SenseChat-Turbo ialah entri dialog umum ringan dalam barisan model SenseNova SenseTime. Pembuat menempatkannya untuk menjawab soalan pantas dan senario penalaan model. Gunakannya untuk tugasan teks dengan skop yang jelas terbatas: menjawab soalan berdasarkan maklumat yang dibekalkan, menulis semula mesej pendek, mengenal pasti isi utama petikan atau meneruskan perbualan berfokus.
Nyatakan perkara yang perlu dicapai oleh jawapan dan sertakan maklumat yang diperlukan untuk menghasilkannya. Untuk penjelasan kepada pelanggan, bekalkan fakta produk berkaitan dan minta jawapan ringkas kepada soalan sebenar. Untuk penulisan semula, berikan ayat asal, khalayak dan nada yang dikehendaki. Pisahkan bahan untuk dianalisis daripada arahan tentang cara mempersembahkan hasil.
Ringkasan tugasan yang berguna ialah: “Gunakan petikan dasar yang dibekalkan untuk menjelaskan langkah yang terpakai pada situasi ini, kemudian senaraikan maklumat yang masih diperlukan.” Teks yang terhasil perlu membezakan jawapan yang disokong daripada soalan yang tidak diselesaikan oleh petikan. Respons pendek lebih mudah digunakan apabila menjawab satu isu yang jelas dan bukannya mencampurkan beberapa objektif yang tidak berkaitan.
Aliran kerja perbualan teks pengeluar menggunakan mesej berlabel peranan dan menyokong urutan permintaan pengguna serta jawapan pembantu. Kekalkan giliran terdahulu apabila soalan susulan merujuk kepadanya, bersama sebarang fakta atau kekangan yang masih penting. Dalam aliran kerja tanpa sejarah perbualan yang disimpan pelayan, aplikasi membekalkan sejarah berkaitan bersama permintaan seterusnya.
Untuk pertukaran sokongan berterusan, kekalkan soalan yang telah dijelaskan dan pemerhatian yang dibekalkan pengguna. Minta respons seterusnya meneruskan daripada keadaan itu. Buang bahan tidak berkaitan yang mengganggu tugasan semasa, dan peruntukkan ruang untuk jawapan dalam konfigurasi yang digunakan bagi perbualan.
SenseTime menyenaraikan senario penalaan model sebagai sebahagian kedudukan Turbo. Untuk penyesuaian khusus tugasan, sediakan contoh input dan jawapan yang mewakili tingkah laku yang dikehendaki: kosa kata, bentuk respons, tahap perincian dan pengendalian maklumat yang tiada. Pastikan jawapan yang dijangka konsisten dengan fakta sumber dalam setiap contoh.
Contoh yang berguna boleh membezakan respons fakta daripada permintaan penjelasan, atau penjelasan pendek daripada senarai medan berstruktur. Sertakan kes sukar atau kabur serta kes mudah. Semak contoh dengan tugasan yang dikehendaki sebelum menganggap ayatnya sebagai corak untuk diulang. Penyediaan ini menerangkan tingkah laku dialog yang dikehendaki; aliran kerja penyesuaian yang mengelilinginya menentukan cara contoh digunakan.
Antara muka perbualan pembuat menyokong teks lengkap dan teks distrim. Respons lengkap memberikan jawapan sebagai satu hasil; strim membekalkan bahagian berturutan yang dihimpunkan aplikasi. Kekalkan jawapan yang selesai untuk semakan atau penggunaan semula, bukannya menilai tugasan hanya daripada perkataan pertama yang kelihatan.
Untuk pengekstrakan atau pengelasan, semak medan atau label sebenar dengan sumber. Untuk penulisan semula, bandingkan sama ada makna kekal selepas perubahan nada yang diminta. Untuk pertukaran soal jawab, semak bahawa respons menangani isu semasa dan sebarang permintaan susulan adalah relevan.
