Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small er Inference.nets modell med vekt på uttrekkingskvalitet for å gjøre HTML om til JSON som følger et skjema. Produsenten utvikler den for komplekse skjemaer og lange sider, med en annen rolle enn den gjennomstrømmingsorienterte V2 Turbo. Den leser HTML-en og skjemaet fra den som kaller, og returnerer den tilsvarende strukturerte posten. Målet er å hente ut faktaene en etterfølgende applikasjon trenger, ikke å generere et bredt samtalesvar.
Produsentens veiledning sier at uttrekkingsinstruksjoner hører hjemme i skjemaet fremfor i en system- eller brukerinstruksjon i naturlig språk. Definer hver egenskaps type og forklar betydningen i feltbeskrivelsen. Nestede objekter og lister støttes. En produktpost kan for eksempel skille en produktidentifikator fra det viste navnet og samle spesifikasjonsverdier i et eget objekt.
Ved en kompleks side avklarer du tvetydige feltbetydninger før du ber om uttrekking. Forklar om en dato gjelder publisering, en hendelse eller en revisjon, og hvordan flere kildeverdier skal representeres. Bruk en skjemakonvensjon for manglende informasjon, slik at modellen ikke må finne på en verdi for å få objektet til å se komplett ut. Produsenten demonstrerer typede modeller og JSON Schema sammen med validering av returnert JSON.
Den anbefalte HTML-forbehandlingen fjerner skript, stiler og standardelementer samtidig som relevant innhold beholdes. Produsenten anbefaler forsiktighet: fjerner du for mye, kan informasjonen som trengs for uttrekkingen, gå tapt. Behold tabelloverskrifter, nestede etiketter og teksten i nærheten som fastslår hva en verdi betyr. Avgrens til det relevante området når siden inneholder irrelevant navigasjon eller gjentatt materiale.
En eksempeloppgave er å hente ut en teknisk post fra en produktside med flere konfigurasjonstabeller. Inndataene bør bevare hvilken tabell som tilhører hvilken variant, og skjemaet bør beskrive den bestemte varianten eller variantlisten som trengs. Den resulterende JSON-en kan deretter kontrolleres mot disse kilderadene fremfor å behandles som et sammendrag av hele nettstedet.
V2 Small vektlegger uttrekkingskvalitet for vanskelige skjemaer og lang HTML. Turbo er den separate versjonen som er optimalisert for å behandle sider med høyere gjennomstrømming. Begge deler V2-familiens dokumenterte kontekst på 128K og strenge skjemastyrte JSON-flyt. Kontekstbudsjettet inneholder både inndata og ønskede utdata, så rett en stor side mot posten oppgaven faktisk trenger.
Et strukturert objekt kan støtte innlesing til en katalog, dokumenttolking eller et belegglag for et svar støttet av søk. Applikasjonen henter kildesiden, gir skjemaet og validerer utdataene før bruk. Behold sideidentifikatoren eller kildekoblingen i arbeidsflyten rundt. Hvis posten inneholder tall, sammenligner du enhetene og den tiltenkte tolkningen med kilden.
Samsvar med skjemaet fastslår resultatets form; det gir ingen uavhengig verifikasjon av hver enkelt opplysning som er hentet ut. Kontroller representative poster mot den opprinnelige HTML-en og definer håndtering av motstridende eller manglende informasjon. V2 Small forblir en egen navngitt utgivelse, atskilt fra V1-kontrollpunkter med åpne vekter. Det dokumenterte grensesnittet er uttrekking fra HTML til JSON og innebærer ikke bildeinndata, generell samtale, automatisk nettilgang eller en innebygd arbeidsflyt for verktøyutførelse.
