SenseChat-5 est le modèle de langage général V5 de la série SenseNova de SenseTime. Le fabricant décrit son champ de tâches en langage, connaissances, raisonnement, mathématiques et code, en accordant une attention particulière aux questions ouvertes, au dialogue à plusieurs tours, à l’extraction d’information et à la rédaction. Son entrée conversationnelle documentée est textuelle, et le résultat utile est une réponse écrite, une ébauche, une analyse ou une instruction liée à un outil.
Gardez les instructions de tâche distinctes du matériel à analyser. L’exemple de conversation compatible du fabricant utilise un message système pour définir le rôle et le format de réponse, suivi d’un message utilisateur contenant la demande. Sa référence de conversation native distingue aussi les messages système, utilisateur et assistant. Conservez le dialogue pertinent dans l’ordre lorsqu’un suivi dépend d’une réponse antérieure.
Pour une tâche d’extraction, fournissez le document et nommez les champs à retourner. Voici un mandat utile : « Extrayez l’échéance indiquée, l’équipe responsable et le livrable requis dans un tableau, et identifiez le passage qui appuie chaque valeur. » Pour une tâche de rédaction, donnez le public, le but, le ton et les sections requises. Traitez un nombre de mots demandé comme une instruction de rédaction et examinez la réponse terminée pour vérifier sa conformité.
Le fabricant indique un contexte de 128K pour SenseChat-5. Sa référence de conversation native explique que l’entrée fournie et la réponse maximale réservée doivent tenir dans le contexte du modèle. Les connaissances récupérées ou le texte de référence injecté occupent aussi de l’espace d’entrée. Gardez ensemble la question, les passages sources importants et assez de place pour la réponse, plutôt que de remplir toute la capacité avec des documents.
Pour une comparaison de longues sources, étiquetez chaque document et conservez les limites de sections. Demandez quelles exigences concordent, lesquelles se contredisent et quel passage appuie la différence. Donnez explicitement les définitions et les identifiants importants. Si la tâche ne concerne que quelques sections, sélectionnez ces sections et le contexte nécessaire à leur interprétation pour que la comparaison finale demeure facile à vérifier.
Fournissez un problème complet avec ses hypothèses, ses unités et la forme finale demandée. Demandez qu’un calcul identifie les valeurs utilisées et qu’une explication distingue un fait énoncé d’une hypothèse. Une conclusion doit être vérifiée par rapport aux conditions du problème, surtout lorsque plusieurs étapes dépendent d’une interprétation initiale.
Pour le travail de code, incluez les sources pertinentes, le comportement observé et le résultat attendu. Une sortie utile est un changement proposé avec la condition qu’il traite et les vérifications nécessaires à son évaluation. Retournez l’erreur réelle ou le résultat d’exécution lorsque le tour suivant dépend du fonctionnement d’une proposition. La réponse écrite et le résultat de son exécution sont des livrables distincts.
La version V5 de SenseTime documente les appels de fonctions personnalisées : une application connectée peut fournir des définitions d’outils que le modèle sélectionne et utilise. Définissez le but et les arguments de chaque outil autour de l’opération réelle, puis conservez l’observation retournée avec la conversation. Demandez que la réponse finale utilise le résultat réel de la recherche ou de l’opération plutôt que de déduire la réussite d’une action demandée.
La même version V5 décrit un processus d’interpréteur de code qui génère du Python pour le calcul mathématique. Il s’agit d’un processus de calcul connecté, et non d’une raison de traiter chaque bloc de code généré comme exécuté. Fournissez les données à calculer, conservez le résultat de l’interpréteur et examinez le lien entre l’explication écrite et ce résultat.
Les exemples de conversation du producteur montrent des réponses complètes et du texte diffusé en continu. Une réponse complète fournit le message de l’assistant; la diffusion en continu fournit des portions successives qui doivent être assemblées dans la réponse finale. Conservez ce texte final avec la requête et les sources avant de l’utiliser comme document, rapport ou réponse applicative.
