SenseChat-Turbo er den lette modellen for generell dialog i SenseTimes SenseNova-utvalg. Utvikleren retter den mot raske spørsmål og svar og scenarier for modelltilpasning. Bruk den til en tydelig avgrenset tekstoppgave: svare på et spørsmål ut fra oppgitt informasjon, omskrive en kort melding, identifisere poenget i et avsnitt eller fortsette en fokusert samtale.
Angi hva svaret skal oppnå, og ta med informasjonen som trengs for å produsere det. For en kunderettet forklaring oppgir du relevante produktfakta og ber om et kortfattet svar på det faktiske spørsmålet. Ved omskriving oppgir du den opprinnelige ordlyden, målgruppen og ønsket tone. Skill materialet som skal analyseres fra instruksene om hvordan resultatet skal presenteres.
En nyttig oppgavebeskrivelse er: «Bruk det oppgitte utdraget fra retningslinjene til å forklare hvilket trinn som gjelder i denne situasjonen, og list deretter informasjonen som fortsatt trengs.» Den resulterende teksten skal skille mellom et underbygd svar og et spørsmål utdraget ikke avklarer. Et kort svar er lettere å bruke når det besvarer ett tydelig problem i stedet for å blande flere uvedkommende mål.
Produsentens arbeidsflyt for tekstsamtaler bruker rollemerkede meldinger og støtter en sekvens av brukerforespørsler og assistentsvar. Behold den tidligere samtalerunden når en oppfølging viser til den, sammen med fakta eller begrensninger som fortsatt er relevante. I en arbeidsflyt uten serverlagret samtalehistorikk oppgir applikasjonen den relevante historikken med neste forespørsel.
Ved en pågående kundestøtteutveksling beholder du spørsmålet som allerede er avklart, og observasjonen brukeren oppga. Be om at neste svar fortsetter fra denne tilstanden. Fjern uvedkommende materiale som distraherer fra den aktuelle oppgaven, og sett av plass til svaret innenfor konfigurasjonen som brukes til samtalen.
SenseTime oppgir scenarier for modelltilpasning som del av Turbos bruksområde. For oppgavespesifikk tilpasning klargjør du representative eksempler med inndata og svar som viser ønsket oppførsel: ordforråd, svarform, detaljnivå og håndtering av manglende informasjon. Hold forventet svar i samsvar med kildefaktaene i hvert eksempel.
Nyttige eksempler kan skille et faktasvar fra en forespørsel om avklaring, eller en kort forklaring fra en strukturert feltliste. Ta med vanskelige eller tvetydige tilfeller i tillegg til enkle. Kontroller eksemplene mot den tiltenkte oppgaven før du behandler ordlyden deres som et mønster som skal gjentas. Denne klargjøringen beskriver ønsket dialogoppførsel; tilpasningsarbeidsflyten rundt modellen bestemmer hvordan eksemplene brukes.
Utviklerens samtalegrensesnitt støtter ferdig tekst og strømmet tekst. Et ferdig svar gir svaret som ett resultat; en strøm leverer påfølgende deler som applikasjonen setter sammen. Behold det ferdige svaret for gjennomgang eller gjenbruk i stedet for å vurdere oppgaven bare ut fra de første synlige ordene.
Ved uthenting eller klassifisering kontrollerer du de faktiske feltene eller etikettene mot kilden. Ved omskriving sammenligner du om meningen er bevart gjennom den ønskede toneendringen. Ved spørsmål og svar kontrollerer du at svaret tar opp det aktuelle problemet, og at eventuelle oppfølgingsspørsmål er relevante.
Turbo og SenseChat-5 er separat navngitte modeller for generell dialog. SenseChat-5-Cantonese, modellene for karakterdialog og modellene for syn eller sammenslåtte modaliteter har også egne varianter. Behold den valgte utgaven og den oppgitte teksten sammen med sluttsvaret når du sammenligner en oppgave eller fortsetter en applikasjonssamtale.
Velg Turbos rolle for avgrenset dialog når resultatet skal være en kortfattet, brukbar tekst. Gi svaret et eksplisitt bruksformål, som et svar, et revidert avsnitt, en feltliste eller et avklaringsspørsmål, og kontroller leveransens faktasamsvar, ordlyd og fullstendighet før du bruker den i neste trinn.
