SenseNova 6.7 Flash-Lite er SenseTimes lette multimodale agentmodell for kontorarbeid. Produsenten fremhever vedvarende oppgaver som omfatter planlegging, dataanalyse, undersøkelser og innholdslevering. Den tar imot tekst og bilder og returnerer skriftlig innhold, noe som gjør den nyttig for å forstå kontormateriale og avgjøre hvordan materialet skal bli til en analyse, rapport eller presentasjon. Rollen er å knytte oppgaven, dokumentasjonen og det neste nyttige trinnet sammen i en lengre arbeidsflyt.
En praktisk kontorarbeidsflyt kan gå fra datainnsikt til undersøkelse til innholdslevering. Analyser først et oppgitt datasett; undersøk deretter årsakene bak mønstrene og utvikle en presentasjon rundt funnene. Klargjør en lignende oppgave ved å skille spørsmålene: hva viser de oppgitte dataene, hva trenger fortsatt en forklaring, og hva skal målgruppen sitte igjen med? Angi sluttleveransen og kvalitetskriteriene fra starten, slik at mellomliggende analyse kan bidra til samme resultat.
For dataanalyse oppgir du en lesbar tabell eller tekstrepresentasjon og forklarer kolonnene, enhetene, kategoriene og tidsperioden. Identifiser manglende verdier eller inkonsekvente poster, og angi hvordan de skal håndteres. Et eksempel på en oppgavebeskrivelse er å kontrollere et datasett for avvik, beskrive hovedendringene og utarbeide en konklusjon knyttet til relevante rader eller kategorier. Hvis tilkoblede verktøy utfører beregninger eller filbehandling, returnerer du de faktiske resultatene til modellen. Hold den numeriske dokumentasjonen atskilt fra en fortellende forklaring, og be modellen merke en foreslått årsak som ikke fastslås av dataene alene.
For undersøkelser og rapportering oppgir du materialet som allerede er samlet inn, spørsmålene som gjenstår, og den tiltenkte målgruppen. Be om en struktur som knytter hver påstand til dokumentasjon, skiller observasjoner fra antakelser og holder uavklarte problemstillinger synlige. For en presentasjon definerer du fortellingen, ønsket lengde og formålet med hver del. Et nyttig skriftlig resultat kan være lysbildetitler, hovedargumenter, underbyggende fakta og merknader om hvilken visualisering som vil bidra til å forklare et poeng. Modellen kan organisere dette innholdet mens verktøyene rundt den håndterer filbygging, layout og eksport.
Produsenten skiller uttrykkelig mellom et direkte modellsvar og den fullstendige kontorarbeidsflyten. Den fullstendige kontorarbeidsflyten bruker et agentkjøremiljø og det offisielle ferdighetsbiblioteket sammen med modellen. Disse komponentene leser og bearbeider filer, utfører operasjoner og lager den faktiske presentasjonen eller rapporten. Gi modellen et tydelig mål, og returner resultatene av operasjonene slik at den kan fortsette fra den gjeldende tilstanden. En generert disposisjon eller instruks er et bidrag til leveransen, ikke dokumentasjon på at den ferdige filen allerede finnes.
Den dokumenterte bildearbeidsflyten kombinerer et tekstspørsmål med ett eller flere bilder, inkludert et eksempel som sammenligner to bilder. Bruk et tydelig diagram, dokumentbilde eller skjermbilde, og si hva som er relevant: endringen som skal forklares, de synlige verdiene som skal sammenlignes, eller delen av en side som skal tolkes. SenseTime anbefaler å klargjøre bilder med en langside på maksimalt 2 048 piksler; dette er veiledning for klargjøring av inndata, ikke en påstand om at større dimensjoner definerer modellens teoretiske visuelle grense. Hold etiketter leselige, og ta med enheter eller kontekstregler som tekst når de ikke kan leses pålitelig fra bildet.
SenseTimes referanse skiller resonneringsinnhold fra det endelige skriftlige svaret og dokumenterer en utdataramme som omfatter begge deler. For en omfattende kontoroppgave gjør du den ønskede leveransen konkret og setter av plass til både resonneringen og sluttinnholdet. I en pågående samtale beholder du relevante brukermeldinger og assistentens endelige innhold i kronologisk rekkefølge; produsenten instruerer applikasjoner om ikke å sende det tidligere resonneringsfeltet på nytt som samtalehistorikk. For lange historikker beholder du faktaene og beslutningene som neste trinn faktisk trenger.
