SenseChat-5 ialah model bahasa umum V5 dalam siri SenseNova SenseTime. Pengeluar menerangkan skop tugasannya merentas bahasa, pengetahuan, penaakulan, matematik dan kod, dengan perhatian khusus kepada soalan terbuka, dialog berbilang giliran, pengekstrakan maklumat dan penulisan. Input perbualannya yang didokumenkan ialah teks, dan hasil yang berguna ialah jawapan bertulis, draf, analisis atau arahan berkaitan alat.
Pisahkan arahan tugasan daripada bahan untuk dianalisis. Contoh perbualan serasi pembuat menggunakan mesej sistem untuk mentakrifkan peranan dan format jawapan, diikuti mesej pengguna yang mengandungi permintaan. Rujukan perbualan aslinya juga membezakan mesej system, user dan assistant. Kekalkan dialog yang berkaitan mengikut urutan apabila soalan susulan bergantung pada jawapan terdahulu.
Untuk tugasan pengekstrakan, berikan dokumen dan namakan medan yang perlu dipulangkan. Ringkasan tugasan yang berguna ialah: “Ekstrak tarikh akhir yang dinyatakan, pasukan yang bertanggungjawab dan hasil serahan yang diperlukan ke dalam jadual, serta kenal pasti petikan yang menyokong setiap nilai.” Untuk tugasan penulisan, berikan khalayak, tujuan, nada dan bahagian yang diperlukan. Anggap bilangan perkataan yang diminta sebagai arahan penulisan dan periksa pematuhannya dalam jawapan yang selesai.
Pembuat menyenaraikan konteks 128K untuk SenseChat-5. Rujukan perbualan aslinya menjelaskan bahawa input yang dibekalkan dan respons maksimum yang diperuntukkan perlu muat dalam konteks model. Pengetahuan yang diambil atau teks rujukan yang disuntik juga menggunakan ruang input. Simpan soalan, petikan sumber penting dan ruang yang mencukupi untuk respons bersama-sama, bukannya memenuhi seluruh peruntukan dengan dokumen.
Untuk perbandingan sumber panjang, labelkan setiap dokumen dan kekalkan sempadan bahagian. Tanyakan keperluan yang sepadan, keperluan yang bercanggah dan petikan yang menyokong perbezaannya. Berikan takrif dan pengecam penting secara nyata. Jika tugasan hanya melibatkan beberapa bahagian, pilih bahagian itu dan konteks yang diperlukan untuk mentafsirkannya supaya perbandingan akhir kekal mudah disemak.
Bekalkan masalah lengkap bersama andaian, unit dan bentuk akhir yang diminta. Minta pengiraan mengenal pasti nilai yang digunakannya dan penjelasan membezakan fakta yang dinyatakan daripada andaian. Kesimpulan perlu disemak dengan syarat dalam masalah, terutamanya apabila beberapa langkah bergantung pada satu tafsiran awal.
Untuk kerja kod, sertakan sumber berkaitan, tingkah laku yang diperhatikan dan hasil yang dijangka. Output yang berguna ialah cadangan perubahan bersama syarat yang ditanganinya dan semakan yang diperlukan untuk menilainya. Pulangkan ralat sebenar atau hasil pelaksanaan apabila giliran seterusnya bergantung pada sama ada cadangan berjaya. Jawapan bertulis dan hasil menjalankan jawapan itu ialah artifak yang berasingan.
Keluaran V5 SenseTime mendokumenkan panggilan fungsi tersuai: aplikasi yang disambungkan boleh menyediakan takrif alat untuk dipilih dan digunakan model. Takrifkan tujuan dan argumen setiap alat berdasarkan operasi sebenar, kemudian simpan pemerhatian yang dipulangkan bersama perbualan. Minta jawapan akhir menggunakan hasil carian atau operasi sebenar, bukannya membuat inferens bahawa tindakan yang diminta telah berjaya.
Keluaran V5 yang sama menerangkan aliran kerja pentafsir kod yang menjana Python untuk pengiraan matematik. Ini ialah aliran kerja pengiraan yang disambungkan, bukannya alasan untuk menganggap setiap blok kod yang dijana telah dilaksanakan. Bekalkan data untuk dikira, kekalkan hasil pentafsir dan periksa hubungan penjelasan bertulis dengan hasil itu.
Contoh perbualan pengeluar menunjukkan respons lengkap dan teks distrim. Jawapan lengkap menyediakan mesej pembantu; penstriman menghantar bahagian berturutan yang perlu dihimpunkan menjadi respons akhir. Kekalkan teks akhir itu bersama permintaan dan bahan sumber sebelum menggunakannya sebagai dokumen, laporan atau respons aplikasi.
