SenseChat-5 to ogólny model językowy V5 w serii SenseNova firmy SenseTime. Producent opisuje zakres jego zadań obejmujący język, wiedzę, rozumowanie, matematykę i kod, ze szczególnym uwzględnieniem pytań otwartych, dialogu wieloturowego, wyodrębniania informacji i pisania. Udokumentowanym wejściem rozmowy jest tekst, a użytecznym wynikiem — pisemna odpowiedź, wersja robocza, analiza lub instrukcja związana z narzędziem.
Oddzielaj instrukcje zadania od materiału do analizy. Zgodny przykład rozmowy producenta używa wiadomości systemowej do określenia roli i formatu odpowiedzi, a następnie wiadomości użytkownika zawierającej prośbę. Natywna dokumentacja rozmowy również rozróżnia wiadomości system, user i assistant. Zachowuj istotny dialog w kolejności, gdy pytanie uzupełniające zależy od wcześniejszej odpowiedzi.
Do zadania wyodrębniania danych dostarcz dokument i nazwij pola do zwrócenia. Użyteczny opis brzmi: „Wyodrębnij podany termin, odpowiedzialny zespół i wymagany rezultat do tabeli oraz wskaż fragment potwierdzający każdą wartość”. Do zadania pisarskiego podaj odbiorców, cel, ton i wymagane sekcje. Traktuj żądaną liczbę słów jako instrukcję pisarską i sprawdź jej spełnienie w gotowej odpowiedzi.
Producent podaje kontekst 128K dla SenseChat-5. Natywna dokumentacja rozmowy wyjaśnia, że dostarczone wejście i zarezerwowane maksimum odpowiedzi muszą mieścić się w kontekście modelu. Pobrana wiedza lub wstrzyknięty tekst referencyjny również zajmują miejsce wejściowe. Zachowuj razem pytanie, istotne fragmenty źródeł i wystarczające miejsce na odpowiedź, zamiast wypełniać dokumentami cały dostępny limit.
Przy porównywaniu długich źródeł oznacz każdy dokument i zachowuj granice sekcji. Zapytaj, które wymagania są zgodne, które sprzeczne i który fragment potwierdza różnicę. Jawnie podaj ważne definicje i identyfikatory. Jeśli zadanie dotyczy tylko kilku sekcji, wybierz te sekcje i kontekst potrzebny do ich interpretacji, aby końcowe porównanie pozostało łatwe do sprawdzenia.
Dostarcz kompletny problem z jego założeniami, jednostkami i wymaganą formą końcową. Poproś, aby obliczenie wskazywało używane wartości, a wyjaśnienie odróżniało podany fakt od założenia. Wniosek należy sprawdzić względem warunków problemu, zwłaszcza gdy kilka kroków zależy od jednej wczesnej interpretacji.
Przy pracy nad kodem dołącz właściwe źródła, zaobserwowane zachowanie i oczekiwany wynik. Użytecznym wynikiem jest propozycja zmiany wraz z warunkiem, którego dotyczy, i kontrolami potrzebnymi do jej oceny. Przekaż rzeczywisty błąd lub wynik wykonania, gdy kolejna tura zależy od tego, czy propozycja zadziałała. Odpowiedź pisemna i wynik jej uruchomienia są odrębnymi rezultatami.
Wydanie V5 SenseTime dokumentuje wywoływanie funkcji niestandardowych: podłączona aplikacja może dostarczać definicje narzędzi do wyboru i użycia przez model. Zdefiniuj cel i argumenty każdego narzędzia wokół rzeczywistej operacji, a następnie zachowuj zwróconą obserwację wraz z rozmową. Poproś, aby odpowiedź końcowa wykorzystywała rzeczywisty wynik wyszukiwania lub operacji, zamiast wnioskować, że żądane działanie się powiodło.
To samo wydanie V5 opisuje proces interpretera kodu generujący Python do obliczeń matematycznych. Jest to podłączony proces obliczeniowy, a nie powód do traktowania każdego wygenerowanego bloku kodu jako wykonanego. Dostarcz dane do obliczeń, zachowaj wynik interpretera i sprawdź, jak pisemne wyjaśnienie odnosi się do tego wyniku.
Przykłady rozmowy producenta pokazują zarówno kompletne odpowiedzi, jak i tekst strumieniowy. Kompletna odpowiedź dostarcza wiadomość asystenta; strumieniowanie dostarcza kolejne części, które muszą zostać złożone w odpowiedź końcową. Zachowuj ten końcowy tekst wraz z żądaniem i materiałami źródłowymi przed wykorzystaniem jako dokumentu, raportu lub odpowiedzi aplikacji.
