Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small ialah model Inference.net yang mengutamakan mutu pengekstrakan untuk menukar HTML kepada JSON yang mematuhi skema. Pengeluar membangunkannya untuk skema kompleks dan halaman panjang, dengan peranan beban kerja yang berbeza daripada V2 Turbo yang berfokus pada daya pemprosesan. Ia membaca HTML dan skema pemanggil lalu mengembalikan rekod berstruktur yang sepadan. Matlamatnya ialah mengekstrak fakta yang diperlukan aplikasi hiliran, bukannya menjana respons perbualan yang luas.
Panduan pengeluar menyatakan arahan pengekstrakan patut berada dalam skema dan bukannya prom sistem atau pengguna bahasa semula jadi. Takrifkan jenis setiap sifat dan terangkan maknanya dalam penerangan medan. Objek dan senarai bersarang disokong. Rekod produk, contohnya, boleh membezakan pengecam produk daripada nama paparannya dan mengumpulkan nilai spesifikasi dalam objeknya sendiri.
Untuk halaman kompleks, selesaikan maksud medan yang kabur sebelum meminta pengekstrakan. Terangkan sama ada tarikh merujuk penerbitan, peristiwa atau semakan, dan cara beberapa nilai sumber patut diwakili. Gunakan konvensyen skema untuk maklumat yang tiada supaya model tidak perlu mereka nilai untuk menjadikan objek kelihatan lengkap. Pembuat menunjukkan model berjenis dan JSON Schema bersama pengesahan JSON yang dikembalikan.
Prapemprosesan HTML yang disyorkan membuang skrip, gaya dan kandungan templat berulang sambil mengekalkan kandungan berkaitan. Pengeluar menasihatkan pendekatan berhati-hati: membuang terlalu banyak boleh menghilangkan maklumat yang diperlukan pengekstrakan. Kekalkan tajuk jadual, label bersarang dan teks berhampiran yang menetapkan maksud nilai. Potong kepada kawasan berkaitan apabila halaman mengandungi navigasi tidak berkaitan atau bahan berulang.
Contoh tugas ialah mengekstrak rekod teknikal daripada halaman produk dengan beberapa jadual konfigurasi. Input patut mengekalkan jadual yang tergolong dalam setiap varian, dan skema patut menerangkan varian khusus atau senarai varian yang diperlukan. JSON yang dihasilkan kemudian boleh disemak berdasarkan baris sumber tersebut, bukannya dianggap sebagai ringkasan seluruh laman web.
V2 Small menekankan mutu pengekstrakan untuk skema sukar dan HTML panjang. Turbo ialah versi berasingan yang dioptimumkan untuk memproses halaman pada daya pemprosesan lebih tinggi. Kedua-duanya berkongsi konteks 128K yang didokumenkan bagi keluarga V2 dan aliran kerja JSON berpandukan skema yang ketat. Peruntukan konteks mengandungi input dan output yang diminta bersama-sama, jadi fokuskan halaman besar pada rekod yang benar-benar diperlukan tugas.
Objek berstruktur boleh menyokong pemasukan data katalog, penghuraian dokumen atau lapisan bukti untuk jawapan berbantukan carian. Aplikasi mendapatkan halaman sumber, menyediakan skema dan mengesahkan output sebelum menggunakannya. Kekalkan pengecam halaman atau perkaitan sumber dalam aliran kerja yang mengelilinginya. Jika rekod mengandungi angka, bandingkan unit dan tafsiran yang dimaksudkan dengan sumber.
Pematuhan skema menetapkan bentuk hasil; ia tidak secara bebas mengesahkan setiap fakta yang diekstrak. Semak rekod yang mewakili kes penggunaan berdasarkan HTML asal dan takrifkan pengendalian maklumat bercanggah atau tiada. V2 Small kekal sebagai keluaran bernamanya sendiri, berasingan daripada checkpoint model V1 dengan pemberat terbuka. Antara mukanya yang didokumenkan ialah pengekstrakan HTML kepada JSON dan tidak membayangkan input imej, perbualan umum, akses web automatik atau aliran kerja pelaksanaan alat natif.