Nyatakan edisi model secara nyata. SenseChat-Turbo ialah model dialog ringan yang berasingan, dan SenseChat-5-Cantonese ialah penyesuaian yang dinamakan secara berasingan. Pengeluar juga menerbitkan model penglihatan, gabungan modaliti dan dialog watak yang berbeza. Gunakan varian SenseChat-5 ini untuk perbualan teks dan kerja bahasa berbantukan alat yang didokumenkan, serta semak nilai yang diekstrak, langkah penaakulan dan operasi yang dicadangkan dengan bukti yang dibekalkan.
", "aboutText": "### Kerja bahasa dan penaakulan umum\n\nSenseChat-5 ialah model bahasa umum V5 dalam siri SenseNova SenseTime. Pengeluar menerangkan skop tugasannya merentas bahasa, pengetahuan, penaakulan, matematik dan kod, dengan perhatian khusus kepada soalan terbuka, dialog berbilang giliran, pengekstrakan maklumat dan penulisan. Input perbualannya yang didokumenkan ialah teks, dan hasil yang berguna ialah jawapan bertulis, draf, analisis atau arahan berkaitan alat.\n\n### Sediakan perbualan\n\nPisahkan arahan tugasan daripada bahan untuk dianalisis. Contoh perbualan serasi pembuat menggunakan mesej sistem untuk mentakrifkan peranan dan format jawapan, diikuti mesej pengguna yang mengandungi permintaan. Rujukan perbualan aslinya juga membezakan mesej system, user dan assistant. Kekalkan dialog yang berkaitan mengikut urutan apabila soalan susulan bergantung pada jawapan terdahulu.\n\nUntuk tugasan pengekstrakan, berikan dokumen dan namakan medan yang perlu dipulangkan. Ringkasan tugasan yang berguna ialah: “Ekstrak tarikh akhir yang dinyatakan, pasukan yang bertanggungjawab dan hasil serahan yang diperlukan ke dalam jadual, serta kenal pasti petikan yang menyokong setiap nilai.” Untuk tugasan penulisan, berikan khalayak, tujuan, nada dan bahagian yang diperlukan. Anggap bilangan perkataan yang diminta sebagai arahan penulisan dan periksa pematuhannya dalam jawapan yang selesai.\n\n### Bekerja dengan konteks 128K\n\nPembuat menyenaraikan konteks 128K untuk SenseChat-5. Rujukan perbualan aslinya menjelaskan bahawa input yang dibekalkan dan respons maksimum yang diperuntukkan perlu muat dalam konteks model. Pengetahuan yang diambil atau teks rujukan yang disuntik juga menggunakan ruang input. Simpan soalan, petikan sumber penting dan ruang yang mencukupi untuk respons bersama-sama, bukannya memenuhi seluruh peruntukan dengan dokumen.\n\nUntuk perbandingan sumber panjang, labelkan setiap dokumen dan kekalkan sempadan bahagian. Tanyakan keperluan yang sepadan, keperluan yang bercanggah dan petikan yang menyokong perbezaannya. Berikan takrif dan pengecam penting secara nyata. Jika tugasan hanya melibatkan beberapa bahagian, pilih bahagian itu dan konteks yang diperlukan untuk mentafsirkannya supaya perbandingan akhir kekal mudah disemak.\n\n### Penaakulan, matematik dan kod\n\nBekalkan masalah lengkap bersama andaian, unit dan bentuk akhir yang diminta. Minta pengiraan mengenal pasti nilai yang digunakannya dan penjelasan membezakan fakta yang dinyatakan daripada andaian. Kesimpulan perlu disemak dengan syarat dalam masalah, terutamanya apabila beberapa langkah bergantung pada satu tafsiran awal.\n\nUntuk kerja kod, sertakan sumber berkaitan, tingkah laku yang diperhatikan dan hasil yang dijangka. Output yang berguna ialah cadangan perubahan bersama syarat yang ditanganinya dan semakan yang diperlukan untuk menilainya. Pulangkan ralat sebenar atau hasil pelaksanaan apabila giliran seterusnya bergantung pada sama ada cadangan berjaya. Jawapan bertulis dan hasil menjalankan jawapan itu ialah artifak yang berasingan.