SenseNova 6.7 Flash-Lite ialah model ejen multimodal ringan SenseTime untuk kerja pejabat. Pengeluar menekankan tugasan berterusan yang melibatkan perancangan, analisis data, penyelidikan dan penyampaian kandungan. Model ini menerima teks dan imej serta memulangkan kandungan bertulis, menjadikannya berguna untuk memahami bahan pejabat dan memutuskan cara bahan itu patut menjadi analisis, laporan atau pembentangan. Peranannya ialah menghubungkan tugasan, bukti dan langkah berguna seterusnya dalam aliran kerja yang lebih panjang.
Aliran kerja pejabat yang praktikal boleh bergerak daripada cerapan data kepada penyelidikan dan penyampaian kandungan. Mula-mula, analisis set data yang dibekalkan; kemudian siasat sebab di sebalik corak dan bangunkan pembentangan berdasarkan dapatan. Sediakan tugasan serupa dengan memisahkan soalan: apakah yang ditunjukkan oleh data yang dibekalkan, apakah yang masih memerlukan penjelasan dan apakah yang patut difahami khalayak? Nyatakan hasil serahan akhir dan kriteria mutunya pada permulaan supaya analisis perantaraan menyumbang kepada hasil yang sama.
Untuk analisis data, berikan jadual yang boleh dibaca atau representasi teks dan jelaskan lajur, unit, kategori serta tempoh masa. Kenal pasti nilai yang tiada atau rekod yang tidak konsisten dan nyatakan cara mengendalikannya. Contoh ringkasan tugasan ialah menyemak percanggahan dalam set data, menerangkan perubahan utamanya dan menyediakan kesimpulan yang terikat pada baris atau kategori berkaitan. Jika pengiraan atau pemprosesan fail dilakukan oleh alat yang disambungkan, pulangkan hasil sebenar kepada model. Pisahkan bukti berangka daripada penjelasan naratif dan minta model menandakan punca yang dicadangkan yang tidak dipastikan oleh data sahaja.
Untuk penyelidikan dan pelaporan, bekalkan bahan yang telah dikumpulkan, soalan yang masih ada dan khalayak yang dituju. Minta struktur yang menghubungkan setiap dakwaan dengan bukti, membezakan pemerhatian daripada andaian dan memastikan isu yang belum diselesaikan jelas. Untuk pembentangan, takrifkan naratif, panjang yang dikehendaki dan tujuan setiap bahagian. Output bertulis yang berguna boleh berupa tajuk slaid, hujah utama, fakta sokongan dan nota tentang visual yang akan membantu menjelaskan sesuatu isi. Model boleh menyusun kandungan ini sementara alat yang mengelilinginya mengendalikan pembinaan fail, susun atur dan eksport.
Pengeluar secara nyata memisahkan respons model langsung daripada aliran kerja pejabat yang lengkap. Aliran kerja pejabat lengkapnya menggunakan masa jalan ejen dan pustaka kemahiran rasmi bersama model. Komponen itu membaca dan memanipulasi fail, menjalankan operasi serta mencipta pembentangan atau laporan sebenar. Berikan matlamat yang jelas kepada model dan pulangkan hasil operasi itu supaya model boleh meneruskan daripada keadaan semasa. Rangka atau arahan yang dijana ialah sumbangan kepada hasil serahan, bukannya bukti bahawa fail siap sudah wujud.
Aliran kerja imej yang didokumenkan menggabungkan soalan teks dengan satu atau lebih imej, termasuk contoh yang membandingkan dua gambar. Gunakan carta, imej dokumen atau tangkap layar yang jelas dan nyatakan perkara yang penting: perubahan yang perlu dijelaskan, nilai kelihatan yang hendak dibandingkan atau bahagian halaman yang perlu ditafsirkan. SenseTime mengesyorkan penyediaan imej dengan sisi panjang paling banyak 2,048 piksel; ini ialah panduan penyediaan input, bukannya dakwaan bahawa dimensi lebih besar menentukan had visual teori model. Pastikan label boleh dibaca dan sertakan unit atau peraturan konteks dalam teks apabila perkara itu tidak dapat dibaca dengan andal daripada imej.
Rujukan SenseTime membezakan kandungan penaakulan daripada jawapan bertulis akhir dan mendokumenkan peruntukan output yang merangkumi kedua-duanya. Untuk tugasan pejabat yang besar, jelaskan hasil serahan yang diminta dan sediakan ruang untuk penaakulan serta kandungan akhir. Dalam perbualan berterusan, kekalkan mesej pengguna berkaitan dan kandungan akhir pembantu mengikut urutan kronologi; pengeluar mengarahkan aplikasi supaya tidak menghantar semula medan penaakulan terdahulu sebagai sejarah perbualan. Untuk sejarah panjang, kekalkan fakta dan keputusan yang benar-benar diperlukan oleh langkah seterusnya.
