SenseChat-Turbo to lekki model ogólnego dialogu w ofercie modeli SenseNova firmy SenseTime. Producent pozycjonuje go do szybkiego odpowiadania na pytania i scenariuszy dostrajania modelu. Używaj go do jasno ograniczonego zadania tekstowego: odpowiedzi na pytanie na podstawie dostarczonych informacji, przeredagowania krótkiej wiadomości, wskazania głównej myśli fragmentu lub kontynuowania konkretnej rozmowy.
Określ, co ma osiągnąć odpowiedź, i dołącz informacje potrzebne do jej przygotowania. Do wyjaśnienia skierowanego do klienta dostarcz odpowiednie fakty o produkcie i poproś o zwięzłą odpowiedź na rzeczywiste pytanie. Do przeredagowania podaj oryginalne brzmienie, odbiorców i pożądany ton. Oddziel materiał do analizy od instrukcji dotyczących prezentacji wyniku.
Użyteczny opis zadania brzmi: „Na podstawie dostarczonego fragmentu zasad wyjaśnij, który krok ma zastosowanie w tej sytuacji, a następnie wypisz nadal potrzebne informacje”. Wynikowy tekst powinien odróżniać popartą źródłem odpowiedź od pytania, którego fragment nie rozstrzyga. Krótka odpowiedź jest łatwiejsza do wykorzystania, gdy dotyczy jednej jasnej kwestii, zamiast mieszać kilka niepowiązanych celów.
Proces rozmowy tekstowej producenta używa wiadomości oznaczonych rolami i obsługuje sekwencję próśb użytkownika oraz odpowiedzi asystenta. Zachowuj wcześniejszą turę, gdy odnosi się do niej pytanie uzupełniające, wraz z każdym nadal istotnym faktem lub ograniczeniem. W procesie bez historii rozmowy przechowywanej przez serwer aplikacja dostarcza odpowiednią historię z następnym żądaniem.
Przy kontynuowaniu rozmowy wsparcia zachowuj już wyjaśnione pytanie i obserwację podaną przez użytkownika. Poproś, aby następna odpowiedź kontynuowała od tego stanu. Usuń niepowiązany materiał odciągający uwagę od bieżącego zadania i zarezerwuj miejsce na odpowiedź w konfiguracji używanej do rozmowy.
SenseTime wymienia scenariusze dostrajania modelu jako część pozycjonowania Turbo. Do adaptacji do konkretnego zadania przygotuj reprezentatywne przykłady wejścia i odpowiedzi pokazujące pożądane zachowanie: słownictwo, formę odpowiedzi, poziom szczegółowości i postępowanie przy brakujących informacjach. Zachowuj zgodność oczekiwanej odpowiedzi z faktami źródłowymi w każdym przykładzie.
Użyteczne przykłady mogą odróżniać odpowiedź faktograficzną od prośby o doprecyzowanie albo krótkie wyjaśnienie od strukturalnej listy pól. Uwzględnij przypadki trudne lub niejednoznaczne obok prostych. Sprawdź przykłady względem zamierzonego zadania, zanim uznasz ich brzmienie za wzorzec do powtarzania. To przygotowanie opisuje pożądane zachowanie w dialogu; proces adaptacji, w którym jest używane, określa sposób wykorzystania przykładów.
Interfejsy rozmowy producenta obsługują tekst kompletny i przesyłany strumieniowo. Kompletna odpowiedź dostarcza treść jako jeden wynik; strumień dostarcza kolejne części, które aplikacja składa. Zachowuj gotową odpowiedź do przeglądu lub ponownego użycia, zamiast oceniać zadanie wyłącznie na podstawie pierwszych widocznych słów.
Przy wyodrębnianiu danych lub klasyfikacji sprawdzaj rzeczywiste pola lub etykiety względem źródła. Przy przeredagowaniu porównuj, czy znaczenie przetrwało żądaną zmianę tonu. Przy wymianie pytań i odpowiedzi sprawdzaj, czy odpowiedź dotyczy bieżącej kwestii i czy prośba o dalsze informacje jest odpowiednia.
Turbo i SenseChat-5 to odrębnie nazwane modele ogólnego dialogu. SenseChat-5-Cantonese, modele dialogu postaci i modele wizyjne lub łączące modalności również mają własne profile. Zachowuj wybraną edycję i dostarczony tekst wraz z odpowiedzią końcową przy porównywaniu zadania lub kontynuowaniu rozmowy w aplikacji.
Wybierz rolę Turbo w dialogu o ograniczonym zakresie, gdy wynikiem ma być zwięzły, użyteczny tekst. Nadaj odpowiedzi wyraźne przeznaczenie — odpowiedź w rozmowie, poprawiony akapit, listę pól lub pytanie doprecyzowujące — i sprawdź ten rezultat pod kątem zgodności z faktami, brzmienia i kompletności przed użyciem w następnym kroku.
