SenseNova 6.7 Flash-Lite est le modèle d’agent multimodal léger de SenseTime pour le travail de bureau. Le producteur met l’accent sur les tâches soutenues de planification, d’analyse de données, de recherche et de livraison de contenu. Il accepte le texte et les images et retourne du contenu écrit, ce qui le rend utile pour comprendre les contenus professionnels et décider comment les transformer en analyse, rapport ou présentation. Son rôle est de relier la tâche, les éléments probants et la prochaine étape utile d’un processus plus long.
Un processus pratique de bureau peut passer de l’information tirée des données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni; examinez ensuite les raisons des tendances et développez une présentation autour des constats. Préparez une tâche semblable en séparant les questions : que montrent les données fournies, que reste-t-il à expliquer et que doit retenir le public? Énoncez le livrable final et ses critères de qualité dès le départ pour que l’analyse intermédiaire contribue au même résultat.
Pour l’analyse de données, fournissez un tableau lisible ou une représentation textuelle et expliquez les colonnes, les unités, les catégories et la période. Identifiez les valeurs manquantes ou les enregistrements incohérents et précisez comment les traiter. Un mandat illustratif consiste à vérifier les écarts dans un jeu de données, à décrire ses principaux changements et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des outils connectés effectuent des calculs ou du traitement de fichiers, retournez leurs résultats réels au modèle. Gardez les éléments numériques distincts d’une explication narrative et demandez-lui de signaler une cause proposée que les données seules n’établissent pas.
Pour la recherche et les rapports, fournissez le matériel déjà recueilli, les questions restantes et le public visé. Demandez une structure qui relie chaque affirmation à des éléments probants, distingue les observations des hypothèses et garde les problèmes non résolus visibles. Pour une présentation, définissez le récit, la longueur souhaitée et le but de chaque section. Une sortie écrite utile peut comprendre les titres de diapositives, les arguments clés, les faits justificatifs et des notes sur le visuel qui aiderait à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils qui l’entourent gèrent la création de fichiers, la mise en page et l’exportation.
Le fabricant sépare explicitement une réponse directe du modèle du processus de bureau complet. Son processus de bureau complet utilise un environnement d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent des fichiers, exécutent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un but clair et retournez les résultats de ces opérations afin qu’il puisse poursuivre à partir de l’état actuel. Un plan ou une instruction générés constituent une contribution au livrable plutôt qu’une preuve que le fichier terminé existe déjà.
Le processus d’image documenté combine une question textuelle avec une ou plusieurs images, y compris un exemple de comparaison de deux images. Utilisez un graphique clair, une image de document ou une capture d’écran et dites ce qui importe : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer des images dont le côté le plus long ne dépasse pas 2 048 pixels; il s’agit de recommandations de préparation des entrées, plutôt que d’une affirmation selon laquelle de plus grandes dimensions définissent la limite visuelle théorique du modèle. Gardez les étiquettes lisibles et incluez les unités ou les règles contextuelles dans le texte lorsqu’elles ne peuvent pas être lues de façon fiable dans l’image.
La référence de SenseTime distingue le contenu de raisonnement de la réponse écrite finale et documente un budget de sortie qui comprend les deux. Pour une tâche de bureau importante, rendez le livrable demandé concret et prévoyez de la place pour le raisonnement ainsi que pour le contenu final. Dans une conversation qui se poursuit, conservez les messages utilisateur pertinents et le contenu final de l’assistant dans l’ordre chronologique; le producteur demande aux applications de ne pas renvoyer le champ de raisonnement antérieur comme historique de conversation. Pour les longs historiques, conservez les faits et les décisions dont l’étape suivante a réellement besoin.
Flash-Lite est le modèle nommé pour ce processus, tandis que la génération de fichiers terminés et les sorties visuelles spécialisées dépendent de l’environnement connecté et des outils pertinents. Vérifiez les calculs, les détails extraits des images et les affirmations des rapports par rapport au matériel d’origine. Définissez la fin selon le contenu demandé et le livrable réel, afin qu’une explication fluide demeure liée aux éléments probants et à un résultat utilisable.