Wyraźnie określaj edycję modelu. SenseChat-Turbo jest osobnym lekkim modelem dialogowym, a SenseChat-5-Cantonese — odrębnie nazwaną adaptacją. Producent publikuje również odrębne modele wizyjne, łączące modalności i dialogu postaci. Używaj tego profilu SenseChat-5 do udokumentowanej rozmowy tekstowej i pracy językowej wspomaganej narzędziami oraz sprawdzaj wyodrębnione wartości, kroki rozumowania i proponowane operacje względem dostarczonych dowodów.
", "aboutText": "### Ogólne zadania językowe i rozumowanie\n\nSenseChat-5 to ogólny model językowy V5 w serii SenseNova firmy SenseTime. Producent opisuje zakres jego zadań obejmujący język, wiedzę, rozumowanie, matematykę i kod, ze szczególnym uwzględnieniem pytań otwartych, dialogu wieloturowego, wyodrębniania informacji i pisania. Udokumentowanym wejściem rozmowy jest tekst, a użytecznym wynikiem — pisemna odpowiedź, wersja robocza, analiza lub instrukcja związana z narzędziem.\n\n### Przygotuj rozmowę\n\nOddzielaj instrukcje zadania od materiału do analizy. Zgodny przykład rozmowy producenta używa wiadomości systemowej do określenia roli i formatu odpowiedzi, a następnie wiadomości użytkownika zawierającej prośbę. Natywna dokumentacja rozmowy również rozróżnia wiadomości system, user i assistant. Zachowuj istotny dialog w kolejności, gdy pytanie uzupełniające zależy od wcześniejszej odpowiedzi.\n\nDo zadania wyodrębniania danych dostarcz dokument i nazwij pola do zwrócenia. Użyteczny opis brzmi: „Wyodrębnij podany termin, odpowiedzialny zespół i wymagany rezultat do tabeli oraz wskaż fragment potwierdzający każdą wartość”. Do zadania pisarskiego podaj odbiorców, cel, ton i wymagane sekcje. Traktuj żądaną liczbę słów jako instrukcję pisarską i sprawdź jej spełnienie w gotowej odpowiedzi.\n\n### Pracuj z kontekstem 128K\n\nProducent podaje kontekst 128K dla SenseChat-5. Natywna dokumentacja rozmowy wyjaśnia, że dostarczone wejście i zarezerwowane maksimum odpowiedzi muszą mieścić się w kontekście modelu. Pobrana wiedza lub wstrzyknięty tekst referencyjny również zajmują miejsce wejściowe. Zachowuj razem pytanie, istotne fragmenty źródeł i wystarczające miejsce na odpowiedź, zamiast wypełniać dokumentami cały dostępny limit.\n\nPrzy porównywaniu długich źródeł oznacz każdy dokument i zachowuj granice sekcji. Zapytaj, które wymagania są zgodne, które sprzeczne i który fragment potwierdza różnicę. Jawnie podaj ważne definicje i identyfikatory. Jeśli zadanie dotyczy tylko kilku sekcji, wybierz te sekcje i kontekst potrzebny do ich interpretacji, aby końcowe porównanie pozostało łatwe do sprawdzenia.\n\n### Rozumowanie, matematyka i kod\n\nDostarcz kompletny problem z jego założeniami, jednostkami i wymaganą formą końcową. Poproś, aby obliczenie wskazywało używane wartości, a wyjaśnienie odróżniało podany fakt od założenia. Wniosek należy sprawdzić względem warunków problemu, zwłaszcza gdy kilka kroków zależy od jednej wczesnej interpretacji.\n\nPrzy pracy nad kodem dołącz właściwe źródła, zaobserwowane zachowanie i oczekiwany wynik. Użytecznym wynikiem jest propozycja zmiany wraz z warunkiem, którego dotyczy, i kontrolami potrzebnymi do jej oceny. Przekaż rzeczywisty błąd lub wynik wykonania, gdy kolejna tura zależy od tego, czy propozycja zadziałała. Odpowiedź pisemna i wynik jej uruchomienia są odrębnymi rezultatami.\n\n### Narzędzia niestandardowe i obliczenia\n\nWydanie V5 SenseTime dokumentuje wywoływanie funkcji niestandardowych: podłączona aplikacja może dostarczać definicje narzędzi do wyboru i użycia przez model. Zdefiniuj cel i argumenty każdego narzędzia wokół rzeczywistej operacji, a następnie zachowuj zwróconą obserwację wraz z rozmową. Poproś, aby odpowiedź końcowa wykorzystywała rzeczywisty wynik wyszukiwania lub operacji, zamiast wnioskować, że żądane działanie się powiodło.