Seed 1.6 ialah model multimodal tujuan umum ByteDance Seed dengan pemikiran adaptif. Pengeluar membangunkannya untuk penaakulan teks dan visual, soalan konteks panjang serta interaksi berasaskan antara muka atau dokumen. Ia menerima arahan dan bahan sumber serta memulangkan teks seperti jawapan, analisis atau kod. Edisi adaptifnya kekal berbeza daripada Seed1.6-Thinking, Flash dan generasi Seed kemudian.
Pengeluar menerangkan model campuran pakar jarang dengan 230 bilion jumlah parameter dan 23 bilion parameter aktif. Latihan bermula dengan teks, diteruskan dengan campuran teks serta bahan visual, kemudian melanjutkan panjang urutan daripada 32K kepada 256K. Ini memberikan model konteks yang boleh menyatukan soalan dengan maklumat sumber yang banyak. Konteks masih mengandungi perbualan dan hasil terjana bersama, maka tinggalkan ruang untuk jawapan, bukannya menganggapnya sebagai peruntukan output bebas.
Untuk tugasan dokumen, pelihara nama bahagian, label halaman, tajuk jadual dan unit. Minta perbandingan atau pengekstrakan yang perlu disokong bahan. Taklimat berguna ialah: “Bandingkan syarat dalam dua dokumen ini, kenal pasti setiap perbezaan penting dan petik bahagian berkaitan di sebelah setiap dapatan.” Untuk tangkapan skrin, jelaskan perkara yang cuba dicapai pengguna dan minta tafsiran berdasarkan label yang kelihatan.
Seed1.6 memperkenalkan Adaptive Chain-of-Thought, dengan tiga mod pengeluar. FullCoT menaakul sebelum membalas setiap prompt. NoCoT membalas secara langsung. AdaCoT menentukan sama ada perlu menaakul mengikut soalan. Latihan memberikan ganjaran untuk jumlah pemikiran sesuai, bukannya penaakulan panjang tidak perlu bagi setiap permintaan.
Pilih kedalaman tugasan mengikut hasil diperlukan: pengekstrakan atau penulisan semula langsung boleh mempunyai spesifikasi output ringkas, manakala syarat matematik, kecacatan kod atau perbandingan sumber memerlukan kekangan berkaitan. Nyatakan artifak akhir berasingan daripada analisis perantaraan. Proses penaakulan lanjutan hanya berguna apabila menyokong jawapan yang diperlukan.
Latihan multimodal model menyatukan bukti bertulis serta visual. Bekalkan imej yang boleh dibaca dan sertakan label sekeliling yang diperlukan untuk mentafsirkannya. Untuk rajah, jelaskan soalan dan pelihara anotasinya; untuk carta, bezakan nilai yang kelihatan daripada tafsiran diminta. Perbincangan penilaian pembuat mengenal pasti rajah kabur sebagai punca prestasi visual lebih rendah, menjadikan imej sumber jelas pilihan input praktikal yang penting.
Untuk tugasan antara muka, kenal pasti sama ada tangkapan skrin menunjukkan keadaan semasa atau reka bentuk dimaksudkan. Minta kawalan yang kelihatan atau kod yang diperlukan untuk tingkah laku ditentukan, kemudian gunakan hasil sebenar aplikasi sebagai maklum balas. Teks yang mencadangkan klik atau menghasilkan kod berbeza daripada tindakan antara muka yang selesai.
Profil pengeluar asal mendokumenkan output berstruktur dan penggunaan alat, dengan konteks 256K, input sehingga 224K dan output gabungan sehingga 32K termasuk penaakulan. Aplikasi membekalkan takrif alat dan melaksanakan operasi terpilih, memulangkan pemerhatian untuk langkah seterusnya. Gunakan hasil itu sebagai bukti dan pastikan perbualan terfokus pada tugasan.
Hasil akhir praktikal boleh berupa masalah diselesaikan, cadangan kod terfokus atau rekod analisis bersokong sumber. Nyatakan bahasa, istilah wajib dan kriteria selesai. Semak nilai diekstrak dengan sumber dan pelihara maklumat yang tiada secara jelas. Ini memastikan respons model adaptif terhubung dengan soalan sebenar sambil mengekalkan edisi Seed 1.6 tepat dan perbezaan modnya yang didokumenkan.