", "aboutText": "Schematron V2 Small ialah model Inference.net yang mengutamakan mutu pengekstrakan untuk menukar HTML kepada JSON yang mematuhi skema. Pengeluar membangunkannya untuk skema kompleks dan halaman panjang, dengan peranan beban kerja yang berbeza daripada V2 Turbo yang berfokus pada daya pemprosesan. Ia membaca HTML dan skema pemanggil lalu mengembalikan rekod berstruktur yang sepadan. Matlamatnya ialah mengekstrak fakta yang diperlukan aplikasi hiliran, bukannya menjana respons perbualan yang luas.\n\n### Skema sebagai spesifikasi tugas\n\nPanduan pengeluar menyatakan arahan pengekstrakan patut berada dalam skema dan bukannya prom sistem atau pengguna bahasa semula jadi. Takrifkan jenis setiap sifat dan terangkan maknanya dalam penerangan medan. Objek dan senarai bersarang disokong. Rekod produk, contohnya, boleh membezakan pengecam produk daripada nama paparannya dan mengumpulkan nilai spesifikasi dalam objeknya sendiri.\n\nUntuk halaman kompleks, selesaikan maksud medan yang kabur sebelum meminta pengekstrakan. Terangkan sama ada tarikh merujuk penerbitan, peristiwa atau semakan, dan cara beberapa nilai sumber patut diwakili. Gunakan konvensyen skema untuk maklumat yang tiada supaya model tidak perlu mereka nilai untuk menjadikan objek kelihatan lengkap. Pembuat menunjukkan model berjenis dan JSON Schema bersama pengesahan JSON yang dikembalikan.\n\n### Menyediakan dokumen panjang\n\nPrapemprosesan HTML yang disyorkan membuang skrip, gaya dan kandungan templat berulang sambil mengekalkan kandungan berkaitan. Pengeluar menasihatkan pendekatan berhati-hati: membuang terlalu banyak boleh menghilangkan maklumat yang diperlukan pengekstrakan. Kekalkan tajuk jadual, label bersarang dan teks berhampiran yang menetapkan maksud nilai. Potong kepada kawasan berkaitan apabila halaman mengandungi navigasi tidak berkaitan atau bahan berulang.\n\nContoh tugas ialah mengekstrak rekod teknikal daripada halaman produk dengan beberapa jadual konfigurasi. Input patut mengekalkan jadual yang tergolong dalam setiap varian, dan skema patut menerangkan varian khusus atau senarai varian yang diperlukan. JSON yang dihasilkan kemudian boleh disemak berdasarkan baris sumber tersebut, bukannya dianggap sebagai ringkasan seluruh laman web.\n\n### Small dan Turbo ialah pilihan berasingan\n\nV2 Small menekankan mutu pengekstrakan untuk skema sukar dan HTML panjang. Turbo ialah versi berasingan yang dioptimumkan untuk memproses halaman pada daya pemprosesan lebih tinggi. Kedua-duanya berkongsi konteks 128K yang didokumenkan bagi keluarga V2 dan aliran kerja JSON berpandukan skema yang ketat. Peruntukan konteks mengandungi input dan output yang diminta bersama-sama, jadi fokuskan halaman besar pada rekod yang benar-benar diperlukan tugas.\n\n### Daripada pengekstrakan kepada data aplikasi\n\nObjek berstruktur boleh menyokong pemasukan data katalog, penghuraian dokumen atau lapisan bukti untuk jawapan berbantukan carian. Aplikasi mendapatkan halaman sumber, menyediakan skema dan mengesahkan output sebelum menggunakannya. Kekalkan pengecam halaman atau perkaitan sumber dalam aliran kerja yang mengelilinginya. Jika rekod mengandungi angka, bandingkan unit dan tafsiran yang dimaksudkan dengan sumber.\n\nPematuhan skema menetapkan bentuk hasil; ia tidak secara bebas mengesahkan setiap fakta yang diekstrak. Semak rekod yang mewakili kes penggunaan berdasarkan HTML asal dan takrifkan pengendalian maklumat bercanggah atau tiada. V2 Small kekal sebagai keluaran bernamanya sendiri, berasingan daripada checkpoint model V1 dengan pemberat terbuka. Antara mukanya yang didokumenkan ialah pengekstrakan HTML kepada JSON dan tidak membayangkan input imej, perbualan umum, akses web automatik atau aliran kerja pelaksanaan alat natif.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 daripada HTML yang dibekalkan kepada JSON berjenis. Ia ialah pilihan V2 yang berorientasikan mutu untuk skema kompleks dan halaman panjang, dengan konteks pengeluar 128K, rekod bersarang dan penerangan medan yang menetapkan data untuk dikembalikan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Schematron V2 Small ialah model Inference.net yang mengutamakan mutu pengekstrakan untuk menukar HTML kepada JSON yang mematuhi skema. Pengeluar membangunkannya untuk skema kompleks dan halaman panjang, dengan peranan beban kerja yang berbeza daripada V2 Turbo yang berfokus pada daya pemprosesan. Ia membaca HTML dan skema pemanggil lalu mengembalikan rekod berstruktur yang sepadan. Matlamatnya ialah mengekstrak fakta yang diperlukan aplikasi hiliran, bukannya menjana respons perbualan yang luas.
