SenseChat-5 er den generelle V5-språkmodellen i SenseTimes SenseNova-serie. Produsenten beskriver oppgaveområdet på tvers av språk, kunnskap, resonnering, matematikk og kode, med særlig vekt på åpne spørsmål, dialog i flere runder, informasjonsuthenting og skriving. De dokumenterte samtaleinndataene er tekst, og det nyttige resultatet er et skriftlig svar, et utkast, en analyse eller en verktøyrelatert instruks.
Hold oppgaveinstruksene atskilt fra materialet som skal analyseres. Utviklerens kompatible samtaleeksempel bruker en systemmelding til å definere rollen og svarformatet, etterfulgt av en brukermelding som inneholder forespørselen. Den opprinnelige samtalereferansen skiller også mellom system-, bruker- og assistentmeldinger. Behold den relevante dialogen i rekkefølge når en oppfølging avhenger av et tidligere svar.
For en uthentingsoppgave oppgir du dokumentet og navngir feltene som skal returneres. En nyttig oppgavebeskrivelse er: «Hent ut den oppgitte fristen, det ansvarlige teamet og den nødvendige leveransen til en tabell, og identifiser avsnittet som underbygger hver verdi.» For en skriveoppgave oppgir du målgruppe, formål, tone og nødvendige deler. Behandle ønsket ordantall som en skriveinstruks, og kontroller det ferdige svaret for samsvar.
Utvikleren oppgir en kontekst på 128K for SenseChat-5. Den opprinnelige samtalereferansen forklarer at de oppgitte inndataene og det reserverte maksimale svaret må få plass innenfor modellens kontekst. Innhentet kunnskap eller innlagt referansetekst opptar også plass i inndataene. Hold spørsmålet, viktige kildeavsnitt og tilstrekkelig plass til svaret samlet i stedet for å fylle hele rammen med dokumenter.
Ved sammenligning av lange kilder merker du hvert dokument og bevarer delgrensene. Spør hvilke krav som samsvarer, hvilke som er i konflikt, og hvilket avsnitt som underbygger forskjellen. Oppgi viktige definisjoner og identifikatorer eksplisitt. Hvis oppgaven bare gjelder noen få deler, velger du disse delene og konteksten som trengs for å tolke dem, slik at den endelige sammenligningen forblir lett å kontrollere.
Oppgi et fullstendig problem med forutsetninger, enheter og ønsket sluttform. Be om at en beregning identifiserer verdiene den bruker, og at en forklaring skiller mellom et oppgitt faktum og en antakelse. En konklusjon bør kontrolleres mot betingelsene i problemet, særlig når flere trinn avhenger av én tidlig tolkning.
For kodearbeid tar du med relevant kildekode, observert oppførsel og forventet resultat. Et nyttig resultat er et endringsforslag med betingelsen det adresserer, og kontrollene som trengs for å vurdere det. Returner den faktiske feilen eller kjøreresultatet når neste runde avhenger av om et forslag fungerte. Det skriftlige svaret og resultatet av å kjøre dette svaret er separate artefakter.
SenseTimes V5-utgivelse dokumenterer egendefinerte funksjonskall: en tilkoblet applikasjon kan oppgi verktøydefinisjoner som modellen kan velge og bruke. Definer formålet og argumentene til hvert verktøy rundt den faktiske operasjonen, og behold deretter den returnerte observasjonen sammen med samtalen. Be om at sluttsvaret bruker det faktiske oppslags- eller operasjonsresultatet i stedet for å anta at en forespurt handling lyktes.
Den samme V5-utgivelsen beskriver en arbeidsflyt med kodetolker som genererer Python for matematiske beregninger. Dette er en tilkoblet beregningsarbeidsflyt, ikke en grunn til å behandle alle genererte kodeblokker som utført. Oppgi dataene som skal beregnes, behold tolkerens resultat, og kontroller hvordan den skriftlige forklaringen henger sammen med resultatet.
Produsentens samtaleeksempler viser både ferdige svar og strømmet tekst. Et ferdig svar gir assistentens melding; strømming leverer påfølgende deler som må settes sammen til sluttsvaret. Behold denne endelige teksten sammen med forespørselen og kildematerialet før du bruker den som et dokument, en rapport eller et applikasjonssvar.
