SenseNova 6.7 Flash-Lite is het lichte multimodale agentmodel van SenseTime voor kantoorwerk. De producent benadrukt langdurige taken met planning, data-analyse, onderzoek en het opleveren van inhoud. Het accepteert tekst en afbeeldingen en retourneert schriftelijke inhoud, waardoor het bruikbaar is om kantoormateriaal te begrijpen en te bepalen hoe dat materiaal een analyse, rapport of presentatie moet worden. De rol is om de taak, het bewijs en de volgende nuttige stap in een langere workflow met elkaar te verbinden.
Een praktische kantoorworkflow kan van data-inzicht naar onderzoek en vervolgens naar het opleveren van inhoud gaan. Analyseer eerst een aangeleverde dataset, onderzoek daarna de redenen achter de patronen en ontwikkel een presentatie rond de bevindingen. Bereid een vergelijkbare taak voor door de vragen te scheiden: wat tonen de aangeleverde data, wat moet nog worden verklaard en wat moet het publiek meenemen? Benoem het eindproduct en de kwaliteitscriteria aan het begin, zodat tussentijdse analyse aan hetzelfde resultaat kan bijdragen.
Lever voor data-analyse een leesbare tabel of tekstweergave aan en leg de kolommen, eenheden, categorieën en periode uit. Identificeer ontbrekende waarden of inconsistente registraties en specificeer hoe ze moeten worden behandeld. Een voorbeeldbriefing is een dataset op afwijkingen te controleren, de belangrijkste veranderingen te beschrijven en een conclusie voor te bereiden die aan de relevante rijen of categorieën is gekoppeld. Als gekoppelde tools berekeningen of bestandsverwerking uitvoeren, geef hun werkelijke resultaten dan terug aan het model. Houd het numerieke bewijs gescheiden van een verhalende uitleg en vraag het model een voorgestelde oorzaak te markeren die niet door de data alleen wordt vastgesteld.
Lever voor onderzoek en rapportage het al verzamelde materiaal, de resterende vragen en de beoogde doelgroep aan. Vraag om een structuur die elke bewering met bewijs verbindt, waarnemingen van aannames onderscheidt en onopgeloste kwesties zichtbaar houdt. Definieer voor een presentatie de verhaallijn, de gewenste lengte en het doel van elke sectie. Een bruikbare schriftelijke uitvoer kan bestaan uit diatitels, kernargumenten, ondersteunende feiten en notities over welke afbeelding een punt zou helpen uitleggen. Het model kan deze inhoud ordenen terwijl de omringende tools de bestandsopbouw, lay-out en export verzorgen.
De fabrikant scheidt een direct modelantwoord expliciet van de volledige kantoorworkflow. De volledige kantoorworkflow gebruikt een agentruntime en de officiële skillbibliotheek samen met het model. Die componenten lezen en bewerken bestanden, voeren handelingen uit en maken de werkelijke presentatie of het rapport. Geef het model een duidelijk doel en retourneer de resultaten van die handelingen, zodat het vanuit de huidige toestand verder kan gaan. Een gegenereerde opzet of instructie is een bijdrage aan het eindproduct, geen bewijs dat het afgeronde bestand al bestaat.
De gedocumenteerde beeldwerkwijze combineert een tekstvraag met één of meer afbeeldingen, waaronder een voorbeeld dat twee afbeeldingen vergelijkt. Gebruik een duidelijke grafiek, documentafbeelding of screenshot en benoem wat ertoe doet: de uit te leggen verandering, de te vergelijken zichtbare waarden of het te interpreteren deel van een pagina. SenseTime raadt aan afbeeldingen voor te bereiden met een lange zijde van maximaal 2.048 pixels; dit is advies voor de invoervoorbereiding, geen bewering dat grotere afmetingen de theoretische visuele limiet van het model bepalen. Houd labels leesbaar en voeg eenheden of contextregels als tekst toe wanneer ze niet betrouwbaar uit de afbeelding kunnen worden gelezen.
De referentie van SenseTime onderscheidt redeneerinhoud van het definitieve schriftelijke antwoord en documenteert een uitvoerruimte die beide omvat. Maak bij een omvangrijke kantoortaak het gevraagde eindproduct concreet en houd rekening met zowel het redeneren als de uiteindelijke inhoud. Bewaar in een doorlopend gesprek de relevante gebruikersberichten en de definitieve assistentinhoud in chronologische volgorde; de producent schrijft applicaties voor het eerdere redeneerveld niet opnieuw als gespreksgeschiedenis te versturen. Bewaar bij lange geschiedenissen de feiten en beslissingen die de volgende stap daadwerkelijk nodig heeft.