", "aboutText": "### Raske spørsmål og tilpasset dialog\n\nSenseChat-Turbo er den lette modellen for generell dialog i SenseTimes SenseNova-utvalg. Utvikleren retter den mot raske spørsmål og svar og scenarier for modelltilpasning. Bruk den til en tydelig avgrenset tekstoppgave: svare på et spørsmål ut fra oppgitt informasjon, omskrive en kort melding, identifisere poenget i et avsnitt eller fortsette en fokusert samtale.\n\n### Gi modellen en presis forespørsel\n\nAngi hva svaret skal oppnå, og ta med informasjonen som trengs for å produsere det. For en kunderettet forklaring oppgir du relevante produktfakta og ber om et kortfattet svar på det faktiske spørsmålet. Ved omskriving oppgir du den opprinnelige ordlyden, målgruppen og ønsket tone. Skill materialet som skal analyseres fra instruksene om hvordan resultatet skal presenteres.\n\nEn nyttig oppgavebeskrivelse er: «Bruk det oppgitte utdraget fra retningslinjene til å forklare hvilket trinn som gjelder i denne situasjonen, og list deretter informasjonen som fortsatt trengs.» Den resulterende teksten skal skille mellom et underbygd svar og et spørsmål utdraget ikke avklarer. Et kort svar er lettere å bruke når det besvarer ett tydelig problem i stedet for å blande flere uvedkommende mål.\n\n### Hold samtalekonteksten relevant\n\nProdusentens arbeidsflyt for tekstsamtaler bruker rollemerkede meldinger og støtter en sekvens av brukerforespørsler og assistentsvar. Behold den tidligere samtalerunden når en oppfølging viser til den, sammen med fakta eller begrensninger som fortsatt er relevante. I en arbeidsflyt uten serverlagret samtalehistorikk oppgir applikasjonen den relevante historikken med neste forespørsel.\n\nVed en pågående kundestøtteutveksling beholder du spørsmålet som allerede er avklart, og observasjonen brukeren oppga. Be om at neste svar fortsetter fra denne tilstanden. Fjern uvedkommende materiale som distraherer fra den aktuelle oppgaven, og sett av plass til svaret innenfor konfigurasjonen som brukes til samtalen.\n\n### Klargjør oppgavespesifikke eksempler\n\nSenseTime oppgir scenarier for modelltilpasning som del av Turbos bruksområde. For oppgavespesifikk tilpasning klargjør du representative eksempler med inndata og svar som viser ønsket oppførsel: ordforråd, svarform, detaljnivå og håndtering av manglende informasjon. Hold forventet svar i samsvar med kildefaktaene i hvert eksempel.\n\nNyttige eksempler kan skille et faktasvar fra en forespørsel om avklaring, eller en kort forklaring fra en strukturert feltliste. Ta med vanskelige eller tvetydige tilfeller i tillegg til enkle. Kontroller eksemplene mot den tiltenkte oppgaven før du behandler ordlyden deres som et mønster som skal gjentas. Denne klargjøringen beskriver ønsket dialogoppførsel; tilpasningsarbeidsflyten rundt modellen bestemmer hvordan eksemplene brukes.\n\n### Ferdige og strømmede svar\n\nUtviklerens samtalegrensesnitt støtter ferdig tekst og strømmet tekst. Et ferdig svar gir svaret som ett resultat; en strøm leverer påfølgende deler som applikasjonen setter sammen. Behold det ferdige svaret for gjennomgang eller gjenbruk i stedet for å vurdere oppgaven bare ut fra de første synlige ordene.\n\nVed uthenting eller klassifisering kontrollerer du de faktiske feltene eller etikettene mot kilden. Ved omskriving sammenligner du om meningen er bevart gjennom den ønskede toneendringen. Ved spørsmål og svar kontrollerer du at svaret tar opp det aktuelle problemet, og at eventuelle oppfølgingsspørsmål er relevante.\n\n### Hold Turbo-utgaven atskilt\n\nTurbo og SenseChat-5 er separat navngitte modeller for generell dialog. SenseChat-5-Cantonese, modellene for karakterdialog og modellene for syn eller sammenslåtte modaliteter har også egne varianter. Behold den valgte utgaven og den oppgitte teksten sammen med sluttsvaret når du sammenligner en oppgave eller fortsetter en applikasjonssamtale.\n\nVelg Turbos rolle for avgrenset dialog når resultatet skal være en kortfattet, brukbar tekst. Gi svaret et eksplisitt bruksformål, som et svar, et revidert avsnitt, en feltliste eller et avklaringsspørsmål, og kontroller leveransens faktasamsvar, ordlyd og fullstendighet før du bruker den i neste trinn.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseChat-Turbo fra SenseTime er en lett tekstmodell for samtaler, rettet mot raske spørsmål og oppgavespesifikk tilpasning. Formuler kortfattede forespørsler, hold den relevante dialogen samlet, og kontroller det ferdige svaret mot faktaene som er oppgitt for oppgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
SenseChat-Turbo er den lette modellen for generell dialog i SenseTimes SenseNova-utvalg. Utvikleren retter den mot raske spørsmål og svar og scenarier for modelltilpasning. Bruk den til en tydelig avgrenset tekstoppgave: svare på et spørsmål ut fra oppgitt informasjon, omskrive en kort melding, identifisere poenget i et avsnitt eller fortsette en fokusert samtale.
