Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small est le modèle d’Inference.net privilégiant la qualité d’extraction pour convertir le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les pages longues, avec un rôle distinct de V2 Turbo orienté débit. Il lit le HTML et le schéma de l’appelant, puis renvoie l’enregistrement structuré correspondant. L’objectif est d’extraire les faits nécessaires à une application en aval, plutôt que de générer une réponse conversationnelle générale.
Le guide du producteur indique que les consignes d’extraction doivent figurer dans le schéma plutôt que dans une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Objets imbriqués et listes sont pris en charge. Un enregistrement produit peut, par exemple, distinguer un identifiant du nom affiché et regrouper les spécifications dans leur propre objet.
Pour une page complexe, résolvez les ambiguïtés de sens des champs avant l’extraction. Précisez si une date concerne une publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les informations manquantes afin que le modèle n’ait pas à inventer une valeur pour compléter l’objet. Le fabricant illustre des modèles typés et JSON Schema, avec validation du JSON renvoyé.
Le prétraitement HTML recommandé retire scripts, styles et contenu standard tout en conservant le contenu pertinent. Le fabricant conseille la prudence : trop supprimer risque d’éliminer les informations nécessaires à l’extraction. Gardez les en-têtes de tableaux, étiquettes imbriquées et textes voisins établissant le sens d’une valeur. Réduisez à la zone pertinente lorsque la page contient une navigation sans rapport ou des éléments répétés.
Une tâche illustrative consiste à extraire un enregistrement technique d’une page produit comportant plusieurs tableaux de configurations. L’entrée doit préserver l’association de chaque tableau à sa variante, et le schéma doit décrire la variante précise ou la liste de variantes requise. Le JSON peut ainsi être vérifié à partir des lignes sources, plutôt que traité comme un résumé de tout le site.
V2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version séparée optimisée pour traiter les pages à plus haut débit. Les deux partagent le contexte documenté de 128K et le parcours JSON strictement guidé par schéma de la famille V2. Le budget contient ensemble l’entrée et la sortie demandée ; concentrez donc une page volumineuse sur l’enregistrement réellement nécessaire.
Un objet structuré peut servir à l’ingestion de catalogue, à l’analyse documentaire ou à une couche d’éléments justificatifs pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant utilisation. Conservez l’identifiant de page ou l’association source dans ce parcours. Si l’enregistrement contient des nombres, comparez leurs unités et leur interprétation prévue à la source.
La conformité au schéma établit la forme du résultat ; elle ne vérifie pas indépendamment chaque fait extrait. Examinez des enregistrements représentatifs à partir du HTML original et définissez le traitement des informations contradictoires ou absentes. V2 Small reste une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction HTML vers JSON et n’implique ni entrées image, ni conversation générale, ni accès web automatique, ni parcours natif d’exécution d’outils.
", "aboutText": "Schematron V2 Small est le modèle d’Inference.net privilégiant la qualité d’extraction pour convertir le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les pages longues, avec un rôle distinct de V2 Turbo orienté débit. Il lit le HTML et le schéma de l’appelant, puis renvoie l’enregistrement structuré correspondant. L’objectif est d’extraire les faits nécessaires à une application en aval, plutôt que de générer une réponse conversationnelle générale.\n\n### Le schéma comme spécification de tâche\n\nLe guide du producteur indique que les consignes d’extraction doivent figurer dans le schéma plutôt que dans une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Objets imbriqués et listes sont pris en charge. Un enregistrement produit peut, par exemple, distinguer un identifiant du nom affiché et regrouper les spécifications dans leur propre objet.\n\nPour une page complexe, résolvez les ambiguïtés de sens des champs avant l’extraction. Précisez si une date concerne une publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les informations manquantes afin que le modèle n’ait pas à inventer une valeur pour compléter l’objet. Le fabricant illustre des modèles typés et JSON Schema, avec validation du JSON renvoyé.\n\n### Préparer un document long\n\nLe prétraitement HTML recommandé retire scripts, styles et contenu standard tout en conservant le contenu pertinent. Le fabricant conseille la prudence : trop supprimer risque d’éliminer les informations nécessaires à l’extraction. Gardez les en-têtes de tableaux, étiquettes imbriquées et textes voisins établissant le sens d’une valeur. Réduisez à la zone pertinente lorsque la page contient une navigation sans rapport ou des éléments répétés.