Flash-Lite is het genoemde model voor deze workflow, terwijl het genereren van afgeronde bestanden en gespecialiseerde visuele uitvoer afhankelijk is van de gekoppelde omgeving en de relevante tools. Controleer berekeningen, uit afbeeldingen geëxtraheerde details en rapportbeweringen aan de hand van het oorspronkelijke materiaal. Definieer voltooiing in termen van de gevraagde inhoud en het daadwerkelijke eindproduct, zodat een vloeiende uitleg verbonden blijft met bewijs en een bruikbaar resultaat.
", "aboutText": "SenseNova 6.7 Flash-Lite is het lichte multimodale agentmodel van SenseTime voor kantoorwerk. De producent benadrukt langdurige taken met planning, data-analyse, onderzoek en het opleveren van inhoud. Het accepteert tekst en afbeeldingen en retourneert schriftelijke inhoud, waardoor het bruikbaar is om kantoormateriaal te begrijpen en te bepalen hoe dat materiaal een analyse, rapport of presentatie moet worden. De rol is om de taak, het bewijs en de volgende nuttige stap in een langere workflow met elkaar te verbinden.\n\nEen praktische kantoorworkflow kan van data-inzicht naar onderzoek en vervolgens naar het opleveren van inhoud gaan. Analyseer eerst een aangeleverde dataset, onderzoek daarna de redenen achter de patronen en ontwikkel een presentatie rond de bevindingen. Bereid een vergelijkbare taak voor door de vragen te scheiden: wat tonen de aangeleverde data, wat moet nog worden verklaard en wat moet het publiek meenemen? Benoem het eindproduct en de kwaliteitscriteria aan het begin, zodat tussentijdse analyse aan hetzelfde resultaat kan bijdragen.\n\nLever voor data-analyse een leesbare tabel of tekstweergave aan en leg de kolommen, eenheden, categorieën en periode uit. Identificeer ontbrekende waarden of inconsistente registraties en specificeer hoe ze moeten worden behandeld. Een voorbeeldbriefing is een dataset op afwijkingen te controleren, de belangrijkste veranderingen te beschrijven en een conclusie voor te bereiden die aan de relevante rijen of categorieën is gekoppeld. Als gekoppelde tools berekeningen of bestandsverwerking uitvoeren, geef hun werkelijke resultaten dan terug aan het model. Houd het numerieke bewijs gescheiden van een verhalende uitleg en vraag het model een voorgestelde oorzaak te markeren die niet door de data alleen wordt vastgesteld.\n\nLever voor onderzoek en rapportage het al verzamelde materiaal, de resterende vragen en de beoogde doelgroep aan. Vraag om een structuur die elke bewering met bewijs verbindt, waarnemingen van aannames onderscheidt en onopgeloste kwesties zichtbaar houdt. Definieer voor een presentatie de verhaallijn, de gewenste lengte en het doel van elke sectie. Een bruikbare schriftelijke uitvoer kan bestaan uit diatitels, kernargumenten, ondersteunende feiten en notities over welke afbeelding een punt zou helpen uitleggen. Het model kan deze inhoud ordenen terwijl de omringende tools de bestandsopbouw, lay-out en export verzorgen.\n\nDe fabrikant scheidt een direct modelantwoord expliciet van de volledige kantoorworkflow. De volledige kantoorworkflow gebruikt een agentruntime en de officiële skillbibliotheek samen met het model. Die componenten lezen en bewerken bestanden, voeren handelingen uit en maken de werkelijke presentatie of het rapport. Geef het model een duidelijk doel en retourneer de resultaten van die handelingen, zodat het vanuit de huidige toestand verder kan gaan. Een gegenereerde opzet of instructie is een bijdrage aan het eindproduct, geen bewijs dat het afgeronde bestand al bestaat.\n\nDe gedocumenteerde beeldwerkwijze combineert een tekstvraag met één of meer afbeeldingen, waaronder een voorbeeld dat twee afbeeldingen vergelijkt. Gebruik een duidelijke grafiek, documentafbeelding of screenshot en benoem wat ertoe doet: de uit te leggen verandering, de te vergelijken zichtbare waarden of het te interpreteren deel van een pagina. SenseTime raadt aan afbeeldingen voor te bereiden met een lange zijde van maximaal 2.048 pixels; dit is advies voor de invoervoorbereiding, geen bewering dat grotere afmetingen de theoretische visuele limiet van het model bepalen. Houd labels leesbaar en voeg eenheden of contextregels als tekst toe wanneer ze niet betrouwbaar uit de afbeelding kunnen worden gelezen.