Flash-Lite er den navngitte modellen for denne arbeidsflyten, mens generering av ferdige filer og spesialiserte visuelle utdata avhenger av det tilkoblede miljøet og relevante verktøy. Kontroller beregninger, uthentede bildedetaljer og rapportpåstander mot originalmaterialet. Definer fullføring ut fra det ønskede innholdet og den faktiske leveransen, slik at en flytende forklaring forblir knyttet til dokumentasjon og et brukbart resultat.
", "aboutText": "SenseNova 6.7 Flash-Lite er SenseTimes lette multimodale agentmodell for kontorarbeid. Produsenten fremhever vedvarende oppgaver som omfatter planlegging, dataanalyse, undersøkelser og innholdslevering. Den tar imot tekst og bilder og returnerer skriftlig innhold, noe som gjør den nyttig for å forstå kontormateriale og avgjøre hvordan materialet skal bli til en analyse, rapport eller presentasjon. Rollen er å knytte oppgaven, dokumentasjonen og det neste nyttige trinnet sammen i en lengre arbeidsflyt.\n\nEn praktisk kontorarbeidsflyt kan gå fra datainnsikt til undersøkelse til innholdslevering. Analyser først et oppgitt datasett; undersøk deretter årsakene bak mønstrene og utvikle en presentasjon rundt funnene. Klargjør en lignende oppgave ved å skille spørsmålene: hva viser de oppgitte dataene, hva trenger fortsatt en forklaring, og hva skal målgruppen sitte igjen med? Angi sluttleveransen og kvalitetskriteriene fra starten, slik at mellomliggende analyse kan bidra til samme resultat.\n\nFor dataanalyse oppgir du en lesbar tabell eller tekstrepresentasjon og forklarer kolonnene, enhetene, kategoriene og tidsperioden. Identifiser manglende verdier eller inkonsekvente poster, og angi hvordan de skal håndteres. Et eksempel på en oppgavebeskrivelse er å kontrollere et datasett for avvik, beskrive hovedendringene og utarbeide en konklusjon knyttet til relevante rader eller kategorier. Hvis tilkoblede verktøy utfører beregninger eller filbehandling, returnerer du de faktiske resultatene til modellen. Hold den numeriske dokumentasjonen atskilt fra en fortellende forklaring, og be modellen merke en foreslått årsak som ikke fastslås av dataene alene.\n\nFor undersøkelser og rapportering oppgir du materialet som allerede er samlet inn, spørsmålene som gjenstår, og den tiltenkte målgruppen. Be om en struktur som knytter hver påstand til dokumentasjon, skiller observasjoner fra antakelser og holder uavklarte problemstillinger synlige. For en presentasjon definerer du fortellingen, ønsket lengde og formålet med hver del. Et nyttig skriftlig resultat kan være lysbildetitler, hovedargumenter, underbyggende fakta og merknader om hvilken visualisering som vil bidra til å forklare et poeng. Modellen kan organisere dette innholdet mens verktøyene rundt den håndterer filbygging, layout og eksport.\n\nProdusenten skiller uttrykkelig mellom et direkte modellsvar og den fullstendige kontorarbeidsflyten. Den fullstendige kontorarbeidsflyten bruker et agentkjøremiljø og det offisielle ferdighetsbiblioteket sammen med modellen. Disse komponentene leser og bearbeider filer, utfører operasjoner og lager den faktiske presentasjonen eller rapporten. Gi modellen et tydelig mål, og returner resultatene av operasjonene slik at den kan fortsette fra den gjeldende tilstanden. En generert disposisjon eller instruks er et bidrag til leveransen, ikke dokumentasjon på at den ferdige filen allerede finnes.\n\nDen dokumenterte bildearbeidsflyten kombinerer et tekstspørsmål med ett eller flere bilder, inkludert et eksempel som sammenligner to bilder. Bruk et tydelig diagram, dokumentbilde eller skjermbilde, og si hva som er relevant: endringen som skal forklares, de synlige verdiene som skal sammenlignes, eller delen av en side som skal tolkes. SenseTime anbefaler å klargjøre bilder med en langside på maksimalt 2 048 piksler; dette er veiledning for klargjøring av inndata, ikke en påstand om at større dimensjoner definerer modellens teoretiske visuelle grense. Hold etiketter leselige, og ta med enheter eller kontekstregler som tekst når de ikke kan leses pålitelig fra bildet.