SenseChat-Turbo est le modèle léger de dialogue général dans la gamme SenseNova de SenseTime. Le fabricant le destine aux questions-réponses rapides et aux scénarios d’ajustement de modèles. Utilisez-le pour une tâche textuelle clairement délimitée : répondre à une question à partir d’informations fournies, reformuler un court message, dégager le point principal d’un passage ou poursuivre une conversation ciblée.
Indiquez ce que la réponse doit accomplir et incluez les informations nécessaires à sa production. Pour une explication destinée aux clients, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte d’origine, le public et le ton souhaité. Séparez le matériel à analyser des instructions sur la présentation du résultat.
Voici un mandat utile : « Utilisez l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis énumérez les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une courte réponse est plus facile à utiliser lorsqu’elle répond à un problème clair plutôt que de mélanger plusieurs objectifs sans lien.
Le processus de conversation textuelle du producteur utilise des messages étiquetés par rôle et prend en charge une séquence de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’un suivi y fait référence, avec tout fait ou toute contrainte encore pertinente. Dans un processus sans historique de conversation conservé par le serveur, l’application fournit l’historique pertinent avec la requête suivante.
Pour un échange de soutien qui se poursuit, conservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante poursuive à partir de cet état. Retirez le matériel sans lien qui détourne l’attention de la tâche actuelle et réservez de la place à la réponse dans la configuration utilisée pour la conversation.
SenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour l’adaptation à une tâche précise, préparez des exemples représentatifs d’entrées et de réponses qui montrent le comportement souhaité : vocabulaire, forme de réponse, niveau de détail et traitement des informations manquantes. Gardez la réponse attendue cohérente avec les faits sources dans chaque exemple.
Des exemples utiles pourraient distinguer une réponse factuelle d’une demande de clarification, ou une courte explication d’une liste de champs structurée. Incluez des cas difficiles ou ambigus ainsi que des cas simples. Vérifiez les exemples par rapport à la tâche prévue avant de traiter leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité; le processus d’adaptation qui l’entoure détermine comment les exemples sont utilisés.
Les interfaces de conversation du fabricant prennent en charge le texte complet et le texte diffusé en continu. Une réponse complète fournit la réponse en un seul résultat; un flux fournit des portions successives assemblées par l’application. Conservez la réponse terminée pour révision ou réutilisation plutôt que de juger la tâche seulement sur les premiers mots visibles.
Pour l’extraction ou la classification, vérifiez les champs ou les étiquettes réels par rapport à la source. Pour une reformulation, vérifiez si le sens a été préservé malgré le changement de ton demandé. Pour un échange de questions-réponses, vérifiez que la réponse traite le problème actuel et que toute demande de suivi est pertinente.
Turbo et SenseChat-5 sont des modèles de dialogue général nommés séparément. SenseChat-5-Cantonese, les modèles de dialogue avec personnages et les modèles visuels ou de fusion de modalités ont aussi leurs propres variantes. Conservez l’édition choisie et le texte fourni avec la réponse finale lorsque vous comparez une tâche ou poursuivez une conversation applicative.
Choisissez le rôle de dialogue délimité de Turbo lorsque le résultat doit être un texte concis et utilisable. Donnez à la réponse une destination explicite, soit une réplique, un paragraphe révisé, une liste de champs ou une question de clarification, et examinez ce livrable pour son adéquation factuelle, sa formulation et son exhaustivité avant de l’utiliser à l’étape suivante.
", "aboutText": "### Questions rapides et dialogue adapté\n\nSenseChat-Turbo est le modèle léger de dialogue général dans la gamme SenseNova de SenseTime. Le fabricant le destine aux questions-réponses rapides et aux scénarios d’ajustement de modèles. Utilisez-le pour une tâche textuelle clairement délimitée : répondre à une question à partir d’informations fournies, reformuler un court message, dégager le point principal d’un passage ou poursuivre une conversation ciblée.\n\n### Donnez une demande précise au modèle\n\nIndiquez ce que la réponse doit accomplir et incluez les informations nécessaires à sa production. Pour une explication destinée aux clients, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte d’origine, le public et le ton souhaité. Séparez le matériel à analyser des instructions sur la présentation du résultat.\n\nVoici un mandat utile : « Utilisez l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis énumérez les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une courte réponse est plus facile à utiliser lorsqu’elle répond à un problème clair plutôt que de mélanger plusieurs objectifs sans lien.\n\n### Gardez le contexte conversationnel pertinent\n\nLe processus de conversation textuelle du producteur utilise des messages étiquetés par rôle et prend en charge une séquence de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’un suivi y fait référence, avec tout fait ou toute contrainte encore pertinente. Dans un processus sans historique de conversation conservé par le serveur, l’application fournit l’historique pertinent avec la requête suivante.\n\nPour un échange de soutien qui se poursuit, conservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante poursuive à partir de cet état. Retirez le matériel sans lien qui détourne l’attention de la tâche actuelle et réservez de la place à la réponse dans la configuration utilisée pour la conversation.