Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small es el modelo de Inference.net centrado en calidad de extracción para convertir HTML en JSON conforme a un esquema. El fabricante lo desarrolla para esquemas complejos y páginas largas, con una función de carga de trabajo distinta de V2 Turbo, centrado en capacidad de procesamiento. Lee el HTML y el esquema de quien llama y devuelve el registro estructurado correspondiente. El objetivo es extraer los hechos que necesita una aplicación posterior, no generar una respuesta conversacional amplia.
La guía del productor indica que las instrucciones de extracción deben estar en el esquema, no en una instrucción de sistema o de usuario en lenguaje natural. Define el tipo de cada propiedad y explica su significado en la descripción del campo. Se admiten objetos anidados y listas. Un registro de producto, por ejemplo, puede distinguir un identificador de producto de su nombre mostrado y agrupar los valores de especificaciones en su propio objeto.
Para una página compleja, resuelve los significados ambiguos de los campos antes de pedir la extracción. Explica si una fecha corresponde a una publicación, un evento o una revisión, y cómo deben representarse varios valores de origen. Utiliza una convención de esquema para la información ausente, de modo que el modelo no tenga que inventar un valor para que el objeto parezca completo. El fabricante muestra modelos tipados y JSON Schema junto a la validación del JSON devuelto.
El preprocesamiento de HTML recomendado elimina scripts, estilos y contenido repetitivo, conservando el contenido pertinente. El fabricante aconseja ser prudente: eliminar demasiado puede hacer que se pierda la información que necesita la extracción. Mantén los encabezados de tablas, las etiquetas anidadas y el texto cercano que establece qué significa un valor. Recorta a la región pertinente cuando la página contenga navegación sin relación o material repetido.
Una tarea ilustrativa consiste en extraer un registro técnico de una página de producto con varias tablas de configuración. La entrada debe conservar qué tabla pertenece a cada variante, y el esquema debe describir la variante concreta o la lista de variantes necesarias. El JSON resultante puede contrastarse entonces con esas filas de origen, en vez de tratarse como un resumen de todo el sitio web.
V2 Small pone el énfasis en la calidad de extracción para esquemas difíciles y HTML largo. Turbo es la versión independiente optimizada para procesar páginas con mayor capacidad de procesamiento. Ambos comparten el contexto documentado de 128K de la familia V2 y el flujo estricto de JSON guiado por esquemas. El presupuesto de contexto contiene conjuntamente la entrada y la salida solicitada, así que centra una página grande en el registro que la tarea necesita realmente.
Un objeto estructurado puede servir para ingesta de catálogos, análisis de documentos o una capa de pruebas para una respuesta asistida por búsqueda. La aplicación obtiene la página de origen, proporciona el esquema y valida la salida antes de utilizarla. Conserva el identificador de página o la asociación con la fuente en ese flujo que lo integra. Si el registro incluye números, compara las unidades y la interpretación prevista con la fuente.
La conformidad con el esquema establece la forma del resultado; no verifica de forma independiente cada hecho extraído. Revisa registros representativos frente al HTML original y define el tratamiento de la información contradictoria o ausente. V2 Small conserva su identidad como versión con nombre propio, separada de los checkpoints V1 de pesos abiertos. Su interfaz documentada es extracción de HTML a JSON y no implica entradas de imagen, conversación general, acceso web automático ni un flujo nativo de ejecución de herramientas.
", "aboutText": "Schematron V2 Small es el modelo de Inference.net centrado en calidad de extracción para convertir HTML en JSON conforme a un esquema. El fabricante lo desarrolla para esquemas complejos y páginas largas, con una función de carga de trabajo distinta de V2 Turbo, centrado en capacidad de procesamiento. Lee el HTML y el esquema de quien llama y devuelve el registro estructurado correspondiente. El objetivo es extraer los hechos que necesita una aplicación posterior, no generar una respuesta conversacional amplia.\n\n### El esquema como especificación de la tarea\n\nLa guía del productor indica que las instrucciones de extracción deben estar en el esquema, no en una instrucción de sistema o de usuario en lenguaje natural. Define el tipo de cada propiedad y explica su significado en la descripción del campo. Se admiten objetos anidados y listas. Un registro de producto, por ejemplo, puede distinguir un identificador de producto de su nombre mostrado y agrupar los valores de especificaciones en su propio objeto.\n\nPara una página compleja, resuelve los significados ambiguos de los campos antes de pedir la extracción. Explica si una fecha corresponde a una publicación, un evento o una revisión, y cómo deben representarse varios valores de origen. Utiliza una convención de esquema para la información ausente, de modo que el modelo no tenga que inventar un valor para que el objeto parezca completo. El fabricante muestra modelos tipados y JSON Schema junto a la validación del JSON devuelto.