Trail Pack
- Weight
- 1.2 kg
- Rain cover
- Side pocket
Schematron V2 Turbo ialah model Inference.net yang berorientasikan daya pemprosesan untuk pengekstrakan berpandukan skema daripada HTML. Ia dibina khusus untuk menukar halaman web yang tidak kemas kepada JSON berjenis yang bersih, bukannya sebagai pembantu perbualan umum. Tugas mempunyai dua input semantik: HTML untuk diperiksa dan skema yang mentakrifkan maklumat untuk diekstrak. Hasil ialah objek JSON yang mematuhi struktur itu.
Aliran kerja pengeluar menggunakan skema sebagai kawalan pengekstrakan, bukannya arahan pengguna atau sistem dalam bahasa semula jadi. Letakkan maksud medan dalam penerangannya, dengan jenis yang sesuai dan sebarang struktur objek atau senarai bersarang. Untuk halaman produk, skema praktikal boleh meminta nama produk, nilai spesifikasi dengan unit dan senarai ciri yang dibekalkan. Contoh ini menerangkan rekod yang dikehendaki; nilai patut datang daripada halaman itu sendiri.
Penerangan medan yang jelas membezakan nilai sumber yang serupa. Kenal pasti sama ada medan bermaksud nama produk semasa, pengecam teknikal atau kategori, dan terangkan cara maklumat yang tiada patut diwakili. Pembuat menunjukkan takrif skema berjenis dan output skema JSON, dengan pengesahan objek yang dikembalikan. Sintaks yang betul tidak dengan sendirinya membuktikan nilai yang diekstrak sepadan dengan halaman asal.
Inference.net mengesyorkan pembersihan HTML untuk membuang skrip, gaya dan kandungan templat berulang sebelum pengekstrakan, menggunakan prapemprosesan yang sepadan dengan data latihan. Potong kepada kawasan berkaitan jika boleh, sambil memilih untuk mengekalkan lebih banyak kandungan apabila pembuangan agresif boleh membuang bukti berguna. Kekalkan tajuk, hubungan jadual, label dan unit yang diperlukan untuk mentafsir medan.
Untuk halaman yang mengandungi beberapa produk, jelaskan item yang dikehendaki dalam bahan dan skema. Simpan URL sumber atau pengecam halaman dalam rekod tugas yang mengelilinginya supaya objek diekstrak boleh disemak kemudian. Pengambilan halaman ialah operasi berasingan yang dilaksanakan aplikasi; Schematron mengekstrak daripada HTML yang diterimanya.
V2 Turbo ialah versi yang dioptimumkan untuk memproses banyak halaman dengan struktur output yang ditentukan. V2 Small ialah pilihan berasingan yang mengutamakan mutu pengekstrakan untuk skema kompleks dan dokumen panjang. Pilih peranan beban kerja mengikut rekod sebenar yang diperlukan, dan nilai sejauh mana data yang dikembalikan mengekalkan maklumat dalam halaman yang mewakili kes penggunaan. Peranan berdaya pemprosesan tinggi tidak menjadikan takrif medan yang kabur tepat.
Pengumuman keluarga V2 pengeluar mendokumenkan konteks 128K dan pematuhan skema mod JSON yang ketat. HTML dan hasil yang diminta berkongsi peruntukan tugas yang tersedia. Halaman besar mendapat manfaat daripada pengenalpastian kandungan berkaitan, bukannya menggunakan struktur halaman tidak berkaitan sebagai konteks.
Output JSON boleh membekalkan data kepada katalog, tugas pemasukan data atau sistem carian yang memerlukan fakta khusus, bukannya seluruh halaman mentah. Takrifkan rekod sekali, bandingkan nilai diekstrak dengan contoh sumber dan kekalkan perkaitan sumber. Untuk medan angka, semak unitnya dan sama ada halaman menerangkan nilai, julat atau konfigurasi alternatif.
