SenseNova 6.7 Flash-Lite es el modelo ligero de agente multimodal de SenseTime para trabajo de oficina. El productor destaca tareas sostenidas que involucran planeación, análisis de datos, investigación y entrega de contenido. Acepta texto e imágenes y devuelve contenido escrito, por lo que resulta útil para comprender material de oficina y decidir cómo debe convertirse en un análisis, un informe o una presentación. Su función es conectar la tarea, la evidencia y el siguiente paso útil en un flujo de trabajo más largo.
Un flujo de trabajo práctico de oficina puede pasar de la comprensión de los datos a la investigación y después a la entrega de contenido. Primero, analiza un conjunto de datos proporcionado; después, investiga las razones detrás de los patrones y desarrolla una presentación en torno a los hallazgos. Prepara una tarea similar separando las preguntas: ¿qué muestran los datos proporcionados?, ¿qué aún necesita explicación? y ¿qué debe llevarse la audiencia? Indica el entregable final y sus criterios de calidad desde el inicio para que el análisis intermedio pueda contribuir al mismo resultado.
Para análisis de datos, proporciona una tabla legible o una representación de texto y explica las columnas, las unidades, las categorías y el periodo de tiempo. Identifica los valores faltantes o los registros inconsistentes y especifica cómo deben tratarse. Un encargo ilustrativo es revisar un conjunto de datos en busca de discrepancias, describir sus cambios principales y preparar una conclusión vinculada a las filas o categorías pertinentes. Si herramientas conectadas realizan cálculos o procesamiento de archivos, devuelve sus resultados reales al modelo. Mantén la evidencia numérica separada de la explicación narrativa y pídele señalar una causa propuesta que no esté establecida únicamente por los datos.
Para investigación e informes, proporciona los materiales ya recopilados, las preguntas pendientes y la audiencia prevista. Pide una estructura que conecte cada afirmación con evidencia, distinga las observaciones de los supuestos y mantenga visibles los asuntos sin resolver. Para una presentación, define la narrativa, la extensión deseada y el propósito de cada sección. Una salida escrita útil puede incluir títulos de diapositivas, argumentos clave, hechos de respaldo y notas sobre qué recurso visual ayudaría a explicar un punto. El modelo puede organizar este contenido mientras las herramientas que lo integran se encargan de construir el archivo, diseñar su disposición y exportarlo.
El fabricante separa explícitamente una respuesta directa del modelo del flujo de trabajo completo de oficina. Su flujo completo de oficina utiliza un entorno de ejecución de agentes y la biblioteca oficial de habilidades junto con el modelo. Esos componentes leen y manipulan archivos, realizan operaciones y crean la presentación o el informe real. Proporciona al modelo un objetivo claro y devuelve los resultados de esas operaciones para que pueda continuar desde el estado actual. Un esquema o una instrucción generados son una contribución al entregable, no evidencia de que el archivo terminado ya existe.
El flujo de trabajo de imágenes documentado combina una pregunta de texto con una o más imágenes, incluido un ejemplo que compara dos imágenes. Utiliza una gráfica, una imagen de documento o una captura de pantalla claras e indica lo que importa: el cambio que se debe explicar, los valores visibles que se deben comparar o la parte de una página que se debe interpretar. SenseTime recomienda preparar las imágenes con un lado largo de como máximo 2,048 píxeles; son recomendaciones de preparación de entrada, no una afirmación de que las dimensiones mayores definan el límite visual teórico del modelo. Mantén legibles las etiquetas e incluye en texto las unidades o reglas contextuales cuando no se puedan leer de manera confiable en la imagen.
La referencia de SenseTime distingue el contenido de razonamiento de la respuesta escrita final y documenta un presupuesto de salida que incluye ambos. Para una tarea de oficina considerable, haz concreto el entregable solicitado y deja espacio para el razonamiento y el contenido final. En una conversación continua, conserva en orden cronológico los mensajes pertinentes del usuario y el contenido final del asistente; el productor indica a las aplicaciones que no vuelvan a enviar el campo de razonamiento anterior como historial de conversación. Para historiales largos, conserva los hechos y las decisiones que realmente necesita el siguiente paso.