\n\n### Preparación de un documento largo\n\nEl preprocesamiento de HTML recomendado elimina scripts, estilos y contenido repetitivo, conservando el contenido pertinente. El fabricante aconseja ser prudente: eliminar demasiado puede hacer que se pierda la información que necesita la extracción. Mantén los encabezados de tablas, las etiquetas anidadas y el texto cercano que establece qué significa un valor. Recorta a la región pertinente cuando la página contenga navegación sin relación o material repetido.\n\nUna tarea ilustrativa consiste en extraer un registro técnico de una página de producto con varias tablas de configuración. La entrada debe conservar qué tabla pertenece a cada variante, y el esquema debe describir la variante concreta o la lista de variantes necesarias. El JSON resultante puede contrastarse entonces con esas filas de origen, en vez de tratarse como un resumen de todo el sitio web.\n\n### Small y Turbo son opciones independientes\n\nV2 Small pone el énfasis en la calidad de extracción para esquemas difíciles y HTML largo. Turbo es la versión independiente optimizada para procesar páginas con mayor capacidad de procesamiento. Ambos comparten el contexto documentado de 128K de la familia V2 y el flujo estricto de JSON guiado por esquemas. El presupuesto de contexto contiene conjuntamente la entrada y la salida solicitada, así que centra una página grande en el registro que la tarea necesita realmente.\n\n### De la extracción a los datos de aplicación\n\nUn objeto estructurado puede servir para ingesta de catálogos, análisis de documentos o una capa de pruebas para una respuesta asistida por búsqueda. La aplicación obtiene la página de origen, proporciona el esquema y valida la salida antes de utilizarla. Conserva el identificador de página o la asociación con la fuente en ese flujo que lo integra. Si el registro incluye números, compara las unidades y la interpretación prevista con la fuente.\n\nLa conformidad con el esquema establece la forma del resultado; no verifica de forma independiente cada hecho extraído. Revisa registros representativos frente al HTML original y define el tratamiento de la información contradictoria o ausente. V2 Small conserva su identidad como versión con nombre propio, separada de los checkpoints V1 de pesos abiertos. Su interfaz documentada es extracción de HTML a JSON y no implica entradas de imagen, conversación general, acceso web automático ni un flujo nativo de ejecución de herramientas.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.inference-net/schematron-v2-smallSchematron V2 Small extrae hechos definidos por un esquema desde HTML suministrado y los convierte en JSON tipado. Es la opción V2 orientada a calidad para esquemas complejos y páginas largas, con un contexto del productor de 128K, registros anidados y descripciones de campos que especifican los datos que deben devolverse.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Schematron V2 Small es el modelo de Inference.net centrado en calidad de extracción para convertir HTML en JSON conforme a un esquema. El fabricante lo desarrolla para esquemas complejos y páginas largas, con una función de carga de trabajo distinta de V2 Turbo, centrado en capacidad de procesamiento. Lee el HTML y el esquema de quien llama y devuelve el registro estructurado correspondiente. El objetivo es extraer los hechos que necesita una aplicación posterior, no generar una respuesta conversacional amplia.
La guía del productor indica que las instrucciones de extracción deben estar en el esquema, no en una instrucción de sistema o de usuario en lenguaje natural. Define el tipo de cada propiedad y explica su significado en la descripción del campo. Se admiten objetos anidados y listas. Un registro de producto, por ejemplo, puede distinguir un identificador de producto de su nombre mostrado y agrupar los valores de especificaciones en su propio objeto.
Para una página compleja, resuelve los significados ambiguos de los campos antes de pedir la extracción. Explica si una fecha corresponde a una publicación, un evento o una revisión, y cómo deben representarse varios valores de origen. Utiliza una convención de esquema para la información ausente, de modo que el modelo no tenga que inventar un valor para que el objeto parezca completo. El fabricante muestra modelos tipados y JSON Schema junto a la validación del JSON devuelto.
El preprocesamiento de HTML recomendado elimina scripts, estilos y contenido repetitivo, conservando el contenido pertinente. El fabricante aconseja ser prudente: eliminar demasiado puede hacer que se pierda la información que necesita la extracción. Mantén los encabezados de tablas, las etiquetas anidadas y el texto cercano que establece qué significa un valor. Recorta a la región pertinente cuando la página contenga navegación sin relación o material repetido.
Una tarea ilustrativa consiste en extraer un registro técnico de una página de producto con varias tablas de configuración. La entrada debe conservar qué tabla pertenece a cada variante, y el esquema debe describir la variante concreta o la lista de variantes necesarias. El JSON resultante puede contrastarse entonces con esas filas de origen, en vez de tratarse como un resumen de todo el sitio web.
V2 Small pone el énfasis en la calidad de extracción para esquemas difíciles y HTML largo. Turbo es la versión independiente optimizada para procesar páginas con mayor capacidad de procesamiento. Ambos comparten el contexto documentado de 128K de la familia V2 y el flujo estricto de JSON guiado por esquemas. El presupuesto de contexto contiene conjuntamente la entrada y la salida solicitada, así que centra una página grande en el registro que la tarea necesita realmente.
