SenseChat-5 es el modelo de lenguaje general V5 de la serie SenseNova de SenseTime. El fabricante describe su alcance de tareas en lenguaje, conocimiento, razonamiento, matemáticas y código, con especial atención a preguntas abiertas, diálogo de varios turnos, extracción de información y escritura. Su entrada documentada de conversación es texto, y el resultado útil es una respuesta escrita, un borrador, un análisis o una instrucción relacionada con herramientas.
Mantén las instrucciones de la tarea separadas del material que se debe analizar. El ejemplo de conversación compatible del fabricante utiliza un mensaje de sistema para definir el rol y el formato de respuesta, seguido de un mensaje de usuario que contiene la solicitud. Su referencia de conversación nativa también distingue mensajes de sistema, usuario y asistente. Conserva en orden el diálogo pertinente cuando un seguimiento dependa de una respuesta anterior.
Para una tarea de extracción, proporciona el documento y nombra los campos que se deben devolver. Un encargo útil es: “Extrae la fecha límite indicada, el equipo responsable y el entregable requerido en una tabla, e identifica el pasaje que respalda cada valor”. Para una tarea de escritura, proporciona la audiencia, el propósito, el tono y las secciones requeridas. Trata una cantidad solicitada de palabras como una instrucción de escritura y examina la respuesta terminada para comprobar su cumplimiento.
El fabricante indica un contexto de 128K para SenseChat-5. Su referencia de conversación nativa explica que la entrada proporcionada y la respuesta máxima reservada deben caber dentro del contexto del modelo. El conocimiento recuperado o el texto de referencia insertado también ocupan espacio de entrada. Mantén juntos la pregunta, los pasajes fuente importantes y suficiente espacio para la respuesta, en lugar de llenar toda la capacidad con documentos.
Para comparar fuentes largas, etiqueta cada documento y conserva los límites entre secciones. Pregunta qué requisitos coinciden, cuáles entran en conflicto y qué pasaje respalda la diferencia. Proporciona explícitamente las definiciones y los identificadores importantes. Si la tarea solo trata de unas cuantas secciones, selecciona esas secciones y el contexto necesario para interpretarlas, de modo que la comparación final siga siendo fácil de revisar.
Proporciona un problema completo con sus supuestos, unidades y forma final solicitada. Pide que un cálculo identifique los valores que utiliza y que una explicación distinga un hecho indicado de un supuesto. Una conclusión debe revisarse contra las condiciones del problema, especialmente cuando varios pasos dependan de una interpretación inicial.
Para trabajo de código, incluye el código fuente pertinente, el comportamiento observado y el resultado esperado. Una salida útil es un cambio propuesto con la condición que atiende y las comprobaciones necesarias para evaluarlo. Devuelve el error o resultado real de la ejecución cuando el siguiente turno dependa de si funcionó una propuesta. La respuesta escrita y el resultado de ejecutarla son resultados independientes.
La versión V5 de SenseTime documenta llamadas a funciones personalizadas: una aplicación conectada puede proporcionar definiciones de herramientas para que el modelo las seleccione y utilice. Define el propósito y los argumentos de cada herramienta en torno a la operación real y después conserva la observación devuelta junto con la conversación. Pide que la respuesta final utilice el resultado real de la consulta u operación en lugar de inferir que una acción solicitada tuvo éxito.
La misma versión V5 describe un flujo de trabajo con intérprete de código que genera Python para cálculos matemáticos. Es un flujo de trabajo de cálculo conectado, no una razón para tratar todos los bloques de código generados como ejecutados. Proporciona los datos para calcular, conserva el resultado del intérprete y examina cómo se relaciona la explicación escrita con ese resultado.
Los ejemplos de conversación del productor muestran tanto respuestas completas como texto en streaming. Una respuesta completa proporciona el mensaje del asistente; el streaming entrega fragmentos sucesivos que se deben ensamblar en la respuesta final. Conserva ese texto final junto con la solicitud y el material fuente antes de utilizarlo como documento, informe o respuesta de la aplicación.
