bereitgestellten Belege geprüft werden kann.
Der Hersteller führt Pro, Turbo und Reasoner getrennt auf, wobei Reasoner einen Denkprozess und eine endgültige Antwort für komplexe Denkaufgaben unterstützt. Die Demonstrationen langer Videos und Omni-Interaktionen der breiteren V6-Familie belegen nicht jedes Feld oder jede Grenze von Turbos Bild-Text-Schnittstelle. Spätere Familienveröffentlichungen haben eigene Medien- und Reasoning-Steuerungen.
Bewahren Sie die ausgewählte Turbo-Variante, das Quellmaterial und die fertige Antwort für eine Rückfrage auf. Eine nützliche Übergabe kann die Frage, das Quellbild und die Erklärung oder den extrahierten Datensatz mit den stützenden Belegen enthalten. Prüfen Sie wichtige Namen, Zahlen und visuelle Beziehungen, bevor Sie das Ergebnis in ein anderes Dokument oder einen anderen Ablauf übernehmen. So bleibt die kompakte multimodale Aufgabe konkret und die nächste Korrektur an das tatsächliche Material gebunden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits SenseNova-V6-Turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00055 / 1K Token Ausgabe · Ausgabetoken $0.00143 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "SenseNova-V6-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseNova-V6-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseNova-V6-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra SenseNova-V6-Turbo, sensetime/sensenova-v6-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
sensetime/sensenova-v6-turboSenseNova V6 Turbo ist SenseTimes kompakte Katalogvariante für Bild-Text-Gespräche. Sie liefert Text für gezielte visuelle Fragen und Dokumentaufgaben; Quellbild und Frage werden zur Prüfung des Ergebnisses aufbewahrt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
SenseNova V6 Turbo ist SenseTimes kompakte multimodale Katalogvariante für Bild-Text-Gespräche. Die Variantentabelle des Anbieters gibt Textausgabe an, während die breitere V6-Reihe visuelles und sprachliches Verstehen für Schlussfolgern und Analyse verbindet. Turbo ist eine gesonderte Variante gegenüber der allgemeinen Version Pro und dem auf komplexes Denken ausgerichteten Reasoner. Wählen Sie die kompakte Variante für eine gezielte Bild-Text-Aufgabe.
Stellen Sie das relevante Bild oder die Passage bereit und geben Sie an, was die Antwort feststellen soll. Eine Frage zur visuellen Assistenz kann das zu interpretierende Objekt oder die Beschriftung benennen; eine Dokumentfrage kann einen Vergleich anhand sichtbarer Werte verlangen. Halten Sie das Bild für die Aufgabe ausreichend klar und bewahren Sie bei mehreren Seiten seine Quellenkennung.
Definieren Sie das erwartete Ergebnis praktisch: eine kurze Erklärung, eine Reihe extrahierter Werte, einen Vergleich oder eine Antwort auf Grundlage des bereitgestellten Materials. Geben Sie bei einem Diagramm die relevanten Datenreihen, Einheiten und den Zeitraum an. Prüfen Sie diese Details am Originalbild, statt eine flüssige Beschreibung als Beweis dafür zu akzeptieren, dass jeder Wert richtig gelesen wurde.
Die V6-Ankündigung des Anbieters beschreibt eine fusionierte multimodale Modellfamilie mit Stärken beim Schlussfolgern sowie in Mathematik und Analyse. Nutzen Sie die Textanweisung, um die Beziehung zwischen den sichtbaren Elementen zu klären. Ein Vergleich zweier Dokumentbilder kann fragen, welche angegebene Bedingung sich ändert und welcher Bereich diesen Befund stützt. Halten Sie abgeleitete Folgen von Werten getrennt, die tatsächlich in der Quelle stehen.
Eine begrenzte Aufgabe ist für die kompakte Variante nützlich: Wählen Sie das Material aus, das die Antwort verändert, und nennen Sie das Abschlusskriterium. Falls ein Wert fehlt oder das Bild mehrdeutig ist, bewahren Sie diese Unsicherheit, statt einen vollständig ausgefüllten Datensatz zu erzwingen. Die Ausgabe bleibt ein Textergebnis, das anhand der bereitgestellten Belege geprüft werden kann.
Der Hersteller führt Pro, Turbo und Reasoner getrennt auf, wobei Reasoner einen Denkprozess und eine endgültige Antwort für komplexe Denkaufgaben unterstützt. Die Demonstrationen langer Videos und Omni-Interaktionen der breiteren V6-Familie belegen nicht jedes Feld oder jede Grenze von Turbos Bild-Text-Schnittstelle. Spätere Familienveröffentlichungen haben eigene Medien- und Reasoning-Steuerungen.