Un objeto estructurado puede servir para ingesta de catálogos, análisis de documentos o una capa de pruebas para una respuesta asistida por búsqueda. La aplicación obtiene la página de origen, proporciona el esquema y valida la salida antes de utilizarla. Conserva el identificador de página o la asociación con la fuente en ese flujo que lo integra. Si el registro incluye números, compara las unidades y la interpretación prevista con la fuente.
La conformidad con el esquema establece la forma del resultado; no verifica de forma independiente cada hecho extraído. Revisa registros representativos frente al HTML original y define el tratamiento de la información contradictoria o ausente. V2 Small conserva su identidad como versión con nombre propio, separada de los checkpoints V1 de pesos abiertos. Su interfaz documentada es extracción de HTML a JSON y no implica entradas de imagen, conversación general, acceso web automático ni un flujo nativo de ejecución de herramientas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inference-net/schematron-v2-small | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.00046 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.00046 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inference-net/schematron-v2-small", "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='inference-net/schematron-v2-small',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='inference-net/schematron-v2-small',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 las cabeceras. 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 inference-net/schematron-v2-small
Usa las rutas de método indicadas arriba.
inference-net/schematron-v2-smallSchematron V2 Small extrae hechos definidos por un esquema desde HTML suministrado y los convierte en JSON tipado. Es la opción V2 orientada a calidad para esquemas complejos y páginas largas, con un contexto del productor de 128K, registros anidados y descripciones de campos que especifican los datos que deben devolverse.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Schematron V2 Small es el modelo de Inference.net centrado en calidad de extracción para convertir HTML en JSON conforme a un esquema. El fabricante lo desarrolla para esquemas complejos y páginas largas, con una función de carga de trabajo distinta de V2 Turbo, centrado en capacidad de procesamiento. Lee el HTML y el esquema de quien llama y devuelve el registro estructurado correspondiente. El objetivo es extraer los hechos que necesita una aplicación posterior, no generar una respuesta conversacional amplia.
La guía del productor indica que las instrucciones de extracción deben estar en el esquema, no en una instrucción de sistema o de usuario en lenguaje natural. Define el tipo de cada propiedad y explica su significado en la descripción del campo. Se admiten objetos anidados y listas. Un registro de producto, por ejemplo, puede distinguir un identificador de producto de su nombre mostrado y agrupar los valores de especificaciones en su propio objeto.
Para una página compleja, resuelve los significados ambiguos de los campos antes de pedir la extracción. Explica si una fecha corresponde a una publicación, un evento o una revisión, y cómo deben representarse varios valores de origen. Utiliza una convención de esquema para la información ausente, de modo que el modelo no tenga que inventar un valor para que el objeto parezca completo. El fabricante muestra modelos tipados y JSON Schema junto a la validación del JSON devuelto.
El preprocesamiento de HTML recomendado elimina scripts, estilos y contenido repetitivo, conservando el contenido pertinente. El fabricante aconseja ser prudente: eliminar demasiado puede hacer que se pierda la información que necesita la extracción. Mantén los encabezados de tablas, las etiquetas anidadas y el texto cercano que establece qué significa un valor. Recorta a la región pertinente cuando la página contenga navegación sin relación o material repetido.
Una tarea ilustrativa consiste en extraer un registro técnico de una página de producto con varias tablas de configuración. La entrada debe conservar qué tabla pertenece a cada variante, y el esquema debe describir la variante concreta o la lista de variantes necesarias. El JSON resultante puede contrastarse entonces con esas filas de origen, en vez de tratarse como un resumen de todo el sitio web.
V2 Small pone el énfasis en la calidad de extracción para esquemas difíciles y HTML largo. Turbo es la versión independiente optimizada para procesar páginas con mayor capacidad de procesamiento. Ambos comparten el contexto documentado de 128K de la familia V2 y el flujo estricto de JSON guiado por esquemas. El presupuesto de contexto contiene conjuntamente la entrada y la salida solicitada, así que centra una página grande en el registro que la tarea necesita realmente.
Un objeto estructurado puede servir para ingesta de catálogos, análisis de documentos o una capa de pruebas para una respuesta asistida por búsqueda. La aplicación obtiene la página de origen, proporciona el esquema y valida la salida antes de utilizarla. Conserva el identificador de página o la asociación con la fuente en ese flujo que lo integra. Si el registro incluye números, compara las unidades y la interpretación prevista con la fuente.
La conformidad con el esquema establece la forma del resultado; no verifica de forma independiente cada hecho extraído. Revisa registros representativos frente al HTML original y define el tratamiento de la información contradictoria o ausente. V2 Small conserva su identidad como versión con nombre propio, separada de los checkpoints V1 de pesos abiertos. Su interfaz documentada es extracción de HTML a JSON y no implica entradas de imagen, conversación general, acceso web automático ni un flujo nativo de ejecución de herramientas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inference-net/schematron-v2-small | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.00046 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.00046 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inference-net/schematron-v2-small', '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': 'inference-net/schematron-v2-small', '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 las cabeceras. 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 inference-net/schematron-v2-small
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.Capacity: 350 ml
Capacity: 600 ml