Seed 1.6 est le modèle multimodal généraliste de ByteDance Seed avec réflexion adaptative. Le fabricant le développe pour le raisonnement textuel et visuel, les questions à long contexte et les interactions fondées sur une interface ou un document. Il reçoit des instructions et des sources et renvoie du texte, comme une réponse, une analyse ou du code. Son édition adaptative reste distincte de Seed1.6-Thinking, de Flash et des générations Seed ultérieures.
Le fabricant décrit un modèle clairsemé de mélange d’experts avec 230 milliards de paramètres au total et 23 milliards de paramètres actifs. L’entraînement commence par le texte, se poursuit avec un mélange de texte et de contenus visuels, puis étend la longueur de séquence de 32K à 256K. Cela donne au modèle un contexte où une question peut être jointe à une quantité importante d’informations sources. Le contexte contient toujours la conversation et le résultat généré ensemble; laissez donc de la place pour la réponse au lieu de le traiter comme une allocation indépendante de sortie.
Pour une tâche documentaire, conservez les noms de sections, les étiquettes de pages, les en-têtes de tableaux et les unités. Demandez la comparaison ou l’extraction que le matériel doit permettre. Une description utile est : « Comparez les conditions de ces deux documents, identifiez chaque différence substantielle et citez le passage pertinent à côté de chaque constat. » Pour une capture d’écran, expliquez ce que l’utilisateur cherche à accomplir et demandez une interprétation fondée sur les libellés visibles.
Seed1.6 introduit Adaptive Chain-of-Thought, avec trois modes du fabricant. FullCoT raisonne avant de répondre à chaque invite. NoCoT répond directement. AdaCoT décide s’il faut raisonner selon la question. L’entraînement récompense une quantité de réflexion appropriée plutôt qu’un raisonnement inutilement long pour chaque demande.
Choisissez la profondeur de la tâche selon le résultat requis : une extraction directe ou une réécriture peut avoir une spécification de sortie concise, tandis qu’une condition mathématique, un défaut de code ou une comparaison de sources nécessite les contraintes pertinentes. Précisez le livrable final séparément de l’analyse intermédiaire. Un raisonnement prolongé n’est utile que s’il soutient la réponse nécessaire.
L’entraînement multimodal du modèle associe les preuves écrites et visuelles. Fournissez une image lisible et les étiquettes environnantes nécessaires à son interprétation. Pour un diagramme, expliquez la question et préservez les annotations; pour un graphique, distinguez les valeurs visibles de l’interprétation demandée. La discussion d’évaluation du fabricant identifie les diagrammes flous comme une source de performances visuelles inférieures, ce qui fait des images sources claires un choix pratique important.
Pour une tâche d’interface, précisez si la capture d’écran montre l’état actuel ou le design souhaité. Demandez les commandes visibles ou le code nécessaires au comportement spécifié, puis utilisez le résultat réel de l’application comme rétroaction. Un texte qui propose un clic ou produit du code se distingue d’une action d’interface terminée.
Le profil original du fabricant documente la sortie structurée et l’utilisation d’outils, avec un contexte de 256K, une entrée pouvant atteindre 224K et une sortie combinée pouvant atteindre 32K, raisonnement compris. L’application fournit les définitions d’outils et exécute les opérations choisies, puis renvoie des observations pour l’étape suivante. Utilisez ces résultats comme preuves et gardez la conversation centrée sur la tâche.
Un résultat final pratique peut être un problème résolu, une proposition de code ciblée ou une fiche analytique fondée sur les sources. Précisez sa langue, sa terminologie obligatoire et son critère d’achèvement. Vérifiez les valeurs extraites à partir de la source et préservez explicitement les informations manquantes. Cela garde la réponse du modèle adaptatif liée à la question réelle tout en conservant l’édition Seed 1.6 exacte et ses distinctions de modes documentées.