Bewahren Sie die ausgewählte Turbo-Variante, das Quellmaterial und die fertige Antwort für eine Rückfrage auf. Eine nützliche Übergabe kann die Frage, das Quellbild und die Erklärung oder den extrahierten Datensatz mit den stützenden Belegen enthalten. Prüfen Sie wichtige Namen, Zahlen und visuelle Beziehungen, bevor Sie das Ergebnis in ein anderes Dokument oder einen anderen Ablauf übernehmen. So bleibt die kompakte multimodale Aufgabe konkret und die nächste Korrektur an das tatsächliche Material gebunden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sensetime/sensenova-v6-turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00055 / 1K Token Ausgabe · Ausgabetoken $0.00143 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sensetime/sensenova-v6-turbo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='sensetime/sensenova-v6-turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='sensetime/sensenova-v6-turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra SenseNova-V6-Turbo, sensetime/sensenova-v6-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
sensetime/sensenova-v6-turboSenseNova V6 Turbo ist SenseTimes kompakte Katalogvariante für Bild-Text-Gespräche. Sie liefert Text für gezielte visuelle Fragen und Dokumentaufgaben; Quellbild und Frage werden zur Prüfung des Ergebnisses aufbewahrt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
SenseNova V6 Turbo ist SenseTimes kompakte multimodale Katalogvariante für Bild-Text-Gespräche. Die Variantentabelle des Anbieters gibt Textausgabe an, während die breitere V6-Reihe visuelles und sprachliches Verstehen für Schlussfolgern und Analyse verbindet. Turbo ist eine gesonderte Variante gegenüber der allgemeinen Version Pro und dem auf komplexes Denken ausgerichteten Reasoner. Wählen Sie die kompakte Variante für eine gezielte Bild-Text-Aufgabe.
Stellen Sie das relevante Bild oder die Passage bereit und geben Sie an, was die Antwort feststellen soll. Eine Frage zur visuellen Assistenz kann das zu interpretierende Objekt oder die Beschriftung benennen; eine Dokumentfrage kann einen Vergleich anhand sichtbarer Werte verlangen. Halten Sie das Bild für die Aufgabe ausreichend klar und bewahren Sie bei mehreren Seiten seine Quellenkennung.
Definieren Sie das erwartete Ergebnis praktisch: eine kurze Erklärung, eine Reihe extrahierter Werte, einen Vergleich oder eine Antwort auf Grundlage des bereitgestellten Materials. Geben Sie bei einem Diagramm die relevanten Datenreihen, Einheiten und den Zeitraum an. Prüfen Sie diese Details am Originalbild, statt eine flüssige Beschreibung als Beweis dafür zu akzeptieren, dass jeder Wert richtig gelesen wurde.
Die V6-Ankündigung des Anbieters beschreibt eine fusionierte multimodale Modellfamilie mit Stärken beim Schlussfolgern sowie in Mathematik und Analyse. Nutzen Sie die Textanweisung, um die Beziehung zwischen den sichtbaren Elementen zu klären. Ein Vergleich zweier Dokumentbilder kann fragen, welche angegebene Bedingung sich ändert und welcher Bereich diesen Befund stützt. Halten Sie abgeleitete Folgen von Werten getrennt, die tatsächlich in der Quelle stehen.
Eine begrenzte Aufgabe ist für die kompakte Variante nützlich: Wählen Sie das Material aus, das die Antwort verändert, und nennen Sie das Abschlusskriterium. Falls ein Wert fehlt oder das Bild mehrdeutig ist, bewahren Sie diese Unsicherheit, statt einen vollständig ausgefüllten Datensatz zu erzwingen. Die Ausgabe bleibt ein Textergebnis, das anhand der bereitgestellten Belege geprüft werden kann.
Der Hersteller führt Pro, Turbo und Reasoner getrennt auf, wobei Reasoner einen Denkprozess und eine endgültige Antwort für komplexe Denkaufgaben unterstützt. Die Demonstrationen langer Videos und Omni-Interaktionen der breiteren V6-Familie belegen nicht jedes Feld oder jede Grenze von Turbos Bild-Text-Schnittstelle. Spätere Familienveröffentlichungen haben eigene Medien- und Reasoning-Steuerungen.
Bewahren Sie die ausgewählte Turbo-Variante, das Quellmaterial und die fertige Antwort für eine Rückfrage auf. Eine nützliche Übergabe kann die Frage, das Quellbild und die Erklärung oder den extrahierten Datensatz mit den stützenden Belegen enthalten. Prüfen Sie wichtige Namen, Zahlen und visuelle Beziehungen, bevor Sie das Ergebnis in ein anderes Dokument oder einen anderen Ablauf übernehmen. So bleibt die kompakte multimodale Aufgabe konkret und die nächste Korrektur an das tatsächliche Material gebunden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sensetime/sensenova-v6-turbo | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00055 / 1K Token Ausgabe · Ausgabetoken $0.00143 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "sensetime/sensenova-v6-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'sensetime/sensenova-v6-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'sensetime/sensenova-v6-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra SenseNova-V6-Turbo, sensetime/sensenova-v6-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a chart transcription\n\nUse this transcribed chart: returns per 100 orders, Week 1 = 2, Week 2 = 5, Week 3 = unknown. Write a short explanation for an operations colleague, state the recorded change and identify the missing comparison. Do not call the values total returns or infer why Week 2 increased.A brief explanation with the Week 1-to-2 change, correct per-100-order units and an explicit Week 3 gap.Check that the rate denominator is retained and no Week 3 trend or cause is invented.