\n\nTo samo wydanie V5 opisuje proces interpretera kodu generujący Python do obliczeń matematycznych. Jest to podłączony proces obliczeniowy, a nie powód do traktowania każdego wygenerowanego bloku kodu jako wykonanego. Dostarcz dane do obliczeń, zachowaj wynik interpretera i sprawdź, jak pisemne wyjaśnienie odnosi się do tego wyniku.\n\n### Odpowiedzi kompletne i przesyłanie strumieniowe\n\nPrzykłady rozmowy producenta pokazują zarówno kompletne odpowiedzi, jak i tekst strumieniowy. Kompletna odpowiedź dostarcza wiadomość asystenta; strumieniowanie dostarcza kolejne części, które muszą zostać złożone w odpowiedź końcową. Zachowuj ten końcowy tekst wraz z żądaniem i materiałami źródłowymi przed wykorzystaniem jako dokumentu, raportu lub odpowiedzi aplikacji.\n\nWyraźnie określaj edycję modelu. SenseChat-Turbo jest osobnym lekkim modelem dialogowym, a SenseChat-5-Cantonese — odrębnie nazwaną adaptacją. Producent publikuje również odrębne modele wizyjne, łączące modalności i dialogu postaci. Używaj tego profilu SenseChat-5 do udokumentowanej rozmowy tekstowej i pracy językowej wspomaganej narzędziami oraz sprawdzaj wyodrębnione wartości, kroki rozumowania i proponowane operacje względem dostarczonych dowodów.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.SenseChat-5SenseChat-5 firmy SenseTime to model rozmowy tekstowej do zadań językowych, wiedzy, rozumowania, matematyki i kodu. Udokumentowany kontekst 128K obsługuje dłuższy materiał źródłowy, a przepływ V5 producenta obejmuje wywoływanie własnych funkcji i obliczenia z interpreterem kodu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
SenseChat-5 to ogólny model językowy V5 w serii SenseNova firmy SenseTime. Producent opisuje zakres jego zadań obejmujący język, wiedzę, rozumowanie, matematykę i kod, ze szczególnym uwzględnieniem pytań otwartych, dialogu wieloturowego, wyodrębniania informacji i pisania. Udokumentowanym wejściem rozmowy jest tekst, a użytecznym wynikiem — pisemna odpowiedź, wersja robocza, analiza lub instrukcja związana z narzędziem.
Oddzielaj instrukcje zadania od materiału do analizy. Zgodny przykład rozmowy producenta używa wiadomości systemowej do określenia roli i formatu odpowiedzi, a następnie wiadomości użytkownika zawierającej prośbę. Natywna dokumentacja rozmowy również rozróżnia wiadomości system, user i assistant. Zachowuj istotny dialog w kolejności, gdy pytanie uzupełniające zależy od wcześniejszej odpowiedzi.
Do zadania wyodrębniania danych dostarcz dokument i nazwij pola do zwrócenia. Użyteczny opis brzmi: „Wyodrębnij podany termin, odpowiedzialny zespół i wymagany rezultat do tabeli oraz wskaż fragment potwierdzający każdą wartość”. Do zadania pisarskiego podaj odbiorców, cel, ton i wymagane sekcje. Traktuj żądaną liczbę słów jako instrukcję pisarską i sprawdź jej spełnienie w gotowej odpowiedzi.
Producent podaje kontekst 128K dla SenseChat-5. Natywna dokumentacja rozmowy wyjaśnia, że dostarczone wejście i zarezerwowane maksimum odpowiedzi muszą mieścić się w kontekście modelu. Pobrana wiedza lub wstrzyknięty tekst referencyjny również zajmują miejsce wejściowe. Zachowuj razem pytanie, istotne fragmenty źródeł i wystarczające miejsce na odpowiedź, zamiast wypełniać dokumentami cały dostępny limit.
Przy porównywaniu długich źródeł oznacz każdy dokument i zachowuj granice sekcji. Zapytaj, które wymagania są zgodne, które sprzeczne i który fragment potwierdza różnicę. Jawnie podaj ważne definicje i identyfikatory. Jeśli zadanie dotyczy tylko kilku sekcji, wybierz te sekcje i kontekst potrzebny do ich interpretacji, aby końcowe porównanie pozostało łatwe do sprawdzenia.