\n\nUne tâche illustrative consiste à extraire un enregistrement technique d’une page produit comportant plusieurs tableaux de configurations. L’entrée doit préserver l’association de chaque tableau à sa variante, et le schéma doit décrire la variante précise ou la liste de variantes requise. Le JSON peut ainsi être vérifié à partir des lignes sources, plutôt que traité comme un résumé de tout le site.\n\n### Small et Turbo sont des choix distincts\n\nV2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version séparée optimisée pour traiter les pages à plus haut débit. Les deux partagent le contexte documenté de 128K et le parcours JSON strictement guidé par schéma de la famille V2. Le budget contient ensemble l’entrée et la sortie demandée ; concentrez donc une page volumineuse sur l’enregistrement réellement nécessaire.\n\n### De l’extraction aux données applicatives\n\nUn objet structuré peut servir à l’ingestion de catalogue, à l’analyse documentaire ou à une couche d’éléments justificatifs pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant utilisation. Conservez l’identifiant de page ou l’association source dans ce parcours. Si l’enregistrement contient des nombres, comparez leurs unités et leur interprétation prévue à la source.\n\nLa conformité au schéma établit la forme du résultat ; elle ne vérifie pas indépendamment chaque fait extrait. Examinez des enregistrements représentatifs à partir du HTML original et définissez le traitement des informations contradictoires ou absentes. V2 Small reste une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction HTML vers JSON et n’implique ni entrées image, ni conversation générale, ni accès web automatique, ni parcours natif d’exécution d’outils.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 extrait les faits définis par un schéma depuis du HTML fourni vers du JSON typé. C’est l’option V2 privilégiant la qualité pour les schémas complexes et les pages longues, avec un contexte producteur de 128K, des enregistrements imbriqués et des descriptions de champs précisant les données à renvoyer.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Schematron V2 Small est le modèle d’Inference.net privilégiant la qualité d’extraction pour convertir le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les pages longues, avec un rôle distinct de V2 Turbo orienté débit. Il lit le HTML et le schéma de l’appelant, puis renvoie l’enregistrement structuré correspondant. L’objectif est d’extraire les faits nécessaires à une application en aval, plutôt que de générer une réponse conversationnelle générale.
Le guide du producteur indique que les consignes d’extraction doivent figurer dans le schéma plutôt que dans une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Objets imbriqués et listes sont pris en charge. Un enregistrement produit peut, par exemple, distinguer un identifiant du nom affiché et regrouper les spécifications dans leur propre objet.
Pour une page complexe, résolvez les ambiguïtés de sens des champs avant l’extraction. Précisez si une date concerne une publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les informations manquantes afin que le modèle n’ait pas à inventer une valeur pour compléter l’objet. Le fabricant illustre des modèles typés et JSON Schema, avec validation du JSON renvoyé.
Le prétraitement HTML recommandé retire scripts, styles et contenu standard tout en conservant le contenu pertinent. Le fabricant conseille la prudence : trop supprimer risque d’éliminer les informations nécessaires à l’extraction. Gardez les en-têtes de tableaux, étiquettes imbriquées et textes voisins établissant le sens d’une valeur. Réduisez à la zone pertinente lorsque la page contient une navigation sans rapport ou des éléments répétés.
Une tâche illustrative consiste à extraire un enregistrement technique d’une page produit comportant plusieurs tableaux de configurations. L’entrée doit préserver l’association de chaque tableau à sa variante, et le schéma doit décrire la variante précise ou la liste de variantes requise. Le JSON peut ainsi être vérifié à partir des lignes sources, plutôt que traité comme un résumé de tout le site.
V2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version séparée optimisée pour traiter les pages à plus haut débit. Les deux partagent le contexte documenté de 128K et le parcours JSON strictement guidé par schéma de la famille V2. Le budget contient ensemble l’entrée et la sortie demandée ; concentrez donc une page volumineuse sur l’enregistrement réellement nécessaire.