Hold modellutgaven eksplisitt. SenseChat-Turbo er en separat lett dialogmodell, og SenseChat-5-Cantonese er en separat navngitt tilpasning. Produsenten publiserer også egne modeller for syn, sammenslåtte modaliteter og karakterdialog. Bruk denne SenseChat-5-varianten til det dokumenterte arbeidet med tekstsamtaler og verktøystøttet språk, og kontroller uthentede verdier, resonneringstrinn og foreslåtte operasjoner mot den oppgitte dokumentasjonen.
", "aboutText": "### Generelt språk- og resonneringsarbeid\n\nSenseChat-5 er den generelle V5-språkmodellen i SenseTimes SenseNova-serie. Produsenten beskriver oppgaveområdet på tvers av språk, kunnskap, resonnering, matematikk og kode, med særlig vekt på åpne spørsmål, dialog i flere runder, informasjonsuthenting og skriving. De dokumenterte samtaleinndataene er tekst, og det nyttige resultatet er et skriftlig svar, et utkast, en analyse eller en verktøyrelatert instruks.\n\n### Klargjør samtalen\n\nHold oppgaveinstruksene atskilt fra materialet som skal analyseres. Utviklerens kompatible samtaleeksempel bruker en systemmelding til å definere rollen og svarformatet, etterfulgt av en brukermelding som inneholder forespørselen. Den opprinnelige samtalereferansen skiller også mellom system-, bruker- og assistentmeldinger. Behold den relevante dialogen i rekkefølge når en oppfølging avhenger av et tidligere svar.\n\nFor en uthentingsoppgave oppgir du dokumentet og navngir feltene som skal returneres. En nyttig oppgavebeskrivelse er: «Hent ut den oppgitte fristen, det ansvarlige teamet og den nødvendige leveransen til en tabell, og identifiser avsnittet som underbygger hver verdi.» For en skriveoppgave oppgir du målgruppe, formål, tone og nødvendige deler. Behandle ønsket ordantall som en skriveinstruks, og kontroller det ferdige svaret for samsvar.\n\n### Arbeid med konteksten på 128K\n\nUtvikleren oppgir en kontekst på 128K for SenseChat-5. Den opprinnelige samtalereferansen forklarer at de oppgitte inndataene og det reserverte maksimale svaret må få plass innenfor modellens kontekst. Innhentet kunnskap eller innlagt referansetekst opptar også plass i inndataene. Hold spørsmålet, viktige kildeavsnitt og tilstrekkelig plass til svaret samlet i stedet for å fylle hele rammen med dokumenter.\n\nVed sammenligning av lange kilder merker du hvert dokument og bevarer delgrensene. Spør hvilke krav som samsvarer, hvilke som er i konflikt, og hvilket avsnitt som underbygger forskjellen. Oppgi viktige definisjoner og identifikatorer eksplisitt. Hvis oppgaven bare gjelder noen få deler, velger du disse delene og konteksten som trengs for å tolke dem, slik at den endelige sammenligningen forblir lett å kontrollere.\n\n### Resonnering, matematikk og kode\n\nOppgi et fullstendig problem med forutsetninger, enheter og ønsket sluttform. Be om at en beregning identifiserer verdiene den bruker, og at en forklaring skiller mellom et oppgitt faktum og en antakelse. En konklusjon bør kontrolleres mot betingelsene i problemet, særlig når flere trinn avhenger av én tidlig tolkning.\n\nFor kodearbeid tar du med relevant kildekode, observert oppførsel og forventet resultat. Et nyttig resultat er et endringsforslag med betingelsen det adresserer, og kontrollene som trengs for å vurdere det. Returner den faktiske feilen eller kjøreresultatet når neste runde avhenger av om et forslag fungerte. Det skriftlige svaret og resultatet av å kjøre dette svaret er separate artefakter.