Gardez l’édition du modèle explicite. SenseChat-Turbo est un modèle de dialogue léger distinct, et SenseChat-5-Cantonese est une adaptation nommée séparément. Le producteur publie aussi des modèles distincts de vision, de fusion de modalités et de dialogue avec personnages. Utilisez cette variante SenseChat-5 pour son travail documenté de conversation textuelle et de langage assisté par outils, et vérifiez les valeurs extraites, les étapes de raisonnement et les opérations proposées par rapport aux éléments fournis.
", "aboutText": "### Travail général de langage et de raisonnement\n\nSenseChat-5 est le modèle de langage général V5 de la série SenseNova de SenseTime. Le fabricant décrit son champ de tâches en langage, connaissances, raisonnement, mathématiques et code, en accordant une attention particulière aux questions ouvertes, au dialogue à plusieurs tours, à l’extraction d’information et à la rédaction. Son entrée conversationnelle documentée est textuelle, et le résultat utile est une réponse écrite, une ébauche, une analyse ou une instruction liée à un outil.\n\n### Préparez la conversation\n\nGardez les instructions de tâche distinctes du matériel à analyser. L’exemple de conversation compatible du fabricant utilise un message système pour définir le rôle et le format de réponse, suivi d’un message utilisateur contenant la demande. Sa référence de conversation native distingue aussi les messages système, utilisateur et assistant. Conservez le dialogue pertinent dans l’ordre lorsqu’un suivi dépend d’une réponse antérieure.\n\nPour une tâche d’extraction, fournissez le document et nommez les champs à retourner. Voici un mandat utile : « Extrayez l’échéance indiquée, l’équipe responsable et le livrable requis dans un tableau, et identifiez le passage qui appuie chaque valeur. » Pour une tâche de rédaction, donnez le public, le but, le ton et les sections requises. Traitez un nombre de mots demandé comme une instruction de rédaction et examinez la réponse terminée pour vérifier sa conformité.\n\n### Travaillez avec le contexte de 128K\n\nLe fabricant indique un contexte de 128K pour SenseChat-5. Sa référence de conversation native explique que l’entrée fournie et la réponse maximale réservée doivent tenir dans le contexte du modèle. Les connaissances récupérées ou le texte de référence injecté occupent aussi de l’espace d’entrée. Gardez ensemble la question, les passages sources importants et assez de place pour la réponse, plutôt que de remplir toute la capacité avec des documents.\n\nPour une comparaison de longues sources, étiquetez chaque document et conservez les limites de sections. Demandez quelles exigences concordent, lesquelles se contredisent et quel passage appuie la différence. Donnez explicitement les définitions et les identifiants importants. Si la tâche ne concerne que quelques sections, sélectionnez ces sections et le contexte nécessaire à leur interprétation pour que la comparaison finale demeure facile à vérifier.\n\n### Raisonnement, mathématiques et code\n\nFournissez un problème complet avec ses hypothèses, ses unités et la forme finale demandée. Demandez qu’un calcul identifie les valeurs utilisées et qu’une explication distingue un fait énoncé d’une hypothèse. Une conclusion doit être vérifiée par rapport aux conditions du problème, surtout lorsque plusieurs étapes dépendent d’une interprétation initiale.\n\nPour le travail de code, incluez les sources pertinentes, le comportement observé et le résultat attendu. Une sortie utile est un changement proposé avec la condition qu’il traite et les vérifications nécessaires à son évaluation. Retournez l’erreur réelle ou le résultat d’exécution lorsque le tour suivant dépend du fonctionnement d’une proposition. La réponse écrite et le résultat de son exécution sont des livrables distincts.\n\n### Outils personnalisés et calcul\n\nLa version V5 de SenseTime documente les appels de fonctions personnalisées : une application connectée peut fournir des définitions d’outils que le modèle sélectionne et utilise. Définissez le but et les arguments de chaque outil autour de l’opération réelle, puis conservez l’observation retournée avec la conversation. Demandez que la réponse finale utilise le résultat réel de la recherche ou de l’opération plutôt que de déduire la réussite d’une action demandée.