Travel Flask
Small
Capacity: 350 ml
Large
Capacity: 600 ml
Schematron V2 Small to model Inference.net nastawiony na jakość ekstrakcji, zamieniający HTML w JSON zgodny ze schematem. Producent rozwija go do złożonych schematów i długich stron, z odrębną rolą przetwarzania od nastawionego na przepustowość V2 Turbo. Odczytuje HTML i schemat wywołującego, zwracając odpowiadający im rekord strukturalny. Celem jest wyodrębnianie faktów potrzebnych dalszej aplikacji, a nie generowanie szerokiej odpowiedzi konwersacyjnej.
Przewodnik producenta wskazuje, że instrukcje ekstrakcji należą do schematu, a nie do polecenia systemowego lub użytkownika w języku naturalnym. Określ typ każdej właściwości i wyjaśnij jej znaczenie w opisie pola. Obsługiwane są obiekty zagnieżdżone i listy. Rekord produktu może na przykład odróżniać identyfikator produktu od jego wyświetlanej nazwy oraz grupować wartości specyfikacji we własnym obiekcie.
Przy złożonej stronie rozstrzygnij niejednoznaczne znaczenia pól przed zażądaniem ekstrakcji. Wyjaśnij, czy data dotyczy publikacji, wydarzenia czy rewizji i jak reprezentować wiele wartości źródłowych. Stosuj konwencję schematu dla brakujących informacji, aby model nie musiał wymyślać wartości tylko dla pozornej kompletności obiektu. Producent demonstruje typowane modele i JSON Schema wraz z walidacją zwróconego JSON.
Zalecane przetwarzanie wstępne HTML usuwa skrypty, style i powtarzalne elementy szablonu, zachowując istotną treść. Producent zaleca ostrożność: usunięcie zbyt dużej części może pozbawić ekstrakcję potrzebnych informacji. Zachowuj nagłówki tabel, zagnieżdżone etykiety i pobliski tekst określający znaczenie wartości. Ogranicz materiał do istotnego obszaru, gdy strona zawiera niepowiązaną nawigację lub powtórzenia.
Przykładowe zadanie to ekstrakcja rekordu technicznego ze strony produktu z kilkoma tabelami konfiguracji. Wejście powinno zachowywać powiązanie każdej tabeli z wariantem, a schemat opisywać konkretny wariant lub wymaganą listę wariantów. Wynikowy JSON można wtedy sprawdzić względem źródłowych wierszy, zamiast traktować go jako streszczenie całej witryny.
V2 Small kładzie nacisk na jakość ekstrakcji dla trudnych schematów i długiego HTML. Turbo jest osobną wersją zoptymalizowaną do przetwarzania stron z większą przepustowością. Obie współdzielą udokumentowany kontekst 128K rodziny V2 i ścisły proces JSON sterowany schematem. Budżet kontekstu obejmuje łącznie wejście i żądane wyjście, dlatego skupiaj dużą stronę wokół rekordu rzeczywiście potrzebnego zadaniu.
Obiekt strukturalny może wspierać import katalogu, parsowanie dokumentów lub warstwę dowodów dla odpowiedzi wspomaganej wyszukiwaniem. Aplikacja pobiera stronę źródłową, dostarcza schemat i waliduje wyjście przed jego użyciem. Zachowuj identyfikator strony lub powiązanie ze źródłem w tym procesie. Jeśli rekord zawiera liczby, porównuj jednostki i zamierzoną interpretację ze źródłem.
Zgodność ze schematem potwierdza postać wyniku; nie weryfikuje niezależnie każdego wyodrębnionego faktu. Sprawdzaj reprezentatywne rekordy względem oryginalnego HTML i określ obsługę informacji sprzecznych lub nieobecnych. V2 Small pozostaje własnym nazwanym wydaniem, odrębnym od checkpointów V1 z otwartymi wagami. Jego udokumentowany interfejs to ekstrakcja HTML do JSON i nie oznacza wejść obrazowych, ogólnej rozmowy, automatycznego dostępu do sieci ani natywnego procesu wykonywania narzędzi.
