SenseNova 6.7 Flash-Lite adalah model agen multimodal ringan SenseTime untuk pekerjaan perkantoran. Pengembang menekankan tugas berkelanjutan yang melibatkan perencanaan, analisis data, riset, dan penyampaian konten. Model ini menerima teks dan gambar serta mengembalikan konten tertulis, sehingga berguna untuk memahami materi perkantoran dan memutuskan bagaimana materi tersebut sebaiknya menjadi analisis, laporan, atau presentasi. Perannya adalah menghubungkan tugas, bukti, dan langkah berguna berikutnya dalam alur kerja yang lebih panjang.
Alur kerja perkantoran yang praktis dapat bergerak dari wawasan data ke riset hingga penyampaian konten. Pertama, analisis kumpulan data yang diberikan; lalu selidiki alasan di balik pola dan kembangkan presentasi berdasarkan temuan. Siapkan tugas serupa dengan memisahkan pertanyaan: apa yang ditunjukkan data yang diberikan, apa yang masih memerlukan penjelasan, dan apa yang harus dipahami audiens? Nyatakan hasil akhir serta kriteria kualitasnya sejak awal agar analisis antara dapat berkontribusi pada hasil yang sama.
Untuk analisis data, berikan tabel yang terbaca atau representasi teks dan jelaskan kolom, satuan, kategori, serta periode waktu. Identifikasi nilai yang hilang atau rekaman yang tidak konsisten dan tentukan cara menanganinya. Contoh arahan adalah memeriksa kumpulan data untuk menemukan ketidaksesuaian, menjelaskan perubahan utamanya, dan menyiapkan kesimpulan yang terhubung dengan baris atau kategori yang relevan. Jika perhitungan atau pemrosesan berkas dilakukan oleh alat yang terhubung, kembalikan hasil aktualnya ke model. Pisahkan bukti numerik dari penjelasan naratif, dan minta model menandai dugaan penyebab yang tidak dibuktikan oleh data saja.
Untuk riset dan pelaporan, berikan materi yang telah dikumpulkan, pertanyaan yang tersisa, dan audiens yang dituju. Minta struktur yang menghubungkan setiap klaim dengan bukti, membedakan pengamatan dari asumsi, dan menjaga masalah yang belum terselesaikan tetap terlihat. Untuk presentasi, tentukan alur narasi, panjang yang diinginkan, dan tujuan setiap bagian. Keluaran tertulis yang berguna dapat berupa judul slide, argumen utama, fakta pendukung, dan catatan tentang visual mana yang membantu menjelaskan suatu hal. Model dapat menyusun konten ini, sedangkan alat yang menaunginya menangani pembuatan berkas, tata letak, dan ekspor.
Pengembang secara eksplisit memisahkan respons model langsung dari alur kerja perkantoran yang lengkap. Alur kerja perkantoran lengkapnya menggunakan runtime agen dan pustaka skill resmi bersama model. Komponen tersebut membaca dan memanipulasi berkas, menjalankan operasi, dan membuat presentasi atau laporan yang sebenarnya. Berikan tujuan yang jelas kepada model dan kembalikan hasil operasi tersebut agar model dapat melanjutkan dari keadaan saat ini. Kerangka atau instruksi yang dihasilkan merupakan kontribusi terhadap hasil akhir, bukan bukti bahwa berkas yang selesai sudah ada.
Alur kerja gambar yang didokumentasikan menggabungkan pertanyaan teks dengan satu atau beberapa gambar, termasuk contoh yang membandingkan dua gambar. Gunakan grafik, gambar dokumen, atau tangkapan layar yang jelas dan nyatakan hal yang penting: perubahan yang perlu dijelaskan, nilai yang terlihat yang perlu dibandingkan, atau bagian halaman yang perlu ditafsirkan. SenseTime menyarankan menyiapkan gambar dengan sisi panjang paling besar 2.048 piksel; ini merupakan panduan persiapan masukan, bukan klaim bahwa dimensi yang lebih besar menentukan batas visual teoretis model. Jaga label tetap terbaca dan sertakan satuan atau aturan kontekstual dalam teks ketika tidak dapat dibaca secara andal dari gambar.