\n\n### Alat tersuai dan pengiraan\n\nKeluaran V5 SenseTime mendokumenkan panggilan fungsi tersuai: aplikasi yang disambungkan boleh menyediakan takrif alat untuk dipilih dan digunakan model. Takrifkan tujuan dan argumen setiap alat berdasarkan operasi sebenar, kemudian simpan pemerhatian yang dipulangkan bersama perbualan. Minta jawapan akhir menggunakan hasil carian atau operasi sebenar, bukannya membuat inferens bahawa tindakan yang diminta telah berjaya.\n\nKeluaran V5 yang sama menerangkan aliran kerja pentafsir kod yang menjana Python untuk pengiraan matematik. Ini ialah aliran kerja pengiraan yang disambungkan, bukannya alasan untuk menganggap setiap blok kod yang dijana telah dilaksanakan. Bekalkan data untuk dikira, kekalkan hasil pentafsir dan periksa hubungan penjelasan bertulis dengan hasil itu.\n\n### Jawapan lengkap dan penstriman\n\nContoh perbualan pengeluar menunjukkan respons lengkap dan teks distrim. Jawapan lengkap menyediakan mesej pembantu; penstriman menghantar bahagian berturutan yang perlu dihimpunkan menjadi respons akhir. Kekalkan teks akhir itu bersama permintaan dan bahan sumber sebelum menggunakannya sebagai dokumen, laporan atau respons aplikasi.\n\nNyatakan edisi model secara nyata. SenseChat-Turbo ialah model dialog ringan yang berasingan, dan SenseChat-5-Cantonese ialah penyesuaian yang dinamakan secara berasingan. Pengeluar juga menerbitkan model penglihatan, gabungan modaliti dan dialog watak yang berbeza. Gunakan varian SenseChat-5 ini untuk perbualan teks dan kerja bahasa berbantukan alat yang didokumenkan, serta semak nilai yang diekstrak, langkah penaakulan dan operasi yang dicadangkan dengan bukti yang dibekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.SenseChat-5SenseChat-5 daripada SenseTime ialah model perbualan teks untuk tugasan bahasa, pengetahuan, penaakulan, matematik dan kod. Konteks 128K yang didokumenkan menyokong bahan sumber lebih panjang, manakala aliran kerja V5 pengeluar merangkumi panggilan fungsi tersuai dan pengiraan dengan pentafsir kod.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
SenseChat-5 ialah model bahasa umum V5 dalam siri SenseNova SenseTime. Pengeluar menerangkan skop tugasannya merentas bahasa, pengetahuan, penaakulan, matematik dan kod, dengan perhatian khusus kepada soalan terbuka, dialog berbilang giliran, pengekstrakan maklumat dan penulisan. Input perbualannya yang didokumenkan ialah teks, dan hasil yang berguna ialah jawapan bertulis, draf, analisis atau arahan berkaitan alat.
Pisahkan arahan tugasan daripada bahan untuk dianalisis. Contoh perbualan serasi pembuat menggunakan mesej sistem untuk mentakrifkan peranan dan format jawapan, diikuti mesej pengguna yang mengandungi permintaan. Rujukan perbualan aslinya juga membezakan mesej system, user dan assistant. Kekalkan dialog yang berkaitan mengikut urutan apabila soalan susulan bergantung pada jawapan terdahulu.
Untuk tugasan pengekstrakan, berikan dokumen dan namakan medan yang perlu dipulangkan. Ringkasan tugasan yang berguna ialah: “Ekstrak tarikh akhir yang dinyatakan, pasukan yang bertanggungjawab dan hasil serahan yang diperlukan ke dalam jadual, serta kenal pasti petikan yang menyokong setiap nilai.” Untuk tugasan penulisan, berikan khalayak, tujuan, nada dan bahagian yang diperlukan. Anggap bilangan perkataan yang diminta sebagai arahan penulisan dan periksa pematuhannya dalam jawapan yang selesai.
Pembuat menyenaraikan konteks 128K untuk SenseChat-5. Rujukan perbualan aslinya menjelaskan bahawa input yang dibekalkan dan respons maksimum yang diperuntukkan perlu muat dalam konteks model. Pengetahuan yang diambil atau teks rujukan yang disuntik juga menggunakan ruang input. Simpan soalan, petikan sumber penting dan ruang yang mencukupi untuk respons bersama-sama, bukannya memenuhi seluruh peruntukan dengan dokumen.
