SenseChat-Turbo est l’option légère de dialogue général dans la gamme de modèles SenseNova de SenseTime. Le concepteur le destine aux réponses rapides aux questions 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, identifier l’idée d’un passage ou poursuivre une conversation ciblée.
Indiquez ce que la réponse doit accomplir et incluez les informations nécessaires pour la produire. Pour une explication destinée à un client, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte original, le public et le ton souhaité. Séparez le contenu à analyser des instructions sur la présentation du résultat.
Une consigne utile est : « Utilise l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis liste les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une réponse courte est plus facile à utiliser lorsqu’elle traite un problème clair au lieu de mélanger plusieurs objectifs sans lien.
Le processus de conversation textuelle du producteur utilise des messages identifiés par rôle et prend en charge une succession de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’une question de suivi y fait référence, ainsi que tout fait ou toute contrainte encore pertinent. Dans un processus sans historique de conversation conservé sur le serveur, l’application fournit l’historique pertinent avec la requête suivante.
Pour un échange d’assistance qui se poursuit, préservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante parte de cet état. Retirez le contenu sans rapport qui détourne de la tâche actuelle, et réservez de la place pour la réponse dans la configuration utilisée pour la conversation.
SenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour une 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 peuvent 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 visée avant de considérer leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité ; le processus d’adaptation environnant détermine comment les exemples sont utilisés.
Les interfaces de conversation du concepteur prennent en charge le texte complet et le texte en streaming. Une réponse complète donne la réponse en un seul résultat ; un flux fournit des portions successives que l’application assemble. Conservez la réponse terminée pour la vérifier ou la réutiliser, au lieu de juger la tâche uniquement sur les premiers mots visibles.
Pour l’extraction ou la classification, vérifiez les champs ou les libellés réels par rapport à la source. Pour une reformulation, comparez le texte obtenu à l’original pour vérifier que 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 de personnages et les modèles de vision ou de fusion des modalités possèdent 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, qu’il s’agisse d’une réponse à un message, d’un paragraphe révisé, d’une liste de champs ou d’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 l’option légère de dialogue général dans la gamme de modèles SenseNova de SenseTime. Le concepteur le destine aux réponses rapides aux questions 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, identifier l’idée d’un passage ou poursuivre une conversation ciblée.\n\n### Donnez au modèle une demande précise\n\nIndiquez ce que la réponse doit accomplir et incluez les informations nécessaires pour la produire. Pour une explication destinée à un client, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte original, le public et le ton souhaité. Séparez le contenu à analyser des instructions sur la présentation du résultat.\n\nUne consigne utile est : « Utilise l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis liste les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une réponse courte est plus facile à utiliser lorsqu’elle traite un problème clair au lieu de mélanger plusieurs objectifs sans lien.\n\n### Gardez un contexte de conversation pertinent\n\nLe processus de conversation textuelle du producteur utilise des messages identifiés par rôle et prend en charge une succession de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’une question de suivi y fait référence, ainsi que tout fait ou toute contrainte encore pertinent. Dans un processus sans historique de conversation conservé sur le serveur, l’application fournit l’historique pertinent avec la requête suivante.\n\nPour un échange d’assistance qui se poursuit, préservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante parte de cet état. Retirez le contenu sans rapport qui détourne de la tâche actuelle, et réservez de la place pour 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 une 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 peuvent 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 visée avant de considérer leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité ; le processus d’adaptation environnant détermine comment les exemples sont utilisés.\n\n### Réponses complètes et en streaming\n\nLes interfaces de conversation du concepteur prennent en charge le texte complet et le texte en streaming. Une réponse complète donne la réponse en un seul résultat ; un flux fournit des portions successives que l’application assemble. Conservez la réponse terminée pour la vérifier ou la réutiliser, au lieu de juger la tâche uniquement sur les premiers mots visibles.\n\nPour l’extraction ou la classification, vérifiez les champs ou les libellés réels par rapport à la source. Pour une reformulation, comparez le texte obtenu à l’original pour vérifier que 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 de personnages et les modèles de vision ou de fusion des modalités possèdent 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, qu’il s’agisse d’une réponse à un message, d’un paragraphe révisé, d’une liste de champs ou d’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 requêtes concises, gardez le dialogue pertinent ensemble et vérifiez la réponse complète 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 l’option légère de dialogue général dans la gamme de modèles SenseNova de SenseTime. Le concepteur le destine aux réponses rapides aux questions 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, identifier l’idée d’un passage ou poursuivre une conversation ciblée.