", "aboutText": "Schematron V2 Small er Inference.nets modell med vekt på uttrekkingskvalitet for å gjøre HTML om til JSON som følger et skjema. Produsenten utvikler den for komplekse skjemaer og lange sider, med en annen rolle enn den gjennomstrømmingsorienterte V2 Turbo. Den leser HTML-en og skjemaet fra den som kaller, og returnerer den tilsvarende strukturerte posten. Målet er å hente ut faktaene en etterfølgende applikasjon trenger, ikke å generere et bredt samtalesvar.\n\n### Skjemaet som oppgavespesifikasjon\n\nProdusentens veiledning sier at uttrekkingsinstruksjoner hører hjemme i skjemaet fremfor i en system- eller brukerinstruksjon i naturlig språk. Definer hver egenskaps type og forklar betydningen i feltbeskrivelsen. Nestede objekter og lister støttes. En produktpost kan for eksempel skille en produktidentifikator fra det viste navnet og samle spesifikasjonsverdier i et eget objekt.\n\nVed en kompleks side avklarer du tvetydige feltbetydninger før du ber om uttrekking. Forklar om en dato gjelder publisering, en hendelse eller en revisjon, og hvordan flere kildeverdier skal representeres. Bruk en skjemakonvensjon for manglende informasjon, slik at modellen ikke må finne på en verdi for å få objektet til å se komplett ut. Produsenten demonstrerer typede modeller og JSON Schema sammen med validering av returnert JSON.\n\n### Forberedelse av et langt dokument\n\nDen anbefalte HTML-forbehandlingen fjerner skript, stiler og standardelementer samtidig som relevant innhold beholdes. Produsenten anbefaler forsiktighet: fjerner du for mye, kan informasjonen som trengs for uttrekkingen, gå tapt. Behold tabelloverskrifter, nestede etiketter og teksten i nærheten som fastslår hva en verdi betyr. Avgrens til det relevante området når siden inneholder irrelevant navigasjon eller gjentatt materiale.\n\nEn eksempeloppgave er å hente ut en teknisk post fra en produktside med flere konfigurasjonstabeller. Inndataene bør bevare hvilken tabell som tilhører hvilken variant, og skjemaet bør beskrive den bestemte varianten eller variantlisten som trengs. Den resulterende JSON-en kan deretter kontrolleres mot disse kilderadene fremfor å behandles som et sammendrag av hele nettstedet.\n\n### Small og Turbo er separate valg\n\nV2 Small vektlegger uttrekkingskvalitet for vanskelige skjemaer og lang HTML. Turbo er den separate versjonen som er optimalisert for å behandle sider med høyere gjennomstrømming. Begge deler V2-familiens dokumenterte kontekst på 128K og strenge skjemastyrte JSON-flyt. Kontekstbudsjettet inneholder både inndata og ønskede utdata, så rett en stor side mot posten oppgaven faktisk trenger.\n\n### Fra uttrekking til applikasjonsdata\n\nEt strukturert objekt kan støtte innlesing til en katalog, dokumenttolking eller et belegglag for et svar støttet av søk. Applikasjonen henter kildesiden, gir skjemaet og validerer utdataene før bruk. Behold sideidentifikatoren eller kildekoblingen i arbeidsflyten rundt. Hvis posten inneholder tall, sammenligner du enhetene og den tiltenkte tolkningen med kilden.\n\nSamsvar med skjemaet fastslår resultatets form; det gir ingen uavhengig verifikasjon av hver enkelt opplysning som er hentet ut. Kontroller representative poster mot den opprinnelige HTML-en og definer håndtering av motstridende eller manglende informasjon. V2 Small forblir en egen navngitt utgivelse, atskilt fra V1-kontrollpunkter med åpne vekter. Det dokumenterte grensesnittet er uttrekking fra HTML til JSON og innebærer ikke bildeinndata, generell samtale, automatisk nettilgang eller en innebygd arbeidsflyt for verktøyutførelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.inference-net/schematron-v2-smallSchematron V2 Small henter skjemadefinerte fakta fra innsendt HTML til typet JSON. Den er det kvalitetsorienterte V2-alternativet for komplekse skjemaer og lange sider, med en produsentkontekst på 128K, nestede poster og feltbeskrivelser som spesifiserer dataene som skal returneres.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Schematron V2 Small er Inference.nets modell med vekt på uttrekkingskvalitet for å gjøre HTML om til JSON som følger et skjema. Produsenten utvikler den for komplekse skjemaer og lange sider, med en annen rolle enn den gjennomstrømmingsorienterte V2 Turbo. Den leser HTML-en og skjemaet fra den som kaller, og returnerer den tilsvarende strukturerte posten. Målet er å hente ut faktaene en etterfølgende applikasjon trenger, ikke å generere et bredt samtalesvar.