Turbo dan SenseChat-5 ialah model dialog umum yang dinamakan secara berasingan. SenseChat-5-Cantonese, model dialog watak serta model penglihatan atau gabungan modaliti juga mempunyai varian masing-masing. Simpan edisi terpilih dan teks yang dibekalkan bersama jawapan akhir apabila membandingkan tugasan atau meneruskan perbualan aplikasi.
Pilih peranan dialog terbatas Turbo apabila hasil perlu berupa teks ringkas yang boleh digunakan. Berikan destinasi nyata kepada jawapan—balasan, perenggan yang disemak semula, senarai medan atau soalan penjelasan—dan periksa artifak itu dari segi kesesuaian fakta, pemilihan kata dan kelengkapan sebelum menggunakannya dalam langkah seterusnya.
", "aboutText": "### Soalan pantas dan dialog tersuai\n\nSenseChat-Turbo ialah entri dialog umum ringan dalam barisan model SenseNova SenseTime. Pembuat menempatkannya untuk menjawab soalan pantas dan senario penalaan model. Gunakannya untuk tugasan teks dengan skop yang jelas terbatas: menjawab soalan berdasarkan maklumat yang dibekalkan, menulis semula mesej pendek, mengenal pasti isi utama petikan atau meneruskan perbualan berfokus.\n\n### Berikan permintaan yang tepat kepada model\n\nNyatakan perkara yang perlu dicapai oleh jawapan dan sertakan maklumat yang diperlukan untuk menghasilkannya. Untuk penjelasan kepada pelanggan, bekalkan fakta produk berkaitan dan minta jawapan ringkas kepada soalan sebenar. Untuk penulisan semula, berikan ayat asal, khalayak dan nada yang dikehendaki. Pisahkan bahan untuk dianalisis daripada arahan tentang cara mempersembahkan hasil.\n\nRingkasan tugasan yang berguna ialah: “Gunakan petikan dasar yang dibekalkan untuk menjelaskan langkah yang terpakai pada situasi ini, kemudian senaraikan maklumat yang masih diperlukan.” Teks yang terhasil perlu membezakan jawapan yang disokong daripada soalan yang tidak diselesaikan oleh petikan. Respons pendek lebih mudah digunakan apabila menjawab satu isu yang jelas dan bukannya mencampurkan beberapa objektif yang tidak berkaitan.\n\n### Pastikan konteks perbualan relevan\n\nAliran kerja perbualan teks pengeluar menggunakan mesej berlabel peranan dan menyokong urutan permintaan pengguna serta jawapan pembantu. Kekalkan giliran terdahulu apabila soalan susulan merujuk kepadanya, bersama sebarang fakta atau kekangan yang masih penting. Dalam aliran kerja tanpa sejarah perbualan yang disimpan pelayan, aplikasi membekalkan sejarah berkaitan bersama permintaan seterusnya.\n\nUntuk pertukaran sokongan berterusan, kekalkan soalan yang telah dijelaskan dan pemerhatian yang dibekalkan pengguna. Minta respons seterusnya meneruskan daripada keadaan itu. Buang bahan tidak berkaitan yang mengganggu tugasan semasa, dan peruntukkan ruang untuk jawapan dalam konfigurasi yang digunakan bagi perbualan.\n\n### Sediakan contoh khusus tugasan\n\nSenseTime menyenaraikan senario penalaan model sebagai sebahagian kedudukan Turbo. Untuk penyesuaian khusus tugasan, sediakan contoh input dan jawapan yang mewakili tingkah laku yang dikehendaki: kosa kata, bentuk respons, tahap perincian dan pengendalian maklumat yang tiada. Pastikan jawapan yang dijangka konsisten dengan fakta sumber dalam setiap contoh.\n\nContoh yang berguna boleh membezakan respons fakta daripada permintaan penjelasan, atau penjelasan pendek daripada senarai medan berstruktur. Sertakan kes sukar atau kabur serta kes mudah. Semak contoh dengan tugasan yang dikehendaki sebelum menganggap ayatnya sebagai corak untuk diulang. Penyediaan ini menerangkan tingkah laku dialog yang dikehendaki; aliran kerja penyesuaian yang mengelilinginya menentukan cara contoh digunakan.