Flash-Lite es el modelo identificado para este flujo de trabajo, mientras que la generación de archivos terminados y las salidas visuales especializadas dependen del entorno conectado y de las herramientas pertinentes. Revisa los cálculos, los detalles de imagen extraídos y las afirmaciones del informe contra los materiales originales. Define la finalización en términos de los contenidos solicitados y del entregable real, para que una explicación fluida siga conectada con la evidencia y con un resultado utilizable.
", "aboutText": "SenseNova 6.7 Flash-Lite es el modelo ligero de agente multimodal de SenseTime para trabajo de oficina. El productor destaca tareas sostenidas que involucran planeación, análisis de datos, investigación y entrega de contenido. Acepta texto e imágenes y devuelve contenido escrito, por lo que resulta útil para comprender material de oficina y decidir cómo debe convertirse en un análisis, un informe o una presentación. Su función es conectar la tarea, la evidencia y el siguiente paso útil en un flujo de trabajo más largo.\n\nUn flujo de trabajo práctico de oficina puede pasar de la comprensión de los datos a la investigación y después a la entrega de contenido. Primero, analiza un conjunto de datos proporcionado; después, investiga las razones detrás de los patrones y desarrolla una presentación en torno a los hallazgos. Prepara una tarea similar separando las preguntas: ¿qué muestran los datos proporcionados?, ¿qué aún necesita explicación? y ¿qué debe llevarse la audiencia? Indica el entregable final y sus criterios de calidad desde el inicio para que el análisis intermedio pueda contribuir al mismo resultado.\n\nPara análisis de datos, proporciona una tabla legible o una representación de texto y explica las columnas, las unidades, las categorías y el periodo de tiempo. Identifica los valores faltantes o los registros inconsistentes y especifica cómo deben tratarse. Un encargo ilustrativo es revisar un conjunto de datos en busca de discrepancias, describir sus cambios principales y preparar una conclusión vinculada a las filas o categorías pertinentes. Si herramientas conectadas realizan cálculos o procesamiento de archivos, devuelve sus resultados reales al modelo. Mantén la evidencia numérica separada de la explicación narrativa y pídele señalar una causa propuesta que no esté establecida únicamente por los datos.\n\nPara investigación e informes, proporciona los materiales ya recopilados, las preguntas pendientes y la audiencia prevista. Pide una estructura que conecte cada afirmación con evidencia, distinga las observaciones de los supuestos y mantenga visibles los asuntos sin resolver. Para una presentación, define la narrativa, la extensión deseada y el propósito de cada sección. Una salida escrita útil puede incluir títulos de diapositivas, argumentos clave, hechos de respaldo y notas sobre qué recurso visual ayudaría a explicar un punto. El modelo puede organizar este contenido mientras las herramientas que lo integran se encargan de construir el archivo, diseñar su disposición y exportarlo.\n\nEl fabricante separa explícitamente una respuesta directa del modelo del flujo de trabajo completo de oficina. Su flujo completo de oficina utiliza un entorno de ejecución de agentes y la biblioteca oficial de habilidades junto con el modelo. Esos componentes leen y manipulan archivos, realizan operaciones y crean la presentación o el informe real. Proporciona al modelo un objetivo claro y devuelve los resultados de esas operaciones para que pueda continuar desde el estado actual. Un esquema o una instrucción generados son una contribución al entregable, no evidencia de que el archivo terminado ya existe.\n\nEl flujo de trabajo de imágenes documentado combina una pregunta de texto con una o más imágenes, incluido un ejemplo que compara dos imágenes. Utiliza una gráfica, una imagen de documento o una captura de pantalla claras e indica lo que importa: el cambio que se debe explicar, los valores visibles que se deben comparar o la parte de una página que se debe interpretar. SenseTime recomienda preparar las imágenes con un lado largo de como máximo 2,048 píxeles; son recomendaciones de preparación de entrada, no una afirmación de que las dimensiones mayores definan el límite visual teórico del modelo. Mantén legibles las etiquetas e incluye en texto las unidades o reglas contextuales cuando no se puedan leer de manera confiable en la imagen.