Produsentens veiledning sier at uttrekkingsinstruksjoner hører hjemme i skjemaet fremfor i en system- eller brukerinstruksjon i naturlig språk. Definer hver egenskaps type og forklar betydningen i feltbeskrivelsen. Nestede objekter og lister støttes. En produktpost kan for eksempel skille en produktidentifikator fra det viste navnet og samle spesifikasjonsverdier i et eget objekt.
Ved en kompleks side avklarer du tvetydige feltbetydninger før du ber om uttrekking. Forklar om en dato gjelder publisering, en hendelse eller en revisjon, og hvordan flere kildeverdier skal representeres. Bruk en skjemakonvensjon for manglende informasjon, slik at modellen ikke må finne på en verdi for å få objektet til å se komplett ut. Produsenten demonstrerer typede modeller og JSON Schema sammen med validering av returnert JSON.
Den anbefalte HTML-forbehandlingen fjerner skript, stiler og standardelementer samtidig som relevant innhold beholdes. Produsenten anbefaler forsiktighet: fjerner du for mye, kan informasjonen som trengs for uttrekkingen, gå tapt. Behold tabelloverskrifter, nestede etiketter og teksten i nærheten som fastslår hva en verdi betyr. Avgrens til det relevante området når siden inneholder irrelevant navigasjon eller gjentatt materiale.
En eksempeloppgave er å hente ut en teknisk post fra en produktside med flere konfigurasjonstabeller. Inndataene bør bevare hvilken tabell som tilhører hvilken variant, og skjemaet bør beskrive den bestemte varianten eller variantlisten som trengs. Den resulterende JSON-en kan deretter kontrolleres mot disse kilderadene fremfor å behandles som et sammendrag av hele nettstedet.
V2 Small vektlegger uttrekkingskvalitet for vanskelige skjemaer og lang HTML. Turbo er den separate versjonen som er optimalisert for å behandle sider med høyere gjennomstrømming. Begge deler V2-familiens dokumenterte kontekst på 128K og strenge skjemastyrte JSON-flyt. Kontekstbudsjettet inneholder både inndata og ønskede utdata, så rett en stor side mot posten oppgaven faktisk trenger.
Et strukturert objekt kan støtte innlesing til en katalog, dokumenttolking eller et belegglag for et svar støttet av søk. Applikasjonen henter kildesiden, gir skjemaet og validerer utdataene før bruk. Behold sideidentifikatoren eller kildekoblingen i arbeidsflyten rundt. Hvis posten inneholder tall, sammenligner du enhetene og den tiltenkte tolkningen med kilden.
Samsvar med skjemaet fastslår resultatets form; det gir ingen uavhengig verifikasjon av hver enkelt opplysning som er hentet ut. Kontroller representative poster mot den opprinnelige HTML-en og definer håndtering av motstridende eller manglende informasjon. V2 Small forblir en egen navngitt utgivelse, atskilt fra V1-kontrollpunkter med åpne vekter. Det dokumenterte grensesnittet er uttrekking fra HTML til JSON og innebærer ikke bildeinndata, generell samtale, automatisk nettilgang eller en innebygd arbeidsflyt for verktøyutførelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser inference-net/schematron-v2-small | 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00046 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.00046 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inference-net/schematron-v2-small", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='inference-net/schematron-v2-small',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='inference-net/schematron-v2-small',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 inference-net/schematron-v2-small
Bruk metodestiene som vises ovenfor.
