Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small is het model van Inference.net dat op extractiekwaliteit gericht is om HTML om te zetten in JSON die aan een schema voldoet. De fabrikant ontwikkelt het voor complexe schema’s en lange pagina’s, met een andere taakrol dan het op doorvoer gerichte V2 Turbo. Het leest de HTML en het schema van de aanroeper en geeft het overeenkomstige gestructureerde record terug. Het doel is de feiten te extraheren die een volgende toepassing nodig heeft, niet een breed gespreksantwoord te genereren.
De producentgids zegt dat extractie-instructies in het schema thuishoren, niet in een systeem- of gebruikersprompt in natuurlijke taal. Definieer het type van iedere eigenschap en leg de betekenis uit in de veldbeschrijving. Geneste objecten en lijsten worden ondersteund. Een productrecord kan bijvoorbeeld een productidentificatie van de weergegeven naam onderscheiden en specificatiewaarden in een eigen object groeperen.
Verduidelijk bij een complexe pagina dubbelzinnige veldbetekenissen voordat u om extractie vraagt. Leg uit of een datum naar publicatie, een gebeurtenis of een herziening verwijst en hoe meerdere bronwaarden weergegeven moeten worden. Gebruik een schemaconventie voor ontbrekende informatie, zodat het model geen waarde hoeft te verzinnen om het object volledig te laten lijken. De maker demonstreert getypeerde modellen en JSON Schema naast validatie van de teruggegeven JSON.
De aanbevolen HTML-voorbewerking verwijdert scripts, stijlen en standaardpagina-elementen met behoud van relevante inhoud. De fabrikant adviseert terughoudendheid: te veel verwijderen kan informatie verliezen die de extractie nodig heeft. Bewaar tabelkoppen, geneste labels en de naburige tekst die vastlegt wat een waarde betekent. Beperk de inhoud tot de relevante regio wanneer de pagina niet-gerelateerde navigatie of herhaald materiaal bevat.
Een voorbeeldtaak is een technisch record extraheren uit een productpagina met meerdere configuratietabellen. De invoer moet behouden welke tabel bij welke variant hoort en het schema moet de specifieke variant of de vereiste lijst van varianten beschrijven. De resulterende JSON kan vervolgens aan die bronrijen getoetst worden in plaats van als samenvatting van de hele website behandeld te worden.
V2 Small benadrukt extractiekwaliteit voor moeilijke schema’s en lange HTML. Turbo is de afzonderlijke versie die geoptimaliseerd is om pagina’s met hogere doorvoer te verwerken. Beide delen de gedocumenteerde context van 128K en de strikte schemagestuurde JSON-werkwijze van de V2-familie. Het contextbudget bevat de invoer en de gevraagde uitvoer samen; richt een grote pagina dus op het record dat de taak werkelijk nodig heeft.
Een gestructureerd object kan catalogusimport, documentverwerking of een bewijslaag voor een door zoekresultaten ondersteund antwoord mogelijk maken. De toepassing haalt de bronpagina op, levert het schema aan en valideert de uitvoer voordat ze die gebruikt. Bewaar de pagina-identificatie of bronkoppeling in dat omringende proces. Vergelijk, als het record getallen bevat, de eenheden en beoogde interpretatie met de bron.
Voldoen aan het schema stelt de vorm van het resultaat vast; het verifieert niet onafhankelijk ieder geëxtraheerd feit. Toets representatieve records aan de oorspronkelijke HTML en definieer de behandeling van tegenstrijdige of ontbrekende informatie. V2 Small blijft een eigen benoemde release, gescheiden van V1-checkpoints met open gewichten. De gedocumenteerde interface is HTML-naar-JSON-extractie en impliceert geen beeldinvoer, algemeen gesprek, automatische webtoegang of ingebouwde werkwijze voor hulpmiddeluitvoering.
