Seed 1.6 er ByteDance Seeds multimodale allroundmodell med adaptiv resonnering. Produsenten utvikler den for tekstlig og visuell resonnering, spørsmål med lang kontekst og interaksjoner forankret i et grensesnitt eller dokument. Den mottar instruksjoner og kildemateriale og returnerer tekst, for eksempel et svar, en analyse eller kode. Den adaptive utgaven er forskjellig fra Seed1.6-Thinking, Flash og senere Seed-generasjoner.
Produsenten beskriver en sparsom mixture-of-experts-modell med 230 milliarder parametere totalt og 23 milliarder aktive parametere. Treningen begynner med tekst, fortsetter med blandet tekst og visuelt materiale og utvider deretter sekvenslengden fra 32K til 256K. Dette gir modellen en kontekst der et spørsmål kan kombineres med omfattende kildeinformasjon. Konteksten inneholder likevel både samtalen og det genererte resultatet, så la det være plass til svaret fremfor å behandle den som en separat utdatareserve.
Ved en dokumentoppgave bør du beholde seksjonsnavn, sidemerking, tabelloverskrifter og enheter. Be om sammenligningen eller uttrekket materialet skal underbygge. En nyttig bestilling er: «Sammenlign vilkårene i disse to dokumentene, identifiser alle vesentlige forskjeller og siter det relevante avsnittet ved siden av hvert funn.» For et skjermbilde bør du forklare hva brukeren prøver å oppnå, og be om en tolkning basert på de synlige etikettene.
Seed1.6 introduserer Adaptive Chain-of-Thought med tre produsentmoduser. FullCoT resonnerer før den svarer på hver instruksjon. NoCoT svarer direkte. AdaCoT avgjør om den skal resonnere ut fra spørsmålet. Treningen belønner en passende mengde resonnering fremfor unødvendig lang resonnering for hver forespørsel.
Velg oppgavens dybde ut fra ønsket resultat: direkte uttrekk eller omskriving kan ha en kortfattet spesifikasjon for utdata, mens en matematisk betingelse, en kodefeil eller en kildesammenligning trenger de relevante begrensningene. Angi sluttleveransen separat fra den mellomliggende analysen. En utvidet resonneringsprosess er bare nyttig når den støtter svaret du trenger.
Modellens multimodale trening knytter sammen skriftlig og visuelt belegg. Oppgi et lesbart bilde og ta med etikettene rundt som trengs for å tolke det. For en figur bør du forklare spørsmålet og beholde merknadene; for et diagram bør du skille mellom de synlige verdiene og tolkningen du ber om. Produsentens evalueringsomtale peker på uskarpe figurer som en årsak til svakere visuell ytelse, noe som gjør tydelige kildebilder til et viktig praktisk valg av inndata.
Ved en grensesnittoppgave bør du angi om skjermbildet viser nåværende tilstand eller ønsket utforming. Be om de synlige kontrollene eller koden som trengs for den angitte atferden, og bruk deretter applikasjonens faktiske resultat som tilbakemelding. Tekst som foreslår et klikk eller produserer kode, er noe annet enn en fullført handling i et grensesnitt.
Den opprinnelige produsentprofilen dokumenterer strukturerte utdata og verktøybruk, med en kontekst på 256K, inntil 224K inndata og inntil 32K utdata totalt, inkludert resonnering. Applikasjonen stiller verktøydefinisjoner til rådighet og utfører de valgte operasjonene, og returnerer observasjoner for neste trinn. Bruk disse resultatene som belegg, og hold samtalen rettet mot oppgaven.
Et praktisk sluttresultat kan være et løst problem, et avgrenset kodeforslag eller en analyse med kildebelegg. Angi språk, obligatorisk terminologi og kriterium for fullføring. Kontroller uthentede verdier mot kilden og bevar manglende informasjon eksplisitt. Slik knyttes den adaptive modellens svar til det faktiske spørsmålet, samtidig som den nøyaktige Seed 1.6-utgaven og dens dokumenterte modusforskjeller beholdes.