\n\nLa même version V5 décrit un processus d’interpréteur de code qui génère du Python pour le calcul mathématique. Il s’agit d’un processus de calcul connecté, et non d’une raison de traiter chaque bloc de code généré comme exécuté. Fournissez les données à calculer, conservez le résultat de l’interpréteur et examinez le lien entre l’explication écrite et ce résultat.\n\n### Réponses complètes et diffusion en continu\n\nLes exemples de conversation du producteur montrent des réponses complètes et du texte diffusé en continu. Une réponse complète fournit le message de l’assistant; la diffusion en continu fournit des portions successives qui doivent être assemblées dans la réponse finale. Conservez ce texte final avec la requête et les sources avant de l’utiliser comme document, rapport ou réponse applicative.\n\nGardez l’édition du modèle explicite. SenseChat-Turbo est un modèle de dialogue léger distinct, et SenseChat-5-Cantonese est une adaptation nommée séparément. Le producteur publie aussi des modèles distincts de vision, de fusion de modalités et de dialogue avec personnages. Utilisez cette variante SenseChat-5 pour son travail documenté de conversation textuelle et de langage assisté par outils, et vérifiez les valeurs extraites, les étapes de raisonnement et les opérations proposées par rapport aux éléments fournis.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.SenseChat-5SenseChat-5 de SenseTime est un modèle de conversation textuelle pour les tâches de langage, de connaissances, de raisonnement, de mathématiques et de code. Son contexte documenté de 128K prend en charge des sources plus longues, tandis que le processus V5 du producteur comprend les appels de fonctions personnalisées et le calcul avec un interpréteur de code.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
SenseChat-5 est le modèle de langage général V5 de la série SenseNova de SenseTime. Le fabricant décrit son champ de tâches en langage, connaissances, raisonnement, mathématiques et code, en accordant une attention particulière aux questions ouvertes, au dialogue à plusieurs tours, à l’extraction d’information et à la rédaction. Son entrée conversationnelle documentée est textuelle, et le résultat utile est une réponse écrite, une ébauche, une analyse ou une instruction liée à un outil.
Gardez les instructions de tâche distinctes du matériel à analyser. L’exemple de conversation compatible du fabricant utilise un message système pour définir le rôle et le format de réponse, suivi d’un message utilisateur contenant la demande. Sa référence de conversation native distingue aussi les messages système, utilisateur et assistant. Conservez le dialogue pertinent dans l’ordre lorsqu’un suivi dépend d’une réponse antérieure.
Pour une tâche d’extraction, fournissez le document et nommez les champs à retourner. Voici un mandat utile : « Extrayez l’échéance indiquée, l’équipe responsable et le livrable requis dans un tableau, et identifiez le passage qui appuie chaque valeur. » Pour une tâche de rédaction, donnez le public, le but, le ton et les sections requises. Traitez un nombre de mots demandé comme une instruction de rédaction et examinez la réponse terminée pour vérifier sa conformité.
Le fabricant indique un contexte de 128K pour SenseChat-5. Sa référence de conversation native explique que l’entrée fournie et la réponse maximale réservée doivent tenir dans le contexte du modèle. Les connaissances récupérées ou le texte de référence injecté occupent aussi de l’espace d’entrée. Gardez ensemble la question, les passages sources importants et assez de place pour la réponse, plutôt que de remplir toute la capacité avec des documents.
Pour une comparaison de longues sources, étiquetez chaque document et conservez les limites de sections. Demandez quelles exigences concordent, lesquelles se contredisent et quel passage appuie la différence. Donnez explicitement les définitions et les identifiants importants. Si la tâche ne concerne que quelques sections, sélectionnez ces sections et le contexte nécessaire à leur interprétation pour que la comparaison finale demeure facile à vérifier.