Untuk perbandingan sumber panjang, labelkan setiap dokumen dan kekalkan sempadan bahagian. Tanyakan keperluan yang sepadan, keperluan yang bercanggah dan petikan yang menyokong perbezaannya. Berikan takrif dan pengecam penting secara nyata. Jika tugasan hanya melibatkan beberapa bahagian, pilih bahagian itu dan konteks yang diperlukan untuk mentafsirkannya supaya perbandingan akhir kekal mudah disemak.
Bekalkan masalah lengkap bersama andaian, unit dan bentuk akhir yang diminta. Minta pengiraan mengenal pasti nilai yang digunakannya dan penjelasan membezakan fakta yang dinyatakan daripada andaian. Kesimpulan perlu disemak dengan syarat dalam masalah, terutamanya apabila beberapa langkah bergantung pada satu tafsiran awal.
Untuk kerja kod, sertakan sumber berkaitan, tingkah laku yang diperhatikan dan hasil yang dijangka. Output yang berguna ialah cadangan perubahan bersama syarat yang ditanganinya dan semakan yang diperlukan untuk menilainya. Pulangkan ralat sebenar atau hasil pelaksanaan apabila giliran seterusnya bergantung pada sama ada cadangan berjaya. Jawapan bertulis dan hasil menjalankan jawapan itu ialah artifak yang berasingan.
Keluaran V5 SenseTime mendokumenkan panggilan fungsi tersuai: aplikasi yang disambungkan boleh menyediakan takrif alat untuk dipilih dan digunakan model. Takrifkan tujuan dan argumen setiap alat berdasarkan operasi sebenar, kemudian simpan pemerhatian yang dipulangkan bersama perbualan. Minta jawapan akhir menggunakan hasil carian atau operasi sebenar, bukannya membuat inferens bahawa tindakan yang diminta telah berjaya.
Keluaran V5 yang sama menerangkan aliran kerja pentafsir kod yang menjana Python untuk pengiraan matematik. Ini ialah aliran kerja pengiraan yang disambungkan, bukannya alasan untuk menganggap setiap blok kod yang dijana telah dilaksanakan. Bekalkan data untuk dikira, kekalkan hasil pentafsir dan periksa hubungan penjelasan bertulis dengan hasil itu.
Contoh perbualan pengeluar menunjukkan respons lengkap dan teks distrim. Jawapan lengkap menyediakan mesej pembantu; penstriman menghantar bahagian berturutan yang perlu dihimpunkan menjadi respons akhir. Kekalkan teks akhir itu bersama permintaan dan bahan sumber sebelum menggunakannya sebagai dokumen, laporan atau respons aplikasi.
Nyatakan edisi model secara nyata. SenseChat-Turbo ialah model dialog ringan yang berasingan, dan SenseChat-5-Cantonese ialah penyesuaian yang dinamakan secara berasingan. Pengeluar juga menerbitkan model penglihatan, gabungan modaliti dan dialog watak yang berbeza. Gunakan varian SenseChat-5 ini untuk perbualan teks dan kerja bahasa berbantukan alat yang didokumenkan, serta semak nilai yang diekstrak, langkah penaakulan dan operasi yang dicadangkan dengan bukti yang dibekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had SenseChat-5 | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0132 / 1K token Output · Token output $0.0308 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-5", "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='SenseChat-5',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='SenseChat-5',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 SenseChat-5
Gunakan laluan kaedah yang dipaparkan di atas.
SenseChat-5SenseChat-5 daripada SenseTime ialah model perbualan teks untuk tugasan bahasa, pengetahuan, penaakulan, matematik dan kod. Konteks 128K yang didokumenkan menyokong bahan sumber lebih panjang, manakala aliran kerja V5 pengeluar merangkumi panggilan fungsi tersuai dan pengiraan dengan pentafsir kod.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
SenseChat-5 ialah model bahasa umum V5 dalam siri SenseNova SenseTime. Pengeluar menerangkan skop tugasannya merentas bahasa, pengetahuan, penaakulan, matematik dan kod, dengan perhatian khusus kepada soalan terbuka, dialog berbilang giliran, pengekstrakan maklumat dan penulisan. Input perbualannya yang didokumenkan ialah teks, dan hasil yang berguna ialah jawapan bertulis, draf, analisis atau arahan berkaitan alat.
Pisahkan arahan tugasan daripada bahan untuk dianalisis. Contoh perbualan serasi pembuat menggunakan mesej sistem untuk mentakrifkan peranan dan format jawapan, diikuti mesej pengguna yang mengandungi permintaan. Rujukan perbualan aslinya juga membezakan mesej system, user dan assistant. Kekalkan dialog yang berkaitan mengikut urutan apabila soalan susulan bergantung pada jawapan terdahulu.