\n\nDe referentie van SenseTime onderscheidt redeneerinhoud van het definitieve schriftelijke antwoord en documenteert een uitvoerruimte die beide omvat. Maak bij een omvangrijke kantoortaak het gevraagde eindproduct concreet en houd rekening met zowel het redeneren als de uiteindelijke inhoud. Bewaar in een doorlopend gesprek de relevante gebruikersberichten en de definitieve assistentinhoud in chronologische volgorde; de producent schrijft applicaties voor het eerdere redeneerveld niet opnieuw als gespreksgeschiedenis te versturen. Bewaar bij lange geschiedenissen de feiten en beslissingen die de volgende stap daadwerkelijk nodig heeft.\n\nFlash-Lite is het genoemde model voor deze workflow, terwijl het genereren van afgeronde bestanden en gespecialiseerde visuele uitvoer afhankelijk is van de gekoppelde omgeving en de relevante tools. Controleer berekeningen, uit afbeeldingen geëxtraheerde details en rapportbeweringen aan de hand van het oorspronkelijke materiaal. Definieer voltooiing in termen van de gevraagde inhoud en het daadwerkelijke eindproduct, zodat een vloeiende uitleg verbonden blijft met bewijs en een bruikbaar resultaat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het multimodale model van SenseTime voor langdurige kantoor- en analytische taken. Het interpreteert tekst en afbeeldingen, helpt onderzoeks- en rapportinhoud te ordenen en neemt deel aan workflows met tools die analyse omzetten in een eindproduct.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
SenseNova 6.7 Flash-Lite is het lichte multimodale agentmodel van SenseTime voor kantoorwerk. De producent benadrukt langdurige taken met planning, data-analyse, onderzoek en het opleveren van inhoud. Het accepteert tekst en afbeeldingen en retourneert schriftelijke inhoud, waardoor het bruikbaar is om kantoormateriaal te begrijpen en te bepalen hoe dat materiaal een analyse, rapport of presentatie moet worden. De rol is om de taak, het bewijs en de volgende nuttige stap in een langere workflow met elkaar te verbinden.
Een praktische kantoorworkflow kan van data-inzicht naar onderzoek en vervolgens naar het opleveren van inhoud gaan. Analyseer eerst een aangeleverde dataset, onderzoek daarna de redenen achter de patronen en ontwikkel een presentatie rond de bevindingen. Bereid een vergelijkbare taak voor door de vragen te scheiden: wat tonen de aangeleverde data, wat moet nog worden verklaard en wat moet het publiek meenemen? Benoem het eindproduct en de kwaliteitscriteria aan het begin, zodat tussentijdse analyse aan hetzelfde resultaat kan bijdragen.
Lever voor data-analyse een leesbare tabel of tekstweergave aan en leg de kolommen, eenheden, categorieën en periode uit. Identificeer ontbrekende waarden of inconsistente registraties en specificeer hoe ze moeten worden behandeld. Een voorbeeldbriefing is een dataset op afwijkingen te controleren, de belangrijkste veranderingen te beschrijven en een conclusie voor te bereiden die aan de relevante rijen of categorieën is gekoppeld. Als gekoppelde tools berekeningen of bestandsverwerking uitvoeren, geef hun werkelijke resultaten dan terug aan het model. Houd het numerieke bewijs gescheiden van een verhalende uitleg en vraag het model een voorgestelde oorzaak te markeren die niet door de data alleen wordt vastgesteld.
Lever voor onderzoek en rapportage het al verzamelde materiaal, de resterende vragen en de beoogde doelgroep aan. Vraag om een structuur die elke bewering met bewijs verbindt, waarnemingen van aannames onderscheidt en onopgeloste kwesties zichtbaar houdt. Definieer voor een presentatie de verhaallijn, de gewenste lengte en het doel van elke sectie. Een bruikbare schriftelijke uitvoer kan bestaan uit diatitels, kernargumenten, ondersteunende feiten en notities over welke afbeelding een punt zou helpen uitleggen. Het model kan deze inhoud ordenen terwijl de omringende tools de bestandsopbouw, lay-out en export verzorgen.