Angi hva svaret skal oppnå, og ta med informasjonen som trengs for å produsere det. For en kunderettet forklaring oppgir du relevante produktfakta og ber om et kortfattet svar på det faktiske spørsmålet. Ved omskriving oppgir du den opprinnelige ordlyden, målgruppen og ønsket tone. Skill materialet som skal analyseres fra instruksene om hvordan resultatet skal presenteres.
En nyttig oppgavebeskrivelse er: «Bruk det oppgitte utdraget fra retningslinjene til å forklare hvilket trinn som gjelder i denne situasjonen, og list deretter informasjonen som fortsatt trengs.» Den resulterende teksten skal skille mellom et underbygd svar og et spørsmål utdraget ikke avklarer. Et kort svar er lettere å bruke når det besvarer ett tydelig problem i stedet for å blande flere uvedkommende mål.
Produsentens arbeidsflyt for tekstsamtaler bruker rollemerkede meldinger og støtter en sekvens av brukerforespørsler og assistentsvar. Behold den tidligere samtalerunden når en oppfølging viser til den, sammen med fakta eller begrensninger som fortsatt er relevante. I en arbeidsflyt uten serverlagret samtalehistorikk oppgir applikasjonen den relevante historikken med neste forespørsel.
Ved en pågående kundestøtteutveksling beholder du spørsmålet som allerede er avklart, og observasjonen brukeren oppga. Be om at neste svar fortsetter fra denne tilstanden. Fjern uvedkommende materiale som distraherer fra den aktuelle oppgaven, og sett av plass til svaret innenfor konfigurasjonen som brukes til samtalen.
SenseTime oppgir scenarier for modelltilpasning som del av Turbos bruksområde. For oppgavespesifikk tilpasning klargjør du representative eksempler med inndata og svar som viser ønsket oppførsel: ordforråd, svarform, detaljnivå og håndtering av manglende informasjon. Hold forventet svar i samsvar med kildefaktaene i hvert eksempel.
Nyttige eksempler kan skille et faktasvar fra en forespørsel om avklaring, eller en kort forklaring fra en strukturert feltliste. Ta med vanskelige eller tvetydige tilfeller i tillegg til enkle. Kontroller eksemplene mot den tiltenkte oppgaven før du behandler ordlyden deres som et mønster som skal gjentas. Denne klargjøringen beskriver ønsket dialogoppførsel; tilpasningsarbeidsflyten rundt modellen bestemmer hvordan eksemplene brukes.
Utviklerens samtalegrensesnitt støtter ferdig tekst og strømmet tekst. Et ferdig svar gir svaret som ett resultat; en strøm leverer påfølgende deler som applikasjonen setter sammen. Behold det ferdige svaret for gjennomgang eller gjenbruk i stedet for å vurdere oppgaven bare ut fra de første synlige ordene.
Ved uthenting eller klassifisering kontrollerer du de faktiske feltene eller etikettene mot kilden. Ved omskriving sammenligner du om meningen er bevart gjennom den ønskede toneendringen. Ved spørsmål og svar kontrollerer du at svaret tar opp det aktuelle problemet, og at eventuelle oppfølgingsspørsmål er relevante.
Turbo og SenseChat-5 er separat navngitte modeller for generell dialog. SenseChat-5-Cantonese, modellene for karakterdialog og modellene for syn eller sammenslåtte modaliteter har også egne varianter. Behold den valgte utgaven og den oppgitte teksten sammen med sluttsvaret når du sammenligner en oppgave eller fortsetter en applikasjonssamtale.
Velg Turbos rolle for avgrenset dialog når resultatet skal være en kortfattet, brukbar tekst. Gi svaret et eksplisitt bruksformål, som et svar, et revidert avsnitt, en feltliste eller et avklaringsspørsmål, og kontroller leveransens faktasamsvar, ordlyd og fullstendighet før du bruker den i neste trinn.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser SenseChat-Turbo | 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 $0.00066 / 1K tokener Utdata · Utgående tokener $0.00154 / 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-Turbo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='SenseChat-Turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='SenseChat-Turbo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Turbo
Bruk metodestiene som vises ovenfor.