Referensi SenseTime membedakan konten penalaran dari jawaban tertulis akhir dan mendokumentasikan alokasi keluaran yang mencakup keduanya. Untuk tugas perkantoran yang besar, buat hasil yang diminta menjadi konkret dan sediakan ruang bagi penalaran maupun konten akhir. Dalam percakapan berkelanjutan, pertahankan pesan pengguna yang relevan dan konten akhir asisten secara kronologis; pengembang menginstruksikan aplikasi agar tidak mengirim ulang bidang penalaran sebelumnya sebagai riwayat percakapan. Untuk riwayat panjang, pertahankan fakta dan keputusan yang benar-benar diperlukan langkah berikutnya.
Flash-Lite adalah model bernama untuk alur kerja ini, sedangkan pembuatan berkas jadi dan keluaran visual khusus bergantung pada lingkungan yang terhubung serta alat yang relevan. Tinjau perhitungan, detail gambar yang diekstrak, dan klaim laporan terhadap materi asli. Tentukan penyelesaian berdasarkan isi yang diminta dan hasil aktualnya, sehingga penjelasan yang lancar tetap terhubung dengan bukti dan hasil yang dapat digunakan.
", "aboutText": "SenseNova 6.7 Flash-Lite adalah model agen multimodal ringan SenseTime untuk pekerjaan perkantoran. Pengembang menekankan tugas berkelanjutan yang melibatkan perencanaan, analisis data, riset, dan penyampaian konten. Model ini menerima teks dan gambar serta mengembalikan konten tertulis, sehingga berguna untuk memahami materi perkantoran dan memutuskan bagaimana materi tersebut sebaiknya menjadi analisis, laporan, atau presentasi. Perannya adalah menghubungkan tugas, bukti, dan langkah berguna berikutnya dalam alur kerja yang lebih panjang.\n\nAlur kerja perkantoran yang praktis dapat bergerak dari wawasan data ke riset hingga penyampaian konten. Pertama, analisis kumpulan data yang diberikan; lalu selidiki alasan di balik pola dan kembangkan presentasi berdasarkan temuan. Siapkan tugas serupa dengan memisahkan pertanyaan: apa yang ditunjukkan data yang diberikan, apa yang masih memerlukan penjelasan, dan apa yang harus dipahami audiens? Nyatakan hasil akhir serta kriteria kualitasnya sejak awal agar analisis antara dapat berkontribusi pada hasil yang sama.\n\nUntuk analisis data, berikan tabel yang terbaca atau representasi teks dan jelaskan kolom, satuan, kategori, serta periode waktu. Identifikasi nilai yang hilang atau rekaman yang tidak konsisten dan tentukan cara menanganinya. Contoh arahan adalah memeriksa kumpulan data untuk menemukan ketidaksesuaian, menjelaskan perubahan utamanya, dan menyiapkan kesimpulan yang terhubung dengan baris atau kategori yang relevan. Jika perhitungan atau pemrosesan berkas dilakukan oleh alat yang terhubung, kembalikan hasil aktualnya ke model. Pisahkan bukti numerik dari penjelasan naratif, dan minta model menandai dugaan penyebab yang tidak dibuktikan oleh data saja.\n\nUntuk riset dan pelaporan, berikan materi yang telah dikumpulkan, pertanyaan yang tersisa, dan audiens yang dituju. Minta struktur yang menghubungkan setiap klaim dengan bukti, membedakan pengamatan dari asumsi, dan menjaga masalah yang belum terselesaikan tetap terlihat. Untuk presentasi, tentukan alur narasi, panjang yang diinginkan, dan tujuan setiap bagian. Keluaran tertulis yang berguna dapat berupa judul slide, argumen utama, fakta pendukung, dan catatan tentang visual mana yang membantu menjelaskan suatu hal. Model dapat menyusun konten ini, sedangkan alat yang menaunginya menangani pembuatan berkas, tata letak, dan ekspor.\n\nPengembang secara eksplisit memisahkan respons model langsung dari alur kerja perkantoran yang lengkap. Alur kerja perkantoran lengkapnya menggunakan runtime agen dan pustaka skill resmi bersama model. Komponen tersebut membaca dan memanipulasi berkas, menjalankan operasi, dan membuat presentasi atau laporan yang sebenarnya. Berikan tujuan yang jelas kepada model dan kembalikan hasil operasi tersebut agar model dapat melanjutkan dari keadaan saat ini. Kerangka atau instruksi yang dihasilkan merupakan kontribusi terhadap hasil akhir, bukan bukti bahwa berkas yang selesai sudah ada.