Panduan pengeluar menyatakan arahan pengekstrakan patut berada dalam skema dan bukannya prom sistem atau pengguna bahasa semula jadi. Takrifkan jenis setiap sifat dan terangkan maknanya dalam penerangan medan. Objek dan senarai bersarang disokong. Rekod produk, contohnya, boleh membezakan pengecam produk daripada nama paparannya dan mengumpulkan nilai spesifikasi dalam objeknya sendiri.
Untuk halaman kompleks, selesaikan maksud medan yang kabur sebelum meminta pengekstrakan. Terangkan sama ada tarikh merujuk penerbitan, peristiwa atau semakan, dan cara beberapa nilai sumber patut diwakili. Gunakan konvensyen skema untuk maklumat yang tiada supaya model tidak perlu mereka nilai untuk menjadikan objek kelihatan lengkap. Pembuat menunjukkan model berjenis dan JSON Schema bersama pengesahan JSON yang dikembalikan.
Prapemprosesan HTML yang disyorkan membuang skrip, gaya dan kandungan templat berulang sambil mengekalkan kandungan berkaitan. Pengeluar menasihatkan pendekatan berhati-hati: membuang terlalu banyak boleh menghilangkan maklumat yang diperlukan pengekstrakan. Kekalkan tajuk jadual, label bersarang dan teks berhampiran yang menetapkan maksud nilai. Potong kepada kawasan berkaitan apabila halaman mengandungi navigasi tidak berkaitan atau bahan berulang.
Contoh tugas ialah mengekstrak rekod teknikal daripada halaman produk dengan beberapa jadual konfigurasi. Input patut mengekalkan jadual yang tergolong dalam setiap varian, dan skema patut menerangkan varian khusus atau senarai varian yang diperlukan. JSON yang dihasilkan kemudian boleh disemak berdasarkan baris sumber tersebut, bukannya dianggap sebagai ringkasan seluruh laman web.
V2 Small menekankan mutu pengekstrakan untuk skema sukar dan HTML panjang. Turbo ialah versi berasingan yang dioptimumkan untuk memproses halaman pada daya pemprosesan lebih tinggi. Kedua-duanya berkongsi konteks 128K yang didokumenkan bagi keluarga V2 dan aliran kerja JSON berpandukan skema yang ketat. Peruntukan konteks mengandungi input dan output yang diminta bersama-sama, jadi fokuskan halaman besar pada rekod yang benar-benar diperlukan tugas.
Objek berstruktur boleh menyokong pemasukan data katalog, penghuraian dokumen atau lapisan bukti untuk jawapan berbantukan carian. Aplikasi mendapatkan halaman sumber, menyediakan skema dan mengesahkan output sebelum menggunakannya. Kekalkan pengecam halaman atau perkaitan sumber dalam aliran kerja yang mengelilinginya. Jika rekod mengandungi angka, bandingkan unit dan tafsiran yang dimaksudkan dengan sumber.
Pematuhan skema menetapkan bentuk hasil; ia tidak secara bebas mengesahkan setiap fakta yang diekstrak. Semak rekod yang mewakili kes penggunaan berdasarkan HTML asal dan takrifkan pengendalian maklumat bercanggah atau tiada. V2 Small kekal sebagai keluaran bernamanya sendiri, berasingan daripada checkpoint model V1 dengan pemberat terbuka. Antara mukanya yang didokumenkan ialah pengekstrakan HTML kepada JSON dan tidak membayangkan input imej, perbualan umum, akses web automatik atau aliran kerja pelaksanaan alat natif.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inference-net/schematron-v2-small | 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 $0.0001 / 1K token Output · Token output $0.00046 / 1K token Input · Bacaan cache $0.0001 / 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 termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.00046 / 1K token Input · Bacaan cache $0.0001 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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, 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 inference-net/schematron-v2-small
Gunakan laluan kaedah yang dipaparkan di atas.
inference-net/schematron-v2-smallSchematron V2 Small mengekstrak fakta yang ditentukan skema daripada HTML yang dibekalkan kepada JSON berjenis. Ia ialah pilihan V2 yang berorientasikan mutu untuk skema kompleks dan halaman panjang, dengan konteks pengeluar 128K, rekod bersarang dan penerangan medan yang menetapkan data untuk dikembalikan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Schematron V2 Small ialah model Inference.net yang mengutamakan mutu pengekstrakan untuk menukar HTML kepada JSON yang mematuhi skema. Pengeluar membangunkannya untuk skema kompleks dan halaman panjang, dengan peranan beban kerja yang berbeza daripada V2 Turbo yang berfokus pada daya pemprosesan. Ia membaca HTML dan skema pemanggil lalu mengembalikan rekod berstruktur yang sepadan. Matlamatnya ialah mengekstrak fakta yang diperlukan aplikasi hiliran, bukannya menjana respons perbualan yang luas.