", "aboutText": "Schematron V2 Small to model Inference.net nastawiony na jakość ekstrakcji, zamieniający HTML w JSON zgodny ze schematem. Producent rozwija go do złożonych schematów i długich stron, z odrębną rolą przetwarzania od nastawionego na przepustowość V2 Turbo. Odczytuje HTML i schemat wywołującego, zwracając odpowiadający im rekord strukturalny. Celem jest wyodrębnianie faktów potrzebnych dalszej aplikacji, a nie generowanie szerokiej odpowiedzi konwersacyjnej.\n\n### Schemat jako specyfikacja zadania\n\nPrzewodnik producenta wskazuje, że instrukcje ekstrakcji należą do schematu, a nie do polecenia systemowego lub użytkownika w języku naturalnym. Określ typ każdej właściwości i wyjaśnij jej znaczenie w opisie pola. Obsługiwane są obiekty zagnieżdżone i listy. Rekord produktu może na przykład odróżniać identyfikator produktu od jego wyświetlanej nazwy oraz grupować wartości specyfikacji we własnym obiekcie.\n\nPrzy złożonej stronie rozstrzygnij niejednoznaczne znaczenia pól przed zażądaniem ekstrakcji. Wyjaśnij, czy data dotyczy publikacji, wydarzenia czy rewizji i jak reprezentować wiele wartości źródłowych. Stosuj konwencję schematu dla brakujących informacji, aby model nie musiał wymyślać wartości tylko dla pozornej kompletności obiektu. Producent demonstruje typowane modele i JSON Schema wraz z walidacją zwróconego JSON.\n\n### Przygotowanie długiego dokumentu\n\nZalecane przetwarzanie wstępne HTML usuwa skrypty, style i powtarzalne elementy szablonu, zachowując istotną treść. Producent zaleca ostrożność: usunięcie zbyt dużej części może pozbawić ekstrakcję potrzebnych informacji. Zachowuj nagłówki tabel, zagnieżdżone etykiety i pobliski tekst określający znaczenie wartości. Ogranicz materiał do istotnego obszaru, gdy strona zawiera niepowiązaną nawigację lub powtórzenia.\n\nPrzykładowe zadanie to ekstrakcja rekordu technicznego ze strony produktu z kilkoma tabelami konfiguracji. Wejście powinno zachowywać powiązanie każdej tabeli z wariantem, a schemat opisywać konkretny wariant lub wymaganą listę wariantów. Wynikowy JSON można wtedy sprawdzić względem źródłowych wierszy, zamiast traktować go jako streszczenie całej witryny.\n\n### Small i Turbo to osobne wybory\n\nV2 Small kładzie nacisk na jakość ekstrakcji dla trudnych schematów i długiego HTML. Turbo jest osobną wersją zoptymalizowaną do przetwarzania stron z większą przepustowością. Obie współdzielą udokumentowany kontekst 128K rodziny V2 i ścisły proces JSON sterowany schematem. Budżet kontekstu obejmuje łącznie wejście i żądane wyjście, dlatego skupiaj dużą stronę wokół rekordu rzeczywiście potrzebnego zadaniu.\n\n### Od ekstrakcji do danych aplikacji\n\nObiekt strukturalny może wspierać import katalogu, parsowanie dokumentów lub warstwę dowodów dla odpowiedzi wspomaganej wyszukiwaniem. Aplikacja pobiera stronę źródłową, dostarcza schemat i waliduje wyjście przed jego użyciem. Zachowuj identyfikator strony lub powiązanie ze źródłem w tym procesie. Jeśli rekord zawiera liczby, porównuj jednostki i zamierzoną interpretację ze źródłem.\n\nZgodność ze schematem potwierdza postać wyniku; nie weryfikuje niezależnie każdego wyodrębnionego faktu. Sprawdzaj reprezentatywne rekordy względem oryginalnego HTML i określ obsługę informacji sprzecznych lub nieobecnych. V2 Small pozostaje własnym nazwanym wydaniem, odrębnym od checkpointów V1 z otwartymi wagami. Jego udokumentowany interfejs to ekstrakcja HTML do JSON i nie oznacza wejść obrazowych, ogólnej rozmowy, automatycznego dostępu do sieci ani natywnego procesu wykonywania narzędzi.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 wyodrębnia z dostarczonego HTML fakty określone schematem do typowanego JSON. Jest opcją V2 nastawioną na jakość przy złożonych schematach i długich stronach, z kontekstem producenta 128K, rekordami zagnieżdżonymi i opisami pól określającymi dane do zwrócenia.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Schematron V2 Small to model Inference.net nastawiony na jakość ekstrakcji, zamieniający HTML w JSON zgodny ze schematem. Producent rozwija go do złożonych schematów i długich stron, z odrębną rolą przetwarzania od nastawionego na przepustowość V2 Turbo. Odczytuje HTML i schemat wywołującego, zwracając odpowiadający im rekord strukturalny. Celem jest wyodrębnianie faktów potrzebnych dalszej aplikacji, a nie generowanie szerokiej odpowiedzi konwersacyjnej.