Mantén explícita la edición del modelo. SenseChat-Turbo es un modelo ligero de diálogo independiente y SenseChat-5-Cantonese es una adaptación con nombre propio. El productor también publica modelos distintos de visión, fusión de modalidades y diálogo de personajes. Utiliza esta variante SenseChat-5 para su trabajo documentado de conversación de texto y lenguaje asistido por herramientas, y revisa los valores extraídos, los pasos de razonamiento y las operaciones propuestas contra la evidencia proporcionada.
", "aboutText": "### Trabajo general de lenguaje y razonamiento\n\nSenseChat-5 es el modelo de lenguaje general V5 de la serie SenseNova de SenseTime. El fabricante describe su alcance de tareas en lenguaje, conocimiento, razonamiento, matemáticas y código, con especial atención a preguntas abiertas, diálogo de varios turnos, extracción de información y escritura. Su entrada documentada de conversación es texto, y el resultado útil es una respuesta escrita, un borrador, un análisis o una instrucción relacionada con herramientas.\n\n### Prepara la conversación\n\nMantén las instrucciones de la tarea separadas del material que se debe analizar. El ejemplo de conversación compatible del fabricante utiliza un mensaje de sistema para definir el rol y el formato de respuesta, seguido de un mensaje de usuario que contiene la solicitud. Su referencia de conversación nativa también distingue mensajes de sistema, usuario y asistente. Conserva en orden el diálogo pertinente cuando un seguimiento dependa de una respuesta anterior.\n\nPara una tarea de extracción, proporciona el documento y nombra los campos que se deben devolver. Un encargo útil es: “Extrae la fecha límite indicada, el equipo responsable y el entregable requerido en una tabla, e identifica el pasaje que respalda cada valor”. Para una tarea de escritura, proporciona la audiencia, el propósito, el tono y las secciones requeridas. Trata una cantidad solicitada de palabras como una instrucción de escritura y examina la respuesta terminada para comprobar su cumplimiento.\n\n### Trabaja con el contexto de 128K\n\nEl fabricante indica un contexto de 128K para SenseChat-5. Su referencia de conversación nativa explica que la entrada proporcionada y la respuesta máxima reservada deben caber dentro del contexto del modelo. El conocimiento recuperado o el texto de referencia insertado también ocupan espacio de entrada. Mantén juntos la pregunta, los pasajes fuente importantes y suficiente espacio para la respuesta, en lugar de llenar toda la capacidad con documentos.\n\nPara comparar fuentes largas, etiqueta cada documento y conserva los límites entre secciones. Pregunta qué requisitos coinciden, cuáles entran en conflicto y qué pasaje respalda la diferencia. Proporciona explícitamente las definiciones y los identificadores importantes. Si la tarea solo trata de unas cuantas secciones, selecciona esas secciones y el contexto necesario para interpretarlas, de modo que la comparación final siga siendo fácil de revisar.\n\n### Razonamiento, matemáticas y código\n\nProporciona un problema completo con sus supuestos, unidades y forma final solicitada. Pide que un cálculo identifique los valores que utiliza y que una explicación distinga un hecho indicado de un supuesto. Una conclusión debe revisarse contra las condiciones del problema, especialmente cuando varios pasos dependan de una interpretación inicial.\n\nPara trabajo de código, incluye el código fuente pertinente, el comportamiento observado y el resultado esperado. Una salida útil es un cambio propuesto con la condición que atiende y las comprobaciones necesarias para evaluarlo. Devuelve el error o resultado real de la ejecución cuando el siguiente turno dependa de si funcionó una propuesta. La respuesta escrita y el resultado de ejecutarla son resultados independientes.