Fournissez un problème complet avec ses hypothèses, ses unités et la forme finale demandée. Demandez qu’un calcul identifie les valeurs utilisées et qu’une explication distingue un fait énoncé d’une hypothèse. Une conclusion doit être vérifiée par rapport aux conditions du problème, surtout lorsque plusieurs étapes dépendent d’une interprétation initiale.
Pour le travail de code, incluez les sources pertinentes, le comportement observé et le résultat attendu. Une sortie utile est un changement proposé avec la condition qu’il traite et les vérifications nécessaires à son évaluation. Retournez l’erreur réelle ou le résultat d’exécution lorsque le tour suivant dépend du fonctionnement d’une proposition. La réponse écrite et le résultat de son exécution sont des livrables distincts.
La version V5 de SenseTime documente les appels de fonctions personnalisées : une application connectée peut fournir des définitions d’outils que le modèle sélectionne et utilise. Définissez le but et les arguments de chaque outil autour de l’opération réelle, puis conservez l’observation retournée avec la conversation. Demandez que la réponse finale utilise le résultat réel de la recherche ou de l’opération plutôt que de déduire la réussite d’une action demandée.
La même version V5 décrit un processus d’interpréteur de code qui génère du Python pour le calcul mathématique. Il s’agit d’un processus de calcul connecté, et non d’une raison de traiter chaque bloc de code généré comme exécuté. Fournissez les données à calculer, conservez le résultat de l’interpréteur et examinez le lien entre l’explication écrite et ce résultat.
Les exemples de conversation du producteur montrent des réponses complètes et du texte diffusé en continu. Une réponse complète fournit le message de l’assistant; la diffusion en continu fournit des portions successives qui doivent être assemblées dans la réponse finale. Conservez ce texte final avec la requête et les sources avant de l’utiliser comme document, rapport ou réponse applicative.
Gardez l’édition du modèle explicite. SenseChat-Turbo est un modèle de dialogue léger distinct, et SenseChat-5-Cantonese est une adaptation nommée séparément. Le producteur publie aussi des modèles distincts de vision, de fusion de modalités et de dialogue avec personnages. Utilisez cette variante SenseChat-5 pour son travail documenté de conversation textuelle et de langage assisté par outils, et vérifiez les valeurs extraites, les étapes de raisonnement et les opérations proposées par rapport aux éléments fournis.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites SenseChat-5 | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0132 / 1K jetons Sortie · Jetons en sortie $0.0308 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-5", "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='SenseChat-5',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='SenseChat-5',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 SenseChat-5
Utilisez les chemins de méthode indiqués ci-dessus.
SenseChat-5SenseChat-5 de SenseTime est un modèle de conversation textuelle pour les tâches de langage, de connaissances, de raisonnement, de mathématiques et de code. Son contexte documenté de 128K prend en charge des sources plus longues, tandis que le processus V5 du producteur comprend les appels de fonctions personnalisées et le calcul avec un interpréteur de code.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
SenseChat-5 est le modèle de langage général V5 de la série SenseNova de SenseTime. Le fabricant décrit son champ de tâches en langage, connaissances, raisonnement, mathématiques et code, en accordant une attention particulière aux questions ouvertes, au dialogue à plusieurs tours, à l’extraction d’information et à la rédaction. Son entrée conversationnelle documentée est textuelle, et le résultat utile est une réponse écrite, une ébauche, une analyse ou une instruction liée à un outil.
Gardez les instructions de tâche distinctes du matériel à analyser. L’exemple de conversation compatible du fabricant utilise un message système pour définir le rôle et le format de réponse, suivi d’un message utilisateur contenant la demande. Sa référence de conversation native distingue aussi les messages système, utilisateur et assistant. Conservez le dialogue pertinent dans l’ordre lorsqu’un suivi dépend d’une réponse antérieure.