", "aboutText": "Seed 1.6 est le modèle multimodal généraliste de ByteDance Seed avec réflexion adaptative. Le fabricant le développe pour le raisonnement textuel et visuel, les questions à long contexte et les interactions fondées sur une interface ou un document. Il reçoit des instructions et des sources et renvoie du texte, comme une réponse, une analyse ou du code. Son édition adaptative reste distincte de Seed1.6-Thinking, de Flash et des générations Seed ultérieures.\n\n### Entraînement multimodal et long contexte\n\nLe fabricant décrit un modèle clairsemé de mélange d’experts avec 230 milliards de paramètres au total et 23 milliards de paramètres actifs. L’entraînement commence par le texte, se poursuit avec un mélange de texte et de contenus visuels, puis étend la longueur de séquence de 32K à 256K. Cela donne au modèle un contexte où une question peut être jointe à une quantité importante d’informations sources. Le contexte contient toujours la conversation et le résultat généré ensemble; laissez donc de la place pour la réponse au lieu de le traiter comme une allocation indépendante de sortie.\n\nPour une tâche documentaire, conservez les noms de sections, les étiquettes de pages, les en-têtes de tableaux et les unités. Demandez la comparaison ou l’extraction que le matériel doit permettre. Une description utile est : « Comparez les conditions de ces deux documents, identifiez chaque différence substantielle et citez le passage pertinent à côté de chaque constat. » Pour une capture d’écran, expliquez ce que l’utilisateur cherche à accomplir et demandez une interprétation fondée sur les libellés visibles.\n\n### Réflexion adaptative\n\nSeed1.6 introduit Adaptive Chain-of-Thought, avec trois modes du fabricant. FullCoT raisonne avant de répondre à chaque invite. NoCoT répond directement. AdaCoT décide s’il faut raisonner selon la question. L’entraînement récompense une quantité de réflexion appropriée plutôt qu’un raisonnement inutilement long pour chaque demande.\n\nChoisissez la profondeur de la tâche selon le résultat requis : une extraction directe ou une réécriture peut avoir une spécification de sortie concise, tandis qu’une condition mathématique, un défaut de code ou une comparaison de sources nécessite les contraintes pertinentes. Précisez le livrable final séparément de l’analyse intermédiaire. Un raisonnement prolongé n’est utile que s’il soutient la réponse nécessaire.\n\n### Raisonnement visuel et préparation\n\nL’entraînement multimodal du modèle associe les preuves écrites et visuelles. Fournissez une image lisible et les étiquettes environnantes nécessaires à son interprétation. Pour un diagramme, expliquez la question et préservez les annotations; pour un graphique, distinguez les valeurs visibles de l’interprétation demandée. La discussion d’évaluation du fabricant identifie les diagrammes flous comme une source de performances visuelles inférieures, ce qui fait des images sources claires un choix pratique important.\n\nPour une tâche d’interface, précisez si la capture d’écran montre l’état actuel ou le design souhaité. Demandez les commandes visibles ou le code nécessaires au comportement spécifié, puis utilisez le résultat réel de l’application comme rétroaction. Un texte qui propose un clic ou produit du code se distingue d’une action d’interface terminée.\n\n### Utilisation d’outils et limites de réponse\n\nLe profil original du fabricant documente la sortie structurée et l’utilisation d’outils, avec un contexte de 256K, une entrée pouvant atteindre 224K et une sortie combinée pouvant atteindre 32K, raisonnement compris. L’application fournit les définitions d’outils et exécute les opérations choisies, puis renvoie des observations pour l’étape suivante. Utilisez ces résultats comme preuves et gardez la conversation centrée sur la tâche.\n\nUn résultat final pratique peut être un problème résolu, une proposition de code ciblée ou une fiche analytique fondée sur les sources. Précisez sa langue, sa terminologie obligatoire et son critère d’achèvement. Vérifiez les valeurs extraites à partir de la source et préservez explicitement les informations manquantes. Cela garde la réponse du modèle adaptatif liée à la question réelle tout en conservant l’édition Seed 1.6 exacte et ses distinctions de modes documentées.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.bytedance-seed/seed-1.6Seed 1.6 combine la compréhension textuelle et visuelle avec un raisonnement adaptatif et un contexte de 256K. Ses modes FullCoT, NoCoT et AdaCoT permettent au profil du fabricant d’adapter une analyse approfondie ou une réponse directe à la tâche, pour produire des explications, du code et des constats fondés sur les sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Seed 1.6 est le modèle multimodal généraliste de ByteDance Seed avec réflexion adaptative. Le fabricant le développe pour le raisonnement textuel et visuel, les questions à long contexte et les interactions fondées sur une interface ou un document. Il reçoit des instructions et des sources et renvoie du texte, comme une réponse, une analyse ou du code. Son édition adaptative reste distincte de Seed1.6-Thinking, de Flash et des générations Seed ultérieures.
