SenseChat-Turbo es la opción ligera de diálogo general en la línea de modelos SenseNova de SenseTime. El fabricante lo orienta a responder preguntas rápidas y a escenarios de ajuste de modelos. Úsalo para una tarea de texto claramente delimitada: responder una pregunta a partir de información proporcionada, reescribir un mensaje breve, identificar la idea central de un pasaje o continuar una conversación concreta.
Indica qué debe lograr la respuesta e incluye la información necesaria para producirla. Para una explicación dirigida a clientes, proporciona los datos pertinentes del producto y pide una respuesta concisa a la pregunta real. Para una reescritura, proporciona el texto original, la audiencia y el tono deseado. Separa el material que se debe analizar de las instrucciones sobre cómo presentar el resultado.
Un encargo útil es: “Utiliza el fragmento de política proporcionado para explicar qué paso corresponde a esta situación y después enumera la información que aún se necesita”. El texto resultante debe distinguir una respuesta respaldada de una pregunta que el fragmento no resuelve. Una respuesta breve es más fácil de utilizar cuando atiende un solo asunto claro en lugar de mezclar varios objetivos sin relación.
El flujo de trabajo de conversación de texto del productor utiliza mensajes etiquetados por rol y admite una secuencia de solicitudes del usuario y respuestas del asistente. Conserva el turno anterior cuando un seguimiento se refiera a él, junto con cualquier hecho o restricción que aún importe. En un flujo de trabajo sin historial de conversación almacenado en el servidor, la aplicación proporciona el historial pertinente con la siguiente solicitud.
Para un intercambio continuo de soporte, conserva la pregunta ya aclarada y la observación que proporcionó el usuario. Pide que la siguiente respuesta continúe a partir de ese estado. Elimina el material ajeno que distraiga de la tarea actual y reserva espacio para la respuesta dentro de la configuración utilizada para la conversación.
SenseTime enumera los escenarios de ajuste de modelos como parte del posicionamiento de Turbo. Para la adaptación a tareas específicas, prepara ejemplos representativos de entrada y respuesta que muestren el comportamiento deseado: vocabulario, forma de respuesta, nivel de detalle y manejo de información faltante. Mantén la respuesta esperada consistente con los hechos fuente de cada ejemplo.
Los ejemplos útiles podrían distinguir una respuesta factual de una solicitud de aclaración, o una explicación breve de una lista estructurada de campos. Incluye casos difíciles o ambiguos además de los sencillos. Revisa los ejemplos contra la tarea prevista antes de tratar su redacción como un patrón que se debe repetir. Esta preparación describe el comportamiento de diálogo deseado; el flujo de trabajo de adaptación que lo integra determina cómo se utilizan los ejemplos.
Las interfaces de conversación del fabricante admiten texto completo y texto en streaming. Una respuesta completa entrega la respuesta como un solo resultado; un flujo transmite porciones sucesivas que la aplicación ensambla. Conserva la respuesta terminada para revisarla o reutilizarla, en lugar de evaluar la tarea únicamente por las primeras palabras visibles.
Para extracción o clasificación, revisa los campos o etiquetas reales contra la fuente. Para una reescritura, compara si el significado se conservó después del cambio de tono solicitado. Para un intercambio de preguntas y respuestas, revisa que la respuesta atienda el asunto actual y que cualquier solicitud de seguimiento sea pertinente.
Turbo y SenseChat-5 son modelos de diálogo general con nombres independientes. SenseChat-5-Cantonese, los modelos de diálogo de personajes y los modelos de visión o fusión de modalidades también tienen sus propias variantes. Conserva la edición seleccionada y el texto proporcionado junto con la respuesta final al comparar una tarea o continuar una conversación de la aplicación.
Elige la función de diálogo delimitado de Turbo cuando el resultado deba ser un texto conciso y utilizable. Dale a la respuesta un destino explícito —una contestación, un párrafo revisado, una lista de campos o una pregunta de aclaración— y examina ese resultado para comprobar su adecuación factual, redacción e integridad antes de utilizarlo en el siguiente paso.