\n\n### Herramientas personalizadas y cálculo\n\nLa versión V5 de SenseTime documenta llamadas a funciones personalizadas: una aplicación conectada puede proporcionar definiciones de herramientas para que el modelo las seleccione y utilice. Define el propósito y los argumentos de cada herramienta en torno a la operación real y después conserva la observación devuelta junto con la conversación. Pide que la respuesta final utilice el resultado real de la consulta u operación en lugar de inferir que una acción solicitada tuvo éxito.\n\nLa misma versión V5 describe un flujo de trabajo con intérprete de código que genera Python para cálculos matemáticos. Es un flujo de trabajo de cálculo conectado, no una razón para tratar todos los bloques de código generados como ejecutados. Proporciona los datos para calcular, conserva el resultado del intérprete y examina cómo se relaciona la explicación escrita con ese resultado.\n\n### Respuestas completas y streaming\n\nLos ejemplos de conversación del productor muestran tanto respuestas completas como texto en streaming. Una respuesta completa proporciona el mensaje del asistente; el streaming entrega fragmentos sucesivos que se deben ensamblar en la respuesta final. Conserva ese texto final junto con la solicitud y el material fuente antes de utilizarlo como documento, informe o respuesta de la aplicación.\n\nMantén explícita la edición del modelo. SenseChat-Turbo es un modelo ligero de diálogo independiente y SenseChat-5-Cantonese es una adaptación con nombre propio. El productor también publica modelos distintos de visión, fusión de modalidades y diálogo de personajes. Utiliza esta variante SenseChat-5 para su trabajo documentado de conversación de texto y lenguaje asistido por herramientas, y revisa los valores extraídos, los pasos de razonamiento y las operaciones propuestas contra la evidencia proporcionada.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.SenseChat-5SenseChat-5 de SenseTime es un modelo de conversación de texto para tareas de lenguaje, conocimiento, razonamiento, matemáticas y código. Su contexto documentado de 128K admite material fuente más largo, mientras que el flujo de trabajo V5 del productor incluye llamadas a funciones personalizadas y cálculos con un intérprete de código.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
SenseChat-5 es el modelo de lenguaje general V5 de la serie SenseNova de SenseTime. El fabricante describe su alcance de tareas en lenguaje, conocimiento, razonamiento, matemáticas y código, con especial atención a preguntas abiertas, diálogo de varios turnos, extracción de información y escritura. Su entrada documentada de conversación es texto, y el resultado útil es una respuesta escrita, un borrador, un análisis o una instrucción relacionada con herramientas.
Mantén las instrucciones de la tarea separadas del material que se debe analizar. El ejemplo de conversación compatible del fabricante utiliza un mensaje de sistema para definir el rol y el formato de respuesta, seguido de un mensaje de usuario que contiene la solicitud. Su referencia de conversación nativa también distingue mensajes de sistema, usuario y asistente. Conserva en orden el diálogo pertinente cuando un seguimiento dependa de una respuesta anterior.
Para una tarea de extracción, proporciona el documento y nombra los campos que se deben devolver. Un encargo útil es: “Extrae la fecha límite indicada, el equipo responsable y el entregable requerido en una tabla, e identifica el pasaje que respalda cada valor”. Para una tarea de escritura, proporciona la audiencia, el propósito, el tono y las secciones requeridas. Trata una cantidad solicitada de palabras como una instrucción de escritura y examina la respuesta terminada para comprobar su cumplimiento.
El fabricante indica un contexto de 128K para SenseChat-5. Su referencia de conversación nativa explica que la entrada proporcionada y la respuesta máxima reservada deben caber dentro del contexto del modelo. El conocimiento recuperado o el texto de referencia insertado también ocupan espacio de entrada. Mantén juntos la pregunta, los pasajes fuente importantes y suficiente espacio para la respuesta, en lugar de llenar toda la capacidad con documentos.