Le fabricant décrit un modèle clairsemé de mélange d’experts avec 230 milliards de paramètres au total et 23 milliards de paramètres actifs. L’entraînement commence par le texte, se poursuit avec un mélange de texte et de contenus visuels, puis étend la longueur de séquence de 32K à 256K. Cela donne au modèle un contexte où une question peut être jointe à une quantité importante d’informations sources. Le contexte contient toujours la conversation et le résultat généré ensemble; laissez donc de la place pour la réponse au lieu de le traiter comme une allocation indépendante de sortie.
Pour une tâche documentaire, conservez les noms de sections, les étiquettes de pages, les en-têtes de tableaux et les unités. Demandez la comparaison ou l’extraction que le matériel doit permettre. Une description utile est : « Comparez les conditions de ces deux documents, identifiez chaque différence substantielle et citez le passage pertinent à côté de chaque constat. » Pour une capture d’écran, expliquez ce que l’utilisateur cherche à accomplir et demandez une interprétation fondée sur les libellés visibles.
Seed1.6 introduit Adaptive Chain-of-Thought, avec trois modes du fabricant. FullCoT raisonne avant de répondre à chaque invite. NoCoT répond directement. AdaCoT décide s’il faut raisonner selon la question. L’entraînement récompense une quantité de réflexion appropriée plutôt qu’un raisonnement inutilement long pour chaque demande.
Choisissez la profondeur de la tâche selon le résultat requis : une extraction directe ou une réécriture peut avoir une spécification de sortie concise, tandis qu’une condition mathématique, un défaut de code ou une comparaison de sources nécessite les contraintes pertinentes. Précisez le livrable final séparément de l’analyse intermédiaire. Un raisonnement prolongé n’est utile que s’il soutient la réponse nécessaire.
L’entraînement multimodal du modèle associe les preuves écrites et visuelles. Fournissez une image lisible et les étiquettes environnantes nécessaires à son interprétation. Pour un diagramme, expliquez la question et préservez les annotations; pour un graphique, distinguez les valeurs visibles de l’interprétation demandée. La discussion d’évaluation du fabricant identifie les diagrammes flous comme une source de performances visuelles inférieures, ce qui fait des images sources claires un choix pratique important.
Pour une tâche d’interface, précisez si la capture d’écran montre l’état actuel ou le design souhaité. Demandez les commandes visibles ou le code nécessaires au comportement spécifié, puis utilisez le résultat réel de l’application comme rétroaction. Un texte qui propose un clic ou produit du code se distingue d’une action d’interface terminée.
Le profil original du fabricant documente la sortie structurée et l’utilisation d’outils, avec un contexte de 256K, une entrée pouvant atteindre 224K et une sortie combinée pouvant atteindre 32K, raisonnement compris. L’application fournit les définitions d’outils et exécute les opérations choisies, puis renvoie des observations pour l’étape suivante. Utilisez ces résultats comme preuves et gardez la conversation centrée sur la tâche.
Un résultat final pratique peut être un problème résolu, une proposition de code ciblée ou une fiche analytique fondée sur les sources. Précisez sa langue, sa terminologie obligatoire et son critère d’achèvement. Vérifiez les valeurs extraites à partir de la source et préservez explicitement les informations manquantes. Cela garde la réponse du modèle adaptatif liée à la question réelle tout en conservant l’édition Seed 1.6 exacte et ses distinctions de modes documentées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites bytedance-seed/seed-1.6 | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0005 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse128 000 | Coût Entrée · Jetons en entrée $0.0005 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de128 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.001 / 1K jetons Sortie · Jetons en sortie $0.008 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "bytedance-seed/seed-1.6", "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='bytedance-seed/seed-1.6',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='bytedance-seed/seed-1.6',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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra bytedance-seed/seed-1.6
Utilisez les chemins de méthode indiqués ci-dessus.
bytedance-seed/seed-1.6Seed 1.6 combine la compréhension textuelle et visuelle avec un raisonnement adaptatif et un contexte de 256K. Ses modes FullCoT, NoCoT et AdaCoT permettent au profil du fabricant d’adapter une analyse approfondie ou une réponse directe à la tâche, pour produire des explications, du code et des constats fondés sur les sources.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Seed 1.6 est le modèle multimodal généraliste de ByteDance Seed avec réflexion adaptative. Le fabricant le développe pour le raisonnement textuel et visuel, les questions à long contexte et les interactions fondées sur une interface ou un document. Il reçoit des instructions et des sources et renvoie du texte, comme une réponse, une analyse ou du code. Son édition adaptative reste distincte de Seed1.6-Thinking, de Flash et des générations Seed ultérieures.