Dostarcz kompletny problem z jego założeniami, jednostkami i wymaganą formą końcową. Poproś, aby obliczenie wskazywało używane wartości, a wyjaśnienie odróżniało podany fakt od założenia. Wniosek należy sprawdzić względem warunków problemu, zwłaszcza gdy kilka kroków zależy od jednej wczesnej interpretacji.
Przy pracy nad kodem dołącz właściwe źródła, zaobserwowane zachowanie i oczekiwany wynik. Użytecznym wynikiem jest propozycja zmiany wraz z warunkiem, którego dotyczy, i kontrolami potrzebnymi do jej oceny. Przekaż rzeczywisty błąd lub wynik wykonania, gdy kolejna tura zależy od tego, czy propozycja zadziałała. Odpowiedź pisemna i wynik jej uruchomienia są odrębnymi rezultatami.
Wydanie V5 SenseTime dokumentuje wywoływanie funkcji niestandardowych: podłączona aplikacja może dostarczać definicje narzędzi do wyboru i użycia przez model. Zdefiniuj cel i argumenty każdego narzędzia wokół rzeczywistej operacji, a następnie zachowuj zwróconą obserwację wraz z rozmową. Poproś, aby odpowiedź końcowa wykorzystywała rzeczywisty wynik wyszukiwania lub operacji, zamiast wnioskować, że żądane działanie się powiodło.
To samo wydanie V5 opisuje proces interpretera kodu generujący Python do obliczeń matematycznych. Jest to podłączony proces obliczeniowy, a nie powód do traktowania każdego wygenerowanego bloku kodu jako wykonanego. Dostarcz dane do obliczeń, zachowaj wynik interpretera i sprawdź, jak pisemne wyjaśnienie odnosi się do tego wyniku.
Przykłady rozmowy producenta pokazują zarówno kompletne odpowiedzi, jak i tekst strumieniowy. Kompletna odpowiedź dostarcza wiadomość asystenta; strumieniowanie dostarcza kolejne części, które muszą zostać złożone w odpowiedź końcową. Zachowuj ten końcowy tekst wraz z żądaniem i materiałami źródłowymi przed wykorzystaniem jako dokumentu, raportu lub odpowiedzi aplikacji.
Wyraźnie określaj edycję modelu. SenseChat-Turbo jest osobnym lekkim modelem dialogowym, a SenseChat-5-Cantonese — odrębnie nazwaną adaptacją. Producent publikuje również odrębne modele wizyjne, łączące modalności i dialogu postaci. Używaj tego profilu SenseChat-5 do udokumentowanej rozmowy tekstowej i pracy językowej wspomaganej narzędziami oraz sprawdzaj wyodrębnione wartości, kroki rozumowania i proponowane operacje względem dostarczonych dowodów.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity SenseChat-5 | 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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0132 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0308 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "SenseChat-5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='SenseChat-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='SenseChat-5',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 SenseChat-5
Użyj ścieżek metod podanych powyżej.
SenseChat-5SenseChat-5 firmy SenseTime to model rozmowy tekstowej do zadań językowych, wiedzy, rozumowania, matematyki i kodu. Udokumentowany kontekst 128K obsługuje dłuższy materiał źródłowy, a przepływ V5 producenta obejmuje wywoływanie własnych funkcji i obliczenia z interpreterem kodu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
SenseChat-5 to ogólny model językowy V5 w serii SenseNova firmy SenseTime. Producent opisuje zakres jego zadań obejmujący język, wiedzę, rozumowanie, matematykę i kod, ze szczególnym uwzględnieniem pytań otwartych, dialogu wieloturowego, wyodrębniania informacji i pisania. Udokumentowanym wejściem rozmowy jest tekst, a użytecznym wynikiem — pisemna odpowiedź, wersja robocza, analiza lub instrukcja związana z narzędziem.
Oddzielaj instrukcje zadania od materiału do analizy. Zgodny przykład rozmowy producenta używa wiadomości systemowej do określenia roli i formatu odpowiedzi, a następnie wiadomości użytkownika zawierającej prośbę. Natywna dokumentacja rozmowy również rozróżnia wiadomości system, user i assistant. Zachowuj istotny dialog w kolejności, gdy pytanie uzupełniające zależy od wcześniejszej odpowiedzi.