\n\n### Respons lengkap dan distrim\n\nAntara muka perbualan pembuat menyokong teks lengkap dan teks distrim. Respons lengkap memberikan jawapan sebagai satu hasil; strim membekalkan bahagian berturutan yang dihimpunkan aplikasi. Kekalkan jawapan yang selesai untuk semakan atau penggunaan semula, bukannya menilai tugasan hanya daripada perkataan pertama yang kelihatan.\n\nUntuk pengekstrakan atau pengelasan, semak medan atau label sebenar dengan sumber. Untuk penulisan semula, bandingkan sama ada makna kekal selepas perubahan nada yang diminta. Untuk pertukaran soal jawab, semak bahawa respons menangani isu semasa dan sebarang permintaan susulan adalah relevan.\n\n### Bezakan edisi Turbo\n\nTurbo dan SenseChat-5 ialah model dialog umum yang dinamakan secara berasingan. SenseChat-5-Cantonese, model dialog watak serta model penglihatan atau gabungan modaliti juga mempunyai varian masing-masing. Simpan edisi terpilih dan teks yang dibekalkan bersama jawapan akhir apabila membandingkan tugasan atau meneruskan perbualan aplikasi.\n\nPilih peranan dialog terbatas Turbo apabila hasil perlu berupa teks ringkas yang boleh digunakan. Berikan destinasi nyata kepada jawapan—balasan, perenggan yang disemak semula, senarai medan atau soalan penjelasan—dan periksa artifak itu dari segi kesesuaian fakta, pemilihan kata dan kelengkapan sebelum menggunakannya dalam langkah seterusnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseChat-Turbo daripada SenseTime ialah model perbualan teks ringan yang ditujukan untuk soalan pantas dan penyesuaian khusus tugasan. Sediakan permintaan ringkas, simpan dialog berkaitan bersama-sama dan semak jawapan yang selesai dengan fakta yang dibekalkan untuk tugasan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
SenseChat-Turbo ialah entri dialog umum ringan dalam barisan model SenseNova SenseTime. Pembuat menempatkannya untuk menjawab soalan pantas dan senario penalaan model. Gunakannya untuk tugasan teks dengan skop yang jelas terbatas: menjawab soalan berdasarkan maklumat yang dibekalkan, menulis semula mesej pendek, mengenal pasti isi utama petikan atau meneruskan perbualan berfokus.
Nyatakan perkara yang perlu dicapai oleh jawapan dan sertakan maklumat yang diperlukan untuk menghasilkannya. Untuk penjelasan kepada pelanggan, bekalkan fakta produk berkaitan dan minta jawapan ringkas kepada soalan sebenar. Untuk penulisan semula, berikan ayat asal, khalayak dan nada yang dikehendaki. Pisahkan bahan untuk dianalisis daripada arahan tentang cara mempersembahkan hasil.
Ringkasan tugasan yang berguna ialah: “Gunakan petikan dasar yang dibekalkan untuk menjelaskan langkah yang terpakai pada situasi ini, kemudian senaraikan maklumat yang masih diperlukan.” Teks yang terhasil perlu membezakan jawapan yang disokong daripada soalan yang tidak diselesaikan oleh petikan. Respons pendek lebih mudah digunakan apabila menjawab satu isu yang jelas dan bukannya mencampurkan beberapa objektif yang tidak berkaitan.
Aliran kerja perbualan teks pengeluar menggunakan mesej berlabel peranan dan menyokong urutan permintaan pengguna serta jawapan pembantu. Kekalkan giliran terdahulu apabila soalan susulan merujuk kepadanya, bersama sebarang fakta atau kekangan yang masih penting. Dalam aliran kerja tanpa sejarah perbualan yang disimpan pelayan, aplikasi membekalkan sejarah berkaitan bersama permintaan seterusnya.