Flash-Lite ialah model bernama untuk aliran kerja ini, manakala penjanaan fail siap dan output visual khusus bergantung pada persekitaran yang disambungkan serta alat berkaitan. Semak pengiraan, butiran imej yang diekstrak dan dakwaan laporan dengan bahan asal. Takrifkan penyelesaian berdasarkan kandungan yang diminta dan hasil serahan sebenar supaya penjelasan yang lancar kekal berhubung dengan bukti serta hasil yang boleh digunakan.
", "aboutText": "SenseNova 6.7 Flash-Lite ialah model ejen multimodal ringan SenseTime untuk kerja pejabat. Pengeluar menekankan tugasan berterusan yang melibatkan perancangan, analisis data, penyelidikan dan penyampaian kandungan. Model ini menerima teks dan imej serta memulangkan kandungan bertulis, menjadikannya berguna untuk memahami bahan pejabat dan memutuskan cara bahan itu patut menjadi analisis, laporan atau pembentangan. Peranannya ialah menghubungkan tugasan, bukti dan langkah berguna seterusnya dalam aliran kerja yang lebih panjang.\n\nAliran kerja pejabat yang praktikal boleh bergerak daripada cerapan data kepada penyelidikan dan penyampaian kandungan. Mula-mula, analisis set data yang dibekalkan; kemudian siasat sebab di sebalik corak dan bangunkan pembentangan berdasarkan dapatan. Sediakan tugasan serupa dengan memisahkan soalan: apakah yang ditunjukkan oleh data yang dibekalkan, apakah yang masih memerlukan penjelasan dan apakah yang patut difahami khalayak? Nyatakan hasil serahan akhir dan kriteria mutunya pada permulaan supaya analisis perantaraan menyumbang kepada hasil yang sama.\n\nUntuk analisis data, berikan jadual yang boleh dibaca atau representasi teks dan jelaskan lajur, unit, kategori serta tempoh masa. Kenal pasti nilai yang tiada atau rekod yang tidak konsisten dan nyatakan cara mengendalikannya. Contoh ringkasan tugasan ialah menyemak percanggahan dalam set data, menerangkan perubahan utamanya dan menyediakan kesimpulan yang terikat pada baris atau kategori berkaitan. Jika pengiraan atau pemprosesan fail dilakukan oleh alat yang disambungkan, pulangkan hasil sebenar kepada model. Pisahkan bukti berangka daripada penjelasan naratif dan minta model menandakan punca yang dicadangkan yang tidak dipastikan oleh data sahaja.\n\nUntuk penyelidikan dan pelaporan, bekalkan bahan yang telah dikumpulkan, soalan yang masih ada dan khalayak yang dituju. Minta struktur yang menghubungkan setiap dakwaan dengan bukti, membezakan pemerhatian daripada andaian dan memastikan isu yang belum diselesaikan jelas. Untuk pembentangan, takrifkan naratif, panjang yang dikehendaki dan tujuan setiap bahagian. Output bertulis yang berguna boleh berupa tajuk slaid, hujah utama, fakta sokongan dan nota tentang visual yang akan membantu menjelaskan sesuatu isi. Model boleh menyusun kandungan ini sementara alat yang mengelilinginya mengendalikan pembinaan fail, susun atur dan eksport.\n\nPengeluar secara nyata memisahkan respons model langsung daripada aliran kerja pejabat yang lengkap. Aliran kerja pejabat lengkapnya menggunakan masa jalan ejen dan pustaka kemahiran rasmi bersama model. Komponen itu membaca dan memanipulasi fail, menjalankan operasi serta mencipta pembentangan atau laporan sebenar. Berikan matlamat yang jelas kepada model dan pulangkan hasil operasi itu supaya model boleh meneruskan daripada keadaan semasa. Rangka atau arahan yang dijana ialah sumbangan kepada hasil serahan, bukannya bukti bahawa fail siap sudah wujud.\n\nAliran kerja imej yang didokumenkan menggabungkan soalan teks dengan satu atau lebih imej, termasuk contoh yang membandingkan dua gambar. Gunakan carta, imej dokumen atau tangkap layar yang jelas dan nyatakan perkara yang penting: perubahan yang perlu dijelaskan, nilai kelihatan yang hendak dibandingkan atau bahagian halaman yang perlu ditafsirkan. SenseTime mengesyorkan penyediaan imej dengan sisi panjang paling banyak 2,048 piksel; ini ialah panduan penyediaan input, bukannya dakwaan bahawa dimensi lebih besar menentukan had visual teori model. Pastikan label boleh dibaca dan sertakan unit atau peraturan konteks dalam teks apabila perkara itu tidak dapat dibaca dengan andal daripada imej.