\n\nSenseTimes referanse skiller resonneringsinnhold fra det endelige skriftlige svaret og dokumenterer en utdataramme som omfatter begge deler. For en omfattende kontoroppgave gjør du den ønskede leveransen konkret og setter av plass til både resonneringen og sluttinnholdet. I en pågående samtale beholder du relevante brukermeldinger og assistentens endelige innhold i kronologisk rekkefølge; produsenten instruerer applikasjoner om ikke å sende det tidligere resonneringsfeltet på nytt som samtalehistorikk. For lange historikker beholder du faktaene og beslutningene som neste trinn faktisk trenger.\n\nFlash-Lite er den navngitte modellen for denne arbeidsflyten, mens generering av ferdige filer og spesialiserte visuelle utdata avhenger av det tilkoblede miljøet og relevante verktøy. Kontroller beregninger, uthentede bildedetaljer og rapportpåstander mot originalmaterialet. Definer fullføring ut fra det ønskede innholdet og den faktiske leveransen, slik at en flytende forklaring forblir knyttet til dokumentasjon og et brukbart resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite er SenseTimes multimodale modell for vedvarende kontoroppgaver og analytiske oppgaver. Den tolker tekst og bilder, bidrar til å organisere undersøkelses- og rapportinnhold og deltar i verktøystøttede arbeidsflyter som gjør analyse om til en leveranse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
SenseNova 6.7 Flash-Lite er SenseTimes lette multimodale agentmodell for kontorarbeid. Produsenten fremhever vedvarende oppgaver som omfatter planlegging, dataanalyse, undersøkelser og innholdslevering. Den tar imot tekst og bilder og returnerer skriftlig innhold, noe som gjør den nyttig for å forstå kontormateriale og avgjøre hvordan materialet skal bli til en analyse, rapport eller presentasjon. Rollen er å knytte oppgaven, dokumentasjonen og det neste nyttige trinnet sammen i en lengre arbeidsflyt.
En praktisk kontorarbeidsflyt kan gå fra datainnsikt til undersøkelse til innholdslevering. Analyser først et oppgitt datasett; undersøk deretter årsakene bak mønstrene og utvikle en presentasjon rundt funnene. Klargjør en lignende oppgave ved å skille spørsmålene: hva viser de oppgitte dataene, hva trenger fortsatt en forklaring, og hva skal målgruppen sitte igjen med? Angi sluttleveransen og kvalitetskriteriene fra starten, slik at mellomliggende analyse kan bidra til samme resultat.
For dataanalyse oppgir du en lesbar tabell eller tekstrepresentasjon og forklarer kolonnene, enhetene, kategoriene og tidsperioden. Identifiser manglende verdier eller inkonsekvente poster, og angi hvordan de skal håndteres. Et eksempel på en oppgavebeskrivelse er å kontrollere et datasett for avvik, beskrive hovedendringene og utarbeide en konklusjon knyttet til relevante rader eller kategorier. Hvis tilkoblede verktøy utfører beregninger eller filbehandling, returnerer du de faktiske resultatene til modellen. Hold den numeriske dokumentasjonen atskilt fra en fortellende forklaring, og be modellen merke en foreslått årsak som ikke fastslås av dataene alene.
For undersøkelser og rapportering oppgir du materialet som allerede er samlet inn, spørsmålene som gjenstår, og den tiltenkte målgruppen. Be om en struktur som knytter hver påstand til dokumentasjon, skiller observasjoner fra antakelser og holder uavklarte problemstillinger synlige. For en presentasjon definerer du fortellingen, ønsket lengde og formålet med hver del. Et nyttig skriftlig resultat kan være lysbildetitler, hovedargumenter, underbyggende fakta og merknader om hvilken visualisering som vil bidra til å forklare et poeng. Modellen kan organisere dette innholdet mens verktøyene rundt den håndterer filbygging, layout og eksport.
