Trail Pack
- Weight
- 1.2 kg
- Rain cover
- Side pocket
Schematron V2 Turbo est le modèle d’Inference.net orienté débit pour l’extraction guidée par schéma depuis du HTML. Il est conçu pour convertir des pages web désordonnées en JSON propre et typé, plutôt que servir d’assistant conversationnel général. La tâche comporte deux entrées sémantiques : le HTML à examiner et un schéma définissant les informations à extraire. Le résultat est un objet JSON conforme à cette structure.
Le parcours du fabricant utilise le schéma comme commande d’extraction, à la place d’une instruction utilisateur ou système en langage naturel. Placez le sens du champ dans sa description, avec le type approprié et les structures imbriquées d’objets ou de listes. Pour une page produit, un schéma pratique peut demander le nom du produit, les valeurs de spécifications avec unités et la liste des caractéristiques fournies. Cet exemple décrit l’enregistrement souhaité ; les valeurs doivent provenir de la page elle-même.
Une description claire distingue les valeurs sources similaires. Précisez si un champ désigne le nom actuel du produit, un identifiant technique ou une catégorie, et expliquez la représentation des informations manquantes. Le fabricant illustre des définitions typées et une sortie JSON Schema, avec validation de l’objet renvoyé. Une syntaxe correcte n’établit pas à elle seule qu’une valeur extraite correspond à la page originale.
Inference.net recommande de nettoyer le HTML pour retirer scripts, styles et contenu standard avant l’extraction, avec un prétraitement correspondant aux données d’entraînement. Réduisez à la zone pertinente lorsque possible, tout en préférant conserver davantage de contenu si un retrait agressif risque d’éliminer des éléments utiles. Préservez les titres, relations de tableaux, étiquettes et unités nécessaires à l’interprétation d’un champ.
Pour une page contenant plusieurs produits, désignez clairement l’article souhaité dans les documents et le schéma. Gardez l’URL source ou un identifiant de page dans l’enregistrement global de la tâche pour vérifier ultérieurement l’objet extrait. La récupération de la page est une opération distincte de l’application ; Schematron extrait les informations du HTML qu’il reçoit.
V2 Turbo est la version optimisée pour traiter de nombreuses pages selon une structure de sortie définie. V2 Small est l’option distincte privilégiant la qualité d’extraction pour les schémas complexes et les documents longs. Choisissez selon les enregistrements réellement nécessaires et évaluez la fidélité des données renvoyées à des pages représentatives. Un rôle à haut débit ne rend pas précise une définition de champ ambiguë.
L’annonce de la famille V2 documente un contexte de 128K et une conformité stricte au schéma en mode JSON. Le HTML et le résultat demandé partagent le budget disponible. Pour les pages volumineuses, mieux vaut identifier le contenu pertinent que consacrer le contexte à une structure sans rapport.
La sortie JSON peut alimenter un catalogue, une tâche d’ingestion ou un moteur de recherche nécessitant des faits précis plutôt qu’une page brute entière. Définissez l’enregistrement une fois, comparez les valeurs extraites à des exemples sources et conservez leur association. Pour un champ numérique, vérifiez ses unités et si la page décrit une valeur, une plage ou une configuration alternative.
Le modèle V2 reste distinct des versions originales Schematron à poids ouverts. Son mode d’extraction documenté n’implique ni conversation générale, ni analyse d’images, ni navigation autonome, ni exécution d’outils. Le livrable utile est l’enregistrement typé demandé, fondé sur le HTML fourni, avec les informations absentes ou non résolues représentées selon le schéma.