", "aboutText": "SenseNova 6.7 Flash-Lite est le modèle d’agent multimodal léger de SenseTime pour le travail de bureau. Le producteur met l’accent sur les tâches soutenues de planification, d’analyse de données, de recherche et de livraison de contenu. Il accepte le texte et les images et retourne du contenu écrit, ce qui le rend utile pour comprendre les contenus professionnels et décider comment les transformer en analyse, rapport ou présentation. Son rôle est de relier la tâche, les éléments probants et la prochaine étape utile d’un processus plus long.\n\nUn processus pratique de bureau peut passer de l’information tirée des données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni; examinez ensuite les raisons des tendances et développez une présentation autour des constats. Préparez une tâche semblable en séparant les questions : que montrent les données fournies, que reste-t-il à expliquer et que doit retenir le public? Énoncez le livrable final et ses critères de qualité dès le départ pour que l’analyse intermédiaire contribue au même résultat.\n\nPour l’analyse de données, fournissez un tableau lisible ou une représentation textuelle et expliquez les colonnes, les unités, les catégories et la période. Identifiez les valeurs manquantes ou les enregistrements incohérents et précisez comment les traiter. Un mandat illustratif consiste à vérifier les écarts dans un jeu de données, à décrire ses principaux changements et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des outils connectés effectuent des calculs ou du traitement de fichiers, retournez leurs résultats réels au modèle. Gardez les éléments numériques distincts d’une explication narrative et demandez-lui de signaler une cause proposée que les données seules n’établissent pas.\n\nPour la recherche et les rapports, fournissez le matériel déjà recueilli, les questions restantes et le public visé. Demandez une structure qui relie chaque affirmation à des éléments probants, distingue les observations des hypothèses et garde les problèmes non résolus visibles. Pour une présentation, définissez le récit, la longueur souhaitée et le but de chaque section. Une sortie écrite utile peut comprendre les titres de diapositives, les arguments clés, les faits justificatifs et des notes sur le visuel qui aiderait à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils qui l’entourent gèrent la création de fichiers, la mise en page et l’exportation.\n\nLe fabricant sépare explicitement une réponse directe du modèle du processus de bureau complet. Son processus de bureau complet utilise un environnement d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent des fichiers, exécutent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un but clair et retournez les résultats de ces opérations afin qu’il puisse poursuivre à partir de l’état actuel. Un plan ou une instruction générés constituent une contribution au livrable plutôt qu’une preuve que le fichier terminé existe déjà.\n\nLe processus d’image documenté combine une question textuelle avec une ou plusieurs images, y compris un exemple de comparaison de deux images. Utilisez un graphique clair, une image de document ou une capture d’écran et dites ce qui importe : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer des images dont le côté le plus long ne dépasse pas 2 048 pixels; il s’agit de recommandations de préparation des entrées, plutôt que d’une affirmation selon laquelle de plus grandes dimensions définissent la limite visuelle théorique du modèle. Gardez les étiquettes lisibles et incluez les unités ou les règles contextuelles dans le texte lorsqu’elles ne peuvent pas être lues de façon fiable dans l’image.\n\nLa référence de SenseTime distingue le contenu de raisonnement de la réponse écrite finale et documente un budget de sortie qui comprend les deux. Pour une tâche de bureau importante, rendez le livrable demandé concret et prévoyez de la place pour le raisonnement ainsi que pour le contenu final. Dans une conversation qui se poursuit, conservez les messages utilisateur pertinents et le contenu final de l’assistant dans l’ordre chronologique; le producteur demande aux applications de ne pas renvoyer le champ de raisonnement antérieur comme historique de conversation. Pour les longs historiques, conservez les faits et les décisions dont l’étape suivante a réellement besoin.\n\nFlash-Lite est le modèle nommé pour ce processus, tandis que la génération de fichiers terminés et les sorties visuelles spécialisées dépendent de l’environnement connecté et des outils pertinents. Vérifiez les calculs, les détails extraits des images et les affirmations des rapports par rapport au matériel d’origine. Définissez la fin selon le contenu demandé et le livrable réel, afin qu’une explication fluide demeure liée aux éléments probants et à un résultat utilisable.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite est le modèle multimodal de SenseTime pour les tâches soutenues de bureau et d’analyse. Il interprète le texte et les images, aide à organiser le contenu de recherche et de rapports et participe à des processus assistés par outils qui transforment l’analyse en livrable.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
SenseNova 6.7 Flash-Lite est le modèle d’agent multimodal léger de SenseTime pour le travail de bureau. Le producteur met l’accent sur les tâches soutenues de planification, d’analyse de données, de recherche et de livraison de contenu. Il accepte le texte et les images et retourne du contenu écrit, ce qui le rend utile pour comprendre les contenus professionnels et décider comment les transformer en analyse, rapport ou présentation. Son rôle est de relier la tâche, les éléments probants et la prochaine étape utile d’un processus plus long.