", "aboutText": "Seed 1.6 ialah model multimodal tujuan umum ByteDance Seed dengan pemikiran adaptif. Pengeluar membangunkannya untuk penaakulan teks dan visual, soalan konteks panjang serta interaksi berasaskan antara muka atau dokumen. Ia menerima arahan dan bahan sumber serta memulangkan teks seperti jawapan, analisis atau kod. Edisi adaptifnya kekal berbeza daripada Seed1.6-Thinking, Flash dan generasi Seed kemudian.\n\n### Latihan multimodal dan konteks panjang\n\nPengeluar menerangkan model campuran pakar jarang dengan 230 bilion jumlah parameter dan 23 bilion parameter aktif. Latihan bermula dengan teks, diteruskan dengan campuran teks serta bahan visual, kemudian melanjutkan panjang urutan daripada 32K kepada 256K. Ini memberikan model konteks yang boleh menyatukan soalan dengan maklumat sumber yang banyak. Konteks masih mengandungi perbualan dan hasil terjana bersama, maka tinggalkan ruang untuk jawapan, bukannya menganggapnya sebagai peruntukan output bebas.\n\nUntuk tugasan dokumen, pelihara nama bahagian, label halaman, tajuk jadual dan unit. Minta perbandingan atau pengekstrakan yang perlu disokong bahan. Taklimat berguna ialah: “Bandingkan syarat dalam dua dokumen ini, kenal pasti setiap perbezaan penting dan petik bahagian berkaitan di sebelah setiap dapatan.” Untuk tangkapan skrin, jelaskan perkara yang cuba dicapai pengguna dan minta tafsiran berdasarkan label yang kelihatan.\n\n### Pemikiran adaptif\n\nSeed1.6 memperkenalkan Adaptive Chain-of-Thought, dengan tiga mod pengeluar. FullCoT menaakul sebelum membalas setiap prompt. NoCoT membalas secara langsung. AdaCoT menentukan sama ada perlu menaakul mengikut soalan. Latihan memberikan ganjaran untuk jumlah pemikiran sesuai, bukannya penaakulan panjang tidak perlu bagi setiap permintaan.\n\nPilih kedalaman tugasan mengikut hasil diperlukan: pengekstrakan atau penulisan semula langsung boleh mempunyai spesifikasi output ringkas, manakala syarat matematik, kecacatan kod atau perbandingan sumber memerlukan kekangan berkaitan. Nyatakan artifak akhir berasingan daripada analisis perantaraan. Proses penaakulan lanjutan hanya berguna apabila menyokong jawapan yang diperlukan.\n\n### Penaakulan visual dan penyediaan\n\nLatihan multimodal model menyatukan bukti bertulis serta visual. Bekalkan imej yang boleh dibaca dan sertakan label sekeliling yang diperlukan untuk mentafsirkannya. Untuk rajah, jelaskan soalan dan pelihara anotasinya; untuk carta, bezakan nilai yang kelihatan daripada tafsiran diminta. Perbincangan penilaian pembuat mengenal pasti rajah kabur sebagai punca prestasi visual lebih rendah, menjadikan imej sumber jelas pilihan input praktikal yang penting.\n\nUntuk tugasan antara muka, kenal pasti sama ada tangkapan skrin menunjukkan keadaan semasa atau reka bentuk dimaksudkan. Minta kawalan yang kelihatan atau kod yang diperlukan untuk tingkah laku ditentukan, kemudian gunakan hasil sebenar aplikasi sebagai maklum balas. Teks yang mencadangkan klik atau menghasilkan kod berbeza daripada tindakan antara muka yang selesai.\n\n### Penggunaan alat dan had respons\n\nProfil pengeluar asal mendokumenkan output berstruktur dan penggunaan alat, dengan konteks 256K, input sehingga 224K dan output gabungan sehingga 32K termasuk penaakulan. Aplikasi membekalkan takrif alat dan melaksanakan operasi terpilih, memulangkan pemerhatian untuk langkah seterusnya. Gunakan hasil itu sebagai bukti dan pastikan perbualan terfokus pada tugasan.\n\nHasil akhir praktikal boleh berupa masalah diselesaikan, cadangan kod terfokus atau rekod analisis bersokong sumber. Nyatakan bahasa, istilah wajib dan kriteria selesai. Semak nilai diekstrak dengan sumber dan pelihara maklumat yang tiada secara jelas. Ini memastikan respons model adaptif terhubung dengan soalan sebenar sambil mengekalkan edisi Seed 1.6 tepat dan perbezaan modnya yang didokumenkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.bytedance-seed/seed-1.6Seed 1.6 menggabungkan pemahaman teks dan visual dengan penaakulan adaptif serta konteks 256K. Mod FullCoT, NoCoT dan AdaCoT membolehkan profil pengeluar memadankan analisis lebih mendalam atau jawapan langsung dengan tugasan, menghasilkan penjelasan, kod dan dapatan berasaskan sumber.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Seed 1.6 ialah model multimodal tujuan umum ByteDance Seed dengan pemikiran adaptif. Pengeluar membangunkannya untuk penaakulan teks dan visual, soalan konteks panjang serta interaksi berasaskan antara muka atau dokumen. Ia menerima arahan dan bahan sumber serta memulangkan teks seperti jawapan, analisis atau kod. Edisi adaptifnya kekal berbeza daripada Seed1.6-Thinking, Flash dan generasi Seed kemudian.