Pour une tâche d’extraction, fournissez le document et nommez les champs à retourner. Voici un mandat utile : « Extrayez l’échéance indiquée, l’équipe responsable et le livrable requis dans un tableau, et identifiez le passage qui appuie chaque valeur. » Pour une tâche de rédaction, donnez le public, le but, le ton et les sections requises. Traitez un nombre de mots demandé comme une instruction de rédaction et examinez la réponse terminée pour vérifier sa conformité.
Le fabricant indique un contexte de 128K pour SenseChat-5. Sa référence de conversation native explique que l’entrée fournie et la réponse maximale réservée doivent tenir dans le contexte du modèle. Les connaissances récupérées ou le texte de référence injecté occupent aussi de l’espace d’entrée. Gardez ensemble la question, les passages sources importants et assez de place pour la réponse, plutôt que de remplir toute la capacité avec des documents.
Pour une comparaison de longues sources, étiquetez chaque document et conservez les limites de sections. Demandez quelles exigences concordent, lesquelles se contredisent et quel passage appuie la différence. Donnez explicitement les définitions et les identifiants importants. Si la tâche ne concerne que quelques sections, sélectionnez ces sections et le contexte nécessaire à leur interprétation pour que la comparaison finale demeure facile à vérifier.
Fournissez un problème complet avec ses hypothèses, ses unités et la forme finale demandée. Demandez qu’un calcul identifie les valeurs utilisées et qu’une explication distingue un fait énoncé d’une hypothèse. Une conclusion doit être vérifiée par rapport aux conditions du problème, surtout lorsque plusieurs étapes dépendent d’une interprétation initiale.
Pour le travail de code, incluez les sources pertinentes, le comportement observé et le résultat attendu. Une sortie utile est un changement proposé avec la condition qu’il traite et les vérifications nécessaires à son évaluation. Retournez l’erreur réelle ou le résultat d’exécution lorsque le tour suivant dépend du fonctionnement d’une proposition. La réponse écrite et le résultat de son exécution sont des livrables distincts.
La version V5 de SenseTime documente les appels de fonctions personnalisées : une application connectée peut fournir des définitions d’outils que le modèle sélectionne et utilise. Définissez le but et les arguments de chaque outil autour de l’opération réelle, puis conservez l’observation retournée avec la conversation. Demandez que la réponse finale utilise le résultat réel de la recherche ou de l’opération plutôt que de déduire la réussite d’une action demandée.
La même version V5 décrit un processus d’interpréteur de code qui génère du Python pour le calcul mathématique. Il s’agit d’un processus de calcul connecté, et non d’une raison de traiter chaque bloc de code généré comme exécuté. Fournissez les données à calculer, conservez le résultat de l’interpréteur et examinez le lien entre l’explication écrite et ce résultat.
Les exemples de conversation du producteur montrent des réponses complètes et du texte diffusé en continu. Une réponse complète fournit le message de l’assistant; la diffusion en continu fournit des portions successives qui doivent être assemblées dans la réponse finale. Conservez ce texte final avec la requête et les sources avant de l’utiliser comme document, rapport ou réponse applicative.
Gardez l’édition du modèle explicite. SenseChat-Turbo est un modèle de dialogue léger distinct, et SenseChat-5-Cantonese est une adaptation nommée séparément. Le producteur publie aussi des modèles distincts de vision, de fusion de modalités et de dialogue avec personnages. Utilisez cette variante SenseChat-5 pour son travail documenté de conversation textuelle et de langage assisté par outils, et vérifiez les valeurs extraites, les étapes de raisonnement et les opérations proposées par rapport aux éléments fournis.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites SenseChat-5 | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0132 / 1K jetons Sortie · Jetons en sortie $0.0308 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'SenseChat-5', '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': 'SenseChat-5', '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 SenseChat-5
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.