Untuk pertukaran sokongan berterusan, kekalkan soalan yang telah dijelaskan dan pemerhatian yang dibekalkan pengguna. Minta respons seterusnya meneruskan daripada keadaan itu. Buang bahan tidak berkaitan yang mengganggu tugasan semasa, dan peruntukkan ruang untuk jawapan dalam konfigurasi yang digunakan bagi perbualan.
SenseTime menyenaraikan senario penalaan model sebagai sebahagian kedudukan Turbo. Untuk penyesuaian khusus tugasan, sediakan contoh input dan jawapan yang mewakili tingkah laku yang dikehendaki: kosa kata, bentuk respons, tahap perincian dan pengendalian maklumat yang tiada. Pastikan jawapan yang dijangka konsisten dengan fakta sumber dalam setiap contoh.
Contoh yang berguna boleh membezakan respons fakta daripada permintaan penjelasan, atau penjelasan pendek daripada senarai medan berstruktur. Sertakan kes sukar atau kabur serta kes mudah. Semak contoh dengan tugasan yang dikehendaki sebelum menganggap ayatnya sebagai corak untuk diulang. Penyediaan ini menerangkan tingkah laku dialog yang dikehendaki; aliran kerja penyesuaian yang mengelilinginya menentukan cara contoh digunakan.
Antara muka perbualan pembuat menyokong teks lengkap dan teks distrim. Respons lengkap memberikan jawapan sebagai satu hasil; strim membekalkan bahagian berturutan yang dihimpunkan aplikasi. Kekalkan jawapan yang selesai untuk semakan atau penggunaan semula, bukannya menilai tugasan hanya daripada perkataan pertama yang kelihatan.
Untuk pengekstrakan atau pengelasan, semak medan atau label sebenar dengan sumber. Untuk penulisan semula, bandingkan sama ada makna kekal selepas perubahan nada yang diminta. Untuk pertukaran soal jawab, semak bahawa respons menangani isu semasa dan sebarang permintaan susulan adalah relevan.
Turbo dan SenseChat-5 ialah model dialog umum yang dinamakan secara berasingan. SenseChat-5-Cantonese, model dialog watak serta model penglihatan atau gabungan modaliti juga mempunyai varian masing-masing. Simpan edisi terpilih dan teks yang dibekalkan bersama jawapan akhir apabila membandingkan tugasan atau meneruskan perbualan aplikasi.
Pilih peranan dialog terbatas Turbo apabila hasil perlu berupa teks ringkas yang boleh digunakan. Berikan destinasi nyata kepada jawapan—balasan, perenggan yang disemak semula, senarai medan atau soalan penjelasan—dan periksa artifak itu dari segi kesesuaian fakta, pemilihan kata dan kelengkapan sebelum menggunakannya dalam langkah seterusnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had SenseChat-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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00066 / 1K token Output · Token output $0.00154 / 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-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='SenseChat-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='SenseChat-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 SenseChat-Turbo
Gunakan laluan kaedah yang dipaparkan di atas.
SenseChat-TurboSenseChat-Turbo daripada SenseTime ialah model perbualan teks ringan yang ditujukan untuk soalan pantas dan penyesuaian khusus tugasan. Sediakan permintaan ringkas, simpan dialog berkaitan bersama-sama dan semak jawapan yang selesai dengan fakta yang dibekalkan untuk tugasan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
SenseChat-Turbo ialah entri dialog umum ringan dalam barisan model SenseNova SenseTime. Pembuat menempatkannya untuk menjawab soalan pantas dan senario penalaan model. Gunakannya untuk tugasan teks dengan skop yang jelas terbatas: menjawab soalan berdasarkan maklumat yang dibekalkan, menulis semula mesej pendek, mengenal pasti isi utama petikan atau meneruskan perbualan berfokus.
Nyatakan perkara yang perlu dicapai oleh jawapan dan sertakan maklumat yang diperlukan untuk menghasilkannya. Untuk penjelasan kepada pelanggan, bekalkan fakta produk berkaitan dan minta jawapan ringkas kepada soalan sebenar. Untuk penulisan semula, berikan ayat asal, khalayak dan nada yang dikehendaki. Pisahkan bahan untuk dianalisis daripada arahan tentang cara mempersembahkan hasil.