Panduan pengeluar menyatakan arahan pengekstrakan patut berada dalam skema dan bukannya prom sistem atau pengguna bahasa semula jadi. Takrifkan jenis setiap sifat dan terangkan maknanya dalam penerangan medan. Objek dan senarai bersarang disokong. Rekod produk, contohnya, boleh membezakan pengecam produk daripada nama paparannya dan mengumpulkan nilai spesifikasi dalam objeknya sendiri.
Untuk halaman kompleks, selesaikan maksud medan yang kabur sebelum meminta pengekstrakan. Terangkan sama ada tarikh merujuk penerbitan, peristiwa atau semakan, dan cara beberapa nilai sumber patut diwakili. Gunakan konvensyen skema untuk maklumat yang tiada supaya model tidak perlu mereka nilai untuk menjadikan objek kelihatan lengkap. Pembuat menunjukkan model berjenis dan JSON Schema bersama pengesahan JSON yang dikembalikan.
Prapemprosesan HTML yang disyorkan membuang skrip, gaya dan kandungan templat berulang sambil mengekalkan kandungan berkaitan. Pengeluar menasihatkan pendekatan berhati-hati: membuang terlalu banyak boleh menghilangkan maklumat yang diperlukan pengekstrakan. Kekalkan tajuk jadual, label bersarang dan teks berhampiran yang menetapkan maksud nilai. Potong kepada kawasan berkaitan apabila halaman mengandungi navigasi tidak berkaitan atau bahan berulang.
Contoh tugas ialah mengekstrak rekod teknikal daripada halaman produk dengan beberapa jadual konfigurasi. Input patut mengekalkan jadual yang tergolong dalam setiap varian, dan skema patut menerangkan varian khusus atau senarai varian yang diperlukan. JSON yang dihasilkan kemudian boleh disemak berdasarkan baris sumber tersebut, bukannya dianggap sebagai ringkasan seluruh laman web.
V2 Small menekankan mutu pengekstrakan untuk skema sukar dan HTML panjang. Turbo ialah versi berasingan yang dioptimumkan untuk memproses halaman pada daya pemprosesan lebih tinggi. Kedua-duanya berkongsi konteks 128K yang didokumenkan bagi keluarga V2 dan aliran kerja JSON berpandukan skema yang ketat. Peruntukan konteks mengandungi input dan output yang diminta bersama-sama, jadi fokuskan halaman besar pada rekod yang benar-benar diperlukan tugas.
Objek berstruktur boleh menyokong pemasukan data katalog, penghuraian dokumen atau lapisan bukti untuk jawapan berbantukan carian. Aplikasi mendapatkan halaman sumber, menyediakan skema dan mengesahkan output sebelum menggunakannya. Kekalkan pengecam halaman atau perkaitan sumber dalam aliran kerja yang mengelilinginya. Jika rekod mengandungi angka, bandingkan unit dan tafsiran yang dimaksudkan dengan sumber.
Pematuhan skema menetapkan bentuk hasil; ia tidak secara bebas mengesahkan setiap fakta yang diekstrak. Semak rekod yang mewakili kes penggunaan berdasarkan HTML asal dan takrifkan pengendalian maklumat bercanggah atau tiada. V2 Small kekal sebagai keluaran bernamanya sendiri, berasingan daripada checkpoint model V1 dengan pemberat terbuka. Antara mukanya yang didokumenkan ialah pengekstrakan HTML kepada JSON dan tidak membayangkan input imej, perbualan umum, akses web automatik atau aliran kerja pelaksanaan alat natif.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inference-net/schematron-v2-small | 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 $0.0001 / 1K token Output · Token output $0.00046 / 1K token Input · Bacaan cache $0.0001 / 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 termasukTiada had atas | Caj Input · Token input $0.0001 / 1K token Output · Token output $0.00046 / 1K token Input · Bacaan cache $0.0001 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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, 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 inference-net/schematron-v2-small
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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