Produsenten skiller uttrykkelig mellom et direkte modellsvar og den fullstendige kontorarbeidsflyten. Den fullstendige kontorarbeidsflyten bruker et agentkjøremiljø og det offisielle ferdighetsbiblioteket sammen med modellen. Disse komponentene leser og bearbeider filer, utfører operasjoner og lager den faktiske presentasjonen eller rapporten. Gi modellen et tydelig mål, og returner resultatene av operasjonene slik at den kan fortsette fra den gjeldende tilstanden. En generert disposisjon eller instruks er et bidrag til leveransen, ikke dokumentasjon på at den ferdige filen allerede finnes.
Den dokumenterte bildearbeidsflyten kombinerer et tekstspørsmål med ett eller flere bilder, inkludert et eksempel som sammenligner to bilder. Bruk et tydelig diagram, dokumentbilde eller skjermbilde, og si hva som er relevant: endringen som skal forklares, de synlige verdiene som skal sammenlignes, eller delen av en side som skal tolkes. SenseTime anbefaler å klargjøre bilder med en langside på maksimalt 2 048 piksler; dette er veiledning for klargjøring av inndata, ikke en påstand om at større dimensjoner definerer modellens teoretiske visuelle grense. Hold etiketter leselige, og ta med enheter eller kontekstregler som tekst når de ikke kan leses pålitelig fra bildet.
SenseTimes referanse skiller resonneringsinnhold fra det endelige skriftlige svaret og dokumenterer en utdataramme som omfatter begge deler. For en omfattende kontoroppgave gjør du den ønskede leveransen konkret og setter av plass til både resonneringen og sluttinnholdet. I en pågående samtale beholder du relevante brukermeldinger og assistentens endelige innhold i kronologisk rekkefølge; produsenten instruerer applikasjoner om ikke å sende det tidligere resonneringsfeltet på nytt som samtalehistorikk. For lange historikker beholder du faktaene og beslutningene som neste trinn faktisk trenger.
Flash-Lite er den navngitte modellen for denne arbeidsflyten, mens generering av ferdige filer og spesialiserte visuelle utdata avhenger av det tilkoblede miljøet og relevante verktøy. Kontroller beregninger, uthentede bildedetaljer og rapportpåstander mot originalmaterialet. Definer fullføring ut fra det ønskede innholdet og den faktiske leveransen, slik at en flytende forklaring forblir knyttet til dokumentasjon og et brukbart resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser sensenova-6.7-flash-lite | 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 $0.001892 / 1K tokener Utdata · Utgående tokener $0.005676 / 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": "sensenova-6.7-flash-lite", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='sensenova-6.7-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='sensenova-6.7-flash-lite',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 sensenova-6.7-flash-lite
Bruk metodestiene som vises ovenfor.
sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite er SenseTimes multimodale modell for vedvarende kontoroppgaver og analytiske oppgaver. Den tolker tekst og bilder, bidrar til å organisere undersøkelses- og rapportinnhold og deltar i verktøystøttede arbeidsflyter som gjør analyse om til en leveranse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
SenseNova 6.7 Flash-Lite er SenseTimes lette multimodale agentmodell for kontorarbeid. Produsenten fremhever vedvarende oppgaver som omfatter planlegging, dataanalyse, undersøkelser og innholdslevering. Den tar imot tekst og bilder og returnerer skriftlig innhold, noe som gjør den nyttig for å forstå kontormateriale og avgjøre hvordan materialet skal bli til en analyse, rapport eller presentasjon. Rollen er å knytte oppgaven, dokumentasjonen og det neste nyttige trinnet sammen i en lengre arbeidsflyt.
En praktisk kontorarbeidsflyt kan gå fra datainnsikt til undersøkelse til innholdslevering. Analyser først et oppgitt datasett; undersøk deretter årsakene bak mønstrene og utvikle en presentasjon rundt funnene. Klargjør en lignende oppgave ved å skille spørsmålene: hva viser de oppgitte dataene, hva trenger fortsatt en forklaring, og hva skal målgruppen sitte igjen med? Angi sluttleveransen og kvalitetskriteriene fra starten, slik at mellomliggende analyse kan bidra til samme resultat.