\n\nLa referencia de SenseTime distingue el contenido de razonamiento de la respuesta escrita final y documenta un presupuesto de salida que incluye ambos. Para una tarea de oficina considerable, haz concreto el entregable solicitado y deja espacio para el razonamiento y el contenido final. En una conversación continua, conserva en orden cronológico los mensajes pertinentes del usuario y el contenido final del asistente; el productor indica a las aplicaciones que no vuelvan a enviar el campo de razonamiento anterior como historial de conversación. Para historiales largos, conserva los hechos y las decisiones que realmente necesita el siguiente paso.\n\nFlash-Lite es el modelo identificado para este flujo de trabajo, mientras que la generación de archivos terminados y las salidas visuales especializadas dependen del entorno conectado y de las herramientas pertinentes. Revisa los cálculos, los detalles de imagen extraídos y las afirmaciones del informe contra los materiales originales. Define la finalización en términos de los contenidos solicitados y del entregable real, para que una explicación fluida siga conectada con la evidencia y con un resultado utilizable.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite es el modelo multimodal de SenseTime para tareas sostenidas de oficina y análisis. Interpreta texto e imágenes, ayuda a organizar contenido de investigación e informes y participa en flujos de trabajo asistidos por herramientas que convierten el análisis en un entregable.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
SenseNova 6.7 Flash-Lite es el modelo ligero de agente multimodal de SenseTime para trabajo de oficina. El productor destaca tareas sostenidas que involucran planeación, análisis de datos, investigación y entrega de contenido. Acepta texto e imágenes y devuelve contenido escrito, por lo que resulta útil para comprender material de oficina y decidir cómo debe convertirse en un análisis, un informe o una presentación. Su función es conectar la tarea, la evidencia y el siguiente paso útil en un flujo de trabajo más largo.
Un flujo de trabajo práctico de oficina puede pasar de la comprensión de los datos a la investigación y después a la entrega de contenido. Primero, analiza un conjunto de datos proporcionado; después, investiga las razones detrás de los patrones y desarrolla una presentación en torno a los hallazgos. Prepara una tarea similar separando las preguntas: ¿qué muestran los datos proporcionados?, ¿qué aún necesita explicación? y ¿qué debe llevarse la audiencia? Indica el entregable final y sus criterios de calidad desde el inicio para que el análisis intermedio pueda contribuir al mismo resultado.
Para análisis de datos, proporciona una tabla legible o una representación de texto y explica las columnas, las unidades, las categorías y el periodo de tiempo. Identifica los valores faltantes o los registros inconsistentes y especifica cómo deben tratarse. Un encargo ilustrativo es revisar un conjunto de datos en busca de discrepancias, describir sus cambios principales y preparar una conclusión vinculada a las filas o categorías pertinentes. Si herramientas conectadas realizan cálculos o procesamiento de archivos, devuelve sus resultados reales al modelo. Mantén la evidencia numérica separada de la explicación narrativa y pídele señalar una causa propuesta que no esté establecida únicamente por los datos.
Para investigación e informes, proporciona los materiales ya recopilados, las preguntas pendientes y la audiencia prevista. Pide una estructura que conecte cada afirmación con evidencia, distinga las observaciones de los supuestos y mantenga visibles los asuntos sin resolver. Para una presentación, define la narrativa, la extensión deseada y el propósito de cada sección. Una salida escrita útil puede incluir títulos de diapositivas, argumentos clave, hechos de respaldo y notas sobre qué recurso visual ayudaría a explicar un punto. El modelo puede organizar este contenido mientras las herramientas que lo integran se encargan de construir el archivo, diseñar su disposición y exportarlo.