\n\nRujukan SenseTime membezakan kandungan penaakulan daripada jawapan bertulis akhir dan mendokumenkan peruntukan output yang merangkumi kedua-duanya. Untuk tugasan pejabat yang besar, jelaskan hasil serahan yang diminta dan sediakan ruang untuk penaakulan serta kandungan akhir. Dalam perbualan berterusan, kekalkan mesej pengguna berkaitan dan kandungan akhir pembantu mengikut urutan kronologi; pengeluar mengarahkan aplikasi supaya tidak menghantar semula medan penaakulan terdahulu sebagai sejarah perbualan. Untuk sejarah panjang, kekalkan fakta dan keputusan yang benar-benar diperlukan oleh langkah seterusnya.\n\nFlash-Lite ialah model bernama untuk aliran kerja ini, manakala penjanaan fail siap dan output visual khusus bergantung pada persekitaran yang disambungkan serta alat berkaitan. Semak pengiraan, butiran imej yang diekstrak dan dakwaan laporan dengan bahan asal. Takrifkan penyelesaian berdasarkan kandungan yang diminta dan hasil serahan sebenar supaya penjelasan yang lancar kekal berhubung dengan bukti serta hasil yang boleh digunakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite ialah model multimodal SenseTime untuk tugasan pejabat dan analitis yang berterusan. Model ini mentafsir teks dan imej, membantu menyusun kandungan penyelidikan serta laporan, dan mengambil bahagian dalam aliran kerja berbantukan alat yang menukarkan analisis kepada hasil serahan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
SenseNova 6.7 Flash-Lite ialah model ejen multimodal ringan SenseTime untuk kerja pejabat. Pengeluar menekankan tugasan berterusan yang melibatkan perancangan, analisis data, penyelidikan dan penyampaian kandungan. Model ini menerima teks dan imej serta memulangkan kandungan bertulis, menjadikannya berguna untuk memahami bahan pejabat dan memutuskan cara bahan itu patut menjadi analisis, laporan atau pembentangan. Peranannya ialah menghubungkan tugasan, bukti dan langkah berguna seterusnya dalam aliran kerja yang lebih panjang.
Aliran kerja pejabat yang praktikal boleh bergerak daripada cerapan data kepada penyelidikan dan penyampaian kandungan. Mula-mula, analisis set data yang dibekalkan; kemudian siasat sebab di sebalik corak dan bangunkan pembentangan berdasarkan dapatan. Sediakan tugasan serupa dengan memisahkan soalan: apakah yang ditunjukkan oleh data yang dibekalkan, apakah yang masih memerlukan penjelasan dan apakah yang patut difahami khalayak? Nyatakan hasil serahan akhir dan kriteria mutunya pada permulaan supaya analisis perantaraan menyumbang kepada hasil yang sama.
Untuk analisis data, berikan jadual yang boleh dibaca atau representasi teks dan jelaskan lajur, unit, kategori serta tempoh masa. Kenal pasti nilai yang tiada atau rekod yang tidak konsisten dan nyatakan cara mengendalikannya. Contoh ringkasan tugasan ialah menyemak percanggahan dalam set data, menerangkan perubahan utamanya dan menyediakan kesimpulan yang terikat pada baris atau kategori berkaitan. Jika pengiraan atau pemprosesan fail dilakukan oleh alat yang disambungkan, pulangkan hasil sebenar kepada model. Pisahkan bukti berangka daripada penjelasan naratif dan minta model menandakan punca yang dicadangkan yang tidak dipastikan oleh data sahaja.
Untuk penyelidikan dan pelaporan, bekalkan bahan yang telah dikumpulkan, soalan yang masih ada dan khalayak yang dituju. Minta struktur yang menghubungkan setiap dakwaan dengan bukti, membezakan pemerhatian daripada andaian dan memastikan isu yang belum diselesaikan jelas. Untuk pembentangan, takrifkan naratif, panjang yang dikehendaki dan tujuan setiap bahagian. Output bertulis yang berguna boleh berupa tajuk slaid, hujah utama, fakta sokongan dan nota tentang visual yang akan membantu menjelaskan sesuatu isi. Model boleh menyusun kandungan ini sementara alat yang mengelilinginya mengendalikan pembinaan fail, susun atur dan eksport.