Untuk tugasan pengekstrakan, berikan dokumen dan namakan medan yang perlu dipulangkan. Ringkasan tugasan yang berguna ialah: “Ekstrak tarikh akhir yang dinyatakan, pasukan yang bertanggungjawab dan hasil serahan yang diperlukan ke dalam jadual, serta kenal pasti petikan yang menyokong setiap nilai.” Untuk tugasan penulisan, berikan khalayak, tujuan, nada dan bahagian yang diperlukan. Anggap bilangan perkataan yang diminta sebagai arahan penulisan dan periksa pematuhannya dalam jawapan yang selesai.
Pembuat menyenaraikan konteks 128K untuk SenseChat-5. Rujukan perbualan aslinya menjelaskan bahawa input yang dibekalkan dan respons maksimum yang diperuntukkan perlu muat dalam konteks model. Pengetahuan yang diambil atau teks rujukan yang disuntik juga menggunakan ruang input. Simpan soalan, petikan sumber penting dan ruang yang mencukupi untuk respons bersama-sama, bukannya memenuhi seluruh peruntukan dengan dokumen.
Untuk perbandingan sumber panjang, labelkan setiap dokumen dan kekalkan sempadan bahagian. Tanyakan keperluan yang sepadan, keperluan yang bercanggah dan petikan yang menyokong perbezaannya. Berikan takrif dan pengecam penting secara nyata. Jika tugasan hanya melibatkan beberapa bahagian, pilih bahagian itu dan konteks yang diperlukan untuk mentafsirkannya supaya perbandingan akhir kekal mudah disemak.
Bekalkan masalah lengkap bersama andaian, unit dan bentuk akhir yang diminta. Minta pengiraan mengenal pasti nilai yang digunakannya dan penjelasan membezakan fakta yang dinyatakan daripada andaian. Kesimpulan perlu disemak dengan syarat dalam masalah, terutamanya apabila beberapa langkah bergantung pada satu tafsiran awal.
Untuk kerja kod, sertakan sumber berkaitan, tingkah laku yang diperhatikan dan hasil yang dijangka. Output yang berguna ialah cadangan perubahan bersama syarat yang ditanganinya dan semakan yang diperlukan untuk menilainya. Pulangkan ralat sebenar atau hasil pelaksanaan apabila giliran seterusnya bergantung pada sama ada cadangan berjaya. Jawapan bertulis dan hasil menjalankan jawapan itu ialah artifak yang berasingan.
Keluaran V5 SenseTime mendokumenkan panggilan fungsi tersuai: aplikasi yang disambungkan boleh menyediakan takrif alat untuk dipilih dan digunakan model. Takrifkan tujuan dan argumen setiap alat berdasarkan operasi sebenar, kemudian simpan pemerhatian yang dipulangkan bersama perbualan. Minta jawapan akhir menggunakan hasil carian atau operasi sebenar, bukannya membuat inferens bahawa tindakan yang diminta telah berjaya.
Keluaran V5 yang sama menerangkan aliran kerja pentafsir kod yang menjana Python untuk pengiraan matematik. Ini ialah aliran kerja pengiraan yang disambungkan, bukannya alasan untuk menganggap setiap blok kod yang dijana telah dilaksanakan. Bekalkan data untuk dikira, kekalkan hasil pentafsir dan periksa hubungan penjelasan bertulis dengan hasil itu.
Contoh perbualan pengeluar menunjukkan respons lengkap dan teks distrim. Jawapan lengkap menyediakan mesej pembantu; penstriman menghantar bahagian berturutan yang perlu dihimpunkan menjadi respons akhir. Kekalkan teks akhir itu bersama permintaan dan bahan sumber sebelum menggunakannya sebagai dokumen, laporan atau respons aplikasi.
Nyatakan edisi model secara nyata. SenseChat-Turbo ialah model dialog ringan yang berasingan, dan SenseChat-5-Cantonese ialah penyesuaian yang dinamakan secara berasingan. Pengeluar juga menerbitkan model penglihatan, gabungan modaliti dan dialog watak yang berbeza. Gunakan varian SenseChat-5 ini untuk perbualan teks dan kerja bahasa berbantukan alat yang didokumenkan, serta semak nilai yang diekstrak, langkah penaakulan dan operasi yang dicadangkan dengan bukti yang dibekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had SenseChat-5 | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0132 / 1K token Output · Token output $0.0308 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'SenseChat-5', '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': 'SenseChat-5', '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 SenseChat-5
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.