\n\n### Egendefinerte verktøy og beregning\n\nSenseTimes V5-utgivelse dokumenterer egendefinerte funksjonskall: en tilkoblet applikasjon kan oppgi verktøydefinisjoner som modellen kan velge og bruke. Definer formålet og argumentene til hvert verktøy rundt den faktiske operasjonen, og behold deretter den returnerte observasjonen sammen med samtalen. Be om at sluttsvaret bruker det faktiske oppslags- eller operasjonsresultatet i stedet for å anta at en forespurt handling lyktes.\n\nDen samme V5-utgivelsen beskriver en arbeidsflyt med kodetolker som genererer Python for matematiske beregninger. Dette er en tilkoblet beregningsarbeidsflyt, ikke en grunn til å behandle alle genererte kodeblokker som utført. Oppgi dataene som skal beregnes, behold tolkerens resultat, og kontroller hvordan den skriftlige forklaringen henger sammen med resultatet.\n\n### Ferdige svar og strømming\n\nProdusentens samtaleeksempler viser både ferdige svar og strømmet tekst. Et ferdig svar gir assistentens melding; strømming leverer påfølgende deler som må settes sammen til sluttsvaret. Behold denne endelige teksten sammen med forespørselen og kildematerialet før du bruker den som et dokument, en rapport eller et applikasjonssvar.\n\nHold modellutgaven eksplisitt. SenseChat-Turbo er en separat lett dialogmodell, og SenseChat-5-Cantonese er en separat navngitt tilpasning. Produsenten publiserer også egne modeller for syn, sammenslåtte modaliteter og karakterdialog. Bruk denne SenseChat-5-varianten til det dokumenterte arbeidet med tekstsamtaler og verktøystøttet språk, og kontroller uthentede verdier, resonneringstrinn og foreslåtte operasjoner mot den oppgitte dokumentasjonen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.SenseChat-5SenseChat-5 fra SenseTime er en tekstmodell for samtaler, med oppgaver innen språk, kunnskap, resonnering, matematikk og kode. Den dokumenterte konteksten på 128K støtter lengre kildemateriale, mens produsentens V5-arbeidsflyt omfatter egendefinerte funksjonskall og beregning med en kodetolker.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
SenseChat-5 er den generelle V5-språkmodellen i SenseTimes SenseNova-serie. Produsenten beskriver oppgaveområdet på tvers av språk, kunnskap, resonnering, matematikk og kode, med særlig vekt på åpne spørsmål, dialog i flere runder, informasjonsuthenting og skriving. De dokumenterte samtaleinndataene er tekst, og det nyttige resultatet er et skriftlig svar, et utkast, en analyse eller en verktøyrelatert instruks.
Hold oppgaveinstruksene atskilt fra materialet som skal analyseres. Utviklerens kompatible samtaleeksempel bruker en systemmelding til å definere rollen og svarformatet, etterfulgt av en brukermelding som inneholder forespørselen. Den opprinnelige samtalereferansen skiller også mellom system-, bruker- og assistentmeldinger. Behold den relevante dialogen i rekkefølge når en oppfølging avhenger av et tidligere svar.
For en uthentingsoppgave oppgir du dokumentet og navngir feltene som skal returneres. En nyttig oppgavebeskrivelse er: «Hent ut den oppgitte fristen, det ansvarlige teamet og den nødvendige leveransen til en tabell, og identifiser avsnittet som underbygger hver verdi.» For en skriveoppgave oppgir du målgruppe, formål, tone og nødvendige deler. Behandle ønsket ordantall som en skriveinstruks, og kontroller det ferdige svaret for samsvar.
Utvikleren oppgir en kontekst på 128K for SenseChat-5. Den opprinnelige samtalereferansen forklarer at de oppgitte inndataene og det reserverte maksimale svaret må få plass innenfor modellens kontekst. Innhentet kunnskap eller innlagt referansetekst opptar også plass i inndataene. Hold spørsmålet, viktige kildeavsnitt og tilstrekkelig plass til svaret samlet i stedet for å fylle hele rammen med dokumenter.
