SenseNova 6.7 Flash-Lite est le modèle léger d’agent multimodal de SenseTime pour le travail bureautique. Le producteur met l’accent sur les tâches soutenues impliquant la planification, l’analyse de données, la recherche et la livraison de contenu. Il accepte du texte et des images et renvoie du contenu écrit, ce qui le rend utile pour comprendre des documents de bureau et décider comment les transformer en analyse, en rapport ou en présentation. Son rôle est de relier la tâche, les éléments probants et l’étape utile suivante dans un processus plus long.
Un processus bureautique pratique peut passer de l’analyse de données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni ; étudiez ensuite les raisons derrière les tendances et développez une présentation autour des constats. Préparez une tâche similaire en séparant les questions : que montrent les données fournies, qu’est-ce qui nécessite encore une explication et que doit retenir le public ? Précisez le livrable final et ses critères de qualité dès le départ afin 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. Une consigne illustrative consiste à vérifier les écarts dans un jeu de données, à décrire ses principales évolutions et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des calculs ou des traitements de fichiers sont effectués par des outils connectés, renvoyez leurs résultats réels au modèle. Gardez les éléments numériques probants séparés de l’explication narrative, et demandez-lui de signaler une cause proposée qui n’est pas établie par les seules données.
Pour la recherche et les rapports, fournissez les contenus déjà recueillis, 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 fil narratif, la longueur souhaitée et l’objectif de chaque section. Un résultat écrit utile peut être constitué de titres de diapositives, d’arguments clés, de faits justificatifs et de notes sur les visuels qui aideraient à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils environnants s’occupent de la construction du fichier, de la mise en page et de l’exportation.
Le fabricant sépare explicitement une réponse directe du modèle du processus bureautique complet. Son processus bureautique complet utilise un moteur d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent les fichiers, effectuent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un objectif clair et renvoyez les résultats de ces opérations pour qu’il puisse poursuivre depuis l’état actuel. Un plan ou une instruction générée contribue au livrable, au lieu de prouver que le fichier terminé existe déjà.
Le processus d’image documenté associe une question textuelle à une ou plusieurs images, avec notamment un exemple comparant deux images. Utilisez un graphique, une image de document ou une capture d’écran claire et indiquez ce qui compte : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer les images avec un grand côté d’au plus 2 048 pixels ; il s’agit d’une recommandation de préparation des entrées, et non d’une affirmation selon laquelle des dimensions supérieures définissent la limite visuelle théorique du modèle. Gardez les libellés lisibles et incluez les unités ou les règles de contexte dans le texte lorsqu’elles ne peuvent pas être lues de manière 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 bureautique 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 pertinents de l’utilisateur 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 historiques longs, préservez 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 du rapport dans les contenus d’origine. Définissez l’achèvement en termes de contenus demandés et de livrable réel, afin qu’une explication fluide reste reliée aux éléments probants et à un résultat utilisable.
", "aboutText": "SenseNova 6.7 Flash-Lite est le modèle léger d’agent multimodal de SenseTime pour le travail bureautique. Le producteur met l’accent sur les tâches soutenues impliquant la planification, l’analyse de données, la recherche et la livraison de contenu. Il accepte du texte et des images et renvoie du contenu écrit, ce qui le rend utile pour comprendre des documents de bureau et décider comment les transformer en analyse, en rapport ou en présentation. Son rôle est de relier la tâche, les éléments probants et l’étape utile suivante dans un processus plus long.\n\nUn processus bureautique pratique peut passer de l’analyse de données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni ; étudiez ensuite les raisons derrière les tendances et développez une présentation autour des constats. Préparez une tâche similaire en séparant les questions : que montrent les données fournies, qu’est-ce qui nécessite encore une explication et que doit retenir le public ? Précisez le livrable final et ses critères de qualité dès le départ afin 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. Une consigne illustrative consiste à vérifier les écarts dans un jeu de données, à décrire ses principales évolutions et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des calculs ou des traitements de fichiers sont effectués par des outils connectés, renvoyez leurs résultats réels au modèle. Gardez les éléments numériques probants séparés de l’explication narrative, et demandez-lui de signaler une cause proposée qui n’est pas établie par les seules données.