Pengeluar menerangkan model campuran pakar jarang dengan 230 bilion jumlah parameter dan 23 bilion parameter aktif. Latihan bermula dengan teks, diteruskan dengan campuran teks serta bahan visual, kemudian melanjutkan panjang urutan daripada 32K kepada 256K. Ini memberikan model konteks yang boleh menyatukan soalan dengan maklumat sumber yang banyak. Konteks masih mengandungi perbualan dan hasil terjana bersama, maka tinggalkan ruang untuk jawapan, bukannya menganggapnya sebagai peruntukan output bebas.
Untuk tugasan dokumen, pelihara nama bahagian, label halaman, tajuk jadual dan unit. Minta perbandingan atau pengekstrakan yang perlu disokong bahan. Taklimat berguna ialah: “Bandingkan syarat dalam dua dokumen ini, kenal pasti setiap perbezaan penting dan petik bahagian berkaitan di sebelah setiap dapatan.” Untuk tangkapan skrin, jelaskan perkara yang cuba dicapai pengguna dan minta tafsiran berdasarkan label yang kelihatan.
Seed1.6 memperkenalkan Adaptive Chain-of-Thought, dengan tiga mod pengeluar. FullCoT menaakul sebelum membalas setiap prompt. NoCoT membalas secara langsung. AdaCoT menentukan sama ada perlu menaakul mengikut soalan. Latihan memberikan ganjaran untuk jumlah pemikiran sesuai, bukannya penaakulan panjang tidak perlu bagi setiap permintaan.
Pilih kedalaman tugasan mengikut hasil diperlukan: pengekstrakan atau penulisan semula langsung boleh mempunyai spesifikasi output ringkas, manakala syarat matematik, kecacatan kod atau perbandingan sumber memerlukan kekangan berkaitan. Nyatakan artifak akhir berasingan daripada analisis perantaraan. Proses penaakulan lanjutan hanya berguna apabila menyokong jawapan yang diperlukan.
Latihan multimodal model menyatukan bukti bertulis serta visual. Bekalkan imej yang boleh dibaca dan sertakan label sekeliling yang diperlukan untuk mentafsirkannya. Untuk rajah, jelaskan soalan dan pelihara anotasinya; untuk carta, bezakan nilai yang kelihatan daripada tafsiran diminta. Perbincangan penilaian pembuat mengenal pasti rajah kabur sebagai punca prestasi visual lebih rendah, menjadikan imej sumber jelas pilihan input praktikal yang penting.
Untuk tugasan antara muka, kenal pasti sama ada tangkapan skrin menunjukkan keadaan semasa atau reka bentuk dimaksudkan. Minta kawalan yang kelihatan atau kod yang diperlukan untuk tingkah laku ditentukan, kemudian gunakan hasil sebenar aplikasi sebagai maklum balas. Teks yang mencadangkan klik atau menghasilkan kod berbeza daripada tindakan antara muka yang selesai.
Profil pengeluar asal mendokumenkan output berstruktur dan penggunaan alat, dengan konteks 256K, input sehingga 224K dan output gabungan sehingga 32K termasuk penaakulan. Aplikasi membekalkan takrif alat dan melaksanakan operasi terpilih, memulangkan pemerhatian untuk langkah seterusnya. Gunakan hasil itu sebagai bukti dan pastikan perbualan terfokus pada tugasan.
Hasil akhir praktikal boleh berupa masalah diselesaikan, cadangan kod terfokus atau rekod analisis bersokong sumber. Nyatakan bahasa, istilah wajib dan kriteria selesai. Semak nilai diekstrak dengan sumber dan pelihara maklumat yang tiada secara jelas. Ini memastikan respons model adaptif terhubung dengan soalan sebenar sambil mengekalkan edisi Seed 1.6 tepat dan perbezaan modnya yang didokumenkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had bytedance-seed/seed-1.6 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.004 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk128,000 | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.004 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi128,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.001 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "bytedance-seed/seed-1.6", "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='bytedance-seed/seed-1.6',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='bytedance-seed/seed-1.6',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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra bytedance-seed/seed-1.6
Gunakan laluan kaedah yang dipaparkan di atas.
bytedance-seed/seed-1.6Seed 1.6 menggabungkan pemahaman teks dan visual dengan penaakulan adaptif serta konteks 256K. Mod FullCoT, NoCoT dan AdaCoT membolehkan profil pengeluar memadankan analisis lebih mendalam atau jawapan langsung dengan tugasan, menghasilkan penjelasan, kod dan dapatan berasaskan sumber.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Seed 1.6 ialah model multimodal tujuan umum ByteDance Seed dengan pemikiran adaptif. Pengeluar membangunkannya untuk penaakulan teks dan visual, soalan konteks panjang serta interaksi berasaskan antara muka atau dokumen. Ia menerima arahan dan bahan sumber serta memulangkan teks seperti jawapan, analisis atau kod. Edisi adaptifnya kekal berbeza daripada Seed1.6-Thinking, Flash dan generasi Seed kemudian.