", "aboutText": "Schematron V2 Turbo est le modèle d’Inference.net orienté débit pour l’extraction guidée par schéma depuis du HTML. Il est conçu pour convertir des pages web désordonnées en JSON propre et typé, plutôt que servir d’assistant conversationnel général. La tâche comporte deux entrées sémantiques : le HTML à examiner et un schéma définissant les informations à extraire. Le résultat est un objet JSON conforme à cette structure.\n\n### Ce qui définit l’extraction\n\nLe parcours du fabricant utilise le schéma comme commande d’extraction, à la place d’une instruction utilisateur ou système en langage naturel. Placez le sens du champ dans sa description, avec le type approprié et les structures imbriquées d’objets ou de listes. Pour une page produit, un schéma pratique peut demander le nom du produit, les valeurs de spécifications avec unités et la liste des caractéristiques fournies. Cet exemple décrit l’enregistrement souhaité ; les valeurs doivent provenir de la page elle-même.\n\nUne description claire distingue les valeurs sources similaires. Précisez si un champ désigne le nom actuel du produit, un identifiant technique ou une catégorie, et expliquez la représentation des informations manquantes. Le fabricant illustre des définitions typées et une sortie JSON Schema, avec validation de l’objet renvoyé. Une syntaxe correcte n’établit pas à elle seule qu’une valeur extraite correspond à la page originale.\n\n### Préparer le HTML\n\nInference.net recommande de nettoyer le HTML pour retirer scripts, styles et contenu standard avant l’extraction, avec un prétraitement correspondant aux données d’entraînement. Réduisez à la zone pertinente lorsque possible, tout en préférant conserver davantage de contenu si un retrait agressif risque d’éliminer des éléments utiles. Préservez les titres, relations de tableaux, étiquettes et unités nécessaires à l’interprétation d’un champ.\n\nPour une page contenant plusieurs produits, désignez clairement l’article souhaité dans les documents et le schéma. Gardez l’URL source ou un identifiant de page dans l’enregistrement global de la tâche pour vérifier ultérieurement l’objet extrait. La récupération de la page est une opération distincte de l’application ; Schematron extrait les informations du HTML qu’il reçoit.\n\n### Rôle de Turbo\n\nV2 Turbo est la version optimisée pour traiter de nombreuses pages selon une structure de sortie définie. V2 Small est l’option distincte privilégiant la qualité d’extraction pour les schémas complexes et les documents longs. Choisissez selon les enregistrements réellement nécessaires et évaluez la fidélité des données renvoyées à des pages représentatives. Un rôle à haut débit ne rend pas précise une définition de champ ambiguë.\n\nL’annonce de la famille V2 documente un contexte de 128K et une conformité stricte au schéma en mode JSON. Le HTML et le résultat demandé partagent le budget disponible. Pour les pages volumineuses, mieux vaut identifier le contenu pertinent que consacrer le contexte à une structure sans rapport.\n\n### Un résultat extrait utile\n\nLa sortie JSON peut alimenter un catalogue, une tâche d’ingestion ou un moteur de recherche nécessitant des faits précis plutôt qu’une page brute entière. Définissez l’enregistrement une fois, comparez les valeurs extraites à des exemples sources et conservez leur association. Pour un champ numérique, vérifiez ses unités et si la page décrit une valeur, une plage ou une configuration alternative.\n\nLe modèle V2 reste distinct des versions originales Schematron à poids ouverts. Son mode d’extraction documenté n’implique ni conversation générale, ni analyse d’images, ni navigation autonome, ni exécution d’outils. Le livrable utile est l’enregistrement typé demandé, fondé sur le HTML fourni, avec les informations absentes ou non résolues représentées selon le schéma.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a typed product record\n\nHTML:\n<article><h1>Trail Pack</h1><dl><dt>Weight</dt><dd>1.2 kg</dd></dl><ul><li>Rain cover</li><li>Side pocket</li></ul></article>\nSchema:\n{"type":"object","properties":{"name":{"type":"string","description":"Product heading"},"weight_kg":{"type":"number","description":"Weight in kilograms"},"features":{"type":"array","items":{"type":"string"},"description":"Listed product features"}},"required":["name","weight_kg","features"],"additionalProperties":false}A JSON object with name as a string, weight_kg as a number and features as a list of strings, with no extra properties.Validate the requested schema and compare every value to the supplied HTML, including the kilogram unit.inference-net/schematron-v2-turboSchematron V2 Turbo transforme le HTML fourni en JSON typé selon un schéma défini par l’appelant. Cette édition V2 orientée débit permet l’extraction de pages longues dans un contexte producteur de 128K ; descriptions de champs, objets imbriqués et listes définissent les informations 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 Turbo est le modèle d’Inference.net orienté débit pour l’extraction guidée par schéma depuis du HTML. Il est conçu pour convertir des pages web désordonnées en JSON propre et typé, plutôt que servir d’assistant conversationnel général. La tâche comporte deux entrées sémantiques : le HTML à examiner et un schéma définissant les informations à extraire. Le résultat est un objet JSON conforme à cette structure.