", "aboutText": "Seed 1.6 er ByteDance Seeds multimodale allroundmodell med adaptiv resonnering. Produsenten utvikler den for tekstlig og visuell resonnering, spørsmål med lang kontekst og interaksjoner forankret i et grensesnitt eller dokument. Den mottar instruksjoner og kildemateriale og returnerer tekst, for eksempel et svar, en analyse eller kode. Den adaptive utgaven er forskjellig fra Seed1.6-Thinking, Flash og senere Seed-generasjoner.\n\n### Multimodal trening og lang kontekst\n\nProdusenten beskriver en sparsom mixture-of-experts-modell med 230 milliarder parametere totalt og 23 milliarder aktive parametere. Treningen begynner med tekst, fortsetter med blandet tekst og visuelt materiale og utvider deretter sekvenslengden fra 32K til 256K. Dette gir modellen en kontekst der et spørsmål kan kombineres med omfattende kildeinformasjon. Konteksten inneholder likevel både samtalen og det genererte resultatet, så la det være plass til svaret fremfor å behandle den som en separat utdatareserve.\n\nVed en dokumentoppgave bør du beholde seksjonsnavn, sidemerking, tabelloverskrifter og enheter. Be om sammenligningen eller uttrekket materialet skal underbygge. En nyttig bestilling er: «Sammenlign vilkårene i disse to dokumentene, identifiser alle vesentlige forskjeller og siter det relevante avsnittet ved siden av hvert funn.» For et skjermbilde bør du forklare hva brukeren prøver å oppnå, og be om en tolkning basert på de synlige etikettene.\n\n### Adaptiv resonnering\n\nSeed1.6 introduserer Adaptive Chain-of-Thought med tre produsentmoduser. FullCoT resonnerer før den svarer på hver instruksjon. NoCoT svarer direkte. AdaCoT avgjør om den skal resonnere ut fra spørsmålet. Treningen belønner en passende mengde resonnering fremfor unødvendig lang resonnering for hver forespørsel.\n\nVelg oppgavens dybde ut fra ønsket resultat: direkte uttrekk eller omskriving kan ha en kortfattet spesifikasjon for utdata, mens en matematisk betingelse, en kodefeil eller en kildesammenligning trenger de relevante begrensningene. Angi sluttleveransen separat fra den mellomliggende analysen. En utvidet resonneringsprosess er bare nyttig når den støtter svaret du trenger.\n\n### Visuell resonnering og klargjøring\n\nModellens multimodale trening knytter sammen skriftlig og visuelt belegg. Oppgi et lesbart bilde og ta med etikettene rundt som trengs for å tolke det. For en figur bør du forklare spørsmålet og beholde merknadene; for et diagram bør du skille mellom de synlige verdiene og tolkningen du ber om. Produsentens evalueringsomtale peker på uskarpe figurer som en årsak til svakere visuell ytelse, noe som gjør tydelige kildebilder til et viktig praktisk valg av inndata.\n\nVed en grensesnittoppgave bør du angi om skjermbildet viser nåværende tilstand eller ønsket utforming. Be om de synlige kontrollene eller koden som trengs for den angitte atferden, og bruk deretter applikasjonens faktiske resultat som tilbakemelding. Tekst som foreslår et klikk eller produserer kode, er noe annet enn en fullført handling i et grensesnitt.\n\n### Verktøybruk og svargrenser\n\nDen opprinnelige produsentprofilen dokumenterer strukturerte utdata og verktøybruk, med en kontekst på 256K, inntil 224K inndata og inntil 32K utdata totalt, inkludert resonnering. Applikasjonen stiller verktøydefinisjoner til rådighet og utfører de valgte operasjonene, og returnerer observasjoner for neste trinn. Bruk disse resultatene som belegg, og hold samtalen rettet mot oppgaven.\n\nEt praktisk sluttresultat kan være et løst problem, et avgrenset kodeforslag eller en analyse med kildebelegg. Angi språk, obligatorisk terminologi og kriterium for fullføring. Kontroller uthentede verdier mot kilden og bevar manglende informasjon eksplisitt. Slik knyttes den adaptive modellens svar til det faktiske spørsmålet, samtidig som den nøyaktige Seed 1.6-utgaven og dens dokumenterte modusforskjeller beholdes.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.bytedance-seed/seed-1.6Seed 1.6 kombinerer tekstforståelse og visuell forståelse med adaptiv resonnering og en kontekst på 256K. Modusene FullCoT, NoCoT og AdaCoT lar produsentprofilen tilpasse dypere analyse eller direkte svar til oppgaven og produsere forklaringer, kode og kildebaserte funn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Seed 1.6 er ByteDance Seeds multimodale allroundmodell med adaptiv resonnering. Produsenten utvikler den for tekstlig og visuell resonnering, spørsmål med lang kontekst og interaksjoner forankret i et grensesnitt eller dokument. Den mottar instruksjoner og kildemateriale og returnerer tekst, for eksempel et svar, en analyse eller kode. Den adaptive utgaven er forskjellig fra Seed1.6-Thinking, Flash og senere Seed-generasjoner.