\n\nAlur kerja gambar yang didokumentasikan menggabungkan pertanyaan teks dengan satu atau beberapa gambar, termasuk contoh yang membandingkan dua gambar. Gunakan grafik, gambar dokumen, atau tangkapan layar yang jelas dan nyatakan hal yang penting: perubahan yang perlu dijelaskan, nilai yang terlihat yang perlu dibandingkan, atau bagian halaman yang perlu ditafsirkan. SenseTime menyarankan menyiapkan gambar dengan sisi panjang paling besar 2.048 piksel; ini merupakan panduan persiapan masukan, bukan klaim bahwa dimensi yang lebih besar menentukan batas visual teoretis model. Jaga label tetap terbaca dan sertakan satuan atau aturan kontekstual dalam teks ketika tidak dapat dibaca secara andal dari gambar.\n\nReferensi SenseTime membedakan konten penalaran dari jawaban tertulis akhir dan mendokumentasikan alokasi keluaran yang mencakup keduanya. Untuk tugas perkantoran yang besar, buat hasil yang diminta menjadi konkret dan sediakan ruang bagi penalaran maupun konten akhir. Dalam percakapan berkelanjutan, pertahankan pesan pengguna yang relevan dan konten akhir asisten secara kronologis; pengembang menginstruksikan aplikasi agar tidak mengirim ulang bidang penalaran sebelumnya sebagai riwayat percakapan. Untuk riwayat panjang, pertahankan fakta dan keputusan yang benar-benar diperlukan langkah berikutnya.\n\nFlash-Lite adalah model bernama untuk alur kerja ini, sedangkan pembuatan berkas jadi dan keluaran visual khusus bergantung pada lingkungan yang terhubung serta alat yang relevan. Tinjau perhitungan, detail gambar yang diekstrak, dan klaim laporan terhadap materi asli. Tentukan penyelesaian berdasarkan isi yang diminta dan hasil aktualnya, sehingga penjelasan yang lancar tetap terhubung dengan bukti dan hasil yang dapat digunakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model multimodal SenseTime untuk tugas perkantoran dan analitis yang berkelanjutan. Model ini menafsirkan teks dan gambar, membantu menyusun konten riset serta laporan, dan berpartisipasi dalam alur kerja berbantuan alat yang mengubah analisis menjadi hasil nyata.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
SenseNova 6.7 Flash-Lite adalah model agen multimodal ringan SenseTime untuk pekerjaan perkantoran. Pengembang menekankan tugas berkelanjutan yang melibatkan perencanaan, analisis data, riset, dan penyampaian konten. Model ini menerima teks dan gambar serta mengembalikan konten tertulis, sehingga berguna untuk memahami materi perkantoran dan memutuskan bagaimana materi tersebut sebaiknya menjadi analisis, laporan, atau presentasi. Perannya adalah menghubungkan tugas, bukti, dan langkah berguna berikutnya dalam alur kerja yang lebih panjang.
Alur kerja perkantoran yang praktis dapat bergerak dari wawasan data ke riset hingga penyampaian konten. Pertama, analisis kumpulan data yang diberikan; lalu selidiki alasan di balik pola dan kembangkan presentasi berdasarkan temuan. Siapkan tugas serupa dengan memisahkan pertanyaan: apa yang ditunjukkan data yang diberikan, apa yang masih memerlukan penjelasan, dan apa yang harus dipahami audiens? Nyatakan hasil akhir serta kriteria kualitasnya sejak awal agar analisis antara dapat berkontribusi pada hasil yang sama.
Untuk analisis data, berikan tabel yang terbaca atau representasi teks dan jelaskan kolom, satuan, kategori, serta periode waktu. Identifikasi nilai yang hilang atau rekaman yang tidak konsisten dan tentukan cara menanganinya. Contoh arahan adalah memeriksa kumpulan data untuk menemukan ketidaksesuaian, menjelaskan perubahan utamanya, dan menyiapkan kesimpulan yang terhubung dengan baris atau kategori yang relevan. Jika perhitungan atau pemrosesan berkas dilakukan oleh alat yang terhubung, kembalikan hasil aktualnya ke model. Pisahkan bukti numerik dari penjelasan naratif, dan minta model menandai dugaan penyebab yang tidak dibuktikan oleh data saja.
Untuk riset dan pelaporan, berikan materi yang telah dikumpulkan, pertanyaan yang tersisa, dan audiens yang dituju. Minta struktur yang menghubungkan setiap klaim dengan bukti, membedakan pengamatan dari asumsi, dan menjaga masalah yang belum terselesaikan tetap terlihat. Untuk presentasi, tentukan alur narasi, panjang yang diinginkan, dan tujuan setiap bagian. Keluaran tertulis yang berguna dapat berupa judul slide, argumen utama, fakta pendukung, dan catatan tentang visual mana yang membantu menjelaskan suatu hal. Model dapat menyusun konten ini, sedangkan alat yang menaunginya menangani pembuatan berkas, tata letak, dan ekspor.