Indiquez ce que la réponse doit accomplir et incluez les informations nécessaires pour la produire. Pour une explication destinée à un client, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte original, le public et le ton souhaité. Séparez le contenu à analyser des instructions sur la présentation du résultat.
Une consigne utile est : « Utilise l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis liste les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une réponse courte est plus facile à utiliser lorsqu’elle traite un problème clair au lieu de mélanger plusieurs objectifs sans lien.
Le processus de conversation textuelle du producteur utilise des messages identifiés par rôle et prend en charge une succession de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’une question de suivi y fait référence, ainsi que tout fait ou toute contrainte encore pertinent. Dans un processus sans historique de conversation conservé sur le serveur, l’application fournit l’historique pertinent avec la requête suivante.
Pour un échange d’assistance qui se poursuit, préservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante parte de cet état. Retirez le contenu sans rapport qui détourne de la tâche actuelle, et réservez de la place pour la réponse dans la configuration utilisée pour la conversation.
SenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour une 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 peuvent 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 visée avant de considérer leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité ; le processus d’adaptation environnant détermine comment les exemples sont utilisés.
Les interfaces de conversation du concepteur prennent en charge le texte complet et le texte en streaming. Une réponse complète donne la réponse en un seul résultat ; un flux fournit des portions successives que l’application assemble. Conservez la réponse terminée pour la vérifier ou la réutiliser, au lieu de juger la tâche uniquement sur les premiers mots visibles.
Pour l’extraction ou la classification, vérifiez les champs ou les libellés réels par rapport à la source. Pour une reformulation, comparez le texte obtenu à l’original pour vérifier que 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 de personnages et les modèles de vision ou de fusion des modalités possèdent 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, qu’il s’agisse d’une réponse à un message, d’un paragraphe révisé, d’une liste de champs ou d’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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00154 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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 requêtes concises, gardez le dialogue pertinent ensemble et vérifiez la réponse complète 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 l’option légère de dialogue général dans la gamme de modèles SenseNova de SenseTime. Le concepteur le destine aux réponses rapides aux questions 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, identifier l’idée d’un passage ou poursuivre une conversation ciblée.
Indiquez ce que la réponse doit accomplir et incluez les informations nécessaires pour la produire. Pour une explication destinée à un client, fournissez les faits pertinents sur le produit et demandez une réponse concise à la question réelle. Pour une reformulation, donnez le texte original, le public et le ton souhaité. Séparez le contenu à analyser des instructions sur la présentation du résultat.
Une consigne utile est : « Utilise l’extrait de politique fourni pour expliquer quelle étape s’applique à cette situation, puis liste les informations encore nécessaires. » Le texte obtenu doit distinguer une réponse étayée d’une question que l’extrait ne résout pas. Une réponse courte est plus facile à utiliser lorsqu’elle traite un problème clair au lieu de mélanger plusieurs objectifs sans lien.
Le processus de conversation textuelle du producteur utilise des messages identifiés par rôle et prend en charge une succession de demandes de l’utilisateur et de réponses de l’assistant. Conservez le tour précédent lorsqu’une question de suivi y fait référence, ainsi que tout fait ou toute contrainte encore pertinent. Dans un processus sans historique de conversation conservé sur le serveur, l’application fournit l’historique pertinent avec la requête suivante.
Pour un échange d’assistance qui se poursuit, préservez la question déjà clarifiée et l’observation fournie par l’utilisateur. Demandez que la réponse suivante parte de cet état. Retirez le contenu sans rapport qui détourne de la tâche actuelle, et réservez de la place pour la réponse dans la configuration utilisée pour la conversation.
SenseTime inclut les scénarios d’ajustement de modèles dans le positionnement de Turbo. Pour une 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 peuvent 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 visée avant de considérer leur formulation comme un modèle à répéter. Cette préparation décrit le comportement de dialogue souhaité ; le processus d’adaptation environnant détermine comment les exemples sont utilisés.
Les interfaces de conversation du concepteur prennent en charge le texte complet et le texte en streaming. Une réponse complète donne la réponse en un seul résultat ; un flux fournit des portions successives que l’application assemble. Conservez la réponse terminée pour la vérifier ou la réutiliser, au lieu de juger la tâche uniquement sur les premiers mots visibles.
Pour l’extraction ou la classification, vérifiez les champs ou les libellés réels par rapport à la source. Pour une reformulation, comparez le texte obtenu à l’original pour vérifier que 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 de personnages et les modèles de vision ou de fusion des modalités possèdent 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, qu’il s’agisse d’une réponse à un message, d’un paragraphe révisé, d’une liste de champs ou d’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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00154 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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.