Un processus pratique de bureau peut passer de l’information tirée des données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni; examinez ensuite les raisons des tendances et développez une présentation autour des constats. Préparez une tâche semblable en séparant les questions : que montrent les données fournies, que reste-t-il à expliquer et que doit retenir le public? Énoncez le livrable final et ses critères de qualité dès le départ pour que l’analyse intermédiaire contribue au même résultat.
Pour l’analyse de données, fournissez un tableau lisible ou une représentation textuelle et expliquez les colonnes, les unités, les catégories et la période. Identifiez les valeurs manquantes ou les enregistrements incohérents et précisez comment les traiter. Un mandat illustratif consiste à vérifier les écarts dans un jeu de données, à décrire ses principaux changements et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des outils connectés effectuent des calculs ou du traitement de fichiers, retournez leurs résultats réels au modèle. Gardez les éléments numériques distincts d’une explication narrative et demandez-lui de signaler une cause proposée que les données seules n’établissent pas.
Pour la recherche et les rapports, fournissez le matériel déjà recueilli, les questions restantes et le public visé. Demandez une structure qui relie chaque affirmation à des éléments probants, distingue les observations des hypothèses et garde les problèmes non résolus visibles. Pour une présentation, définissez le récit, la longueur souhaitée et le but de chaque section. Une sortie écrite utile peut comprendre les titres de diapositives, les arguments clés, les faits justificatifs et des notes sur le visuel qui aiderait à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils qui l’entourent gèrent la création de fichiers, la mise en page et l’exportation.
Le fabricant sépare explicitement une réponse directe du modèle du processus de bureau complet. Son processus de bureau complet utilise un environnement d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent des fichiers, exécutent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un but clair et retournez les résultats de ces opérations afin qu’il puisse poursuivre à partir de l’état actuel. Un plan ou une instruction générés constituent une contribution au livrable plutôt qu’une preuve que le fichier terminé existe déjà.
Le processus d’image documenté combine une question textuelle avec une ou plusieurs images, y compris un exemple de comparaison de deux images. Utilisez un graphique clair, une image de document ou une capture d’écran et dites ce qui importe : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer des images dont le côté le plus long ne dépasse pas 2 048 pixels; il s’agit de recommandations de préparation des entrées, plutôt que d’une affirmation selon laquelle de plus grandes dimensions définissent la limite visuelle théorique du modèle. Gardez les étiquettes lisibles et incluez les unités ou les règles contextuelles dans le texte lorsqu’elles ne peuvent pas être lues de façon fiable dans l’image.
La référence de SenseTime distingue le contenu de raisonnement de la réponse écrite finale et documente un budget de sortie qui comprend les deux. Pour une tâche de bureau importante, rendez le livrable demandé concret et prévoyez de la place pour le raisonnement ainsi que pour le contenu final. Dans une conversation qui se poursuit, conservez les messages utilisateur pertinents et le contenu final de l’assistant dans l’ordre chronologique; le producteur demande aux applications de ne pas renvoyer le champ de raisonnement antérieur comme historique de conversation. Pour les longs historiques, conservez les faits et les décisions dont l’étape suivante a réellement besoin.
Flash-Lite est le modèle nommé pour ce processus, tandis que la génération de fichiers terminés et les sorties visuelles spécialisées dépendent de l’environnement connecté et des outils pertinents. Vérifiez les calculs, les détails extraits des images et les affirmations des rapports par rapport au matériel d’origine. Définissez la fin selon le contenu demandé et le livrable réel, afin qu’une explication fluide demeure liée aux éléments probants et à un résultat utilisable.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sensenova-6.7-flash-lite | 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 $0.001892 / 1K jetons Sortie · Jetons en sortie $0.005676 / 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": "sensenova-6.7-flash-lite", "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='sensenova-6.7-flash-lite',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='sensenova-6.7-flash-lite',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 sensenova-6.7-flash-lite
Utilisez les chemins de méthode indiqués ci-dessus.
sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite est le modèle multimodal de SenseTime pour les tâches soutenues de bureau et d’analyse. Il interprète le texte et les images, aide à organiser le contenu de recherche et de rapports et participe à des processus assistés par outils qui transforment l’analyse en livrable.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
SenseNova 6.7 Flash-Lite est le modèle d’agent multimodal léger de SenseTime pour le travail de bureau. Le producteur met l’accent sur les tâches soutenues de planification, d’analyse de données, de recherche et de livraison de contenu. Il accepte le texte et les images et retourne du contenu écrit, ce qui le rend utile pour comprendre les contenus professionnels et décider comment les transformer en analyse, rapport ou présentation. Son rôle est de relier la tâche, les éléments probants et la prochaine étape utile d’un processus plus long.