Produsenten beskriver en sparsom mixture-of-experts-modell med 230 milliarder parametere totalt og 23 milliarder aktive parametere. Treningen begynner med tekst, fortsetter med blandet tekst og visuelt materiale og utvider deretter sekvenslengden fra 32K til 256K. Dette gir modellen en kontekst der et spørsmål kan kombineres med omfattende kildeinformasjon. Konteksten inneholder likevel både samtalen og det genererte resultatet, så la det være plass til svaret fremfor å behandle den som en separat utdatareserve.
Ved en dokumentoppgave bør du beholde seksjonsnavn, sidemerking, tabelloverskrifter og enheter. Be om sammenligningen eller uttrekket materialet skal underbygge. En nyttig bestilling er: «Sammenlign vilkårene i disse to dokumentene, identifiser alle vesentlige forskjeller og siter det relevante avsnittet ved siden av hvert funn.» For et skjermbilde bør du forklare hva brukeren prøver å oppnå, og be om en tolkning basert på de synlige etikettene.
Seed1.6 introduserer Adaptive Chain-of-Thought med tre produsentmoduser. FullCoT resonnerer før den svarer på hver instruksjon. NoCoT svarer direkte. AdaCoT avgjør om den skal resonnere ut fra spørsmålet. Treningen belønner en passende mengde resonnering fremfor unødvendig lang resonnering for hver forespørsel.
Velg oppgavens dybde ut fra ønsket resultat: direkte uttrekk eller omskriving kan ha en kortfattet spesifikasjon for utdata, mens en matematisk betingelse, en kodefeil eller en kildesammenligning trenger de relevante begrensningene. Angi sluttleveransen separat fra den mellomliggende analysen. En utvidet resonneringsprosess er bare nyttig når den støtter svaret du trenger.
Modellens multimodale trening knytter sammen skriftlig og visuelt belegg. Oppgi et lesbart bilde og ta med etikettene rundt som trengs for å tolke det. For en figur bør du forklare spørsmålet og beholde merknadene; for et diagram bør du skille mellom de synlige verdiene og tolkningen du ber om. Produsentens evalueringsomtale peker på uskarpe figurer som en årsak til svakere visuell ytelse, noe som gjør tydelige kildebilder til et viktig praktisk valg av inndata.
Ved en grensesnittoppgave bør du angi om skjermbildet viser nåværende tilstand eller ønsket utforming. Be om de synlige kontrollene eller koden som trengs for den angitte atferden, og bruk deretter applikasjonens faktiske resultat som tilbakemelding. Tekst som foreslår et klikk eller produserer kode, er noe annet enn en fullført handling i et grensesnitt.
Den opprinnelige produsentprofilen dokumenterer strukturerte utdata og verktøybruk, med en kontekst på 256K, inntil 224K inndata og inntil 32K utdata totalt, inkludert resonnering. Applikasjonen stiller verktøydefinisjoner til rådighet og utfører de valgte operasjonene, og returnerer observasjoner for neste trinn. Bruk disse resultatene som belegg, og hold samtalen rettet mot oppgaven.
Et praktisk sluttresultat kan være et løst problem, et avgrenset kodeforslag eller en analyse med kildebelegg. Angi språk, obligatorisk terminologi og kriterium for fullføring. Kontroller uthentede verdier mot kilden og bevar manglende informasjon eksplisitt. Slik knyttes den adaptive modellens svar til det faktiske spørsmålet, samtidig som den nøyaktige Seed 1.6-utgaven og dens dokumenterte modusforskjeller beholdes.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser bytedance-seed/seed-1.6 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0005 / 1K tokener Utdata · Utgående tokener $0.004 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med128 000 | Kostnad Inndata · Inngående tokener $0.0005 / 1K tokener Utdata · Utgående tokener $0.004 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn128 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.001 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "bytedance-seed/seed-1.6", "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='bytedance-seed/seed-1.6',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='bytedance-seed/seed-1.6',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra bytedance-seed/seed-1.6
Bruk metodestiene som vises ovenfor.
bytedance-seed/seed-1.6Seed 1.6 kombinerer tekstforståelse og visuell forståelse med adaptiv resonnering og en kontekst på 256K. Modusene FullCoT, NoCoT og AdaCoT lar produsentprofilen tilpasse dypere analyse eller direkte svar til oppgaven og produsere forklaringer, kode og kildebaserte funn.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Seed 1.6 er ByteDance Seeds multimodale allroundmodell med adaptiv resonnering. Produsenten utvikler den for tekstlig og visuell resonnering, spørsmål med lang kontekst og interaksjoner forankret i et grensesnitt eller dokument. Den mottar instruksjoner og kildemateriale og returnerer tekst, for eksempel et svar, en analyse eller kode. Den adaptive utgaven er forskjellig fra Seed1.6-Thinking, Flash og senere Seed-generasjoner.