Przewodnik producenta wskazuje, że instrukcje ekstrakcji należą do schematu, a nie do polecenia systemowego lub użytkownika w języku naturalnym. Określ typ każdej właściwości i wyjaśnij jej znaczenie w opisie pola. Obsługiwane są obiekty zagnieżdżone i listy. Rekord produktu może na przykład odróżniać identyfikator produktu od jego wyświetlanej nazwy oraz grupować wartości specyfikacji we własnym obiekcie.
Przy złożonej stronie rozstrzygnij niejednoznaczne znaczenia pól przed zażądaniem ekstrakcji. Wyjaśnij, czy data dotyczy publikacji, wydarzenia czy rewizji i jak reprezentować wiele wartości źródłowych. Stosuj konwencję schematu dla brakujących informacji, aby model nie musiał wymyślać wartości tylko dla pozornej kompletności obiektu. Producent demonstruje typowane modele i JSON Schema wraz z walidacją zwróconego JSON.
Zalecane przetwarzanie wstępne HTML usuwa skrypty, style i powtarzalne elementy szablonu, zachowując istotną treść. Producent zaleca ostrożność: usunięcie zbyt dużej części może pozbawić ekstrakcję potrzebnych informacji. Zachowuj nagłówki tabel, zagnieżdżone etykiety i pobliski tekst określający znaczenie wartości. Ogranicz materiał do istotnego obszaru, gdy strona zawiera niepowiązaną nawigację lub powtórzenia.
Przykładowe zadanie to ekstrakcja rekordu technicznego ze strony produktu z kilkoma tabelami konfiguracji. Wejście powinno zachowywać powiązanie każdej tabeli z wariantem, a schemat opisywać konkretny wariant lub wymaganą listę wariantów. Wynikowy JSON można wtedy sprawdzić względem źródłowych wierszy, zamiast traktować go jako streszczenie całej witryny.
V2 Small kładzie nacisk na jakość ekstrakcji dla trudnych schematów i długiego HTML. Turbo jest osobną wersją zoptymalizowaną do przetwarzania stron z większą przepustowością. Obie współdzielą udokumentowany kontekst 128K rodziny V2 i ścisły proces JSON sterowany schematem. Budżet kontekstu obejmuje łącznie wejście i żądane wyjście, dlatego skupiaj dużą stronę wokół rekordu rzeczywiście potrzebnego zadaniu.
Obiekt strukturalny może wspierać import katalogu, parsowanie dokumentów lub warstwę dowodów dla odpowiedzi wspomaganej wyszukiwaniem. Aplikacja pobiera stronę źródłową, dostarcza schemat i waliduje wyjście przed jego użyciem. Zachowuj identyfikator strony lub powiązanie ze źródłem w tym procesie. Jeśli rekord zawiera liczby, porównuj jednostki i zamierzoną interpretację ze źródłem.
Zgodność ze schematem potwierdza postać wyniku; nie weryfikuje niezależnie każdego wyodrębnionego faktu. Sprawdzaj reprezentatywne rekordy względem oryginalnego HTML i określ obsługę informacji sprzecznych lub nieobecnych. V2 Small pozostaje własnym nazwanym wydaniem, odrębnym od checkpointów V1 z otwartymi wagami. Jego udokumentowany interfejs to ekstrakcja HTML do JSON i nie oznacza wejść obrazowych, ogólnej rozmowy, automatycznego dostępu do sieci ani natywnego procesu wykonywania narzędzi.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity inference-net/schematron-v2-small | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00046 / 1K tokenów Wejście · Odczyt cache $0.0001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00046 / 1K tokenów Wejście · Odczyt cache $0.0001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra inference-net/schematron-v2-small
Użyj ścieżek metod podanych powyżej.
inference-net/schematron-v2-smallSchematron V2 Small wyodrębnia z dostarczonego HTML fakty określone schematem do typowanego JSON. Jest opcją V2 nastawioną na jakość przy złożonych schematach i długich stronach, z kontekstem producenta 128K, rekordami zagnieżdżonymi i opisami pól określającymi dane do zwrócenia.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Schematron V2 Small to model Inference.net nastawiony na jakość ekstrakcji, zamieniający HTML w JSON zgodny ze schematem. Producent rozwija go do złożonych schematów i długich stron, z odrębną rolą przetwarzania od nastawionego na przepustowość V2 Turbo. Odczytuje HTML i schemat wywołującego, zwracając odpowiadający im rekord strukturalny. Celem jest wyodrębnianie faktów potrzebnych dalszej aplikacji, a nie generowanie szerokiej odpowiedzi konwersacyjnej.
