Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small adalah model Inference.net yang berorientasi kualitas ekstraksi untuk mengubah HTML menjadi JSON yang mengikuti skema. Produsen mengembangkannya untuk skema kompleks dan halaman panjang, dengan peran beban kerja berbeda dari V2 Turbo yang berfokus pada throughput. Model membaca HTML dan skema pemanggil lalu mengembalikan catatan terstruktur yang sesuai. Tujuannya mengekstrak fakta yang dibutuhkan aplikasi lanjutan, bukan membangkitkan respons percakapan yang luas.
Panduan produsen menyatakan instruksi ekstraksi harus berada dalam skema, bukan prompt sistem atau pengguna berbahasa alami. Tentukan tipe setiap properti dan jelaskan maknanya dalam deskripsi kolom. Objek dan daftar bersarang didukung. Catatan produk, misalnya, dapat membedakan pengenal produk dari nama tampilannya serta mengelompokkan nilai spesifikasi dalam objek tersendiri.
Untuk halaman kompleks, selesaikan makna kolom yang ambigu sebelum meminta ekstraksi. Jelaskan apakah tanggal merujuk pada publikasi, peristiwa, atau revisi, serta bagaimana beberapa nilai sumber perlu direpresentasikan. Gunakan konvensi skema untuk informasi yang tidak tersedia agar model tidak perlu menciptakan nilai demi membuat objek terlihat lengkap. Pembuat mendemonstrasikan model bertipe dan JSON Schema beserta validasi JSON yang dikembalikan.
Prapemrosesan HTML yang disarankan menghapus skrip, gaya, dan isi umum sambil mempertahankan isi relevan. Produsen menyarankan pendekatan konservatif: penghapusan berlebihan dapat menghilangkan informasi yang diperlukan ekstraksi. Pertahankan judul tabel, label bersarang, dan teks di sekitarnya yang menetapkan arti suatu nilai. Pangkas ke wilayah relevan ketika halaman memuat navigasi yang tidak terkait atau materi berulang.
Contoh tugas adalah mengekstrak catatan teknis dari halaman produk dengan beberapa tabel konfigurasi. Masukan perlu mempertahankan tabel mana milik varian mana, dan skema perlu mendeskripsikan varian tertentu atau daftar varian yang diperlukan. JSON hasil kemudian dapat diperiksa terhadap baris sumber tersebut, alih-alih diperlakukan sebagai ringkasan seluruh situs web.
V2 Small menekankan kualitas ekstraksi untuk skema sulit dan HTML panjang. Turbo adalah versi terpisah yang dioptimalkan untuk pemrosesan halaman dengan throughput lebih tinggi. Keduanya berbagi konteks 128K yang didokumentasikan dan alur kerja JSON berdasarkan skema yang ketat dalam keluarga V2. Anggaran konteks memuat masukan dan keluaran yang diminta secara bersama, jadi fokuskan halaman besar seputar catatan yang benar-benar diperlukan tugas.
Objek terstruktur dapat mendukung pemasukan katalog, parsing dokumen, atau lapisan bukti untuk jawaban berbantuan pencarian. Aplikasi memperoleh halaman sumber, memberikan skema, dan memvalidasi keluaran sebelum menggunakannya. Pertahankan pengenal halaman atau keterkaitan sumber dalam alur kerja di sekitarnya. Jika catatan memuat angka, bandingkan satuan dan interpretasi yang dimaksud dengan sumber.
Kepatuhan skema menetapkan bentuk hasil; kepatuhan tersebut tidak secara mandiri memverifikasi setiap fakta hasil ekstraksi. Tinjau catatan representatif terhadap HTML asli dan tentukan penanganan informasi yang bertentangan atau tidak tersedia. V2 Small tetap merupakan rilis bernama tersendiri, terpisah dari checkpoint bobot terbuka V1. Antarmukanya yang didokumentasikan adalah ekstraksi HTML-ke-JSON dan tidak menyiratkan masukan gambar, percakapan umum, akses web otomatis, atau alur eksekusi alat bawaan.