\n\nPour la recherche et les rapports, fournissez les contenus déjà recueillis, 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 fil narratif, la longueur souhaitée et l’objectif de chaque section. Un résultat écrit utile peut être constitué de titres de diapositives, d’arguments clés, de faits justificatifs et de notes sur les visuels qui aideraient à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils environnants s’occupent de la construction du fichier, de la mise en page et de l’exportation.\n\nLe fabricant sépare explicitement une réponse directe du modèle du processus bureautique complet. Son processus bureautique complet utilise un moteur d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent les fichiers, effectuent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un objectif clair et renvoyez les résultats de ces opérations pour qu’il puisse poursuivre depuis l’état actuel. Un plan ou une instruction générée contribue au livrable, au lieu de prouver que le fichier terminé existe déjà.\n\nLe processus d’image documenté associe une question textuelle à une ou plusieurs images, avec notamment un exemple comparant deux images. Utilisez un graphique, une image de document ou une capture d’écran claire et indiquez ce qui compte : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer les images avec un grand côté d’au plus 2 048 pixels ; il s’agit d’une recommandation de préparation des entrées, et non d’une affirmation selon laquelle des dimensions supérieures définissent la limite visuelle théorique du modèle. Gardez les libellés lisibles et incluez les unités ou les règles de contexte dans le texte lorsqu’elles ne peuvent pas être lues de manière 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 bureautique 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 pertinents de l’utilisateur 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 historiques longs, préservez 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 du rapport dans les contenus d’origine. Définissez l’achèvement en termes de contenus demandés et de livrable réel, afin qu’une explication fluide reste reliée 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 bureautiques et analytiques soutenues. Il interprète le texte et les images, aide à organiser le contenu de recherches et de rapports, et participe à des processus assistés par des 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 léger d’agent multimodal de SenseTime pour le travail bureautique. Le producteur met l’accent sur les tâches soutenues impliquant la planification, l’analyse de données, la recherche et la livraison de contenu. Il accepte du texte et des images et renvoie du contenu écrit, ce qui le rend utile pour comprendre des documents de bureau et décider comment les transformer en analyse, en rapport ou en présentation. Son rôle est de relier la tâche, les éléments probants et l’étape utile suivante dans un processus plus long.
Un processus bureautique pratique peut passer de l’analyse de données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni ; étudiez ensuite les raisons derrière les tendances et développez une présentation autour des constats. Préparez une tâche similaire en séparant les questions : que montrent les données fournies, qu’est-ce qui nécessite encore une explication et que doit retenir le public ? Précisez le livrable final et ses critères de qualité dès le départ afin 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. Une consigne illustrative consiste à vérifier les écarts dans un jeu de données, à décrire ses principales évolutions et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des calculs ou des traitements de fichiers sont effectués par des outils connectés, renvoyez leurs résultats réels au modèle. Gardez les éléments numériques probants séparés de l’explication narrative, et demandez-lui de signaler une cause proposée qui n’est pas établie par les seules données.
Pour la recherche et les rapports, fournissez les contenus déjà recueillis, 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 fil narratif, la longueur souhaitée et l’objectif de chaque section. Un résultat écrit utile peut être constitué de titres de diapositives, d’arguments clés, de faits justificatifs et de notes sur les visuels qui aideraient à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils environnants s’occupent de la construction du fichier, de la mise en page et de l’exportation.
Le fabricant sépare explicitement une réponse directe du modèle du processus bureautique complet. Son processus bureautique complet utilise un moteur d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent les fichiers, effectuent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un objectif clair et renvoyez les résultats de ces opérations pour qu’il puisse poursuivre depuis l’état actuel. Un plan ou une instruction générée contribue au livrable, au lieu de prouver que le fichier terminé existe déjà.