", "aboutText": "### Preguntas rápidas y diálogo a la medida\n\nSenseChat-Turbo es la opción ligera de diálogo general en la línea de modelos SenseNova de SenseTime. El fabricante lo orienta a responder preguntas rápidas y a escenarios de ajuste de modelos. Úsalo para una tarea de texto claramente delimitada: responder una pregunta a partir de información proporcionada, reescribir un mensaje breve, identificar la idea central de un pasaje o continuar una conversación concreta.\n\n### Dale al modelo una solicitud precisa\n\nIndica qué debe lograr la respuesta e incluye la información necesaria para producirla. Para una explicación dirigida a clientes, proporciona los datos pertinentes del producto y pide una respuesta concisa a la pregunta real. Para una reescritura, proporciona el texto original, la audiencia y el tono deseado. Separa el material que se debe analizar de las instrucciones sobre cómo presentar el resultado.\n\nUn encargo útil es: “Utiliza el fragmento de política proporcionado para explicar qué paso corresponde a esta situación y después enumera la información que aún se necesita”. El texto resultante debe distinguir una respuesta respaldada de una pregunta que el fragmento no resuelve. Una respuesta breve es más fácil de utilizar cuando atiende un solo asunto claro en lugar de mezclar varios objetivos sin relación.\n\n### Mantén pertinente el contexto de la conversación\n\nEl flujo de trabajo de conversación de texto del productor utiliza mensajes etiquetados por rol y admite una secuencia de solicitudes del usuario y respuestas del asistente. Conserva el turno anterior cuando un seguimiento se refiera a él, junto con cualquier hecho o restricción que aún importe. En un flujo de trabajo sin historial de conversación almacenado en el servidor, la aplicación proporciona el historial pertinente con la siguiente solicitud.\n\nPara un intercambio continuo de soporte, conserva la pregunta ya aclarada y la observación que proporcionó el usuario. Pide que la siguiente respuesta continúe a partir de ese estado. Elimina el material ajeno que distraiga de la tarea actual y reserva espacio para la respuesta dentro de la configuración utilizada para la conversación.\n\n### Prepara ejemplos específicos de la tarea\n\nSenseTime enumera los escenarios de ajuste de modelos como parte del posicionamiento de Turbo. Para la adaptación a tareas específicas, prepara ejemplos representativos de entrada y respuesta que muestren el comportamiento deseado: vocabulario, forma de respuesta, nivel de detalle y manejo de información faltante. Mantén la respuesta esperada consistente con los hechos fuente de cada ejemplo.\n\nLos ejemplos útiles podrían distinguir una respuesta factual de una solicitud de aclaración, o una explicación breve de una lista estructurada de campos. Incluye casos difíciles o ambiguos además de los sencillos. Revisa los ejemplos contra la tarea prevista antes de tratar su redacción como un patrón que se debe repetir. Esta preparación describe el comportamiento de diálogo deseado; el flujo de trabajo de adaptación que lo integra determina cómo se utilizan los ejemplos.\n\n### Respuestas completas y en streaming\n\nLas interfaces de conversación del fabricante admiten texto completo y texto en streaming. Una respuesta completa entrega la respuesta como un solo resultado; un flujo transmite porciones sucesivas que la aplicación ensambla. Conserva la respuesta terminada para revisarla o reutilizarla, en lugar de evaluar la tarea únicamente por las primeras palabras visibles.\n\nPara extracción o clasificación, revisa los campos o etiquetas reales contra la fuente. Para una reescritura, compara si el significado se conservó después del cambio de tono solicitado. Para un intercambio de preguntas y respuestas, revisa que la respuesta atienda el asunto actual y que cualquier solicitud de seguimiento sea pertinente.\n\n### Mantén distinta la edición Turbo\n\nTurbo y SenseChat-5 son modelos de diálogo general con nombres independientes. SenseChat-5-Cantonese, los modelos de diálogo de personajes y los modelos de visión o fusión de modalidades también tienen sus propias variantes. Conserva la edición seleccionada y el texto proporcionado junto con la respuesta final al comparar una tarea o continuar una conversación de la aplicación.\n\nElige la función de diálogo delimitado de Turbo cuando el resultado deba ser un texto conciso y utilizable. Dale a la respuesta un destino explícito —una contestación, un párrafo revisado, una lista de campos o una pregunta de aclaración— y examina ese resultado para comprobar su adecuación factual, redacción e integridad antes de utilizarlo en el siguiente paso.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseChat-Turbo de SenseTime es un modelo ligero de conversación de texto orientado a preguntas rápidas y adaptación a tareas específicas. Prepara solicitudes concisas, mantén junto el diálogo pertinente y revisa la respuesta completa contra los hechos proporcionados para la tarea.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
SenseChat-Turbo es la opción ligera de diálogo general en la línea de modelos SenseNova de SenseTime. El fabricante lo orienta a responder preguntas rápidas y a escenarios de ajuste de modelos. Úsalo para una tarea de texto claramente delimitada: responder una pregunta a partir de información proporcionada, reescribir un mensaje breve, identificar la idea central de un pasaje o continuar una conversación concreta.