Model V2 kekal berasingan daripada keluaran Schematron asal dengan pemberat terbuka. Mod pengekstrakannya yang didokumenkan tidak membayangkan sembang umum, analisis imej, pelayaran autonomi atau pelaksanaan alat. Hasil yang berguna ialah rekod berjenis yang diminta berasaskan HTML yang dibekalkan, dengan maklumat sumber yang belum diselesaikan atau tiada diwakili mengikut skema.
", "aboutText": "Schematron V2 Turbo ialah model Inference.net yang berorientasikan daya pemprosesan untuk pengekstrakan berpandukan skema daripada HTML. Ia dibina khusus untuk menukar halaman web yang tidak kemas kepada JSON berjenis yang bersih, bukannya sebagai pembantu perbualan umum. Tugas mempunyai dua input semantik: HTML untuk diperiksa dan skema yang mentakrifkan maklumat untuk diekstrak. Hasil ialah objek JSON yang mematuhi struktur itu.\n\n### Perkara yang menentukan pengekstrakan\n\nAliran kerja pengeluar menggunakan skema sebagai kawalan pengekstrakan, bukannya arahan pengguna atau sistem dalam bahasa semula jadi. Letakkan maksud medan dalam penerangannya, dengan jenis yang sesuai dan sebarang struktur objek atau senarai bersarang. Untuk halaman produk, skema praktikal boleh meminta nama produk, nilai spesifikasi dengan unit dan senarai ciri yang dibekalkan. Contoh ini menerangkan rekod yang dikehendaki; nilai patut datang daripada halaman itu sendiri.\n\nPenerangan medan yang jelas membezakan nilai sumber yang serupa. Kenal pasti sama ada medan bermaksud nama produk semasa, pengecam teknikal atau kategori, dan terangkan cara maklumat yang tiada patut diwakili. Pembuat menunjukkan takrif skema berjenis dan output skema JSON, dengan pengesahan objek yang dikembalikan. Sintaks yang betul tidak dengan sendirinya membuktikan nilai yang diekstrak sepadan dengan halaman asal.\n\n### Sediakan HTML\n\nInference.net mengesyorkan pembersihan HTML untuk membuang skrip, gaya dan kandungan templat berulang sebelum pengekstrakan, menggunakan prapemprosesan yang sepadan dengan data latihan. Potong kepada kawasan berkaitan jika boleh, sambil memilih untuk mengekalkan lebih banyak kandungan apabila pembuangan agresif boleh membuang bukti berguna. Kekalkan tajuk, hubungan jadual, label dan unit yang diperlukan untuk mentafsir medan.\n\nUntuk halaman yang mengandungi beberapa produk, jelaskan item yang dikehendaki dalam bahan dan skema. Simpan URL sumber atau pengecam halaman dalam rekod tugas yang mengelilinginya supaya objek diekstrak boleh disemak kemudian. Pengambilan halaman ialah operasi berasingan yang dilaksanakan aplikasi; Schematron mengekstrak daripada HTML yang diterimanya.\n\n### Peranan beban kerja Turbo\n\nV2 Turbo ialah versi yang dioptimumkan untuk memproses banyak halaman dengan struktur output yang ditentukan. V2 Small ialah pilihan berasingan yang mengutamakan mutu pengekstrakan untuk skema kompleks dan dokumen panjang. Pilih peranan beban kerja mengikut rekod sebenar yang diperlukan, dan nilai sejauh mana data yang dikembalikan mengekalkan maklumat dalam halaman yang mewakili kes penggunaan. Peranan berdaya pemprosesan tinggi tidak menjadikan takrif medan yang kabur tepat.\n\nPengumuman keluarga V2 pengeluar mendokumenkan konteks 128K dan pematuhan skema mod JSON yang ketat. HTML dan hasil yang diminta berkongsi peruntukan tugas yang tersedia. Halaman besar mendapat manfaat daripada pengenalpastian kandungan berkaitan, bukannya menggunakan struktur halaman tidak berkaitan sebagai konteks.