", "aboutText": "Schematron V2 Small adalah model Inference.net yang berorientasi kualitas ekstraksi untuk mengubah HTML menjadi JSON yang mengikuti skema. Produsen mengembangkannya untuk skema kompleks dan halaman panjang, dengan peran beban kerja berbeda dari V2 Turbo yang berfokus pada throughput. Model membaca HTML dan skema pemanggil lalu mengembalikan catatan terstruktur yang sesuai. Tujuannya mengekstrak fakta yang dibutuhkan aplikasi lanjutan, bukan membangkitkan respons percakapan yang luas.\n\n### Skema sebagai spesifikasi tugas\n\nPanduan produsen menyatakan instruksi ekstraksi harus berada dalam skema, bukan prompt sistem atau pengguna berbahasa alami. Tentukan tipe setiap properti dan jelaskan maknanya dalam deskripsi kolom. Objek dan daftar bersarang didukung. Catatan produk, misalnya, dapat membedakan pengenal produk dari nama tampilannya serta mengelompokkan nilai spesifikasi dalam objek tersendiri.\n\nUntuk halaman kompleks, selesaikan makna kolom yang ambigu sebelum meminta ekstraksi. Jelaskan apakah tanggal merujuk pada publikasi, peristiwa, atau revisi, serta bagaimana beberapa nilai sumber perlu direpresentasikan. Gunakan konvensi skema untuk informasi yang tidak tersedia agar model tidak perlu menciptakan nilai demi membuat objek terlihat lengkap. Pembuat mendemonstrasikan model bertipe dan JSON Schema beserta validasi JSON yang dikembalikan.\n\n### Menyiapkan dokumen panjang\n\nPrapemrosesan HTML yang disarankan menghapus skrip, gaya, dan isi umum sambil mempertahankan isi relevan. Produsen menyarankan pendekatan konservatif: penghapusan berlebihan dapat menghilangkan informasi yang diperlukan ekstraksi. Pertahankan judul tabel, label bersarang, dan teks di sekitarnya yang menetapkan arti suatu nilai. Pangkas ke wilayah relevan ketika halaman memuat navigasi yang tidak terkait atau materi berulang.\n\nContoh tugas adalah mengekstrak catatan teknis dari halaman produk dengan beberapa tabel konfigurasi. Masukan perlu mempertahankan tabel mana milik varian mana, dan skema perlu mendeskripsikan varian tertentu atau daftar varian yang diperlukan. JSON hasil kemudian dapat diperiksa terhadap baris sumber tersebut, alih-alih diperlakukan sebagai ringkasan seluruh situs web.\n\n### Small dan Turbo merupakan pilihan terpisah\n\nV2 Small menekankan kualitas ekstraksi untuk skema sulit dan HTML panjang. Turbo adalah versi terpisah yang dioptimalkan untuk pemrosesan halaman dengan throughput lebih tinggi. Keduanya berbagi konteks 128K yang didokumentasikan dan alur kerja JSON berdasarkan skema yang ketat dalam keluarga V2. Anggaran konteks memuat masukan dan keluaran yang diminta secara bersama, jadi fokuskan halaman besar seputar catatan yang benar-benar diperlukan tugas.\n\n### Dari ekstraksi ke data aplikasi\n\nObjek terstruktur dapat mendukung pemasukan katalog, parsing dokumen, atau lapisan bukti untuk jawaban berbantuan pencarian. Aplikasi memperoleh halaman sumber, memberikan skema, dan memvalidasi keluaran sebelum menggunakannya. Pertahankan pengenal halaman atau keterkaitan sumber dalam alur kerja di sekitarnya. Jika catatan memuat angka, bandingkan satuan dan interpretasi yang dimaksud dengan sumber.\n\nKepatuhan skema menetapkan bentuk hasil; kepatuhan tersebut tidak secara mandiri memverifikasi setiap fakta hasil ekstraksi. Tinjau catatan representatif terhadap HTML asli dan tentukan penanganan informasi yang bertentangan atau tidak tersedia. V2 Small tetap merupakan rilis bernama tersendiri, terpisah dari checkpoint bobot terbuka V1. Antarmukanya yang didokumentasikan adalah ekstraksi HTML-ke-JSON dan tidak menyiratkan masukan gambar, percakapan umum, akses web otomatis, atau alur eksekusi alat bawaan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.inference-net/schematron-v2-smallSchematron V2 Small mengekstrak fakta yang ditentukan skema dari HTML yang diberikan menjadi JSON bertipe. Model ini adalah pilihan V2 yang berorientasi kualitas untuk skema kompleks dan halaman panjang, dengan konteks produsen 128K, catatan bersarang, dan deskripsi kolom yang menentukan data untuk dikembalikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Schematron V2 Small adalah model Inference.net yang berorientasi kualitas ekstraksi untuk mengubah HTML menjadi JSON yang mengikuti skema. Produsen mengembangkannya untuk skema kompleks dan halaman panjang, dengan peran beban kerja berbeda dari V2 Turbo yang berfokus pada throughput. Model membaca HTML dan skema pemanggil lalu mengembalikan catatan terstruktur yang sesuai. Tujuannya mengekstrak fakta yang dibutuhkan aplikasi lanjutan, bukan membangkitkan respons percakapan yang luas.