Indica qué debe lograr la respuesta e incluye la información necesaria para producirla. Para una explicación dirigida a clientes, proporciona los datos pertinentes del producto y pide una respuesta concisa a la pregunta real. Para una reescritura, proporciona el texto original, la audiencia y el tono deseado. Separa el material que se debe analizar de las instrucciones sobre cómo presentar el resultado.
Un encargo útil es: “Utiliza el fragmento de política proporcionado para explicar qué paso corresponde a esta situación y después enumera la información que aún se necesita”. El texto resultante debe distinguir una respuesta respaldada de una pregunta que el fragmento no resuelve. Una respuesta breve es más fácil de utilizar cuando atiende un solo asunto claro en lugar de mezclar varios objetivos sin relación.
El flujo de trabajo de conversación de texto del productor utiliza mensajes etiquetados por rol y admite una secuencia de solicitudes del usuario y respuestas del asistente. Conserva el turno anterior cuando un seguimiento se refiera a él, junto con cualquier hecho o restricción que aún importe. En un flujo de trabajo sin historial de conversación almacenado en el servidor, la aplicación proporciona el historial pertinente con la siguiente solicitud.
Para un intercambio continuo de soporte, conserva la pregunta ya aclarada y la observación que proporcionó el usuario. Pide que la siguiente respuesta continúe a partir de ese estado. Elimina el material ajeno que distraiga de la tarea actual y reserva espacio para la respuesta dentro de la configuración utilizada para la conversación.
SenseTime enumera los escenarios de ajuste de modelos como parte del posicionamiento de Turbo. Para la adaptación a tareas específicas, prepara ejemplos representativos de entrada y respuesta que muestren el comportamiento deseado: vocabulario, forma de respuesta, nivel de detalle y manejo de información faltante. Mantén la respuesta esperada consistente con los hechos fuente de cada ejemplo.
Los ejemplos útiles podrían distinguir una respuesta factual de una solicitud de aclaración, o una explicación breve de una lista estructurada de campos. Incluye casos difíciles o ambiguos además de los sencillos. Revisa los ejemplos contra la tarea prevista antes de tratar su redacción como un patrón que se debe repetir. Esta preparación describe el comportamiento de diálogo deseado; el flujo de trabajo de adaptación que lo integra determina cómo se utilizan los ejemplos.
Las interfaces de conversación del fabricante admiten texto completo y texto en streaming. Una respuesta completa entrega la respuesta como un solo resultado; un flujo transmite porciones sucesivas que la aplicación ensambla. Conserva la respuesta terminada para revisarla o reutilizarla, en lugar de evaluar la tarea únicamente por las primeras palabras visibles.
Para extracción o clasificación, revisa los campos o etiquetas reales contra la fuente. Para una reescritura, compara si el significado se conservó después del cambio de tono solicitado. Para un intercambio de preguntas y respuestas, revisa que la respuesta atienda el asunto actual y que cualquier solicitud de seguimiento sea pertinente.
Turbo y SenseChat-5 son modelos de diálogo general con nombres independientes. SenseChat-5-Cantonese, los modelos de diálogo de personajes y los modelos de visión o fusión de modalidades también tienen sus propias variantes. Conserva la edición seleccionada y el texto proporcionado junto con la respuesta final al comparar una tarea o continuar una conversación de la aplicación.
Elige la función de diálogo delimitado de Turbo cuando el resultado deba ser un texto conciso y utilizable. Dale a la respuesta un destino explícito —una contestación, un párrafo revisado, una lista de campos o una pregunta de aclaración— y examina ese resultado para comprobar su adecuación factual, redacción e integridad antes de utilizarlo en el siguiente paso.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites SenseChat-Turbo | 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 $0.00066 / 1K tokens Salida · Tokens de salida $0.00154 / 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-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='SenseChat-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='SenseChat-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 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-Turbo
Usa las rutas de método indicadas arriba.