De fabrikant scheidt een direct modelantwoord expliciet van de volledige kantoorworkflow. De volledige kantoorworkflow gebruikt een agentruntime en de officiële skillbibliotheek samen met het model. Die componenten lezen en bewerken bestanden, voeren handelingen uit en maken de werkelijke presentatie of het rapport. Geef het model een duidelijk doel en retourneer de resultaten van die handelingen, zodat het vanuit de huidige toestand verder kan gaan. Een gegenereerde opzet of instructie is een bijdrage aan het eindproduct, geen bewijs dat het afgeronde bestand al bestaat.
De gedocumenteerde beeldwerkwijze combineert een tekstvraag met één of meer afbeeldingen, waaronder een voorbeeld dat twee afbeeldingen vergelijkt. Gebruik een duidelijke grafiek, documentafbeelding of screenshot en benoem wat ertoe doet: de uit te leggen verandering, de te vergelijken zichtbare waarden of het te interpreteren deel van een pagina. SenseTime raadt aan afbeeldingen voor te bereiden met een lange zijde van maximaal 2.048 pixels; dit is advies voor de invoervoorbereiding, geen bewering dat grotere afmetingen de theoretische visuele limiet van het model bepalen. Houd labels leesbaar en voeg eenheden of contextregels als tekst toe wanneer ze niet betrouwbaar uit de afbeelding kunnen worden gelezen.
De referentie van SenseTime onderscheidt redeneerinhoud van het definitieve schriftelijke antwoord en documenteert een uitvoerruimte die beide omvat. Maak bij een omvangrijke kantoortaak het gevraagde eindproduct concreet en houd rekening met zowel het redeneren als de uiteindelijke inhoud. Bewaar in een doorlopend gesprek de relevante gebruikersberichten en de definitieve assistentinhoud in chronologische volgorde; de producent schrijft applicaties voor het eerdere redeneerveld niet opnieuw als gespreksgeschiedenis te versturen. Bewaar bij lange geschiedenissen de feiten en beslissingen die de volgende stap daadwerkelijk nodig heeft.
Flash-Lite is het genoemde model voor deze workflow, terwijl het genereren van afgeronde bestanden en gespecialiseerde visuele uitvoer afhankelijk is van de gekoppelde omgeving en de relevante tools. Controleer berekeningen, uit afbeeldingen geëxtraheerde details en rapportbeweringen aan de hand van het oorspronkelijke materiaal. Definieer voltooiing in termen van de gevraagde inhoud en het daadwerkelijke eindproduct, zodat een vloeiende uitleg verbonden blijft met bewijs en een bruikbaar resultaat.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten sensenova-6.7-flash-lite | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.001892 / 1K tokens Uitvoer · Uitvoertokens $0.005676 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 sensenova-6.7-flash-lite
Gebruik de hierboven getoonde methodepaden.
sensenova-6.7-flash-liteSenseNova 6.7 Flash-Lite is het multimodale model van SenseTime voor langdurige kantoor- en analytische taken. Het interpreteert tekst en afbeeldingen, helpt onderzoeks- en rapportinhoud te ordenen en neemt deel aan workflows met tools die analyse omzetten in een eindproduct.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
SenseNova 6.7 Flash-Lite is het lichte multimodale agentmodel van SenseTime voor kantoorwerk. De producent benadrukt langdurige taken met planning, data-analyse, onderzoek en het opleveren van inhoud. Het accepteert tekst en afbeeldingen en retourneert schriftelijke inhoud, waardoor het bruikbaar is om kantoormateriaal te begrijpen en te bepalen hoe dat materiaal een analyse, rapport of presentatie moet worden. De rol is om de taak, het bewijs en de volgende nuttige stap in een langere workflow met elkaar te verbinden.
Een praktische kantoorworkflow kan van data-inzicht naar onderzoek en vervolgens naar het opleveren van inhoud gaan. Analyseer eerst een aangeleverde dataset, onderzoek daarna de redenen achter de patronen en ontwikkel een presentatie rond de bevindingen. Bereid een vergelijkbare taak voor door de vragen te scheiden: wat tonen de aangeleverde data, wat moet nog worden verklaard en wat moet het publiek meenemen? Benoem het eindproduct en de kwaliteitscriteria aan het begin, zodat tussentijdse analyse aan hetzelfde resultaat kan bijdragen.