Le processus d’image documenté associe une question textuelle à une ou plusieurs images, avec notamment un exemple comparant deux images. Utilisez un graphique, une image de document ou une capture d’écran claire et indiquez ce qui compte : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer les images avec un grand côté d’au plus 2 048 pixels ; il s’agit d’une recommandation de préparation des entrées, et non d’une affirmation selon laquelle des dimensions supérieures définissent la limite visuelle théorique du modèle. Gardez les libellés lisibles et incluez les unités ou les règles de contexte dans le texte lorsqu’elles ne peuvent pas être lues de manière 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 bureautique 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 pertinents de l’utilisateur 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 historiques longs, préservez 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 du rapport dans les contenus d’origine. Définissez l’achèvement en termes de contenus demandés et de livrable réel, afin qu’une explication fluide reste reliée 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’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 $0.001892 / 1K tokens Sortie · Tokens en sortie $0.005676 / 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": "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, 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 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 bureautiques et analytiques soutenues. Il interprète le texte et les images, aide à organiser le contenu de recherches et de rapports, et participe à des processus assistés par des 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 léger d’agent multimodal de SenseTime pour le travail bureautique. Le producteur met l’accent sur les tâches soutenues impliquant la planification, l’analyse de données, la recherche et la livraison de contenu. Il accepte du texte et des images et renvoie du contenu écrit, ce qui le rend utile pour comprendre des documents de bureau et décider comment les transformer en analyse, en rapport ou en présentation. Son rôle est de relier la tâche, les éléments probants et l’étape utile suivante dans un processus plus long.
Un processus bureautique pratique peut passer de l’analyse de données à la recherche, puis à la livraison de contenu. Analysez d’abord un jeu de données fourni ; étudiez ensuite les raisons derrière les tendances et développez une présentation autour des constats. Préparez une tâche similaire en séparant les questions : que montrent les données fournies, qu’est-ce qui nécessite encore une explication et que doit retenir le public ? Précisez le livrable final et ses critères de qualité dès le départ afin 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. Une consigne illustrative consiste à vérifier les écarts dans un jeu de données, à décrire ses principales évolutions et à préparer une conclusion liée aux lignes ou catégories pertinentes. Si des calculs ou des traitements de fichiers sont effectués par des outils connectés, renvoyez leurs résultats réels au modèle. Gardez les éléments numériques probants séparés de l’explication narrative, et demandez-lui de signaler une cause proposée qui n’est pas établie par les seules données.
Pour la recherche et les rapports, fournissez les contenus déjà recueillis, 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 fil narratif, la longueur souhaitée et l’objectif de chaque section. Un résultat écrit utile peut être constitué de titres de diapositives, d’arguments clés, de faits justificatifs et de notes sur les visuels qui aideraient à expliquer un point. Le modèle peut organiser ce contenu pendant que les outils environnants s’occupent de la construction du fichier, de la mise en page et de l’exportation.
Le fabricant sépare explicitement une réponse directe du modèle du processus bureautique complet. Son processus bureautique complet utilise un moteur d’exécution d’agents et la bibliothèque officielle de compétences avec le modèle. Ces composants lisent et manipulent les fichiers, effectuent des opérations et créent la présentation ou le rapport réel. Donnez au modèle un objectif clair et renvoyez les résultats de ces opérations pour qu’il puisse poursuivre depuis l’état actuel. Un plan ou une instruction générée contribue au livrable, au lieu de prouver que le fichier terminé existe déjà.
Le processus d’image documenté associe une question textuelle à une ou plusieurs images, avec notamment un exemple comparant deux images. Utilisez un graphique, une image de document ou une capture d’écran claire et indiquez ce qui compte : le changement à expliquer, les valeurs visibles à comparer ou la partie d’une page à interpréter. SenseTime recommande de préparer les images avec un grand côté d’au plus 2 048 pixels ; il s’agit d’une recommandation de préparation des entrées, et non d’une affirmation selon laquelle des dimensions supérieures définissent la limite visuelle théorique du modèle. Gardez les libellés lisibles et incluez les unités ou les règles de contexte dans le texte lorsqu’elles ne peuvent pas être lues de manière 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 bureautique 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 pertinents de l’utilisateur 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 historiques longs, préservez 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 du rapport dans les contenus d’origine. Définissez l’achèvement en termes de contenus demandés et de livrable réel, afin qu’une explication fluide reste reliée 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.001892 / 1K tokens Sortie · Tokens en sortie $0.005676 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 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.