Przewodnik producenta wskazuje, że instrukcje ekstrakcji należą do schematu, a nie do polecenia systemowego lub użytkownika w języku naturalnym. Określ typ każdej właściwości i wyjaśnij jej znaczenie w opisie pola. Obsługiwane są obiekty zagnieżdżone i listy. Rekord produktu może na przykład odróżniać identyfikator produktu od jego wyświetlanej nazwy oraz grupować wartości specyfikacji we własnym obiekcie.
Przy złożonej stronie rozstrzygnij niejednoznaczne znaczenia pól przed zażądaniem ekstrakcji. Wyjaśnij, czy data dotyczy publikacji, wydarzenia czy rewizji i jak reprezentować wiele wartości źródłowych. Stosuj konwencję schematu dla brakujących informacji, aby model nie musiał wymyślać wartości tylko dla pozornej kompletności obiektu. Producent demonstruje typowane modele i JSON Schema wraz z walidacją zwróconego JSON.
Zalecane przetwarzanie wstępne HTML usuwa skrypty, style i powtarzalne elementy szablonu, zachowując istotną treść. Producent zaleca ostrożność: usunięcie zbyt dużej części może pozbawić ekstrakcję potrzebnych informacji. Zachowuj nagłówki tabel, zagnieżdżone etykiety i pobliski tekst określający znaczenie wartości. Ogranicz materiał do istotnego obszaru, gdy strona zawiera niepowiązaną nawigację lub powtórzenia.
Przykładowe zadanie to ekstrakcja rekordu technicznego ze strony produktu z kilkoma tabelami konfiguracji. Wejście powinno zachowywać powiązanie każdej tabeli z wariantem, a schemat opisywać konkretny wariant lub wymaganą listę wariantów. Wynikowy JSON można wtedy sprawdzić względem źródłowych wierszy, zamiast traktować go jako streszczenie całej witryny.
V2 Small kładzie nacisk na jakość ekstrakcji dla trudnych schematów i długiego HTML. Turbo jest osobną wersją zoptymalizowaną do przetwarzania stron z większą przepustowością. Obie współdzielą udokumentowany kontekst 128K rodziny V2 i ścisły proces JSON sterowany schematem. Budżet kontekstu obejmuje łącznie wejście i żądane wyjście, dlatego skupiaj dużą stronę wokół rekordu rzeczywiście potrzebnego zadaniu.
Obiekt strukturalny może wspierać import katalogu, parsowanie dokumentów lub warstwę dowodów dla odpowiedzi wspomaganej wyszukiwaniem. Aplikacja pobiera stronę źródłową, dostarcza schemat i waliduje wyjście przed jego użyciem. Zachowuj identyfikator strony lub powiązanie ze źródłem w tym procesie. Jeśli rekord zawiera liczby, porównuj jednostki i zamierzoną interpretację ze źródłem.
Zgodność ze schematem potwierdza postać wyniku; nie weryfikuje niezależnie każdego wyodrębnionego faktu. Sprawdzaj reprezentatywne rekordy względem oryginalnego HTML i określ obsługę informacji sprzecznych lub nieobecnych. V2 Small pozostaje własnym nazwanym wydaniem, odrębnym od checkpointów V1 z otwartymi wagami. Jego udokumentowany interfejs to ekstrakcja HTML do JSON i nie oznacza wejść obrazowych, ogólnej rozmowy, automatycznego dostępu do sieci ani natywnego procesu wykonywania narzędzi.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity inference-net/schematron-v2-small | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00046 / 1K tokenów Wejście · Odczyt cache $0.0001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0001 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00046 / 1K tokenów Wejście · Odczyt cache $0.0001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "inference-net/schematron-v2-small",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra inference-net/schematron-v2-small
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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