\n\n### Préparez des exemples propres à la tâche\n\nSenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour l’adaptation à une tâche précise, préparez des exemples représentatifs d’entrées et de réponses qui montrent le comportement souhaité : vocabulaire, forme de réponse, niveau de détail et traitement des informations manquantes. Gardez la réponse attendue cohérente avec les faits sources dans chaque exemple.\n\nDes exemples utiles pourraient distinguer une réponse factuelle d’une demande de clarification, ou une courte explication d’une liste de champs structurée. Incluez des cas difficiles ou ambigus ainsi que des cas simples. Vérifiez les exemples par rapport à la tâche prévue avant de traiter leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité; le processus d’adaptation qui l’entoure détermine comment les exemples sont utilisés.\n\n### Réponses complètes et diffusées en continu\n\nLes interfaces de conversation du fabricant prennent en charge le texte complet et le texte diffusé en continu. Une réponse complète fournit la réponse en un seul résultat; un flux fournit des portions successives assemblées par l’application. Conservez la réponse terminée pour révision ou réutilisation plutôt que de juger la tâche seulement sur les premiers mots visibles.\n\nPour l’extraction ou la classification, vérifiez les champs ou les étiquettes réels par rapport à la source. Pour une reformulation, vérifiez si le sens a été préservé malgré le changement de ton demandé. Pour un échange de questions-réponses, vérifiez que la réponse traite le problème actuel et que toute demande de suivi est pertinente.\n\n### Gardez l’édition Turbo distincte\n\nTurbo et SenseChat-5 sont des modèles de dialogue général nommés séparément. SenseChat-5-Cantonese, les modèles de dialogue avec personnages et les modèles visuels ou de fusion de modalités ont aussi leurs propres variantes. Conservez l’édition choisie et le texte fourni avec la réponse finale lorsque vous comparez une tâche ou poursuivez une conversation applicative.\n\nChoisissez le rôle de dialogue délimité de Turbo lorsque le résultat doit être un texte concis et utilisable. Donnez à la réponse une destination explicite, soit une réplique, un paragraphe révisé, une liste de champs ou une question de clarification, et examinez ce livrable pour son adéquation factuelle, sa formulation et son exhaustivité avant de l’utiliser à l’étape suivante.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseChat-Turbo de SenseTime est un modèle léger de conversation textuelle destiné aux questions rapides et à l’adaptation à des tâches précises. Préparez des demandes concises, gardez le dialogue pertinent ensemble et vérifiez la réponse terminée par rapport aux faits fournis pour la tâche.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
SenseChat-Turbo est le modèle léger de dialogue général dans la gamme SenseNova de SenseTime. Le fabricant le destine aux questions-réponses rapides et aux scénarios d’ajustement de modèles. Utilisez-le pour une tâche textuelle clairement délimitée : répondre à une question à partir d’informations fournies, reformuler un court message, dégager le point principal d’un passage ou poursuivre une conversation ciblée.
Indiquez ce que la réponse doit accomplir et incluez les informations nécessaires à sa production. Pour une explication destinée aux clients, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte d’origine, le public et le ton souhaité. Séparez le matériel à analyser des instructions sur la présentation du résultat.
Voici un mandat utile : « Utilisez l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis énumérez les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une courte réponse est plus facile à utiliser lorsqu’elle répond à un problème clair plutôt que de mélanger plusieurs objectifs sans lien.
Le processus de conversation textuelle du producteur utilise des messages étiquetés par rôle et prend en charge une séquence de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’un suivi y fait référence, avec tout fait ou toute contrainte encore pertinente. Dans un processus sans historique de conversation conservé par le serveur, l’application fournit l’historique pertinent avec la requête suivante.
Pour un échange de soutien qui se poursuit, conservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante poursuive à partir de cet état. Retirez le matériel sans lien qui détourne l’attention de la tâche actuelle et réservez de la place à la réponse dans la configuration utilisée pour la conversation.
SenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour l’adaptation à une tâche précise, préparez des exemples représentatifs d’entrées et de réponses qui montrent le comportement souhaité : vocabulaire, forme de réponse, niveau de détail et traitement des informations manquantes. Gardez la réponse attendue cohérente avec les faits sources dans chaque exemple.
Des exemples utiles pourraient distinguer une réponse factuelle d’une demande de clarification, ou une courte explication d’une liste de champs structurée. Incluez des cas difficiles ou ambigus ainsi que des cas simples. Vérifiez les exemples par rapport à la tâche prévue avant de traiter leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité; le processus d’adaptation qui l’entoure détermine comment les exemples sont utilisés.
Les interfaces de conversation du fabricant prennent en charge le texte complet et le texte diffusé en continu. Une réponse complète fournit la réponse en un seul résultat; un flux fournit des portions successives assemblées par l’application. Conservez la réponse terminée pour révision ou réutilisation plutôt que de juger la tâche seulement sur les premiers mots visibles.
Pour l’extraction ou la classification, vérifiez les champs ou les étiquettes réels par rapport à la source. Pour une reformulation, vérifiez si le sens a été préservé malgré le changement de ton demandé. Pour un échange de questions-réponses, vérifiez que la réponse traite le problème actuel et que toute demande de suivi est pertinente.