Le fabricant décrit un modèle clairsemé de mélange d’experts avec 230 milliards de paramètres au total et 23 milliards de paramètres actifs. L’entraînement commence par le texte, se poursuit avec un mélange de texte et de contenus visuels, puis étend la longueur de séquence de 32K à 256K. Cela donne au modèle un contexte où une question peut être jointe à une quantité importante d’informations sources. Le contexte contient toujours la conversation et le résultat généré ensemble; laissez donc de la place pour la réponse au lieu de le traiter comme une allocation indépendante de sortie.
Pour une tâche documentaire, conservez les noms de sections, les étiquettes de pages, les en-têtes de tableaux et les unités. Demandez la comparaison ou l’extraction que le matériel doit permettre. Une description utile est : « Comparez les conditions de ces deux documents, identifiez chaque différence substantielle et citez le passage pertinent à côté de chaque constat. » Pour une capture d’écran, expliquez ce que l’utilisateur cherche à accomplir et demandez une interprétation fondée sur les libellés visibles.
Seed1.6 introduit Adaptive Chain-of-Thought, avec trois modes du fabricant. FullCoT raisonne avant de répondre à chaque invite. NoCoT répond directement. AdaCoT décide s’il faut raisonner selon la question. L’entraînement récompense une quantité de réflexion appropriée plutôt qu’un raisonnement inutilement long pour chaque demande.
Choisissez la profondeur de la tâche selon le résultat requis : une extraction directe ou une réécriture peut avoir une spécification de sortie concise, tandis qu’une condition mathématique, un défaut de code ou une comparaison de sources nécessite les contraintes pertinentes. Précisez le livrable final séparément de l’analyse intermédiaire. Un raisonnement prolongé n’est utile que s’il soutient la réponse nécessaire.
L’entraînement multimodal du modèle associe les preuves écrites et visuelles. Fournissez une image lisible et les étiquettes environnantes nécessaires à son interprétation. Pour un diagramme, expliquez la question et préservez les annotations; pour un graphique, distinguez les valeurs visibles de l’interprétation demandée. La discussion d’évaluation du fabricant identifie les diagrammes flous comme une source de performances visuelles inférieures, ce qui fait des images sources claires un choix pratique important.
Pour une tâche d’interface, précisez si la capture d’écran montre l’état actuel ou le design souhaité. Demandez les commandes visibles ou le code nécessaires au comportement spécifié, puis utilisez le résultat réel de l’application comme rétroaction. Un texte qui propose un clic ou produit du code se distingue d’une action d’interface terminée.
Le profil original du fabricant documente la sortie structurée et l’utilisation d’outils, avec un contexte de 256K, une entrée pouvant atteindre 224K et une sortie combinée pouvant atteindre 32K, raisonnement compris. L’application fournit les définitions d’outils et exécute les opérations choisies, puis renvoie des observations pour l’étape suivante. Utilisez ces résultats comme preuves et gardez la conversation centrée sur la tâche.
Un résultat final pratique peut être un problème résolu, une proposition de code ciblée ou une fiche analytique fondée sur les sources. Précisez sa langue, sa terminologie obligatoire et son critère d’achèvement. Vérifiez les valeurs extraites à partir de la source et préservez explicitement les informations manquantes. Cela garde la réponse du modèle adaptatif liée à la question réelle tout en conservant l’édition Seed 1.6 exacte et ses distinctions de modes documentées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites bytedance-seed/seed-1.6 | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0005 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse128 000 | Coût Entrée · Jetons en entrée $0.0005 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de128 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.001 / 1K jetons Sortie · Jetons en sortie $0.008 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "bytedance-seed/seed-1.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'bytedance-seed/seed-1.6', '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': 'bytedance-seed/seed-1.6', '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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra bytedance-seed/seed-1.6
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.