SenseChat-TurboSenseChat-Turbo de SenseTime es un modelo ligero de conversación de texto orientado a preguntas rápidas y adaptación a tareas específicas. Prepara solicitudes concisas, mantén junto el diálogo pertinente y revisa la respuesta completa contra los hechos proporcionados para la tarea.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
SenseChat-Turbo es la opción ligera de diálogo general en la línea de modelos SenseNova de SenseTime. El fabricante lo orienta a responder preguntas rápidas y a escenarios de ajuste de modelos. Úsalo para una tarea de texto claramente delimitada: responder una pregunta a partir de información proporcionada, reescribir un mensaje breve, identificar la idea central de un pasaje o continuar una conversación concreta.
Indica qué debe lograr la respuesta e incluye la información necesaria para producirla. Para una explicación dirigida a clientes, proporciona los datos pertinentes del producto y pide una respuesta concisa a la pregunta real. Para una reescritura, proporciona el texto original, la audiencia y el tono deseado. Separa el material que se debe analizar de las instrucciones sobre cómo presentar el resultado.
Un encargo útil es: “Utiliza el fragmento de política proporcionado para explicar qué paso corresponde a esta situación y después enumera la información que aún se necesita”. El texto resultante debe distinguir una respuesta respaldada de una pregunta que el fragmento no resuelve. Una respuesta breve es más fácil de utilizar cuando atiende un solo asunto claro en lugar de mezclar varios objetivos sin relación.
El flujo de trabajo de conversación de texto del productor utiliza mensajes etiquetados por rol y admite una secuencia de solicitudes del usuario y respuestas del asistente. Conserva el turno anterior cuando un seguimiento se refiera a él, junto con cualquier hecho o restricción que aún importe. En un flujo de trabajo sin historial de conversación almacenado en el servidor, la aplicación proporciona el historial pertinente con la siguiente solicitud.
Para un intercambio continuo de soporte, conserva la pregunta ya aclarada y la observación que proporcionó el usuario. Pide que la siguiente respuesta continúe a partir de ese estado. Elimina el material ajeno que distraiga de la tarea actual y reserva espacio para la respuesta dentro de la configuración utilizada para la conversación.
SenseTime enumera los escenarios de ajuste de modelos como parte del posicionamiento de Turbo. Para la adaptación a tareas específicas, prepara ejemplos representativos de entrada y respuesta que muestren el comportamiento deseado: vocabulario, forma de respuesta, nivel de detalle y manejo de información faltante. Mantén la respuesta esperada consistente con los hechos fuente de cada ejemplo.
Los ejemplos útiles podrían distinguir una respuesta factual de una solicitud de aclaración, o una explicación breve de una lista estructurada de campos. Incluye casos difíciles o ambiguos además de los sencillos. Revisa los ejemplos contra la tarea prevista antes de tratar su redacción como un patrón que se debe repetir. Esta preparación describe el comportamiento de diálogo deseado; el flujo de trabajo de adaptación que lo integra determina cómo se utilizan los ejemplos.
Las interfaces de conversación del fabricante admiten texto completo y texto en streaming. Una respuesta completa entrega la respuesta como un solo resultado; un flujo transmite porciones sucesivas que la aplicación ensambla. Conserva la respuesta terminada para revisarla o reutilizarla, en lugar de evaluar la tarea únicamente por las primeras palabras visibles.
Para extracción o clasificación, revisa los campos o etiquetas reales contra la fuente. Para una reescritura, compara si el significado se conservó después del cambio de tono solicitado. Para un intercambio de preguntas y respuestas, revisa que la respuesta atienda el asunto actual y que cualquier solicitud de seguimiento sea pertinente.
Turbo y SenseChat-5 son modelos de diálogo general con nombres independientes. SenseChat-5-Cantonese, los modelos de diálogo de personajes y los modelos de visión o fusión de modalidades también tienen sus propias variantes. Conserva la edición seleccionada y el texto proporcionado junto con la respuesta final al comparar una tarea o continuar una conversación de la aplicación.
Elige la función de diálogo delimitado de Turbo cuando el resultado deba ser un texto conciso y utilizable. Dale a la respuesta un destino explícito —una contestación, un párrafo revisado, una lista de campos o una pregunta de aclaración— y examina ese resultado para comprobar su adecuación factual, redacción e integridad antes de utilizarlo en el siguiente paso.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites SenseChat-Turbo | 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 $0.00066 / 1K tokens Salida · Tokens de salida $0.00154 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'SenseChat-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': 'SenseChat-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 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-Turbo
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.