El fabricante separa explícitamente una respuesta directa del modelo del flujo de trabajo completo de oficina. Su flujo completo de oficina utiliza un entorno de ejecución de agentes y la biblioteca oficial de habilidades junto con el modelo. Esos componentes leen y manipulan archivos, realizan operaciones y crean la presentación o el informe real. Proporciona al modelo un objetivo claro y devuelve los resultados de esas operaciones para que pueda continuar desde el estado actual. Un esquema o una instrucción generados son una contribución al entregable, no evidencia de que el archivo terminado ya existe.
El flujo de trabajo de imágenes documentado combina una pregunta de texto con una o más imágenes, incluido un ejemplo que compara dos imágenes. Utiliza una gráfica, una imagen de documento o una captura de pantalla claras e indica lo que importa: el cambio que se debe explicar, los valores visibles que se deben comparar o la parte de una página que se debe interpretar. SenseTime recomienda preparar las imágenes con un lado largo de como máximo 2,048 píxeles; son recomendaciones de preparación de entrada, no una afirmación de que las dimensiones mayores definan el límite visual teórico del modelo. Mantén legibles las etiquetas e incluye en texto las unidades o reglas contextuales cuando no se puedan leer de manera confiable en la imagen.
La referencia de SenseTime distingue el contenido de razonamiento de la respuesta escrita final y documenta un presupuesto de salida que incluye ambos. Para una tarea de oficina considerable, haz concreto el entregable solicitado y deja espacio para el razonamiento y el contenido final. En una conversación continua, conserva en orden cronológico los mensajes pertinentes del usuario y el contenido final del asistente; el productor indica a las aplicaciones que no vuelvan a enviar el campo de razonamiento anterior como historial de conversación. Para historiales largos, conserva los hechos y las decisiones que realmente necesita el siguiente paso.
Flash-Lite es el modelo identificado para este flujo de trabajo, mientras que la generación de archivos terminados y las salidas visuales especializadas dependen del entorno conectado y de las herramientas pertinentes. Revisa los cálculos, los detalles de imagen extraídos y las afirmaciones del informe contra los materiales originales. Define la finalización en términos de los contenidos solicitados y del entregable real, para que una explicación fluida siga conectada con la evidencia y con un resultado utilizable.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites sensenova-6.7-flash-lite | 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 $0.001892 / 1K tokens Salida · Tokens de salida $0.005676 / 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": "sensenova-6.7-flash-lite", "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='sensenova-6.7-flash-lite',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='sensenova-6.7-flash-lite',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 sensenova-6.7-flash-lite
Usa las rutas de método indicadas arriba.
sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite es el modelo multimodal de SenseTime para tareas sostenidas de oficina y análisis. Interpreta texto e imágenes, ayuda a organizar contenido de investigación e informes y participa en flujos de trabajo asistidos por herramientas que convierten el análisis en un entregable.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
SenseNova 6.7 Flash-Lite es el modelo ligero de agente multimodal de SenseTime para trabajo de oficina. El productor destaca tareas sostenidas que involucran planeación, análisis de datos, investigación y entrega de contenido. Acepta texto e imágenes y devuelve contenido escrito, por lo que resulta útil para comprender material de oficina y decidir cómo debe convertirse en un análisis, un informe o una presentación. Su función es conectar la tarea, la evidencia y el siguiente paso útil en un flujo de trabajo más largo.
Un flujo de trabajo práctico de oficina puede pasar de la comprensión de los datos a la investigación y después a la entrega de contenido. Primero, analiza un conjunto de datos proporcionado; después, investiga las razones detrás de los patrones y desarrolla una presentación en torno a los hallazgos. Prepara una tarea similar separando las preguntas: ¿qué muestran los datos proporcionados?, ¿qué aún necesita explicación? y ¿qué debe llevarse la audiencia? Indica el entregable final y sus criterios de calidad desde el inicio para que el análisis intermedio pueda contribuir al mismo resultado.
