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 transformer le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les longues pages, avec un rôle distinct de V2 Turbo, centré sur le 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 fabricant indique que les consignes d’extraction appartiennent au schéma plutôt qu’à une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Les objets imbriqués et les listes sont pris en charge. Un enregistrement de produit peut, par exemple, distinguer un identifiant de produit de son nom affiché et regrouper les valeurs de spécifications dans un objet propre.
Pour une page complexe, résolvez les ambiguïtés de sens des champs avant de demander l’extraction. Expliquez si une date concerne la publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les renseignements manquants afin que le modèle n’ait pas à inventer une valeur pour donner l’apparence d’un objet complet. Le fabricant présente des modèles typés et JSON Schema avec la validation du JSON renvoyé.
Le prétraitement HTML recommandé retire les scripts, les styles et le contenu standard tout en gardant le contenu pertinent. Le fabricant conseille la prudence : en retirer trop peut faire perdre les renseignements nécessaires à l’extraction. Conservez les en-têtes de tableaux, les étiquettes imbriquées et le texte voisin qui établit le sens d’une valeur. Limitez-vous à la région pertinente lorsque la page comprend une navigation sans rapport ou des éléments répétés.
Un exemple de tâche est l’extraction d’un enregistrement technique dans une page de 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 résultant peut ensuite être vérifié à partir des lignes sources plutôt que traité comme un résumé de tout le site Web.
V2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version distincte optimisée pour traiter les pages à un débit supérieur. Les deux partagent le contexte documenté de 128K de la famille V2 et le processus strict de JSON guidé par schéma. Le budget de contexte contient ensemble l’entrée et la sortie demandée; concentrez donc une grande page sur l’enregistrement réellement nécessaire à la tâche.
Un objet structuré peut servir à l’ingestion de catalogues, à l’analyse documentaire ou à une couche d’éléments probants pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant de l’utiliser. Conservez l’identifiant de page ou l’association avec la source dans ce processus environnant. Si l’enregistrement comprend des nombres, comparez les unités et l’interprétation prévue à la source.
La conformité au schéma établit la forme du résultat; elle ne vérifie pas indépendamment chaque fait extrait. Vérifiez des enregistrements représentatifs à partir du HTML original et définissez le traitement des renseignements contradictoires ou absents. V2 Small demeure une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction du HTML vers le JSON et n’implique ni entrées image, ni conversation générale, ni accès Web automatique, ni processus natif d’exécution d’outils.
", "aboutText": "Schematron V2 Small est le modèle d’Inference.net privilégiant la qualité d’extraction pour transformer le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les longues pages, avec un rôle distinct de V2 Turbo, centré sur le 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 définition de la tâche\n\nLe guide du fabricant indique que les consignes d’extraction appartiennent au schéma plutôt qu’à une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Les objets imbriqués et les listes sont pris en charge. Un enregistrement de produit peut, par exemple, distinguer un identifiant de produit de son nom affiché et regrouper les valeurs de spécifications dans un objet propre.\n\nPour une page complexe, résolvez les ambiguïtés de sens des champs avant de demander l’extraction. Expliquez si une date concerne la publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les renseignements manquants afin que le modèle n’ait pas à inventer une valeur pour donner l’apparence d’un objet complet. Le fabricant présente des modèles typés et JSON Schema avec la validation du JSON renvoyé.\n\n### Préparation d’un long document\n\nLe prétraitement HTML recommandé retire les scripts, les styles et le contenu standard tout en gardant le contenu pertinent. Le fabricant conseille la prudence : en retirer trop peut faire perdre les renseignements nécessaires à l’extraction. Conservez les en-têtes de tableaux, les étiquettes imbriquées et le texte voisin qui établit le sens d’une valeur. Limitez-vous à la région pertinente lorsque la page comprend une navigation sans rapport ou des éléments répétés.