Turbo et SenseChat-5 sont des modèles de dialogue général nommés séparément. SenseChat-5-Cantonese, les modèles de dialogue avec personnages et les modèles visuels ou de fusion de modalités ont aussi leurs propres variantes. Conservez l’édition choisie et le texte fourni avec la réponse finale lorsque vous comparez une tâche ou poursuivez une conversation applicative.
Choisissez le rôle de dialogue délimité de Turbo lorsque le résultat doit être un texte concis et utilisable. Donnez à la réponse une destination explicite, soit une réplique, un paragraphe révisé, une liste de champs ou une question de clarification, et examinez ce livrable pour son adéquation factuelle, sa formulation et son exhaustivité avant de l’utiliser à l’étape suivante.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites SenseChat-Turbo | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.00066 / 1K jetons Sortie · Jetons en sortie $0.00154 / 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-Turbo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='SenseChat-Turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='SenseChat-Turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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-Turbo
Utilisez les chemins de méthode indiqués ci-dessus.
SenseChat-TurboSenseChat-Turbo de SenseTime est un modèle léger de conversation textuelle destiné aux questions rapides et à l’adaptation à des tâches précises. Préparez des demandes concises, gardez le dialogue pertinent ensemble et vérifiez la réponse terminée par rapport aux faits fournis pour la tâche.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
SenseChat-Turbo est le modèle léger de dialogue général dans la gamme SenseNova de SenseTime. Le fabricant le destine aux questions-réponses rapides et aux scénarios d’ajustement de modèles. Utilisez-le pour une tâche textuelle clairement délimitée : répondre à une question à partir d’informations fournies, reformuler un court message, dégager le point principal d’un passage ou poursuivre une conversation ciblée.
Indiquez ce que la réponse doit accomplir et incluez les informations nécessaires à sa production. Pour une explication destinée aux clients, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte d’origine, le public et le ton souhaité. Séparez le matériel à analyser des instructions sur la présentation du résultat.
Voici un mandat utile : « Utilisez l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis énumérez les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une courte réponse est plus facile à utiliser lorsqu’elle répond à un problème clair plutôt que de mélanger plusieurs objectifs sans lien.
Le processus de conversation textuelle du producteur utilise des messages étiquetés par rôle et prend en charge une séquence de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’un suivi y fait référence, avec tout fait ou toute contrainte encore pertinente. Dans un processus sans historique de conversation conservé par le serveur, l’application fournit l’historique pertinent avec la requête suivante.
Pour un échange de soutien qui se poursuit, conservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante poursuive à partir de cet état. Retirez le matériel sans lien qui détourne l’attention de la tâche actuelle et réservez de la place à la réponse dans la configuration utilisée pour la conversation.
SenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour l’adaptation à une tâche précise, préparez des exemples représentatifs d’entrées et de réponses qui montrent le comportement souhaité : vocabulaire, forme de réponse, niveau de détail et traitement des informations manquantes. Gardez la réponse attendue cohérente avec les faits sources dans chaque exemple.
Des exemples utiles pourraient distinguer une réponse factuelle d’une demande de clarification, ou une courte explication d’une liste de champs structurée. Incluez des cas difficiles ou ambigus ainsi que des cas simples. Vérifiez les exemples par rapport à la tâche prévue avant de traiter leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité; le processus d’adaptation qui l’entoure détermine comment les exemples sont utilisés.
Les interfaces de conversation du fabricant prennent en charge le texte complet et le texte diffusé en continu. Une réponse complète fournit la réponse en un seul résultat; un flux fournit des portions successives assemblées par l’application. Conservez la réponse terminée pour révision ou réutilisation plutôt que de juger la tâche seulement sur les premiers mots visibles.
Pour l’extraction ou la classification, vérifiez les champs ou les étiquettes réels par rapport à la source. Pour une reformulation, vérifiez si le sens a été préservé malgré le changement de ton demandé. Pour un échange de questions-réponses, vérifiez que la réponse traite le problème actuel et que toute demande de suivi est pertinente.
Turbo et SenseChat-5 sont des modèles de dialogue général nommés séparément. SenseChat-5-Cantonese, les modèles de dialogue avec personnages et les modèles visuels ou de fusion de modalités ont aussi leurs propres variantes. Conservez l’édition choisie et le texte fourni avec la réponse finale lorsque vous comparez une tâche ou poursuivez une conversation applicative.
Choisissez le rôle de dialogue délimité de Turbo lorsque le résultat doit être un texte concis et utilisable. Donnez à la réponse une destination explicite, soit une réplique, un paragraphe révisé, une liste de champs ou une question de clarification, et examinez ce livrable pour son adéquation factuelle, sa formulation et son exhaustivité avant de l’utiliser à l’étape suivante.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites SenseChat-Turbo | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00066 / 1K jetons Sortie · Jetons en sortie $0.00154 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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-Turbo
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.