Pengembang secara eksplisit memisahkan respons model langsung dari alur kerja perkantoran yang lengkap. Alur kerja perkantoran lengkapnya menggunakan runtime agen dan pustaka skill resmi bersama model. Komponen tersebut membaca dan memanipulasi berkas, menjalankan operasi, dan membuat presentasi atau laporan yang sebenarnya. Berikan tujuan yang jelas kepada model dan kembalikan hasil operasi tersebut agar model dapat melanjutkan dari keadaan saat ini. Kerangka atau instruksi yang dihasilkan merupakan kontribusi terhadap hasil akhir, bukan bukti bahwa berkas yang selesai sudah ada.
Alur kerja gambar yang didokumentasikan menggabungkan pertanyaan teks dengan satu atau beberapa gambar, termasuk contoh yang membandingkan dua gambar. Gunakan grafik, gambar dokumen, atau tangkapan layar yang jelas dan nyatakan hal yang penting: perubahan yang perlu dijelaskan, nilai yang terlihat yang perlu dibandingkan, atau bagian halaman yang perlu ditafsirkan. SenseTime menyarankan menyiapkan gambar dengan sisi panjang paling besar 2.048 piksel; ini merupakan panduan persiapan masukan, bukan klaim bahwa dimensi yang lebih besar menentukan batas visual teoretis model. Jaga label tetap terbaca dan sertakan satuan atau aturan kontekstual dalam teks ketika tidak dapat dibaca secara andal dari gambar.
Referensi SenseTime membedakan konten penalaran dari jawaban tertulis akhir dan mendokumentasikan alokasi keluaran yang mencakup keduanya. Untuk tugas perkantoran yang besar, buat hasil yang diminta menjadi konkret dan sediakan ruang bagi penalaran maupun konten akhir. Dalam percakapan berkelanjutan, pertahankan pesan pengguna yang relevan dan konten akhir asisten secara kronologis; pengembang menginstruksikan aplikasi agar tidak mengirim ulang bidang penalaran sebelumnya sebagai riwayat percakapan. Untuk riwayat panjang, pertahankan fakta dan keputusan yang benar-benar diperlukan langkah berikutnya.
Flash-Lite adalah model bernama untuk alur kerja ini, sedangkan pembuatan berkas jadi dan keluaran visual khusus bergantung pada lingkungan yang terhubung serta alat yang relevan. Tinjau perhitungan, detail gambar yang diekstrak, dan klaim laporan terhadap materi asli. Tentukan penyelesaian berdasarkan isi yang diminta dan hasil aktualnya, sehingga penjelasan yang lancar tetap terhubung dengan bukti dan hasil yang dapat digunakan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan sensenova-6.7-flash-lite | 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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.001892 / 1K token Keluaran · Token keluaran $0.005676 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 sensenova-6.7-flash-lite
Gunakan jalur metode yang ditampilkan di atas.
sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite adalah model multimodal SenseTime untuk tugas perkantoran dan analitis yang berkelanjutan. Model ini menafsirkan teks dan gambar, membantu menyusun konten riset serta laporan, dan berpartisipasi dalam alur kerja berbantuan alat yang mengubah analisis menjadi hasil nyata.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
SenseNova 6.7 Flash-Lite adalah model agen multimodal ringan SenseTime untuk pekerjaan perkantoran. Pengembang menekankan tugas berkelanjutan yang melibatkan perencanaan, analisis data, riset, dan penyampaian konten. Model ini menerima teks dan gambar serta mengembalikan konten tertulis, sehingga berguna untuk memahami materi perkantoran dan memutuskan bagaimana materi tersebut sebaiknya menjadi analisis, laporan, atau presentasi. Perannya adalah menghubungkan tugas, bukti, dan langkah berguna berikutnya dalam alur kerja yang lebih panjang.
Alur kerja perkantoran yang praktis dapat bergerak dari wawasan data ke riset hingga penyampaian konten. Pertama, analisis kumpulan data yang diberikan; lalu selidiki alasan di balik pola dan kembangkan presentasi berdasarkan temuan. Siapkan tugas serupa dengan memisahkan pertanyaan: apa yang ditunjukkan data yang diberikan, apa yang masih memerlukan penjelasan, dan apa yang harus dipahami audiens? Nyatakan hasil akhir serta kriteria kualitasnya sejak awal agar analisis antara dapat berkontribusi pada hasil yang sama.