\n\n### Hasil pengekstrakan yang berguna\n\nOutput JSON boleh membekalkan data kepada katalog, tugas pemasukan data atau sistem carian yang memerlukan fakta khusus, bukannya seluruh halaman mentah. Takrifkan rekod sekali, bandingkan nilai diekstrak dengan contoh sumber dan kekalkan perkaitan sumber. Untuk medan angka, semak unitnya dan sama ada halaman menerangkan nilai, julat atau konfigurasi alternatif.\n\nModel V2 kekal berasingan daripada keluaran Schematron asal dengan pemberat terbuka. Mod pengekstrakannya yang didokumenkan tidak membayangkan sembang umum, analisis imej, pelayaran autonomi atau pelaksanaan alat. Hasil yang berguna ialah rekod berjenis yang diminta berasaskan HTML yang dibekalkan, dengan maklumat sumber yang belum diselesaikan atau tiada diwakili mengikut skema.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Extract a typed product record\n\nHTML:\n<article><h1>Trail Pack</h1><dl><dt>Weight</dt><dd>1.2 kg</dd></dl><ul><li>Rain cover</li><li>Side pocket</li></ul></article>\nSchema:\n{"type":"object","properties":{"name":{"type":"string","description":"Product heading"},"weight_kg":{"type":"number","description":"Weight in kilograms"},"features":{"type":"array","items":{"type":"string"},"description":"Listed product features"}},"required":["name","weight_kg","features"],"additionalProperties":false}A JSON object with name as a string, weight_kg as a number and features as a list of strings, with no extra properties.Validate the requested schema and compare every value to the supplied HTML, including the kilogram unit.inference-net/schematron-v2-turboSchematron V2 Turbo menukar HTML yang dibekalkan kepada JSON berjenis menggunakan skema yang ditakrifkan pemanggil. Edisi V2 yang berorientasikan daya pemprosesan menyokong pengekstrakan halaman panjang dalam konteks pengeluar 128K; penerangan medan, objek bersarang dan senarai menentukan maklumat yang perlu dikembalikan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Schematron V2 Turbo ialah model Inference.net yang berorientasikan daya pemprosesan untuk pengekstrakan berpandukan skema daripada HTML. Ia dibina khusus untuk menukar halaman web yang tidak kemas kepada JSON berjenis yang bersih, bukannya sebagai pembantu perbualan umum. Tugas mempunyai dua input semantik: HTML untuk diperiksa dan skema yang mentakrifkan maklumat untuk diekstrak. Hasil ialah objek JSON yang mematuhi struktur itu.
Aliran kerja pengeluar menggunakan skema sebagai kawalan pengekstrakan, bukannya arahan pengguna atau sistem dalam bahasa semula jadi. Letakkan maksud medan dalam penerangannya, dengan jenis yang sesuai dan sebarang struktur objek atau senarai bersarang. Untuk halaman produk, skema praktikal boleh meminta nama produk, nilai spesifikasi dengan unit dan senarai ciri yang dibekalkan. Contoh ini menerangkan rekod yang dikehendaki; nilai patut datang daripada halaman itu sendiri.
Penerangan medan yang jelas membezakan nilai sumber yang serupa. Kenal pasti sama ada medan bermaksud nama produk semasa, pengecam teknikal atau kategori, dan terangkan cara maklumat yang tiada patut diwakili. Pembuat menunjukkan takrif skema berjenis dan output skema JSON, dengan pengesahan objek yang dikembalikan. Sintaks yang betul tidak dengan sendirinya membuktikan nilai yang diekstrak sepadan dengan halaman asal.
Inference.net mengesyorkan pembersihan HTML untuk membuang skrip, gaya dan kandungan templat berulang sebelum pengekstrakan, menggunakan prapemprosesan yang sepadan dengan data latihan. Potong kepada kawasan berkaitan jika boleh, sambil memilih untuk mengekalkan lebih banyak kandungan apabila pembuangan agresif boleh membuang bukti berguna. Kekalkan tajuk, hubungan jadual, label dan unit yang diperlukan untuk mentafsir medan.