Panduan produsen menyatakan instruksi ekstraksi harus berada dalam skema, bukan prompt sistem atau pengguna berbahasa alami. Tentukan tipe setiap properti dan jelaskan maknanya dalam deskripsi kolom. Objek dan daftar bersarang didukung. Catatan produk, misalnya, dapat membedakan pengenal produk dari nama tampilannya serta mengelompokkan nilai spesifikasi dalam objek tersendiri.
Untuk halaman kompleks, selesaikan makna kolom yang ambigu sebelum meminta ekstraksi. Jelaskan apakah tanggal merujuk pada publikasi, peristiwa, atau revisi, serta bagaimana beberapa nilai sumber perlu direpresentasikan. Gunakan konvensi skema untuk informasi yang tidak tersedia agar model tidak perlu menciptakan nilai demi membuat objek terlihat lengkap. Pembuat mendemonstrasikan model bertipe dan JSON Schema beserta validasi JSON yang dikembalikan.
Prapemrosesan HTML yang disarankan menghapus skrip, gaya, dan isi umum sambil mempertahankan isi relevan. Produsen menyarankan pendekatan konservatif: penghapusan berlebihan dapat menghilangkan informasi yang diperlukan ekstraksi. Pertahankan judul tabel, label bersarang, dan teks di sekitarnya yang menetapkan arti suatu nilai. Pangkas ke wilayah relevan ketika halaman memuat navigasi yang tidak terkait atau materi berulang.
Contoh tugas adalah mengekstrak catatan teknis dari halaman produk dengan beberapa tabel konfigurasi. Masukan perlu mempertahankan tabel mana milik varian mana, dan skema perlu mendeskripsikan varian tertentu atau daftar varian yang diperlukan. JSON hasil kemudian dapat diperiksa terhadap baris sumber tersebut, alih-alih diperlakukan sebagai ringkasan seluruh situs web.
V2 Small menekankan kualitas ekstraksi untuk skema sulit dan HTML panjang. Turbo adalah versi terpisah yang dioptimalkan untuk pemrosesan halaman dengan throughput lebih tinggi. Keduanya berbagi konteks 128K yang didokumentasikan dan alur kerja JSON berdasarkan skema yang ketat dalam keluarga V2. Anggaran konteks memuat masukan dan keluaran yang diminta secara bersama, jadi fokuskan halaman besar seputar catatan yang benar-benar diperlukan tugas.
Objek terstruktur dapat mendukung pemasukan katalog, parsing dokumen, atau lapisan bukti untuk jawaban berbantuan pencarian. Aplikasi memperoleh halaman sumber, memberikan skema, dan memvalidasi keluaran sebelum menggunakannya. Pertahankan pengenal halaman atau keterkaitan sumber dalam alur kerja di sekitarnya. Jika catatan memuat angka, bandingkan satuan dan interpretasi yang dimaksud dengan sumber.
Kepatuhan skema menetapkan bentuk hasil; kepatuhan tersebut tidak secara mandiri memverifikasi setiap fakta hasil ekstraksi. Tinjau catatan representatif terhadap HTML asli dan tentukan penanganan informasi yang bertentangan atau tidak tersedia. V2 Small tetap merupakan rilis bernama tersendiri, terpisah dari checkpoint bobot terbuka V1. Antarmukanya yang didokumentasikan adalah ekstraksi HTML-ke-JSON dan tidak menyiratkan masukan gambar, percakapan umum, akses web otomatis, atau alur eksekusi alat bawaan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan inference-net/schematron-v2-small | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0001 / 1K token Keluaran · Token keluaran $0.00046 / 1K token Masukan · Pembacaan cache $0.0001 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0001 / 1K token Keluaran · Token keluaran $0.00046 / 1K token Masukan · Pembacaan cache $0.0001 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inference-net/schematron-v2-small", "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='inference-net/schematron-v2-small',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='inference-net/schematron-v2-small',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra inference-net/schematron-v2-small
Gunakan jalur metode yang ditampilkan di atas.
inference-net/schematron-v2-smallSchematron V2 Small mengekstrak fakta yang ditentukan skema dari HTML yang diberikan menjadi JSON bertipe. Model ini adalah pilihan V2 yang berorientasi kualitas untuk skema kompleks dan halaman panjang, dengan konteks produsen 128K, catatan bersarang, dan deskripsi kolom yang menentukan data untuk dikembalikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Schematron V2 Small adalah model Inference.net yang berorientasi kualitas ekstraksi untuk mengubah HTML menjadi JSON yang mengikuti skema. Produsen mengembangkannya untuk skema kompleks dan halaman panjang, dengan peran beban kerja berbeda dari V2 Turbo yang berfokus pada throughput. Model membaca HTML dan skema pemanggil lalu mengembalikan catatan terstruktur yang sesuai. Tujuannya mengekstrak fakta yang dibutuhkan aplikasi lanjutan, bukan membangkitkan respons percakapan yang luas.