SenseChat-TurboSenseChat-Turbo fra SenseTime er en lett tekstmodell for samtaler, rettet mot raske spørsmål og oppgavespesifikk tilpasning. Formuler kortfattede forespørsler, hold den relevante dialogen samlet, og kontroller det ferdige svaret mot faktaene som er oppgitt for oppgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
SenseChat-Turbo er den lette modellen for generell dialog i SenseTimes SenseNova-utvalg. Utvikleren retter den mot raske spørsmål og svar og scenarier for modelltilpasning. Bruk den til en tydelig avgrenset tekstoppgave: svare på et spørsmål ut fra oppgitt informasjon, omskrive en kort melding, identifisere poenget i et avsnitt eller fortsette en fokusert samtale.
Angi hva svaret skal oppnå, og ta med informasjonen som trengs for å produsere det. For en kunderettet forklaring oppgir du relevante produktfakta og ber om et kortfattet svar på det faktiske spørsmålet. Ved omskriving oppgir du den opprinnelige ordlyden, målgruppen og ønsket tone. Skill materialet som skal analyseres fra instruksene om hvordan resultatet skal presenteres.
En nyttig oppgavebeskrivelse er: «Bruk det oppgitte utdraget fra retningslinjene til å forklare hvilket trinn som gjelder i denne situasjonen, og list deretter informasjonen som fortsatt trengs.» Den resulterende teksten skal skille mellom et underbygd svar og et spørsmål utdraget ikke avklarer. Et kort svar er lettere å bruke når det besvarer ett tydelig problem i stedet for å blande flere uvedkommende mål.
Produsentens arbeidsflyt for tekstsamtaler bruker rollemerkede meldinger og støtter en sekvens av brukerforespørsler og assistentsvar. Behold den tidligere samtalerunden når en oppfølging viser til den, sammen med fakta eller begrensninger som fortsatt er relevante. I en arbeidsflyt uten serverlagret samtalehistorikk oppgir applikasjonen den relevante historikken med neste forespørsel.
Ved en pågående kundestøtteutveksling beholder du spørsmålet som allerede er avklart, og observasjonen brukeren oppga. Be om at neste svar fortsetter fra denne tilstanden. Fjern uvedkommende materiale som distraherer fra den aktuelle oppgaven, og sett av plass til svaret innenfor konfigurasjonen som brukes til samtalen.
SenseTime oppgir scenarier for modelltilpasning som del av Turbos bruksområde. For oppgavespesifikk tilpasning klargjør du representative eksempler med inndata og svar som viser ønsket oppførsel: ordforråd, svarform, detaljnivå og håndtering av manglende informasjon. Hold forventet svar i samsvar med kildefaktaene i hvert eksempel.
Nyttige eksempler kan skille et faktasvar fra en forespørsel om avklaring, eller en kort forklaring fra en strukturert feltliste. Ta med vanskelige eller tvetydige tilfeller i tillegg til enkle. Kontroller eksemplene mot den tiltenkte oppgaven før du behandler ordlyden deres som et mønster som skal gjentas. Denne klargjøringen beskriver ønsket dialogoppførsel; tilpasningsarbeidsflyten rundt modellen bestemmer hvordan eksemplene brukes.
Utviklerens samtalegrensesnitt støtter ferdig tekst og strømmet tekst. Et ferdig svar gir svaret som ett resultat; en strøm leverer påfølgende deler som applikasjonen setter sammen. Behold det ferdige svaret for gjennomgang eller gjenbruk i stedet for å vurdere oppgaven bare ut fra de første synlige ordene.
Ved uthenting eller klassifisering kontrollerer du de faktiske feltene eller etikettene mot kilden. Ved omskriving sammenligner du om meningen er bevart gjennom den ønskede toneendringen. Ved spørsmål og svar kontrollerer du at svaret tar opp det aktuelle problemet, og at eventuelle oppfølgingsspørsmål er relevante.
Turbo og SenseChat-5 er separat navngitte modeller for generell dialog. SenseChat-5-Cantonese, modellene for karakterdialog og modellene for syn eller sammenslåtte modaliteter har også egne varianter. Behold den valgte utgaven og den oppgitte teksten sammen med sluttsvaret når du sammenligner en oppgave eller fortsetter en applikasjonssamtale.
Velg Turbos rolle for avgrenset dialog når resultatet skal være en kortfattet, brukbar tekst. Gi svaret et eksplisitt bruksformål, som et svar, et revidert avsnitt, en feltliste eller et avklaringsspørsmål, og kontroller leveransens faktasamsvar, ordlyd og fullstendighet før du bruker den i neste trinn.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser SenseChat-Turbo | 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 $0.00066 / 1K tokener Utdata · Utgående tokener $0.00154 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-Turbo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Turbo
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.