\n\nUn exemple de tâche est l’extraction d’un enregistrement technique dans une page de 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 résultant peut ensuite être vérifié à partir des lignes sources plutôt que traité comme un résumé de tout le site Web.\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 distincte optimisée pour traiter les pages à un débit supérieur. Les deux partagent le contexte documenté de 128K de la famille V2 et le processus strict de JSON guidé par schéma. Le budget de contexte contient ensemble l’entrée et la sortie demandée; concentrez donc une grande page sur l’enregistrement réellement nécessaire à la tâche.\n\n### De l’extraction aux données applicatives\n\nUn objet structuré peut servir à l’ingestion de catalogues, à l’analyse documentaire ou à une couche d’éléments probants pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant de l’utiliser. Conservez l’identifiant de page ou l’association avec la source dans ce processus environnant. Si l’enregistrement comprend des nombres, comparez les unités et l’interprétation prévue à la source.\n\nLa conformité au schéma établit la forme du résultat; elle ne vérifie pas indépendamment chaque fait extrait. Vérifiez des enregistrements représentatifs à partir du HTML original et définissez le traitement des renseignements contradictoires ou absents. V2 Small demeure une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction du HTML vers le JSON et n’implique ni entrées image, ni conversation générale, ni accès Web automatique, ni processus 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 du HTML fourni des faits définis par schéma sous forme de JSON typé. C’est l’option V2 privilégiant la qualité pour les schémas complexes et les longues pages, avec un contexte de 128K du fabricant, 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 transformer le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les longues pages, avec un rôle distinct de V2 Turbo, centré sur le 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 fabricant indique que les consignes d’extraction appartiennent au schéma plutôt qu’à une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Les objets imbriqués et les listes sont pris en charge. Un enregistrement de produit peut, par exemple, distinguer un identifiant de produit de son nom affiché et regrouper les valeurs de spécifications dans un objet propre.
Pour une page complexe, résolvez les ambiguïtés de sens des champs avant de demander l’extraction. Expliquez si une date concerne la publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les renseignements manquants afin que le modèle n’ait pas à inventer une valeur pour donner l’apparence d’un objet complet. Le fabricant présente des modèles typés et JSON Schema avec la validation du JSON renvoyé.
Le prétraitement HTML recommandé retire les scripts, les styles et le contenu standard tout en gardant le contenu pertinent. Le fabricant conseille la prudence : en retirer trop peut faire perdre les renseignements nécessaires à l’extraction. Conservez les en-têtes de tableaux, les étiquettes imbriquées et le texte voisin qui établit le sens d’une valeur. Limitez-vous à la région pertinente lorsque la page comprend une navigation sans rapport ou des éléments répétés.
Un exemple de tâche est l’extraction d’un enregistrement technique dans une page de 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 résultant peut ensuite être vérifié à partir des lignes sources plutôt que traité comme un résumé de tout le site Web.
V2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version distincte optimisée pour traiter les pages à un débit supérieur. Les deux partagent le contexte documenté de 128K de la famille V2 et le processus strict de JSON guidé par schéma. Le budget de contexte contient ensemble l’entrée et la sortie demandée; concentrez donc une grande page sur l’enregistrement réellement nécessaire à la tâche.
Un objet structuré peut servir à l’ingestion de catalogues, à l’analyse documentaire ou à une couche d’éléments probants pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant de l’utiliser. Conservez l’identifiant de page ou l’association avec la source dans ce processus environnant. Si l’enregistrement comprend des nombres, comparez les unités et l’interprétation prévue à la source.