Le parcours du fabricant utilise le schéma comme commande d’extraction, à la place d’une instruction utilisateur ou système en langage naturel. Placez le sens du champ dans sa description, avec le type approprié et les structures imbriquées d’objets ou de listes. Pour une page produit, un schéma pratique peut demander le nom du produit, les valeurs de spécifications avec unités et la liste des caractéristiques fournies. Cet exemple décrit l’enregistrement souhaité ; les valeurs doivent provenir de la page elle-même.
Une description claire distingue les valeurs sources similaires. Précisez si un champ désigne le nom actuel du produit, un identifiant technique ou une catégorie, et expliquez la représentation des informations manquantes. Le fabricant illustre des définitions typées et une sortie JSON Schema, avec validation de l’objet renvoyé. Une syntaxe correcte n’établit pas à elle seule qu’une valeur extraite correspond à la page originale.
Inference.net recommande de nettoyer le HTML pour retirer scripts, styles et contenu standard avant l’extraction, avec un prétraitement correspondant aux données d’entraînement. Réduisez à la zone pertinente lorsque possible, tout en préférant conserver davantage de contenu si un retrait agressif risque d’éliminer des éléments utiles. Préservez les titres, relations de tableaux, étiquettes et unités nécessaires à l’interprétation d’un champ.
Pour une page contenant plusieurs produits, désignez clairement l’article souhaité dans les documents et le schéma. Gardez l’URL source ou un identifiant de page dans l’enregistrement global de la tâche pour vérifier ultérieurement l’objet extrait. La récupération de la page est une opération distincte de l’application ; Schematron extrait les informations du HTML qu’il reçoit.
V2 Turbo est la version optimisée pour traiter de nombreuses pages selon une structure de sortie définie. V2 Small est l’option distincte privilégiant la qualité d’extraction pour les schémas complexes et les documents longs. Choisissez selon les enregistrements réellement nécessaires et évaluez la fidélité des données renvoyées à des pages représentatives. Un rôle à haut débit ne rend pas précise une définition de champ ambiguë.
L’annonce de la famille V2 documente un contexte de 128K et une conformité stricte au schéma en mode JSON. Le HTML et le résultat demandé partagent le budget disponible. Pour les pages volumineuses, mieux vaut identifier le contenu pertinent que consacrer le contexte à une structure sans rapport.
La sortie JSON peut alimenter un catalogue, une tâche d’ingestion ou un moteur de recherche nécessitant des faits précis plutôt qu’une page brute entière. Définissez l’enregistrement une fois, comparez les valeurs extraites à des exemples sources et conservez leur association. Pour un champ numérique, vérifiez ses unités et si la page décrit une valeur, une plage ou une configuration alternative.
Le modèle V2 reste distinct des versions originales Schematron à poids ouverts. Son mode d’extraction documenté n’implique ni conversation générale, ni analyse d’images, ni navigation autonome, ni exécution d’outils. Le livrable utile est l’enregistrement typé demandé, fondé sur le HTML fourni, avec les informations absentes ou non résolues représentées selon le schéma.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inference-net/schematron-v2-turbo | 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 $0.00006 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00006 / 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 $0.00006 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00006 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-turbo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='inference-net/schematron-v2-turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='inference-net/schematron-v2-turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-turbo
Utilisez les chemins de méthode indiqués ci-dessus.
inference-net/schematron-v2-turboSchematron V2 Turbo transforme le HTML fourni en JSON typé selon un schéma défini par l’appelant. Cette édition V2 orientée débit permet l’extraction de pages longues dans un contexte producteur de 128K ; descriptions de champs, objets imbriqués et listes définissent les informations 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 Turbo est le modèle d’Inference.net orienté débit pour l’extraction guidée par schéma depuis du HTML. Il est conçu pour convertir des pages web désordonnées en JSON propre et typé, plutôt que servir d’assistant conversationnel général. La tâche comporte deux entrées sémantiques : le HTML à examiner et un schéma définissant les informations à extraire. Le résultat est un objet JSON conforme à cette structure.