", "aboutText": "Schematron V2 Small is het model van Inference.net dat op extractiekwaliteit gericht is om HTML om te zetten in JSON die aan een schema voldoet. De fabrikant ontwikkelt het voor complexe schema’s en lange pagina’s, met een andere taakrol dan het op doorvoer gerichte V2 Turbo. Het leest de HTML en het schema van de aanroeper en geeft het overeenkomstige gestructureerde record terug. Het doel is de feiten te extraheren die een volgende toepassing nodig heeft, niet een breed gespreksantwoord te genereren.\n\n### Het schema als taakspecificatie\n\nDe producentgids zegt dat extractie-instructies in het schema thuishoren, niet in een systeem- of gebruikersprompt in natuurlijke taal. Definieer het type van iedere eigenschap en leg de betekenis uit in de veldbeschrijving. Geneste objecten en lijsten worden ondersteund. Een productrecord kan bijvoorbeeld een productidentificatie van de weergegeven naam onderscheiden en specificatiewaarden in een eigen object groeperen.\n\nVerduidelijk bij een complexe pagina dubbelzinnige veldbetekenissen voordat u om extractie vraagt. Leg uit of een datum naar publicatie, een gebeurtenis of een herziening verwijst en hoe meerdere bronwaarden weergegeven moeten worden. Gebruik een schemaconventie voor ontbrekende informatie, zodat het model geen waarde hoeft te verzinnen om het object volledig te laten lijken. De maker demonstreert getypeerde modellen en JSON Schema naast validatie van de teruggegeven JSON.\n\n### Een lang document voorbereiden\n\nDe aanbevolen HTML-voorbewerking verwijdert scripts, stijlen en standaardpagina-elementen met behoud van relevante inhoud. De fabrikant adviseert terughoudendheid: te veel verwijderen kan informatie verliezen die de extractie nodig heeft. Bewaar tabelkoppen, geneste labels en de naburige tekst die vastlegt wat een waarde betekent. Beperk de inhoud tot de relevante regio wanneer de pagina niet-gerelateerde navigatie of herhaald materiaal bevat.\n\nEen voorbeeldtaak is een technisch record extraheren uit een productpagina met meerdere configuratietabellen. De invoer moet behouden welke tabel bij welke variant hoort en het schema moet de specifieke variant of de vereiste lijst van varianten beschrijven. De resulterende JSON kan vervolgens aan die bronrijen getoetst worden in plaats van als samenvatting van de hele website behandeld te worden.\n\n### Small en Turbo zijn afzonderlijke keuzes\n\nV2 Small benadrukt extractiekwaliteit voor moeilijke schema’s en lange HTML. Turbo is de afzonderlijke versie die geoptimaliseerd is om pagina’s met hogere doorvoer te verwerken. Beide delen de gedocumenteerde context van 128K en de strikte schemagestuurde JSON-werkwijze van de V2-familie. Het contextbudget bevat de invoer en de gevraagde uitvoer samen; richt een grote pagina dus op het record dat de taak werkelijk nodig heeft.\n\n### Van extractie naar toepassingsgegevens\n\nEen gestructureerd object kan catalogusimport, documentverwerking of een bewijslaag voor een door zoekresultaten ondersteund antwoord mogelijk maken. De toepassing haalt de bronpagina op, levert het schema aan en valideert de uitvoer voordat ze die gebruikt. Bewaar de pagina-identificatie of bronkoppeling in dat omringende proces. Vergelijk, als het record getallen bevat, de eenheden en beoogde interpretatie met de bron.\n\nVoldoen aan het schema stelt de vorm van het resultaat vast; het verifieert niet onafhankelijk ieder geëxtraheerd feit. Toets representatieve records aan de oorspronkelijke HTML en definieer de behandeling van tegenstrijdige of ontbrekende informatie. V2 Small blijft een eigen benoemde release, gescheiden van V1-checkpoints met open gewichten. De gedocumenteerde interface is HTML-naar-JSON-extractie en impliceert geen beeldinvoer, algemeen gesprek, automatische webtoegang of ingebouwde werkwijze voor hulpmiddeluitvoering.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.inference-net/schematron-v2-smallSchematron V2 Small haalt door een schema vastgelegde feiten uit aangeleverde HTML en zet ze om in getypeerde JSON. Het is de kwaliteitsgerichte V2-optie voor complexe schema’s en lange pagina’s, met een producentcontext van 128K, geneste records en veldbeschrijvingen die de terug te geven gegevens specificeren.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Schematron V2 Small is het model van Inference.net dat op extractiekwaliteit gericht is om HTML om te zetten in JSON die aan een schema voldoet. De fabrikant ontwikkelt het voor complexe schema’s en lange pagina’s, met een andere taakrol dan het op doorvoer gerichte V2 Turbo. Het leest de HTML en het schema van de aanroeper en geeft het overeenkomstige gestructureerde record terug. Het doel is de feiten te extraheren die een volgende toepassing nodig heeft, niet een breed gespreksantwoord te genereren.