Ved sammenligning av lange kilder merker du hvert dokument og bevarer delgrensene. Spør hvilke krav som samsvarer, hvilke som er i konflikt, og hvilket avsnitt som underbygger forskjellen. Oppgi viktige definisjoner og identifikatorer eksplisitt. Hvis oppgaven bare gjelder noen få deler, velger du disse delene og konteksten som trengs for å tolke dem, slik at den endelige sammenligningen forblir lett å kontrollere.
Oppgi et fullstendig problem med forutsetninger, enheter og ønsket sluttform. Be om at en beregning identifiserer verdiene den bruker, og at en forklaring skiller mellom et oppgitt faktum og en antakelse. En konklusjon bør kontrolleres mot betingelsene i problemet, særlig når flere trinn avhenger av én tidlig tolkning.
For kodearbeid tar du med relevant kildekode, observert oppførsel og forventet resultat. Et nyttig resultat er et endringsforslag med betingelsen det adresserer, og kontrollene som trengs for å vurdere det. Returner den faktiske feilen eller kjøreresultatet når neste runde avhenger av om et forslag fungerte. Det skriftlige svaret og resultatet av å kjøre dette svaret er separate artefakter.
SenseTimes V5-utgivelse dokumenterer egendefinerte funksjonskall: en tilkoblet applikasjon kan oppgi verktøydefinisjoner som modellen kan velge og bruke. Definer formålet og argumentene til hvert verktøy rundt den faktiske operasjonen, og behold deretter den returnerte observasjonen sammen med samtalen. Be om at sluttsvaret bruker det faktiske oppslags- eller operasjonsresultatet i stedet for å anta at en forespurt handling lyktes.
Den samme V5-utgivelsen beskriver en arbeidsflyt med kodetolker som genererer Python for matematiske beregninger. Dette er en tilkoblet beregningsarbeidsflyt, ikke en grunn til å behandle alle genererte kodeblokker som utført. Oppgi dataene som skal beregnes, behold tolkerens resultat, og kontroller hvordan den skriftlige forklaringen henger sammen med resultatet.
Produsentens samtaleeksempler viser både ferdige svar og strømmet tekst. Et ferdig svar gir assistentens melding; strømming leverer påfølgende deler som må settes sammen til sluttsvaret. Behold denne endelige teksten sammen med forespørselen og kildematerialet før du bruker den som et dokument, en rapport eller et applikasjonssvar.
Hold modellutgaven eksplisitt. SenseChat-Turbo er en separat lett dialogmodell, og SenseChat-5-Cantonese er en separat navngitt tilpasning. Produsenten publiserer også egne modeller for syn, sammenslåtte modaliteter og karakterdialog. Bruk denne SenseChat-5-varianten til det dokumenterte arbeidet med tekstsamtaler og verktøystøttet språk, og kontroller uthentede verdier, resonneringstrinn og foreslåtte operasjoner mot den oppgitte dokumentasjonen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser SenseChat-5 | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0132 / 1K tokener Utdata · Utgående tokener $0.0308 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='SenseChat-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='SenseChat-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 SenseChat-5
Bruk metodestiene som vises ovenfor.
SenseChat-5SenseChat-5 fra SenseTime er en tekstmodell for samtaler, med oppgaver innen språk, kunnskap, resonnering, matematikk og kode. Den dokumenterte konteksten på 128K støtter lengre kildemateriale, mens produsentens V5-arbeidsflyt omfatter egendefinerte funksjonskall og beregning med en kodetolker.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
SenseChat-5 er den generelle V5-språkmodellen i SenseTimes SenseNova-serie. Produsenten beskriver oppgaveområdet på tvers av språk, kunnskap, resonnering, matematikk og kode, med særlig vekt på åpne spørsmål, dialog i flere runder, informasjonsuthenting og skriving. De dokumenterte samtaleinndataene er tekst, og det nyttige resultatet er et skriftlig svar, et utkast, en analyse eller en verktøyrelatert instruks.
Hold oppgaveinstruksene atskilt fra materialet som skal analyseres. Utviklerens kompatible samtaleeksempel bruker en systemmelding til å definere rollen og svarformatet, etterfulgt av en brukermelding som inneholder forespørselen. Den opprinnelige samtalereferansen skiller også mellom system-, bruker- og assistentmeldinger. Behold den relevante dialogen i rekkefølge når en oppfølging avhenger av et tidligere svar.