Pengeluar secara nyata memisahkan respons model langsung daripada aliran kerja pejabat yang lengkap. Aliran kerja pejabat lengkapnya menggunakan masa jalan ejen dan pustaka kemahiran rasmi bersama model. Komponen itu membaca dan memanipulasi fail, menjalankan operasi serta mencipta pembentangan atau laporan sebenar. Berikan matlamat yang jelas kepada model dan pulangkan hasil operasi itu supaya model boleh meneruskan daripada keadaan semasa. Rangka atau arahan yang dijana ialah sumbangan kepada hasil serahan, bukannya bukti bahawa fail siap sudah wujud.
Aliran kerja imej yang didokumenkan menggabungkan soalan teks dengan satu atau lebih imej, termasuk contoh yang membandingkan dua gambar. Gunakan carta, imej dokumen atau tangkap layar yang jelas dan nyatakan perkara yang penting: perubahan yang perlu dijelaskan, nilai kelihatan yang hendak dibandingkan atau bahagian halaman yang perlu ditafsirkan. SenseTime mengesyorkan penyediaan imej dengan sisi panjang paling banyak 2,048 piksel; ini ialah panduan penyediaan input, bukannya dakwaan bahawa dimensi lebih besar menentukan had visual teori model. Pastikan label boleh dibaca dan sertakan unit atau peraturan konteks dalam teks apabila perkara itu tidak dapat dibaca dengan andal daripada imej.
Rujukan SenseTime membezakan kandungan penaakulan daripada jawapan bertulis akhir dan mendokumenkan peruntukan output yang merangkumi kedua-duanya. Untuk tugasan pejabat yang besar, jelaskan hasil serahan yang diminta dan sediakan ruang untuk penaakulan serta kandungan akhir. Dalam perbualan berterusan, kekalkan mesej pengguna berkaitan dan kandungan akhir pembantu mengikut urutan kronologi; pengeluar mengarahkan aplikasi supaya tidak menghantar semula medan penaakulan terdahulu sebagai sejarah perbualan. Untuk sejarah panjang, kekalkan fakta dan keputusan yang benar-benar diperlukan oleh langkah seterusnya.
Flash-Lite ialah model bernama untuk aliran kerja ini, manakala penjanaan fail siap dan output visual khusus bergantung pada persekitaran yang disambungkan serta alat berkaitan. Semak pengiraan, butiran imej yang diekstrak dan dakwaan laporan dengan bahan asal. Takrifkan penyelesaian berdasarkan kandungan yang diminta dan hasil serahan sebenar supaya penjelasan yang lancar kekal berhubung dengan bukti serta hasil yang boleh digunakan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had sensenova-6.7-flash-lite | 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 $0.001892 / 1K token Output · Token output $0.005676 / 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": "sensenova-6.7-flash-lite", "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='sensenova-6.7-flash-lite',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='sensenova-6.7-flash-lite',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 sensenova-6.7-flash-lite
Gunakan laluan kaedah yang dipaparkan di atas.
sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite ialah model multimodal SenseTime untuk tugasan pejabat dan analitis yang berterusan. Model ini mentafsir teks dan imej, membantu menyusun kandungan penyelidikan serta laporan, dan mengambil bahagian dalam aliran kerja berbantukan alat yang menukarkan analisis kepada hasil serahan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
SenseNova 6.7 Flash-Lite ialah model ejen multimodal ringan SenseTime untuk kerja pejabat. Pengeluar menekankan tugasan berterusan yang melibatkan perancangan, analisis data, penyelidikan dan penyampaian kandungan. Model ini menerima teks dan imej serta memulangkan kandungan bertulis, menjadikannya berguna untuk memahami bahan pejabat dan memutuskan cara bahan itu patut menjadi analisis, laporan atau pembentangan. Peranannya ialah menghubungkan tugasan, bukti dan langkah berguna seterusnya dalam aliran kerja yang lebih panjang.
Aliran kerja pejabat yang praktikal boleh bergerak daripada cerapan data kepada penyelidikan dan penyampaian kandungan. Mula-mula, analisis set data yang dibekalkan; kemudian siasat sebab di sebalik corak dan bangunkan pembentangan berdasarkan dapatan. Sediakan tugasan serupa dengan memisahkan soalan: apakah yang ditunjukkan oleh data yang dibekalkan, apakah yang masih memerlukan penjelasan dan apakah yang patut difahami khalayak? Nyatakan hasil serahan akhir dan kriteria mutunya pada permulaan supaya analisis perantaraan menyumbang kepada hasil yang sama.