Pengeluar menerangkan model campuran pakar jarang dengan 230 bilion jumlah parameter dan 23 bilion parameter aktif. Latihan bermula dengan teks, diteruskan dengan campuran teks serta bahan visual, kemudian melanjutkan panjang urutan daripada 32K kepada 256K. Ini memberikan model konteks yang boleh menyatukan soalan dengan maklumat sumber yang banyak. Konteks masih mengandungi perbualan dan hasil terjana bersama, maka tinggalkan ruang untuk jawapan, bukannya menganggapnya sebagai peruntukan output bebas.
Untuk tugasan dokumen, pelihara nama bahagian, label halaman, tajuk jadual dan unit. Minta perbandingan atau pengekstrakan yang perlu disokong bahan. Taklimat berguna ialah: “Bandingkan syarat dalam dua dokumen ini, kenal pasti setiap perbezaan penting dan petik bahagian berkaitan di sebelah setiap dapatan.” Untuk tangkapan skrin, jelaskan perkara yang cuba dicapai pengguna dan minta tafsiran berdasarkan label yang kelihatan.
Seed1.6 memperkenalkan Adaptive Chain-of-Thought, dengan tiga mod pengeluar. FullCoT menaakul sebelum membalas setiap prompt. NoCoT membalas secara langsung. AdaCoT menentukan sama ada perlu menaakul mengikut soalan. Latihan memberikan ganjaran untuk jumlah pemikiran sesuai, bukannya penaakulan panjang tidak perlu bagi setiap permintaan.
Pilih kedalaman tugasan mengikut hasil diperlukan: pengekstrakan atau penulisan semula langsung boleh mempunyai spesifikasi output ringkas, manakala syarat matematik, kecacatan kod atau perbandingan sumber memerlukan kekangan berkaitan. Nyatakan artifak akhir berasingan daripada analisis perantaraan. Proses penaakulan lanjutan hanya berguna apabila menyokong jawapan yang diperlukan.
Latihan multimodal model menyatukan bukti bertulis serta visual. Bekalkan imej yang boleh dibaca dan sertakan label sekeliling yang diperlukan untuk mentafsirkannya. Untuk rajah, jelaskan soalan dan pelihara anotasinya; untuk carta, bezakan nilai yang kelihatan daripada tafsiran diminta. Perbincangan penilaian pembuat mengenal pasti rajah kabur sebagai punca prestasi visual lebih rendah, menjadikan imej sumber jelas pilihan input praktikal yang penting.
Untuk tugasan antara muka, kenal pasti sama ada tangkapan skrin menunjukkan keadaan semasa atau reka bentuk dimaksudkan. Minta kawalan yang kelihatan atau kod yang diperlukan untuk tingkah laku ditentukan, kemudian gunakan hasil sebenar aplikasi sebagai maklum balas. Teks yang mencadangkan klik atau menghasilkan kod berbeza daripada tindakan antara muka yang selesai.
Profil pengeluar asal mendokumenkan output berstruktur dan penggunaan alat, dengan konteks 256K, input sehingga 224K dan output gabungan sehingga 32K termasuk penaakulan. Aplikasi membekalkan takrif alat dan melaksanakan operasi terpilih, memulangkan pemerhatian untuk langkah seterusnya. Gunakan hasil itu sebagai bukti dan pastikan perbualan terfokus pada tugasan.
Hasil akhir praktikal boleh berupa masalah diselesaikan, cadangan kod terfokus atau rekod analisis bersokong sumber. Nyatakan bahasa, istilah wajib dan kriteria selesai. Semak nilai diekstrak dengan sumber dan pelihara maklumat yang tiada secara jelas. Ini memastikan respons model adaptif terhubung dengan soalan sebenar sambil mengekalkan edisi Seed 1.6 tepat dan perbezaan modnya yang didokumenkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had bytedance-seed/seed-1.6 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.004 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasuk128,000 | Caj Input · Token input $0.0005 / 1K token Output · Token output $0.004 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 2 | Jadual kadar— | Token konteks, melebihi128,000 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.001 / 1K token Output · Token output $0.008 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "bytedance-seed/seed-1.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'bytedance-seed/seed-1.6', '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': 'bytedance-seed/seed-1.6', '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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra bytedance-seed/seed-1.6
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.