For en uthentingsoppgave oppgir du dokumentet og navngir feltene som skal returneres. En nyttig oppgavebeskrivelse er: «Hent ut den oppgitte fristen, det ansvarlige teamet og den nødvendige leveransen til en tabell, og identifiser avsnittet som underbygger hver verdi.» For en skriveoppgave oppgir du målgruppe, formål, tone og nødvendige deler. Behandle ønsket ordantall som en skriveinstruks, og kontroller det ferdige svaret for samsvar.
Utvikleren oppgir en kontekst på 128K for SenseChat-5. Den opprinnelige samtalereferansen forklarer at de oppgitte inndataene og det reserverte maksimale svaret må få plass innenfor modellens kontekst. Innhentet kunnskap eller innlagt referansetekst opptar også plass i inndataene. Hold spørsmålet, viktige kildeavsnitt og tilstrekkelig plass til svaret samlet i stedet for å fylle hele rammen med dokumenter.
Ved sammenligning av lange kilder merker du hvert dokument og bevarer delgrensene. Spør hvilke krav som samsvarer, hvilke som er i konflikt, og hvilket avsnitt som underbygger forskjellen. Oppgi viktige definisjoner og identifikatorer eksplisitt. Hvis oppgaven bare gjelder noen få deler, velger du disse delene og konteksten som trengs for å tolke dem, slik at den endelige sammenligningen forblir lett å kontrollere.
Oppgi et fullstendig problem med forutsetninger, enheter og ønsket sluttform. Be om at en beregning identifiserer verdiene den bruker, og at en forklaring skiller mellom et oppgitt faktum og en antakelse. En konklusjon bør kontrolleres mot betingelsene i problemet, særlig når flere trinn avhenger av én tidlig tolkning.
For kodearbeid tar du med relevant kildekode, observert oppførsel og forventet resultat. Et nyttig resultat er et endringsforslag med betingelsen det adresserer, og kontrollene som trengs for å vurdere det. Returner den faktiske feilen eller kjøreresultatet når neste runde avhenger av om et forslag fungerte. Det skriftlige svaret og resultatet av å kjøre dette svaret er separate artefakter.
SenseTimes V5-utgivelse dokumenterer egendefinerte funksjonskall: en tilkoblet applikasjon kan oppgi verktøydefinisjoner som modellen kan velge og bruke. Definer formålet og argumentene til hvert verktøy rundt den faktiske operasjonen, og behold deretter den returnerte observasjonen sammen med samtalen. Be om at sluttsvaret bruker det faktiske oppslags- eller operasjonsresultatet i stedet for å anta at en forespurt handling lyktes.
Den samme V5-utgivelsen beskriver en arbeidsflyt med kodetolker som genererer Python for matematiske beregninger. Dette er en tilkoblet beregningsarbeidsflyt, ikke en grunn til å behandle alle genererte kodeblokker som utført. Oppgi dataene som skal beregnes, behold tolkerens resultat, og kontroller hvordan den skriftlige forklaringen henger sammen med resultatet.
Produsentens samtaleeksempler viser både ferdige svar og strømmet tekst. Et ferdig svar gir assistentens melding; strømming leverer påfølgende deler som må settes sammen til sluttsvaret. Behold denne endelige teksten sammen med forespørselen og kildematerialet før du bruker den som et dokument, en rapport eller et applikasjonssvar.
Hold modellutgaven eksplisitt. SenseChat-Turbo er en separat lett dialogmodell, og SenseChat-5-Cantonese er en separat navngitt tilpasning. Produsenten publiserer også egne modeller for syn, sammenslåtte modaliteter og karakterdialog. Bruk denne SenseChat-5-varianten til det dokumenterte arbeidet med tekstsamtaler og verktøystøttet språk, og kontroller uthentede verdier, resonneringstrinn og foreslåtte operasjoner mot den oppgitte dokumentasjonen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser SenseChat-5 | 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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0132 / 1K tokener Utdata · Utgående tokener $0.0308 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 SenseChat-5
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.