Panduan produsen menyatakan instruksi ekstraksi harus berada dalam skema, bukan prompt sistem atau pengguna berbahasa alami. Tentukan tipe setiap properti dan jelaskan maknanya dalam deskripsi kolom. Objek dan daftar bersarang didukung. Catatan produk, misalnya, dapat membedakan pengenal produk dari nama tampilannya serta mengelompokkan nilai spesifikasi dalam objek tersendiri.
Untuk halaman kompleks, selesaikan makna kolom yang ambigu sebelum meminta ekstraksi. Jelaskan apakah tanggal merujuk pada publikasi, peristiwa, atau revisi, serta bagaimana beberapa nilai sumber perlu direpresentasikan. Gunakan konvensi skema untuk informasi yang tidak tersedia agar model tidak perlu menciptakan nilai demi membuat objek terlihat lengkap. Pembuat mendemonstrasikan model bertipe dan JSON Schema beserta validasi JSON yang dikembalikan.
Prapemrosesan HTML yang disarankan menghapus skrip, gaya, dan isi umum sambil mempertahankan isi relevan. Produsen menyarankan pendekatan konservatif: penghapusan berlebihan dapat menghilangkan informasi yang diperlukan ekstraksi. Pertahankan judul tabel, label bersarang, dan teks di sekitarnya yang menetapkan arti suatu nilai. Pangkas ke wilayah relevan ketika halaman memuat navigasi yang tidak terkait atau materi berulang.
Contoh tugas adalah mengekstrak catatan teknis dari halaman produk dengan beberapa tabel konfigurasi. Masukan perlu mempertahankan tabel mana milik varian mana, dan skema perlu mendeskripsikan varian tertentu atau daftar varian yang diperlukan. JSON hasil kemudian dapat diperiksa terhadap baris sumber tersebut, alih-alih diperlakukan sebagai ringkasan seluruh situs web.
V2 Small menekankan kualitas ekstraksi untuk skema sulit dan HTML panjang. Turbo adalah versi terpisah yang dioptimalkan untuk pemrosesan halaman dengan throughput lebih tinggi. Keduanya berbagi konteks 128K yang didokumentasikan dan alur kerja JSON berdasarkan skema yang ketat dalam keluarga V2. Anggaran konteks memuat masukan dan keluaran yang diminta secara bersama, jadi fokuskan halaman besar seputar catatan yang benar-benar diperlukan tugas.
Objek terstruktur dapat mendukung pemasukan katalog, parsing dokumen, atau lapisan bukti untuk jawaban berbantuan pencarian. Aplikasi memperoleh halaman sumber, memberikan skema, dan memvalidasi keluaran sebelum menggunakannya. Pertahankan pengenal halaman atau keterkaitan sumber dalam alur kerja di sekitarnya. Jika catatan memuat angka, bandingkan satuan dan interpretasi yang dimaksud dengan sumber.
Kepatuhan skema menetapkan bentuk hasil; kepatuhan tersebut tidak secara mandiri memverifikasi setiap fakta hasil ekstraksi. Tinjau catatan representatif terhadap HTML asli dan tentukan penanganan informasi yang bertentangan atau tidak tersedia. V2 Small tetap merupakan rilis bernama tersendiri, terpisah dari checkpoint bobot terbuka V1. Antarmukanya yang didokumentasikan adalah ekstraksi HTML-ke-JSON dan tidak menyiratkan masukan gambar, percakapan umum, akses web otomatis, atau alur eksekusi alat bawaan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan inference-net/schematron-v2-small | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0001 / 1K token Keluaran · Token keluaran $0.00046 / 1K token Masukan · Pembacaan cache $0.0001 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0001 / 1K token Keluaran · Token keluaran $0.00046 / 1K token Masukan · Pembacaan cache $0.0001 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inference-net/schematron-v2-small', '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': 'inference-net/schematron-v2-small', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra inference-net/schematron-v2-small
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.Capacity: 350 ml
Capacity: 600 ml