Para comparar fuentes largas, etiqueta cada documento y conserva los límites entre secciones. Pregunta qué requisitos coinciden, cuáles entran en conflicto y qué pasaje respalda la diferencia. Proporciona explícitamente las definiciones y los identificadores importantes. Si la tarea solo trata de unas cuantas secciones, selecciona esas secciones y el contexto necesario para interpretarlas, de modo que la comparación final siga siendo fácil de revisar.
Proporciona un problema completo con sus supuestos, unidades y forma final solicitada. Pide que un cálculo identifique los valores que utiliza y que una explicación distinga un hecho indicado de un supuesto. Una conclusión debe revisarse contra las condiciones del problema, especialmente cuando varios pasos dependan de una interpretación inicial.
Para trabajo de código, incluye el código fuente pertinente, el comportamiento observado y el resultado esperado. Una salida útil es un cambio propuesto con la condición que atiende y las comprobaciones necesarias para evaluarlo. Devuelve el error o resultado real de la ejecución cuando el siguiente turno dependa de si funcionó una propuesta. La respuesta escrita y el resultado de ejecutarla son resultados independientes.
La versión V5 de SenseTime documenta llamadas a funciones personalizadas: una aplicación conectada puede proporcionar definiciones de herramientas para que el modelo las seleccione y utilice. Define el propósito y los argumentos de cada herramienta en torno a la operación real y después conserva la observación devuelta junto con la conversación. Pide que la respuesta final utilice el resultado real de la consulta u operación en lugar de inferir que una acción solicitada tuvo éxito.
La misma versión V5 describe un flujo de trabajo con intérprete de código que genera Python para cálculos matemáticos. Es un flujo de trabajo de cálculo conectado, no una razón para tratar todos los bloques de código generados como ejecutados. Proporciona los datos para calcular, conserva el resultado del intérprete y examina cómo se relaciona la explicación escrita con ese resultado.
Los ejemplos de conversación del productor muestran tanto respuestas completas como texto en streaming. Una respuesta completa proporciona el mensaje del asistente; el streaming entrega fragmentos sucesivos que se deben ensamblar en la respuesta final. Conserva ese texto final junto con la solicitud y el material fuente antes de utilizarlo como documento, informe o respuesta de la aplicación.
Mantén explícita la edición del modelo. SenseChat-Turbo es un modelo ligero de diálogo independiente y SenseChat-5-Cantonese es una adaptación con nombre propio. El productor también publica modelos distintos de visión, fusión de modalidades y diálogo de personajes. Utiliza esta variante SenseChat-5 para su trabajo documentado de conversación de texto y lenguaje asistido por herramientas, y revisa los valores extraídos, los pasos de razonamiento y las operaciones propuestas contra la evidencia proporcionada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites SenseChat-5 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0132 / 1K tokens Salida · Tokens de salida $0.0308 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='SenseChat-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='SenseChat-5',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra SenseChat-5
Usa las rutas de método indicadas arriba.
SenseChat-5SenseChat-5 de SenseTime es un modelo de conversación de texto para tareas de lenguaje, conocimiento, razonamiento, matemáticas y código. Su contexto documentado de 128K admite material fuente más largo, mientras que el flujo de trabajo V5 del productor incluye llamadas a funciones personalizadas y cálculos con un intérprete de código.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
SenseChat-5 es el modelo de lenguaje general V5 de la serie SenseNova de SenseTime. El fabricante describe su alcance de tareas en lenguaje, conocimiento, razonamiento, matemáticas y código, con especial atención a preguntas abiertas, diálogo de varios turnos, extracción de información y escritura. Su entrada documentada de conversación es texto, y el resultado útil es una respuesta escrita, un borrador, un análisis o una instrucción relacionada con herramientas.
Mantén las instrucciones de la tarea separadas del material que se debe analizar. El ejemplo de conversación compatible del fabricante utiliza un mensaje de sistema para definir el rol y el formato de respuesta, seguido de un mensaje de usuario que contiene la solicitud. Su referencia de conversación nativa también distingue mensajes de sistema, usuario y asistente. Conserva en orden el diálogo pertinente cuando un seguimiento dependa de una respuesta anterior.