Ringkasan tugasan yang berguna ialah: “Gunakan petikan dasar yang dibekalkan untuk menjelaskan langkah yang terpakai pada situasi ini, kemudian senaraikan maklumat yang masih diperlukan.” Teks yang terhasil perlu membezakan jawapan yang disokong daripada soalan yang tidak diselesaikan oleh petikan. Respons pendek lebih mudah digunakan apabila menjawab satu isu yang jelas dan bukannya mencampurkan beberapa objektif yang tidak berkaitan.
Aliran kerja perbualan teks pengeluar menggunakan mesej berlabel peranan dan menyokong urutan permintaan pengguna serta jawapan pembantu. Kekalkan giliran terdahulu apabila soalan susulan merujuk kepadanya, bersama sebarang fakta atau kekangan yang masih penting. Dalam aliran kerja tanpa sejarah perbualan yang disimpan pelayan, aplikasi membekalkan sejarah berkaitan bersama permintaan seterusnya.
Untuk pertukaran sokongan berterusan, kekalkan soalan yang telah dijelaskan dan pemerhatian yang dibekalkan pengguna. Minta respons seterusnya meneruskan daripada keadaan itu. Buang bahan tidak berkaitan yang mengganggu tugasan semasa, dan peruntukkan ruang untuk jawapan dalam konfigurasi yang digunakan bagi perbualan.
SenseTime menyenaraikan senario penalaan model sebagai sebahagian kedudukan Turbo. Untuk penyesuaian khusus tugasan, sediakan contoh input dan jawapan yang mewakili tingkah laku yang dikehendaki: kosa kata, bentuk respons, tahap perincian dan pengendalian maklumat yang tiada. Pastikan jawapan yang dijangka konsisten dengan fakta sumber dalam setiap contoh.
Contoh yang berguna boleh membezakan respons fakta daripada permintaan penjelasan, atau penjelasan pendek daripada senarai medan berstruktur. Sertakan kes sukar atau kabur serta kes mudah. Semak contoh dengan tugasan yang dikehendaki sebelum menganggap ayatnya sebagai corak untuk diulang. Penyediaan ini menerangkan tingkah laku dialog yang dikehendaki; aliran kerja penyesuaian yang mengelilinginya menentukan cara contoh digunakan.
Antara muka perbualan pembuat menyokong teks lengkap dan teks distrim. Respons lengkap memberikan jawapan sebagai satu hasil; strim membekalkan bahagian berturutan yang dihimpunkan aplikasi. Kekalkan jawapan yang selesai untuk semakan atau penggunaan semula, bukannya menilai tugasan hanya daripada perkataan pertama yang kelihatan.
Untuk pengekstrakan atau pengelasan, semak medan atau label sebenar dengan sumber. Untuk penulisan semula, bandingkan sama ada makna kekal selepas perubahan nada yang diminta. Untuk pertukaran soal jawab, semak bahawa respons menangani isu semasa dan sebarang permintaan susulan adalah relevan.
Turbo dan SenseChat-5 ialah model dialog umum yang dinamakan secara berasingan. SenseChat-5-Cantonese, model dialog watak serta model penglihatan atau gabungan modaliti juga mempunyai varian masing-masing. Simpan edisi terpilih dan teks yang dibekalkan bersama jawapan akhir apabila membandingkan tugasan atau meneruskan perbualan aplikasi.
Pilih peranan dialog terbatas Turbo apabila hasil perlu berupa teks ringkas yang boleh digunakan. Berikan destinasi nyata kepada jawapan—balasan, perenggan yang disemak semula, senarai medan atau soalan penjelasan—dan periksa artifak itu dari segi kesesuaian fakta, pemilihan kata dan kelengkapan sebelum menggunakannya dalam langkah seterusnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had SenseChat-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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00066 / 1K token Output · Token output $0.00154 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'SenseChat-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': 'SenseChat-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 SenseChat-Turbo
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.