Le parcours du fabricant utilise le schéma comme commande d’extraction, à la place d’une instruction utilisateur ou système en langage naturel. Placez le sens du champ dans sa description, avec le type approprié et les structures imbriquées d’objets ou de listes. Pour une page produit, un schéma pratique peut demander le nom du produit, les valeurs de spécifications avec unités et la liste des caractéristiques fournies. Cet exemple décrit l’enregistrement souhaité ; les valeurs doivent provenir de la page elle-même.
Une description claire distingue les valeurs sources similaires. Précisez si un champ désigne le nom actuel du produit, un identifiant technique ou une catégorie, et expliquez la représentation des informations manquantes. Le fabricant illustre des définitions typées et une sortie JSON Schema, avec validation de l’objet renvoyé. Une syntaxe correcte n’établit pas à elle seule qu’une valeur extraite correspond à la page originale.
Inference.net recommande de nettoyer le HTML pour retirer scripts, styles et contenu standard avant l’extraction, avec un prétraitement correspondant aux données d’entraînement. Réduisez à la zone pertinente lorsque possible, tout en préférant conserver davantage de contenu si un retrait agressif risque d’éliminer des éléments utiles. Préservez les titres, relations de tableaux, étiquettes et unités nécessaires à l’interprétation d’un champ.
Pour une page contenant plusieurs produits, désignez clairement l’article souhaité dans les documents et le schéma. Gardez l’URL source ou un identifiant de page dans l’enregistrement global de la tâche pour vérifier ultérieurement l’objet extrait. La récupération de la page est une opération distincte de l’application ; Schematron extrait les informations du HTML qu’il reçoit.
V2 Turbo est la version optimisée pour traiter de nombreuses pages selon une structure de sortie définie. V2 Small est l’option distincte privilégiant la qualité d’extraction pour les schémas complexes et les documents longs. Choisissez selon les enregistrements réellement nécessaires et évaluez la fidélité des données renvoyées à des pages représentatives. Un rôle à haut débit ne rend pas précise une définition de champ ambiguë.
L’annonce de la famille V2 documente un contexte de 128K et une conformité stricte au schéma en mode JSON. Le HTML et le résultat demandé partagent le budget disponible. Pour les pages volumineuses, mieux vaut identifier le contenu pertinent que consacrer le contexte à une structure sans rapport.
La sortie JSON peut alimenter un catalogue, une tâche d’ingestion ou un moteur de recherche nécessitant des faits précis plutôt qu’une page brute entière. Définissez l’enregistrement une fois, comparez les valeurs extraites à des exemples sources et conservez leur association. Pour un champ numérique, vérifiez ses unités et si la page décrit une valeur, une plage ou une configuration alternative.
Le modèle V2 reste distinct des versions originales Schematron à poids ouverts. Son mode d’extraction documenté n’implique ni conversation générale, ni analyse d’images, ni navigation autonome, ni exécution d’outils. Le livrable utile est l’enregistrement typé demandé, fondé sur le HTML fourni, avec les informations absentes ou non résolues représentées selon le schéma.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites inference-net/schematron-v2-turbo | 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 $0.00006 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00006 / 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 $0.00006 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00006 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inference-net/schematron-v2-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inference-net/schematron-v2-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inference-net/schematron-v2-turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-turbo
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a typed product record\n\nHTML:\n<article><h1>Trail Pack</h1><dl><dt>Weight</dt><dd>1.2 kg</dd></dl><ul><li>Rain cover</li><li>Side pocket</li></ul></article>\nSchema:\n{"type":"object","properties":{"name":{"type":"string","description":"Product heading"},"weight_kg":{"type":"number","description":"Weight in kilograms"},"features":{"type":"array","items":{"type":"string"},"description":"Listed product features"}},"required":["name","weight_kg","features"],"additionalProperties":false}A JSON object with name as a string, weight_kg as a number and features as a list of strings, with no extra properties.Validate the requested schema and compare every value to the supplied HTML, including the kilogram unit.