Untuk halaman yang mengandungi beberapa produk, jelaskan item yang dikehendaki dalam bahan dan skema. Simpan URL sumber atau pengecam halaman dalam rekod tugas yang mengelilinginya supaya objek diekstrak boleh disemak kemudian. Pengambilan halaman ialah operasi berasingan yang dilaksanakan aplikasi; Schematron mengekstrak daripada HTML yang diterimanya.
V2 Turbo ialah versi yang dioptimumkan untuk memproses banyak halaman dengan struktur output yang ditentukan. V2 Small ialah pilihan berasingan yang mengutamakan mutu pengekstrakan untuk skema kompleks dan dokumen panjang. Pilih peranan beban kerja mengikut rekod sebenar yang diperlukan, dan nilai sejauh mana data yang dikembalikan mengekalkan maklumat dalam halaman yang mewakili kes penggunaan. Peranan berdaya pemprosesan tinggi tidak menjadikan takrif medan yang kabur tepat.
Pengumuman keluarga V2 pengeluar mendokumenkan konteks 128K dan pematuhan skema mod JSON yang ketat. HTML dan hasil yang diminta berkongsi peruntukan tugas yang tersedia. Halaman besar mendapat manfaat daripada pengenalpastian kandungan berkaitan, bukannya menggunakan struktur halaman tidak berkaitan sebagai konteks.
Output JSON boleh membekalkan data kepada katalog, tugas pemasukan data atau sistem carian yang memerlukan fakta khusus, bukannya seluruh halaman mentah. Takrifkan rekod sekali, bandingkan nilai diekstrak dengan contoh sumber dan kekalkan perkaitan sumber. Untuk medan angka, semak unitnya dan sama ada halaman menerangkan nilai, julat atau konfigurasi alternatif.
Model V2 kekal berasingan daripada keluaran Schematron asal dengan pemberat terbuka. Mod pengekstrakannya yang didokumenkan tidak membayangkan sembang umum, analisis imej, pelayaran autonomi atau pelaksanaan alat. Hasil yang berguna ialah rekod berjenis yang diminta berasaskan HTML yang dibekalkan, dengan maklumat sumber yang belum diselesaikan atau tiada diwakili mengikut skema.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inference-net/schematron-v2-turbo | 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 $0.00006 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00006 / 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 $0.00006 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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-turbo", "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-turbo',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-turbo',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-turbo
Gunakan laluan kaedah yang dipaparkan di atas.
inference-net/schematron-v2-turboSchematron V2 Turbo menukar HTML yang dibekalkan kepada JSON berjenis menggunakan skema yang ditakrifkan pemanggil. Edisi V2 yang berorientasikan daya pemprosesan menyokong pengekstrakan halaman panjang dalam konteks pengeluar 128K; penerangan medan, objek bersarang dan senarai menentukan maklumat yang perlu dikembalikan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Schematron V2 Turbo ialah model Inference.net yang berorientasikan daya pemprosesan untuk pengekstrakan berpandukan skema daripada HTML. Ia dibina khusus untuk menukar halaman web yang tidak kemas kepada JSON berjenis yang bersih, bukannya sebagai pembantu perbualan umum. Tugas mempunyai dua input semantik: HTML untuk diperiksa dan skema yang mentakrifkan maklumat untuk diekstrak. Hasil ialah objek JSON yang mematuhi struktur itu.
Aliran kerja pengeluar menggunakan skema sebagai kawalan pengekstrakan, bukannya arahan pengguna atau sistem dalam bahasa semula jadi. Letakkan maksud medan dalam penerangannya, dengan jenis yang sesuai dan sebarang struktur objek atau senarai bersarang. Untuk halaman produk, skema praktikal boleh meminta nama produk, nilai spesifikasi dengan unit dan senarai ciri yang dibekalkan. Contoh ini menerangkan rekod yang dikehendaki; nilai patut datang daripada halaman itu sendiri.