Lever voor data-analyse een leesbare tabel of tekstweergave aan en leg de kolommen, eenheden, categorieën en periode uit. Identificeer ontbrekende waarden of inconsistente registraties en specificeer hoe ze moeten worden behandeld. Een voorbeeldbriefing is een dataset op afwijkingen te controleren, de belangrijkste veranderingen te beschrijven en een conclusie voor te bereiden die aan de relevante rijen of categorieën is gekoppeld. Als gekoppelde tools berekeningen of bestandsverwerking uitvoeren, geef hun werkelijke resultaten dan terug aan het model. Houd het numerieke bewijs gescheiden van een verhalende uitleg en vraag het model een voorgestelde oorzaak te markeren die niet door de data alleen wordt vastgesteld.
Lever voor onderzoek en rapportage het al verzamelde materiaal, de resterende vragen en de beoogde doelgroep aan. Vraag om een structuur die elke bewering met bewijs verbindt, waarnemingen van aannames onderscheidt en onopgeloste kwesties zichtbaar houdt. Definieer voor een presentatie de verhaallijn, de gewenste lengte en het doel van elke sectie. Een bruikbare schriftelijke uitvoer kan bestaan uit diatitels, kernargumenten, ondersteunende feiten en notities over welke afbeelding een punt zou helpen uitleggen. Het model kan deze inhoud ordenen terwijl de omringende tools de bestandsopbouw, lay-out en export verzorgen.
De fabrikant scheidt een direct modelantwoord expliciet van de volledige kantoorworkflow. De volledige kantoorworkflow gebruikt een agentruntime en de officiële skillbibliotheek samen met het model. Die componenten lezen en bewerken bestanden, voeren handelingen uit en maken de werkelijke presentatie of het rapport. Geef het model een duidelijk doel en retourneer de resultaten van die handelingen, zodat het vanuit de huidige toestand verder kan gaan. Een gegenereerde opzet of instructie is een bijdrage aan het eindproduct, geen bewijs dat het afgeronde bestand al bestaat.
De gedocumenteerde beeldwerkwijze combineert een tekstvraag met één of meer afbeeldingen, waaronder een voorbeeld dat twee afbeeldingen vergelijkt. Gebruik een duidelijke grafiek, documentafbeelding of screenshot en benoem wat ertoe doet: de uit te leggen verandering, de te vergelijken zichtbare waarden of het te interpreteren deel van een pagina. SenseTime raadt aan afbeeldingen voor te bereiden met een lange zijde van maximaal 2.048 pixels; dit is advies voor de invoervoorbereiding, geen bewering dat grotere afmetingen de theoretische visuele limiet van het model bepalen. Houd labels leesbaar en voeg eenheden of contextregels als tekst toe wanneer ze niet betrouwbaar uit de afbeelding kunnen worden gelezen.
De referentie van SenseTime onderscheidt redeneerinhoud van het definitieve schriftelijke antwoord en documenteert een uitvoerruimte die beide omvat. Maak bij een omvangrijke kantoortaak het gevraagde eindproduct concreet en houd rekening met zowel het redeneren als de uiteindelijke inhoud. Bewaar in een doorlopend gesprek de relevante gebruikersberichten en de definitieve assistentinhoud in chronologische volgorde; de producent schrijft applicaties voor het eerdere redeneerveld niet opnieuw als gespreksgeschiedenis te versturen. Bewaar bij lange geschiedenissen de feiten en beslissingen die de volgende stap daadwerkelijk nodig heeft.
Flash-Lite is het genoemde model voor deze workflow, terwijl het genereren van afgeronde bestanden en gespecialiseerde visuele uitvoer afhankelijk is van de gekoppelde omgeving en de relevante tools. Controleer berekeningen, uit afbeeldingen geëxtraheerde details en rapportbeweringen aan de hand van het oorspronkelijke materiaal. Definieer voltooiing in termen van de gevraagde inhoud en het daadwerkelijke eindproduct, zodat een vloeiende uitleg verbonden blijft met bewijs en een bruikbaar resultaat.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten sensenova-6.7-flash-lite | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.001892 / 1K tokens Uitvoer · Uitvoertokens $0.005676 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "sensenova-6.7-flash-lite",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 sensenova-6.7-flash-lite
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.