Untuk analisis data, berikan tabel yang terbaca atau representasi teks dan jelaskan kolom, satuan, kategori, serta periode waktu. Identifikasi nilai yang hilang atau rekaman yang tidak konsisten dan tentukan cara menanganinya. Contoh arahan adalah memeriksa kumpulan data untuk menemukan ketidaksesuaian, menjelaskan perubahan utamanya, dan menyiapkan kesimpulan yang terhubung dengan baris atau kategori yang relevan. Jika perhitungan atau pemrosesan berkas dilakukan oleh alat yang terhubung, kembalikan hasil aktualnya ke model. Pisahkan bukti numerik dari penjelasan naratif, dan minta model menandai dugaan penyebab yang tidak dibuktikan oleh data saja.
Untuk riset dan pelaporan, berikan materi yang telah dikumpulkan, pertanyaan yang tersisa, dan audiens yang dituju. Minta struktur yang menghubungkan setiap klaim dengan bukti, membedakan pengamatan dari asumsi, dan menjaga masalah yang belum terselesaikan tetap terlihat. Untuk presentasi, tentukan alur narasi, panjang yang diinginkan, dan tujuan setiap bagian. Keluaran tertulis yang berguna dapat berupa judul slide, argumen utama, fakta pendukung, dan catatan tentang visual mana yang membantu menjelaskan suatu hal. Model dapat menyusun konten ini, sedangkan alat yang menaunginya menangani pembuatan berkas, tata letak, dan ekspor.
Pengembang secara eksplisit memisahkan respons model langsung dari alur kerja perkantoran yang lengkap. Alur kerja perkantoran lengkapnya menggunakan runtime agen dan pustaka skill resmi bersama model. Komponen tersebut membaca dan memanipulasi berkas, menjalankan operasi, dan membuat presentasi atau laporan yang sebenarnya. Berikan tujuan yang jelas kepada model dan kembalikan hasil operasi tersebut agar model dapat melanjutkan dari keadaan saat ini. Kerangka atau instruksi yang dihasilkan merupakan kontribusi terhadap hasil akhir, bukan bukti bahwa berkas yang selesai sudah ada.
Alur kerja gambar yang didokumentasikan menggabungkan pertanyaan teks dengan satu atau beberapa gambar, termasuk contoh yang membandingkan dua gambar. Gunakan grafik, gambar dokumen, atau tangkapan layar yang jelas dan nyatakan hal yang penting: perubahan yang perlu dijelaskan, nilai yang terlihat yang perlu dibandingkan, atau bagian halaman yang perlu ditafsirkan. SenseTime menyarankan menyiapkan gambar dengan sisi panjang paling besar 2.048 piksel; ini merupakan panduan persiapan masukan, bukan klaim bahwa dimensi yang lebih besar menentukan batas visual teoretis model. Jaga label tetap terbaca dan sertakan satuan atau aturan kontekstual dalam teks ketika tidak dapat dibaca secara andal dari gambar.
Referensi SenseTime membedakan konten penalaran dari jawaban tertulis akhir dan mendokumentasikan alokasi keluaran yang mencakup keduanya. Untuk tugas perkantoran yang besar, buat hasil yang diminta menjadi konkret dan sediakan ruang bagi penalaran maupun konten akhir. Dalam percakapan berkelanjutan, pertahankan pesan pengguna yang relevan dan konten akhir asisten secara kronologis; pengembang menginstruksikan aplikasi agar tidak mengirim ulang bidang penalaran sebelumnya sebagai riwayat percakapan. Untuk riwayat panjang, pertahankan fakta dan keputusan yang benar-benar diperlukan langkah berikutnya.
Flash-Lite adalah model bernama untuk alur kerja ini, sedangkan pembuatan berkas jadi dan keluaran visual khusus bergantung pada lingkungan yang terhubung serta alat yang relevan. Tinjau perhitungan, detail gambar yang diekstrak, dan klaim laporan terhadap materi asli. Tentukan penyelesaian berdasarkan isi yang diminta dan hasil aktualnya, sehingga penjelasan yang lancar tetap terhubung dengan bukti dan hasil yang dapat digunakan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan sensenova-6.7-flash-lite | 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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.001892 / 1K token Keluaran · Token keluaran $0.005676 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 sensenova-6.7-flash-lite
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.