inference-net/schematron-v2-smallSchematron V2 Small henter skjemadefinerte fakta fra innsendt HTML til typet JSON. Den er det kvalitetsorienterte V2-alternativet for komplekse skjemaer og lange sider, med en produsentkontekst på 128K, nestede poster og feltbeskrivelser som spesifiserer dataene som skal returneres.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Schematron V2 Small er Inference.nets modell med vekt på uttrekkingskvalitet for å gjøre HTML om til JSON som følger et skjema. Produsenten utvikler den for komplekse skjemaer og lange sider, med en annen rolle enn den gjennomstrømmingsorienterte V2 Turbo. Den leser HTML-en og skjemaet fra den som kaller, og returnerer den tilsvarende strukturerte posten. Målet er å hente ut faktaene en etterfølgende applikasjon trenger, ikke å generere et bredt samtalesvar.
Produsentens veiledning sier at uttrekkingsinstruksjoner hører hjemme i skjemaet fremfor i en system- eller brukerinstruksjon i naturlig språk. Definer hver egenskaps type og forklar betydningen i feltbeskrivelsen. Nestede objekter og lister støttes. En produktpost kan for eksempel skille en produktidentifikator fra det viste navnet og samle spesifikasjonsverdier i et eget objekt.
Ved en kompleks side avklarer du tvetydige feltbetydninger før du ber om uttrekking. Forklar om en dato gjelder publisering, en hendelse eller en revisjon, og hvordan flere kildeverdier skal representeres. Bruk en skjemakonvensjon for manglende informasjon, slik at modellen ikke må finne på en verdi for å få objektet til å se komplett ut. Produsenten demonstrerer typede modeller og JSON Schema sammen med validering av returnert JSON.
Den anbefalte HTML-forbehandlingen fjerner skript, stiler og standardelementer samtidig som relevant innhold beholdes. Produsenten anbefaler forsiktighet: fjerner du for mye, kan informasjonen som trengs for uttrekkingen, gå tapt. Behold tabelloverskrifter, nestede etiketter og teksten i nærheten som fastslår hva en verdi betyr. Avgrens til det relevante området når siden inneholder irrelevant navigasjon eller gjentatt materiale.
En eksempeloppgave er å hente ut en teknisk post fra en produktside med flere konfigurasjonstabeller. Inndataene bør bevare hvilken tabell som tilhører hvilken variant, og skjemaet bør beskrive den bestemte varianten eller variantlisten som trengs. Den resulterende JSON-en kan deretter kontrolleres mot disse kilderadene fremfor å behandles som et sammendrag av hele nettstedet.
V2 Small vektlegger uttrekkingskvalitet for vanskelige skjemaer og lang HTML. Turbo er den separate versjonen som er optimalisert for å behandle sider med høyere gjennomstrømming. Begge deler V2-familiens dokumenterte kontekst på 128K og strenge skjemastyrte JSON-flyt. Kontekstbudsjettet inneholder både inndata og ønskede utdata, så rett en stor side mot posten oppgaven faktisk trenger.
Et strukturert objekt kan støtte innlesing til en katalog, dokumenttolking eller et belegglag for et svar støttet av søk. Applikasjonen henter kildesiden, gir skjemaet og validerer utdataene før bruk. Behold sideidentifikatoren eller kildekoblingen i arbeidsflyten rundt. Hvis posten inneholder tall, sammenligner du enhetene og den tiltenkte tolkningen med kilden.
Samsvar med skjemaet fastslår resultatets form; det gir ingen uavhengig verifikasjon av hver enkelt opplysning som er hentet ut. Kontroller representative poster mot den opprinnelige HTML-en og definer håndtering av motstridende eller manglende informasjon. V2 Small forblir en egen navngitt utgivelse, atskilt fra V1-kontrollpunkter med åpne vekter. Det dokumenterte grensesnittet er uttrekking fra HTML til JSON og innebærer ikke bildeinndata, generell samtale, automatisk nettilgang eller en innebygd arbeidsflyt for verktøyutførelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser inference-net/schematron-v2-small | 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00046 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.00046 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inference-net/schematron-v2-small', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inference-net/schematron-v2-small', '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 inference-net/schematron-v2-small
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.Capacity: 350 ml
Capacity: 600 ml