Penerangan medan yang jelas membezakan nilai sumber yang serupa. Kenal pasti sama ada medan bermaksud nama produk semasa, pengecam teknikal atau kategori, dan terangkan cara maklumat yang tiada patut diwakili. Pembuat menunjukkan takrif skema berjenis dan output skema JSON, dengan pengesahan objek yang dikembalikan. Sintaks yang betul tidak dengan sendirinya membuktikan nilai yang diekstrak sepadan dengan halaman asal.
Inference.net mengesyorkan pembersihan HTML untuk membuang skrip, gaya dan kandungan templat berulang sebelum pengekstrakan, menggunakan prapemprosesan yang sepadan dengan data latihan. Potong kepada kawasan berkaitan jika boleh, sambil memilih untuk mengekalkan lebih banyak kandungan apabila pembuangan agresif boleh membuang bukti berguna. Kekalkan tajuk, hubungan jadual, label dan unit yang diperlukan untuk mentafsir medan.
Untuk halaman yang mengandungi beberapa produk, jelaskan item yang dikehendaki dalam bahan dan skema. Simpan URL sumber atau pengecam halaman dalam rekod tugas yang mengelilinginya supaya objek diekstrak boleh disemak kemudian. Pengambilan halaman ialah operasi berasingan yang dilaksanakan aplikasi; Schematron mengekstrak daripada HTML yang diterimanya.
V2 Turbo ialah versi yang dioptimumkan untuk memproses banyak halaman dengan struktur output yang ditentukan. V2 Small ialah pilihan berasingan yang mengutamakan mutu pengekstrakan untuk skema kompleks dan dokumen panjang. Pilih peranan beban kerja mengikut rekod sebenar yang diperlukan, dan nilai sejauh mana data yang dikembalikan mengekalkan maklumat dalam halaman yang mewakili kes penggunaan. Peranan berdaya pemprosesan tinggi tidak menjadikan takrif medan yang kabur tepat.
Pengumuman keluarga V2 pengeluar mendokumenkan konteks 128K dan pematuhan skema mod JSON yang ketat. HTML dan hasil yang diminta berkongsi peruntukan tugas yang tersedia. Halaman besar mendapat manfaat daripada pengenalpastian kandungan berkaitan, bukannya menggunakan struktur halaman tidak berkaitan sebagai konteks.
Output JSON boleh membekalkan data kepada katalog, tugas pemasukan data atau sistem carian yang memerlukan fakta khusus, bukannya seluruh halaman mentah. Takrifkan rekod sekali, bandingkan nilai diekstrak dengan contoh sumber dan kekalkan perkaitan sumber. Untuk medan angka, semak unitnya dan sama ada halaman menerangkan nilai, julat atau konfigurasi alternatif.
Model V2 kekal berasingan daripada keluaran Schematron asal dengan pemberat terbuka. Mod pengekstrakannya yang didokumenkan tidak membayangkan sembang umum, analisis imej, pelayaran autonomi atau pelaksanaan alat. Hasil yang berguna ialah rekod berjenis yang diminta berasaskan HTML yang dibekalkan, dengan maklumat sumber yang belum diselesaikan atau tiada diwakili mengikut skema.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had inference-net/schematron-v2-turbo | 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 $0.00006 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00006 / 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 $0.00006 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "inference-net/schematron-v2-turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-turbo', '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-turbo', '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-turbo
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Extract a typed product record\n\nHTML:\n<article><h1>Trail Pack</h1><dl><dt>Weight</dt><dd>1.2 kg</dd></dl><ul><li>Rain cover</li><li>Side pocket</li></ul></article>\nSchema:\n{"type":"object","properties":{"name":{"type":"string","description":"Product heading"},"weight_kg":{"type":"number","description":"Weight in kilograms"},"features":{"type":"array","items":{"type":"string"},"description":"Listed product features"}},"required":["name","weight_kg","features"],"additionalProperties":false}A JSON object with name as a string, weight_kg as a number and features as a list of strings, with no extra properties.Validate the requested schema and compare every value to the supplied HTML, including the kilogram unit.