For dataanalyse oppgir du en lesbar tabell eller tekstrepresentasjon og forklarer kolonnene, enhetene, kategoriene og tidsperioden. Identifiser manglende verdier eller inkonsekvente poster, og angi hvordan de skal håndteres. Et eksempel på en oppgavebeskrivelse er å kontrollere et datasett for avvik, beskrive hovedendringene og utarbeide en konklusjon knyttet til relevante rader eller kategorier. Hvis tilkoblede verktøy utfører beregninger eller filbehandling, returnerer du de faktiske resultatene til modellen. Hold den numeriske dokumentasjonen atskilt fra en fortellende forklaring, og be modellen merke en foreslått årsak som ikke fastslås av dataene alene.
For undersøkelser og rapportering oppgir du materialet som allerede er samlet inn, spørsmålene som gjenstår, og den tiltenkte målgruppen. Be om en struktur som knytter hver påstand til dokumentasjon, skiller observasjoner fra antakelser og holder uavklarte problemstillinger synlige. For en presentasjon definerer du fortellingen, ønsket lengde og formålet med hver del. Et nyttig skriftlig resultat kan være lysbildetitler, hovedargumenter, underbyggende fakta og merknader om hvilken visualisering som vil bidra til å forklare et poeng. Modellen kan organisere dette innholdet mens verktøyene rundt den håndterer filbygging, layout og eksport.
Produsenten skiller uttrykkelig mellom et direkte modellsvar og den fullstendige kontorarbeidsflyten. Den fullstendige kontorarbeidsflyten bruker et agentkjøremiljø og det offisielle ferdighetsbiblioteket sammen med modellen. Disse komponentene leser og bearbeider filer, utfører operasjoner og lager den faktiske presentasjonen eller rapporten. Gi modellen et tydelig mål, og returner resultatene av operasjonene slik at den kan fortsette fra den gjeldende tilstanden. En generert disposisjon eller instruks er et bidrag til leveransen, ikke dokumentasjon på at den ferdige filen allerede finnes.
Den dokumenterte bildearbeidsflyten kombinerer et tekstspørsmål med ett eller flere bilder, inkludert et eksempel som sammenligner to bilder. Bruk et tydelig diagram, dokumentbilde eller skjermbilde, og si hva som er relevant: endringen som skal forklares, de synlige verdiene som skal sammenlignes, eller delen av en side som skal tolkes. SenseTime anbefaler å klargjøre bilder med en langside på maksimalt 2 048 piksler; dette er veiledning for klargjøring av inndata, ikke en påstand om at større dimensjoner definerer modellens teoretiske visuelle grense. Hold etiketter leselige, og ta med enheter eller kontekstregler som tekst når de ikke kan leses pålitelig fra bildet.
SenseTimes referanse skiller resonneringsinnhold fra det endelige skriftlige svaret og dokumenterer en utdataramme som omfatter begge deler. For en omfattende kontoroppgave gjør du den ønskede leveransen konkret og setter av plass til både resonneringen og sluttinnholdet. I en pågående samtale beholder du relevante brukermeldinger og assistentens endelige innhold i kronologisk rekkefølge; produsenten instruerer applikasjoner om ikke å sende det tidligere resonneringsfeltet på nytt som samtalehistorikk. For lange historikker beholder du faktaene og beslutningene som neste trinn faktisk trenger.
Flash-Lite er den navngitte modellen for denne arbeidsflyten, mens generering av ferdige filer og spesialiserte visuelle utdata avhenger av det tilkoblede miljøet og relevante verktøy. Kontroller beregninger, uthentede bildedetaljer og rapportpåstander mot originalmaterialet. Definer fullføring ut fra det ønskede innholdet og den faktiske leveransen, slik at en flytende forklaring forblir knyttet til dokumentasjon og et brukbart resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser sensenova-6.7-flash-lite | 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 $0.001892 / 1K tokener Utdata · Utgående tokener $0.005676 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'sensenova-6.7-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'sensenova-6.7-flash-lite', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 sensenova-6.7-flash-lite
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Turn a checked dataset into slide arguments\n\nPrepare a three-slide outline for operations using this dataset: May, 500 orders and 20 returns; June, 600 orders and 36 returns. Calculate return rates, describe the change and identify a research question before suggesting a cause. Give each slide a title, supporting figures and a note about a useful chart.A three-slide written outline with rate calculations, a change statement and a clearly unresolved research question.Check that rates use each month’s own order count and that a proposed cause remains a question rather than a data-backed finding.