La conformité au schéma établit la forme du résultat; elle ne vérifie pas indépendamment chaque fait extrait. Vérifiez des enregistrements représentatifs à partir du HTML original et définissez le traitement des renseignements contradictoires ou absents. V2 Small demeure une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction du HTML vers le JSON et n’implique ni entrées image, ni conversation générale, ni accès Web automatique, ni processus 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’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 $0.0001 / 1K jetons Sortie · Jetons en sortie $0.00046 / 1K jetons Entrée · Lecture du cache $0.0001 / 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 incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0001 / 1K jetons Sortie · Jetons en sortie $0.00046 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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, 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 inference-net/schematron-v2-small
Utilisez les chemins de méthode indiqués ci-dessus.
inference-net/schematron-v2-smallSchematron V2 Small extrait du HTML fourni des faits définis par schéma sous forme de JSON typé. C’est l’option V2 privilégiant la qualité pour les schémas complexes et les longues pages, avec un contexte de 128K du fabricant, 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 transformer le HTML en JSON conforme au schéma. Le fabricant le développe pour les schémas complexes et les longues pages, avec un rôle distinct de V2 Turbo, centré sur le 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 fabricant indique que les consignes d’extraction appartiennent au schéma plutôt qu’à une consigne système ou utilisateur en langage naturel. Définissez le type de chaque propriété et expliquez son sens dans la description du champ. Les objets imbriqués et les listes sont pris en charge. Un enregistrement de produit peut, par exemple, distinguer un identifiant de produit de son nom affiché et regrouper les valeurs de spécifications dans un objet propre.
Pour une page complexe, résolvez les ambiguïtés de sens des champs avant de demander l’extraction. Expliquez si une date concerne la publication, un événement ou une révision, et comment représenter plusieurs valeurs sources. Utilisez une convention de schéma pour les renseignements manquants afin que le modèle n’ait pas à inventer une valeur pour donner l’apparence d’un objet complet. Le fabricant présente des modèles typés et JSON Schema avec la validation du JSON renvoyé.
Le prétraitement HTML recommandé retire les scripts, les styles et le contenu standard tout en gardant le contenu pertinent. Le fabricant conseille la prudence : en retirer trop peut faire perdre les renseignements nécessaires à l’extraction. Conservez les en-têtes de tableaux, les étiquettes imbriquées et le texte voisin qui établit le sens d’une valeur. Limitez-vous à la région pertinente lorsque la page comprend une navigation sans rapport ou des éléments répétés.
Un exemple de tâche est l’extraction d’un enregistrement technique dans une page de 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 résultant peut ensuite être vérifié à partir des lignes sources plutôt que traité comme un résumé de tout le site Web.
V2 Small privilégie la qualité d’extraction pour les schémas difficiles et le HTML long. Turbo est la version distincte optimisée pour traiter les pages à un débit supérieur. Les deux partagent le contexte documenté de 128K de la famille V2 et le processus strict de JSON guidé par schéma. Le budget de contexte contient ensemble l’entrée et la sortie demandée; concentrez donc une grande page sur l’enregistrement réellement nécessaire à la tâche.
Un objet structuré peut servir à l’ingestion de catalogues, à l’analyse documentaire ou à une couche d’éléments probants pour une réponse assistée par recherche. L’application obtient la page source, fournit le schéma et valide la sortie avant de l’utiliser. Conservez l’identifiant de page ou l’association avec la source dans ce processus environnant. Si l’enregistrement comprend des nombres, comparez les unités et l’interprétation prévue à la source.
La conformité au schéma établit la forme du résultat; elle ne vérifie pas indépendamment chaque fait extrait. Vérifiez des enregistrements représentatifs à partir du HTML original et définissez le traitement des renseignements contradictoires ou absents. V2 Small demeure une version nommée propre, distincte des points de contrôle V1 à poids ouverts. Son interface documentée est l’extraction du HTML vers le JSON et n’implique ni entrées image, ni conversation générale, ni accès Web automatique, ni processus 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 | 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 $0.0001 / 1K jetons Sortie · Jetons en sortie $0.00046 / 1K jetons Entrée · Lecture du cache $0.0001 / 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 incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0001 / 1K jetons Sortie · Jetons en sortie $0.00046 / 1K jetons Entrée · Lecture du cache $0.0001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 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