Un processus pratique de bureau peut passer de l’information tirée des données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni; examinez ensuite les raisons des tendances et développez une présentation autour des constats. Préparez une tâche semblable en séparant les questions : que montrent les données fournies, que reste-t-il à expliquer et que doit retenir le public? Énoncez le livrable final et ses critères de qualité dès le départ pour que l’analyse intermédiaire contribue au même résultat.
Pour l’analyse de données, fournissez un tableau lisible ou une représentation textuelle et expliquez les colonnes, les unités, les catégories et la période. Identifiez les valeurs manquantes ou les enregistrements incohérents et précisez comment les traiter. Un mandat illustratif consiste à vérifier les écarts dans un jeu de données, à décrire ses principaux changements et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des outils connectés effectuent des calculs ou du traitement de fichiers, retournez leurs résultats réels au modèle. Gardez les éléments numériques distincts d’une explication narrative et demandez-lui de signaler une cause proposée que les données seules n’établissent pas.
Pour la recherche et les rapports, fournissez le matériel déjà recueilli, les questions restantes et le public visé. Demandez une structure qui relie chaque affirmation à des éléments probants, distingue les observations des hypothèses et garde les problèmes non résolus visibles. Pour une présentation, définissez le récit, la longueur souhaitée et le but de chaque section. Une sortie écrite utile peut comprendre les titres de diapositives, les arguments clés, les faits justificatifs et des notes sur le visuel qui aiderait à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils qui l’entourent gèrent la création de fichiers, la mise en page et l’exportation.
Le fabricant sépare explicitement une réponse directe du modèle du processus de bureau complet. Son processus de bureau complet utilise un environnement d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent des fichiers, exécutent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un but clair et retournez les résultats de ces opérations afin qu’il puisse poursuivre à partir de l’état actuel. Un plan ou une instruction générés constituent une contribution au livrable plutôt qu’une preuve que le fichier terminé existe déjà.
Le processus d’image documenté combine une question textuelle avec une ou plusieurs images, y compris un exemple de comparaison de deux images. Utilisez un graphique clair, une image de document ou une capture d’écran et dites ce qui importe : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer des images dont le côté le plus long ne dépasse pas 2 048 pixels; il s’agit de recommandations de préparation des entrées, plutôt que d’une affirmation selon laquelle de plus grandes dimensions définissent la limite visuelle théorique du modèle. Gardez les étiquettes lisibles et incluez les unités ou les règles contextuelles dans le texte lorsqu’elles ne peuvent pas être lues de façon fiable dans l’image.
La référence de SenseTime distingue le contenu de raisonnement de la réponse écrite finale et documente un budget de sortie qui comprend les deux. Pour une tâche de bureau importante, rendez le livrable demandé concret et prévoyez de la place pour le raisonnement ainsi que pour le contenu final. Dans une conversation qui se poursuit, conservez les messages utilisateur pertinents et le contenu final de l’assistant dans l’ordre chronologique; le producteur demande aux applications de ne pas renvoyer le champ de raisonnement antérieur comme historique de conversation. Pour les longs historiques, conservez les faits et les décisions dont l’étape suivante a réellement besoin.
Flash-Lite est le modèle nommé pour ce processus, tandis que la génération de fichiers terminés et les sorties visuelles spécialisées dépendent de l’environnement connecté et des outils pertinents. Vérifiez les calculs, les détails extraits des images et les affirmations des rapports par rapport au matériel d’origine. Définissez la fin selon le contenu demandé et le livrable réel, afin qu’une explication fluide demeure liée aux éléments probants et à un résultat utilisable.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sensenova-6.7-flash-lite | 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 $0.001892 / 1K jetons Sortie · Jetons en sortie $0.005676 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'sensenova-6.7-flash-lite', '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': 'sensenova-6.7-flash-lite', '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 sensenova-6.7-flash-lite
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.