Produsenten beskriver en sparsom mixture-of-experts-modell med 230 milliarder parametere totalt og 23 milliarder aktive parametere. Treningen begynner med tekst, fortsetter med blandet tekst og visuelt materiale og utvider deretter sekvenslengden fra 32K til 256K. Dette gir modellen en kontekst der et spørsmål kan kombineres med omfattende kildeinformasjon. Konteksten inneholder likevel både samtalen og det genererte resultatet, så la det være plass til svaret fremfor å behandle den som en separat utdatareserve.
Ved en dokumentoppgave bør du beholde seksjonsnavn, sidemerking, tabelloverskrifter og enheter. Be om sammenligningen eller uttrekket materialet skal underbygge. En nyttig bestilling er: «Sammenlign vilkårene i disse to dokumentene, identifiser alle vesentlige forskjeller og siter det relevante avsnittet ved siden av hvert funn.» For et skjermbilde bør du forklare hva brukeren prøver å oppnå, og be om en tolkning basert på de synlige etikettene.
Seed1.6 introduserer Adaptive Chain-of-Thought med tre produsentmoduser. FullCoT resonnerer før den svarer på hver instruksjon. NoCoT svarer direkte. AdaCoT avgjør om den skal resonnere ut fra spørsmålet. Treningen belønner en passende mengde resonnering fremfor unødvendig lang resonnering for hver forespørsel.
Velg oppgavens dybde ut fra ønsket resultat: direkte uttrekk eller omskriving kan ha en kortfattet spesifikasjon for utdata, mens en matematisk betingelse, en kodefeil eller en kildesammenligning trenger de relevante begrensningene. Angi sluttleveransen separat fra den mellomliggende analysen. En utvidet resonneringsprosess er bare nyttig når den støtter svaret du trenger.
Modellens multimodale trening knytter sammen skriftlig og visuelt belegg. Oppgi et lesbart bilde og ta med etikettene rundt som trengs for å tolke det. For en figur bør du forklare spørsmålet og beholde merknadene; for et diagram bør du skille mellom de synlige verdiene og tolkningen du ber om. Produsentens evalueringsomtale peker på uskarpe figurer som en årsak til svakere visuell ytelse, noe som gjør tydelige kildebilder til et viktig praktisk valg av inndata.
Ved en grensesnittoppgave bør du angi om skjermbildet viser nåværende tilstand eller ønsket utforming. Be om de synlige kontrollene eller koden som trengs for den angitte atferden, og bruk deretter applikasjonens faktiske resultat som tilbakemelding. Tekst som foreslår et klikk eller produserer kode, er noe annet enn en fullført handling i et grensesnitt.
Den opprinnelige produsentprofilen dokumenterer strukturerte utdata og verktøybruk, med en kontekst på 256K, inntil 224K inndata og inntil 32K utdata totalt, inkludert resonnering. Applikasjonen stiller verktøydefinisjoner til rådighet og utfører de valgte operasjonene, og returnerer observasjoner for neste trinn. Bruk disse resultatene som belegg, og hold samtalen rettet mot oppgaven.
Et praktisk sluttresultat kan være et løst problem, et avgrenset kodeforslag eller en analyse med kildebelegg. Angi språk, obligatorisk terminologi og kriterium for fullføring. Kontroller uthentede verdier mot kilden og bevar manglende informasjon eksplisitt. Slik knyttes den adaptive modellens svar til det faktiske spørsmålet, samtidig som den nøyaktige Seed 1.6-utgaven og dens dokumenterte modusforskjeller beholdes.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser bytedance-seed/seed-1.6 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0005 / 1K tokener Utdata · Utgående tokener $0.004 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med128 000 | Kostnad Inndata · Inngående tokener $0.0005 / 1K tokener Utdata · Utgående tokener $0.004 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn128 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.001 / 1K tokener Utdata · Utgående tokener $0.008 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "bytedance-seed/seed-1.6",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'bytedance-seed/seed-1.6', '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': 'bytedance-seed/seed-1.6', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra bytedance-seed/seed-1.6
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Resolve conflicting return rules\n\nCompare two text excerpts. Policy: unopened items may be returned within 21 calendar days; customised items are excluded. FAQ: all items can be returned within 30 days. List the substantive conflicts, cite the exact phrases, and draft a replacement FAQ sentence that follows the policy without adding exceptions.Two conflict entries with quoted evidence, then one corrected FAQ sentence.The proposed FAQ retains both the 21-day limit and the customised-item exclusion.