Para análisis de datos, proporciona una tabla legible o una representación de texto y explica las columnas, las unidades, las categorías y el periodo de tiempo. Identifica los valores faltantes o los registros inconsistentes y especifica cómo deben tratarse. Un encargo ilustrativo es revisar un conjunto de datos en busca de discrepancias, describir sus cambios principales y preparar una conclusión vinculada a las filas o categorías pertinentes. Si herramientas conectadas realizan cálculos o procesamiento de archivos, devuelve sus resultados reales al modelo. Mantén la evidencia numérica separada de la explicación narrativa y pídele señalar una causa propuesta que no esté establecida únicamente por los datos.
Para investigación e informes, proporciona los materiales ya recopilados, las preguntas pendientes y la audiencia prevista. Pide una estructura que conecte cada afirmación con evidencia, distinga las observaciones de los supuestos y mantenga visibles los asuntos sin resolver. Para una presentación, define la narrativa, la extensión deseada y el propósito de cada sección. Una salida escrita útil puede incluir títulos de diapositivas, argumentos clave, hechos de respaldo y notas sobre qué recurso visual ayudaría a explicar un punto. El modelo puede organizar este contenido mientras las herramientas que lo integran se encargan de construir el archivo, diseñar su disposición y exportarlo.
El fabricante separa explícitamente una respuesta directa del modelo del flujo de trabajo completo de oficina. Su flujo completo de oficina utiliza un entorno de ejecución de agentes y la biblioteca oficial de habilidades junto con el modelo. Esos componentes leen y manipulan archivos, realizan operaciones y crean la presentación o el informe real. Proporciona al modelo un objetivo claro y devuelve los resultados de esas operaciones para que pueda continuar desde el estado actual. Un esquema o una instrucción generados son una contribución al entregable, no evidencia de que el archivo terminado ya existe.
El flujo de trabajo de imágenes documentado combina una pregunta de texto con una o más imágenes, incluido un ejemplo que compara dos imágenes. Utiliza una gráfica, una imagen de documento o una captura de pantalla claras e indica lo que importa: el cambio que se debe explicar, los valores visibles que se deben comparar o la parte de una página que se debe interpretar. SenseTime recomienda preparar las imágenes con un lado largo de como máximo 2,048 píxeles; son recomendaciones de preparación de entrada, no una afirmación de que las dimensiones mayores definan el límite visual teórico del modelo. Mantén legibles las etiquetas e incluye en texto las unidades o reglas contextuales cuando no se puedan leer de manera confiable en la imagen.
La referencia de SenseTime distingue el contenido de razonamiento de la respuesta escrita final y documenta un presupuesto de salida que incluye ambos. Para una tarea de oficina considerable, haz concreto el entregable solicitado y deja espacio para el razonamiento y el contenido final. En una conversación continua, conserva en orden cronológico los mensajes pertinentes del usuario y el contenido final del asistente; el productor indica a las aplicaciones que no vuelvan a enviar el campo de razonamiento anterior como historial de conversación. Para historiales largos, conserva los hechos y las decisiones que realmente necesita el siguiente paso.
Flash-Lite es el modelo identificado para este flujo de trabajo, mientras que la generación de archivos terminados y las salidas visuales especializadas dependen del entorno conectado y de las herramientas pertinentes. Revisa los cálculos, los detalles de imagen extraídos y las afirmaciones del informe contra los materiales originales. Define la finalización en términos de los contenidos solicitados y del entregable real, para que una explicación fluida siga conectada con la evidencia y con un resultado utilizable.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites sensenova-6.7-flash-lite | 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 $0.001892 / 1K tokens Salida · Tokens de salida $0.005676 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-6.7-flash-lite', '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-6.7-flash-lite', '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 sensenova-6.7-flash-lite
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.