Do zadania wyodrębniania danych dostarcz dokument i nazwij pola do zwrócenia. Użyteczny opis brzmi: „Wyodrębnij podany termin, odpowiedzialny zespół i wymagany rezultat do tabeli oraz wskaż fragment potwierdzający każdą wartość”. Do zadania pisarskiego podaj odbiorców, cel, ton i wymagane sekcje. Traktuj żądaną liczbę słów jako instrukcję pisarską i sprawdź jej spełnienie w gotowej odpowiedzi.
Producent podaje kontekst 128K dla SenseChat-5. Natywna dokumentacja rozmowy wyjaśnia, że dostarczone wejście i zarezerwowane maksimum odpowiedzi muszą mieścić się w kontekście modelu. Pobrana wiedza lub wstrzyknięty tekst referencyjny również zajmują miejsce wejściowe. Zachowuj razem pytanie, istotne fragmenty źródeł i wystarczające miejsce na odpowiedź, zamiast wypełniać dokumentami cały dostępny limit.
Przy porównywaniu długich źródeł oznacz każdy dokument i zachowuj granice sekcji. Zapytaj, które wymagania są zgodne, które sprzeczne i który fragment potwierdza różnicę. Jawnie podaj ważne definicje i identyfikatory. Jeśli zadanie dotyczy tylko kilku sekcji, wybierz te sekcje i kontekst potrzebny do ich interpretacji, aby końcowe porównanie pozostało łatwe do sprawdzenia.
Dostarcz kompletny problem z jego założeniami, jednostkami i wymaganą formą końcową. Poproś, aby obliczenie wskazywało używane wartości, a wyjaśnienie odróżniało podany fakt od założenia. Wniosek należy sprawdzić względem warunków problemu, zwłaszcza gdy kilka kroków zależy od jednej wczesnej interpretacji.
Przy pracy nad kodem dołącz właściwe źródła, zaobserwowane zachowanie i oczekiwany wynik. Użytecznym wynikiem jest propozycja zmiany wraz z warunkiem, którego dotyczy, i kontrolami potrzebnymi do jej oceny. Przekaż rzeczywisty błąd lub wynik wykonania, gdy kolejna tura zależy od tego, czy propozycja zadziałała. Odpowiedź pisemna i wynik jej uruchomienia są odrębnymi rezultatami.
Wydanie V5 SenseTime dokumentuje wywoływanie funkcji niestandardowych: podłączona aplikacja może dostarczać definicje narzędzi do wyboru i użycia przez model. Zdefiniuj cel i argumenty każdego narzędzia wokół rzeczywistej operacji, a następnie zachowuj zwróconą obserwację wraz z rozmową. Poproś, aby odpowiedź końcowa wykorzystywała rzeczywisty wynik wyszukiwania lub operacji, zamiast wnioskować, że żądane działanie się powiodło.
To samo wydanie V5 opisuje proces interpretera kodu generujący Python do obliczeń matematycznych. Jest to podłączony proces obliczeniowy, a nie powód do traktowania każdego wygenerowanego bloku kodu jako wykonanego. Dostarcz dane do obliczeń, zachowaj wynik interpretera i sprawdź, jak pisemne wyjaśnienie odnosi się do tego wyniku.
Przykłady rozmowy producenta pokazują zarówno kompletne odpowiedzi, jak i tekst strumieniowy. Kompletna odpowiedź dostarcza wiadomość asystenta; strumieniowanie dostarcza kolejne części, które muszą zostać złożone w odpowiedź końcową. Zachowuj ten końcowy tekst wraz z żądaniem i materiałami źródłowymi przed wykorzystaniem jako dokumentu, raportu lub odpowiedzi aplikacji.
Wyraźnie określaj edycję modelu. SenseChat-Turbo jest osobnym lekkim modelem dialogowym, a SenseChat-5-Cantonese — odrębnie nazwaną adaptacją. Producent publikuje również odrębne modele wizyjne, łączące modalności i dialogu postaci. Używaj tego profilu SenseChat-5 do udokumentowanej rozmowy tekstowej i pracy językowej wspomaganej narzędziami oraz sprawdzaj wyodrębnione wartości, kroki rozumowania i proponowane operacje względem dostarczonych dowodów.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity SenseChat-5 | 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.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0132 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0308 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'SenseChat-5', '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 SenseChat-5
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Extract an action from meeting notes\n\nExtract action details from this note: "The logistics team must send the revised packing list by 16:00 on Monday. Finance will review costs later; no date agreed." Return team, deliverable, deadline and supporting quotation for each action. Mark the finance deadline as not stated and keep it separate from the logistics deadline.A two-action table with responsible team, deliverable, deadline and a supporting quote.Ensure the Monday 16:00 deadline is not copied into the finance action.