De producentgids zegt dat extractie-instructies in het schema thuishoren, niet in een systeem- of gebruikersprompt in natuurlijke taal. Definieer het type van iedere eigenschap en leg de betekenis uit in de veldbeschrijving. Geneste objecten en lijsten worden ondersteund. Een productrecord kan bijvoorbeeld een productidentificatie van de weergegeven naam onderscheiden en specificatiewaarden in een eigen object groeperen.
Verduidelijk bij een complexe pagina dubbelzinnige veldbetekenissen voordat u om extractie vraagt. Leg uit of een datum naar publicatie, een gebeurtenis of een herziening verwijst en hoe meerdere bronwaarden weergegeven moeten worden. Gebruik een schemaconventie voor ontbrekende informatie, zodat het model geen waarde hoeft te verzinnen om het object volledig te laten lijken. De maker demonstreert getypeerde modellen en JSON Schema naast validatie van de teruggegeven JSON.
De aanbevolen HTML-voorbewerking verwijdert scripts, stijlen en standaardpagina-elementen met behoud van relevante inhoud. De fabrikant adviseert terughoudendheid: te veel verwijderen kan informatie verliezen die de extractie nodig heeft. Bewaar tabelkoppen, geneste labels en de naburige tekst die vastlegt wat een waarde betekent. Beperk de inhoud tot de relevante regio wanneer de pagina niet-gerelateerde navigatie of herhaald materiaal bevat.
Een voorbeeldtaak is een technisch record extraheren uit een productpagina met meerdere configuratietabellen. De invoer moet behouden welke tabel bij welke variant hoort en het schema moet de specifieke variant of de vereiste lijst van varianten beschrijven. De resulterende JSON kan vervolgens aan die bronrijen getoetst worden in plaats van als samenvatting van de hele website behandeld te worden.
V2 Small benadrukt extractiekwaliteit voor moeilijke schema’s en lange HTML. Turbo is de afzonderlijke versie die geoptimaliseerd is om pagina’s met hogere doorvoer te verwerken. Beide delen de gedocumenteerde context van 128K en de strikte schemagestuurde JSON-werkwijze van de V2-familie. Het contextbudget bevat de invoer en de gevraagde uitvoer samen; richt een grote pagina dus op het record dat de taak werkelijk nodig heeft.
Een gestructureerd object kan catalogusimport, documentverwerking of een bewijslaag voor een door zoekresultaten ondersteund antwoord mogelijk maken. De toepassing haalt de bronpagina op, levert het schema aan en valideert de uitvoer voordat ze die gebruikt. Bewaar de pagina-identificatie of bronkoppeling in dat omringende proces. Vergelijk, als het record getallen bevat, de eenheden en beoogde interpretatie met de bron.
Voldoen aan het schema stelt de vorm van het resultaat vast; het verifieert niet onafhankelijk ieder geëxtraheerd feit. Toets representatieve records aan de oorspronkelijke HTML en definieer de behandeling van tegenstrijdige of ontbrekende informatie. V2 Small blijft een eigen benoemde release, gescheiden van V1-checkpoints met open gewichten. De gedocumenteerde interface is HTML-naar-JSON-extractie en impliceert geen beeldinvoer, algemeen gesprek, automatische webtoegang of ingebouwde werkwijze voor hulpmiddeluitvoering.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten inference-net/schematron-v2-small | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00046 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00046 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inference-net/schematron-v2-small", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='inference-net/schematron-v2-small',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='inference-net/schematron-v2-small',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra inference-net/schematron-v2-small
Gebruik de hierboven getoonde methodepaden.
inference-net/schematron-v2-smallSchematron V2 Small haalt door een schema vastgelegde feiten uit aangeleverde HTML en zet ze om in getypeerde JSON. Het is de kwaliteitsgerichte V2-optie voor complexe schema’s en lange pagina’s, met een producentcontext van 128K, geneste records en veldbeschrijvingen die de terug te geven gegevens specificeren.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Schematron V2 Small is het model van Inference.net dat op extractiekwaliteit gericht is om HTML om te zetten in JSON die aan een schema voldoet. De fabrikant ontwikkelt het voor complexe schema’s en lange pagina’s, met een andere taakrol dan het op doorvoer gerichte V2 Turbo. Het leest de HTML en het schema van de aanroeper en geeft het overeenkomstige gestructureerde record terug. Het doel is de feiten te extraheren die een volgende toepassing nodig heeft, niet een breed gespreksantwoord te genereren.