Untuk analisis data, berikan jadual yang boleh dibaca atau representasi teks dan jelaskan lajur, unit, kategori serta tempoh masa. Kenal pasti nilai yang tiada atau rekod yang tidak konsisten dan nyatakan cara mengendalikannya. Contoh ringkasan tugasan ialah menyemak percanggahan dalam set data, menerangkan perubahan utamanya dan menyediakan kesimpulan yang terikat pada baris atau kategori berkaitan. Jika pengiraan atau pemprosesan fail dilakukan oleh alat yang disambungkan, pulangkan hasil sebenar kepada model. Pisahkan bukti berangka daripada penjelasan naratif dan minta model menandakan punca yang dicadangkan yang tidak dipastikan oleh data sahaja.
Untuk penyelidikan dan pelaporan, bekalkan bahan yang telah dikumpulkan, soalan yang masih ada dan khalayak yang dituju. Minta struktur yang menghubungkan setiap dakwaan dengan bukti, membezakan pemerhatian daripada andaian dan memastikan isu yang belum diselesaikan jelas. Untuk pembentangan, takrifkan naratif, panjang yang dikehendaki dan tujuan setiap bahagian. Output bertulis yang berguna boleh berupa tajuk slaid, hujah utama, fakta sokongan dan nota tentang visual yang akan membantu menjelaskan sesuatu isi. Model boleh menyusun kandungan ini sementara alat yang mengelilinginya mengendalikan pembinaan fail, susun atur dan eksport.
Pengeluar secara nyata memisahkan respons model langsung daripada aliran kerja pejabat yang lengkap. Aliran kerja pejabat lengkapnya menggunakan masa jalan ejen dan pustaka kemahiran rasmi bersama model. Komponen itu membaca dan memanipulasi fail, menjalankan operasi serta mencipta pembentangan atau laporan sebenar. Berikan matlamat yang jelas kepada model dan pulangkan hasil operasi itu supaya model boleh meneruskan daripada keadaan semasa. Rangka atau arahan yang dijana ialah sumbangan kepada hasil serahan, bukannya bukti bahawa fail siap sudah wujud.
Aliran kerja imej yang didokumenkan menggabungkan soalan teks dengan satu atau lebih imej, termasuk contoh yang membandingkan dua gambar. Gunakan carta, imej dokumen atau tangkap layar yang jelas dan nyatakan perkara yang penting: perubahan yang perlu dijelaskan, nilai kelihatan yang hendak dibandingkan atau bahagian halaman yang perlu ditafsirkan. SenseTime mengesyorkan penyediaan imej dengan sisi panjang paling banyak 2,048 piksel; ini ialah panduan penyediaan input, bukannya dakwaan bahawa dimensi lebih besar menentukan had visual teori model. Pastikan label boleh dibaca dan sertakan unit atau peraturan konteks dalam teks apabila perkara itu tidak dapat dibaca dengan andal daripada imej.
Rujukan SenseTime membezakan kandungan penaakulan daripada jawapan bertulis akhir dan mendokumenkan peruntukan output yang merangkumi kedua-duanya. Untuk tugasan pejabat yang besar, jelaskan hasil serahan yang diminta dan sediakan ruang untuk penaakulan serta kandungan akhir. Dalam perbualan berterusan, kekalkan mesej pengguna berkaitan dan kandungan akhir pembantu mengikut urutan kronologi; pengeluar mengarahkan aplikasi supaya tidak menghantar semula medan penaakulan terdahulu sebagai sejarah perbualan. Untuk sejarah panjang, kekalkan fakta dan keputusan yang benar-benar diperlukan oleh langkah seterusnya.
Flash-Lite ialah model bernama untuk aliran kerja ini, manakala penjanaan fail siap dan output visual khusus bergantung pada persekitaran yang disambungkan serta alat berkaitan. Semak pengiraan, butiran imej yang diekstrak dan dakwaan laporan dengan bahan asal. Takrifkan penyelesaian berdasarkan kandungan yang diminta dan hasil serahan sebenar supaya penjelasan yang lancar kekal berhubung dengan bukti serta hasil yang boleh digunakan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had sensenova-6.7-flash-lite | 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 $0.001892 / 1K token Output · Token output $0.005676 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'sensenova-6.7-flash-lite', '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': 'sensenova-6.7-flash-lite', '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 sensenova-6.7-flash-lite
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.