Para una tarea de extracción, proporciona el documento y nombra los campos que se deben devolver. Un encargo útil es: “Extrae la fecha límite indicada, el equipo responsable y el entregable requerido en una tabla, e identifica el pasaje que respalda cada valor”. Para una tarea de escritura, proporciona la audiencia, el propósito, el tono y las secciones requeridas. Trata una cantidad solicitada de palabras como una instrucción de escritura y examina la respuesta terminada para comprobar su cumplimiento.
El fabricante indica un contexto de 128K para SenseChat-5. Su referencia de conversación nativa explica que la entrada proporcionada y la respuesta máxima reservada deben caber dentro del contexto del modelo. El conocimiento recuperado o el texto de referencia insertado también ocupan espacio de entrada. Mantén juntos la pregunta, los pasajes fuente importantes y suficiente espacio para la respuesta, en lugar de llenar toda la capacidad con documentos.
Para comparar fuentes largas, etiqueta cada documento y conserva los límites entre secciones. Pregunta qué requisitos coinciden, cuáles entran en conflicto y qué pasaje respalda la diferencia. Proporciona explícitamente las definiciones y los identificadores importantes. Si la tarea solo trata de unas cuantas secciones, selecciona esas secciones y el contexto necesario para interpretarlas, de modo que la comparación final siga siendo fácil de revisar.
Proporciona un problema completo con sus supuestos, unidades y forma final solicitada. Pide que un cálculo identifique los valores que utiliza y que una explicación distinga un hecho indicado de un supuesto. Una conclusión debe revisarse contra las condiciones del problema, especialmente cuando varios pasos dependan de una interpretación inicial.
Para trabajo de código, incluye el código fuente pertinente, el comportamiento observado y el resultado esperado. Una salida útil es un cambio propuesto con la condición que atiende y las comprobaciones necesarias para evaluarlo. Devuelve el error o resultado real de la ejecución cuando el siguiente turno dependa de si funcionó una propuesta. La respuesta escrita y el resultado de ejecutarla son resultados independientes.
La versión V5 de SenseTime documenta llamadas a funciones personalizadas: una aplicación conectada puede proporcionar definiciones de herramientas para que el modelo las seleccione y utilice. Define el propósito y los argumentos de cada herramienta en torno a la operación real y después conserva la observación devuelta junto con la conversación. Pide que la respuesta final utilice el resultado real de la consulta u operación en lugar de inferir que una acción solicitada tuvo éxito.
La misma versión V5 describe un flujo de trabajo con intérprete de código que genera Python para cálculos matemáticos. Es un flujo de trabajo de cálculo conectado, no una razón para tratar todos los bloques de código generados como ejecutados. Proporciona los datos para calcular, conserva el resultado del intérprete y examina cómo se relaciona la explicación escrita con ese resultado.
Los ejemplos de conversación del productor muestran tanto respuestas completas como texto en streaming. Una respuesta completa proporciona el mensaje del asistente; el streaming entrega fragmentos sucesivos que se deben ensamblar en la respuesta final. Conserva ese texto final junto con la solicitud y el material fuente antes de utilizarlo como documento, informe o respuesta de la aplicación.
Mantén explícita la edición del modelo. SenseChat-Turbo es un modelo ligero de diálogo independiente y SenseChat-5-Cantonese es una adaptación con nombre propio. El productor también publica modelos distintos de visión, fusión de modalidades y diálogo de personajes. Utiliza esta variante SenseChat-5 para su trabajo documentado de conversación de texto y lenguaje asistido por herramientas, y revisa los valores extraídos, los pasos de razonamiento y las operaciones propuestas contra la evidencia proporcionada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites SenseChat-5 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0132 / 1K tokens Salida · Tokens de salida $0.0308 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-5', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra SenseChat-5
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.