Un objet structuré peut servir à l’ingestion de catalogue, à l’analyse documentaire ou à une couche d’éléments justificatifs pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant utilisation. Conservez l’identifiant de page ou l’association source dans ce parcours. Si l’enregistrement contient des nombres, comparez leurs unités et leur interprétation prévue à la source.
La conformité au schéma établit la forme du résultat ; elle ne vérifie pas indépendamment chaque fait extrait. Examinez des enregistrements représentatifs à partir du HTML original et définissez le traitement des informations contradictoires ou absentes. V2 Small reste une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction HTML vers JSON et n’implique ni entrées image, ni conversation générale, ni accès web automatique, ni parcours natif d’exécution d’outils.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inference-net/schematron-v2-small | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00046 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00046 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra inference-net/schematron-v2-small
Utilisez les chemins de méthode indiqués ci-dessus.
inference-net/schematron-v2-smallSchematron V2 Small extrait les faits définis par un schéma depuis du HTML fourni vers du JSON typé. C’est l’option V2 privilégiant la qualité pour les schémas complexes et les pages longues, avec un contexte producteur de 128K, des enregistrements imbriqués et des descriptions de champs précisant les données à renvoyer.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Schematron V2 Small est le modèle d’Inference.net privilégiant la qualité d’extraction pour convertir le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les pages longues, avec un rôle distinct de V2 Turbo orienté débit. Il lit le HTML et le schéma de l’appelant, puis renvoie l’enregistrement structuré correspondant. L’objectif est d’extraire les faits nécessaires à une application en aval, plutôt que de générer une réponse conversationnelle générale.
Le guide du producteur indique que les consignes d’extraction doivent figurer dans le schéma plutôt que dans une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Objets imbriqués et listes sont pris en charge. Un enregistrement produit peut, par exemple, distinguer un identifiant du nom affiché et regrouper les spécifications dans leur propre objet.
Pour une page complexe, résolvez les ambiguïtés de sens des champs avant l’extraction. Précisez si une date concerne une publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les informations manquantes afin que le modèle n’ait pas à inventer une valeur pour compléter l’objet. Le fabricant illustre des modèles typés et JSON Schema, avec validation du JSON renvoyé.
Le prétraitement HTML recommandé retire scripts, styles et contenu standard tout en conservant le contenu pertinent. Le fabricant conseille la prudence : trop supprimer risque d’éliminer les informations nécessaires à l’extraction. Gardez les en-têtes de tableaux, étiquettes imbriquées et textes voisins établissant le sens d’une valeur. Réduisez à la zone pertinente lorsque la page contient une navigation sans rapport ou des éléments répétés.
Une tâche illustrative consiste à extraire un enregistrement technique d’une page produit comportant plusieurs tableaux de configurations. L’entrée doit préserver l’association de chaque tableau à sa variante, et le schéma doit décrire la variante précise ou la liste de variantes requise. Le JSON peut ainsi être vérifié à partir des lignes sources, plutôt que traité comme un résumé de tout le site.
V2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version séparée optimisée pour traiter les pages à plus haut débit. Les deux partagent le contexte documenté de 128K et le parcours JSON strictement guidé par schéma de la famille V2. Le budget contient ensemble l’entrée et la sortie demandée ; concentrez donc une page volumineuse sur l’enregistrement réellement nécessaire.
Un objet structuré peut servir à l’ingestion de catalogue, à l’analyse documentaire ou à une couche d’éléments justificatifs pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant utilisation. Conservez l’identifiant de page ou l’association source dans ce parcours. Si l’enregistrement contient des nombres, comparez leurs unités et leur interprétation prévue à la source.
La conformité au schéma établit la forme du résultat ; elle ne vérifie pas indépendamment chaque fait extrait. Examinez des enregistrements représentatifs à partir du HTML original et définissez le traitement des informations contradictoires ou absentes. V2 Small reste une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction HTML vers JSON et n’implique ni entrées image, ni conversation générale, ni accès web automatique, ni parcours natif d’exécution d’outils.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inference-net/schematron-v2-small | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00046 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00046 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra inference-net/schematron-v2-small
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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