De producentgids zegt dat extractie-instructies in het schema thuishoren, niet in een systeem- of gebruikersprompt in natuurlijke taal. Definieer het type van iedere eigenschap en leg de betekenis uit in de veldbeschrijving. Geneste objecten en lijsten worden ondersteund. Een productrecord kan bijvoorbeeld een productidentificatie van de weergegeven naam onderscheiden en specificatiewaarden in een eigen object groeperen.
Verduidelijk bij een complexe pagina dubbelzinnige veldbetekenissen voordat u om extractie vraagt. Leg uit of een datum naar publicatie, een gebeurtenis of een herziening verwijst en hoe meerdere bronwaarden weergegeven moeten worden. Gebruik een schemaconventie voor ontbrekende informatie, zodat het model geen waarde hoeft te verzinnen om het object volledig te laten lijken. De maker demonstreert getypeerde modellen en JSON Schema naast validatie van de teruggegeven JSON.
De aanbevolen HTML-voorbewerking verwijdert scripts, stijlen en standaardpagina-elementen met behoud van relevante inhoud. De fabrikant adviseert terughoudendheid: te veel verwijderen kan informatie verliezen die de extractie nodig heeft. Bewaar tabelkoppen, geneste labels en de naburige tekst die vastlegt wat een waarde betekent. Beperk de inhoud tot de relevante regio wanneer de pagina niet-gerelateerde navigatie of herhaald materiaal bevat.
Een voorbeeldtaak is een technisch record extraheren uit een productpagina met meerdere configuratietabellen. De invoer moet behouden welke tabel bij welke variant hoort en het schema moet de specifieke variant of de vereiste lijst van varianten beschrijven. De resulterende JSON kan vervolgens aan die bronrijen getoetst worden in plaats van als samenvatting van de hele website behandeld te worden.
V2 Small benadrukt extractiekwaliteit voor moeilijke schema’s en lange HTML. Turbo is de afzonderlijke versie die geoptimaliseerd is om pagina’s met hogere doorvoer te verwerken. Beide delen de gedocumenteerde context van 128K en de strikte schemagestuurde JSON-werkwijze van de V2-familie. Het contextbudget bevat de invoer en de gevraagde uitvoer samen; richt een grote pagina dus op het record dat de taak werkelijk nodig heeft.
Een gestructureerd object kan catalogusimport, documentverwerking of een bewijslaag voor een door zoekresultaten ondersteund antwoord mogelijk maken. De toepassing haalt de bronpagina op, levert het schema aan en valideert de uitvoer voordat ze die gebruikt. Bewaar de pagina-identificatie of bronkoppeling in dat omringende proces. Vergelijk, als het record getallen bevat, de eenheden en beoogde interpretatie met de bron.
Voldoen aan het schema stelt de vorm van het resultaat vast; het verifieert niet onafhankelijk ieder geëxtraheerd feit. Toets representatieve records aan de oorspronkelijke HTML en definieer de behandeling van tegenstrijdige of ontbrekende informatie. V2 Small blijft een eigen benoemde release, gescheiden van V1-checkpoints met open gewichten. De gedocumenteerde interface is HTML-naar-JSON-extractie en impliceert geen beeldinvoer, algemeen gesprek, automatische webtoegang of ingebouwde werkwijze voor hulpmiddeluitvoering.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten inference-net/schematron-v2-small | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00046 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00046 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inference-net/schematron-v2-small', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'inference-net/schematron-v2-small', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra inference-net/schematron-v2-small
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Extract product variants from HTML\n\nHTML source: <article><h1>Travel Flask</h1><section><h2>Small</h2><p>Capacity: 350 ml</p></section><section><h2>Large</h2><p>Capacity: 600 ml</p></section></article>. Extraction specification for the existing schema-guided workflow: product_name is the article title; variants is a list of objects containing name, capacity_value as an integer and capacity_unit as text. Return only the extracted record; preserve section-to-value associations.A target JSON record with product_name and two variants, each containing name, integer capacity_value and capacity_unit.Validate the returned record against the configured extraction schema and both source sections; do not swap capacities.Capacity: 350 ml
Capacity: 600 ml