", "aboutText": "### Szybkie pytania i dostosowany dialog\n\nSenseChat-Turbo to lekki model ogólnego dialogu w ofercie modeli SenseNova firmy SenseTime. Producent pozycjonuje go do szybkiego odpowiadania na pytania i scenariuszy dostrajania modelu. Używaj go do jasno ograniczonego zadania tekstowego: odpowiedzi na pytanie na podstawie dostarczonych informacji, przeredagowania krótkiej wiadomości, wskazania głównej myśli fragmentu lub kontynuowania konkretnej rozmowy.\n\n### Przekaż modelowi precyzyjną prośbę\n\nOkreśl, co ma osiągnąć odpowiedź, i dołącz informacje potrzebne do jej przygotowania. Do wyjaśnienia skierowanego do klienta dostarcz odpowiednie fakty o produkcie i poproś o zwięzłą odpowiedź na rzeczywiste pytanie. Do przeredagowania podaj oryginalne brzmienie, odbiorców i pożądany ton. Oddziel materiał do analizy od instrukcji dotyczących prezentacji wyniku.\n\nUżyteczny opis zadania brzmi: „Na podstawie dostarczonego fragmentu zasad wyjaśnij, który krok ma zastosowanie w tej sytuacji, a następnie wypisz nadal potrzebne informacje”. Wynikowy tekst powinien odróżniać popartą źródłem odpowiedź od pytania, którego fragment nie rozstrzyga. Krótka odpowiedź jest łatwiejsza do wykorzystania, gdy dotyczy jednej jasnej kwestii, zamiast mieszać kilka niepowiązanych celów.\n\n### Zachowuj istotny kontekst rozmowy\n\nProces rozmowy tekstowej producenta używa wiadomości oznaczonych rolami i obsługuje sekwencję próśb użytkownika oraz odpowiedzi asystenta. Zachowuj wcześniejszą turę, gdy odnosi się do niej pytanie uzupełniające, wraz z każdym nadal istotnym faktem lub ograniczeniem. W procesie bez historii rozmowy przechowywanej przez serwer aplikacja dostarcza odpowiednią historię z następnym żądaniem.\n\nPrzy kontynuowaniu rozmowy wsparcia zachowuj już wyjaśnione pytanie i obserwację podaną przez użytkownika. Poproś, aby następna odpowiedź kontynuowała od tego stanu. Usuń niepowiązany materiał odciągający uwagę od bieżącego zadania i zarezerwuj miejsce na odpowiedź w konfiguracji używanej do rozmowy.\n\n### Przygotuj przykłady właściwe dla zadania\n\nSenseTime wymienia scenariusze dostrajania modelu jako część pozycjonowania Turbo. Do adaptacji do konkretnego zadania przygotuj reprezentatywne przykłady wejścia i odpowiedzi pokazujące pożądane zachowanie: słownictwo, formę odpowiedzi, poziom szczegółowości i postępowanie przy brakujących informacjach. Zachowuj zgodność oczekiwanej odpowiedzi z faktami źródłowymi w każdym przykładzie.\n\nUżyteczne przykłady mogą odróżniać odpowiedź faktograficzną od prośby o doprecyzowanie albo krótkie wyjaśnienie od strukturalnej listy pól. Uwzględnij przypadki trudne lub niejednoznaczne obok prostych. Sprawdź przykłady względem zamierzonego zadania, zanim uznasz ich brzmienie za wzorzec do powtarzania. To przygotowanie opisuje pożądane zachowanie w dialogu; proces adaptacji, w którym jest używane, określa sposób wykorzystania przykładów.\n\n### Odpowiedzi kompletne i strumieniowe\n\nInterfejsy rozmowy producenta obsługują tekst kompletny i przesyłany strumieniowo. Kompletna odpowiedź dostarcza treść jako jeden wynik; strumień dostarcza kolejne części, które aplikacja składa. Zachowuj gotową odpowiedź do przeglądu lub ponownego użycia, zamiast oceniać zadanie wyłącznie na podstawie pierwszych widocznych słów.\n\nPrzy wyodrębnianiu danych lub klasyfikacji sprawdzaj rzeczywiste pola lub etykiety względem źródła. Przy przeredagowaniu porównuj, czy znaczenie przetrwało żądaną zmianę tonu. Przy wymianie pytań i odpowiedzi sprawdzaj, czy odpowiedź dotyczy bieżącej kwestii i czy prośba o dalsze informacje jest odpowiednia.\n\n### Zachowaj odrębność edycji Turbo\n\nTurbo i SenseChat-5 to odrębnie nazwane modele ogólnego dialogu. SenseChat-5-Cantonese, modele dialogu postaci i modele wizyjne lub łączące modalności również mają własne profile. Zachowuj wybraną edycję i dostarczony tekst wraz z odpowiedzią końcową przy porównywaniu zadania lub kontynuowaniu rozmowy w aplikacji.\n\nWybierz rolę Turbo w dialogu o ograniczonym zakresie, gdy wynikiem ma być zwięzły, użyteczny tekst. Nadaj odpowiedzi wyraźne przeznaczenie — odpowiedź w rozmowie, poprawiony akapit, listę pól lub pytanie doprecyzowujące — i sprawdź ten rezultat pod kątem zgodności z faktami, brzmienia i kompletności przed użyciem w następnym kroku.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.SenseChat-TurboSenseChat-Turbo firmy SenseTime to lekki model rozmowy tekstowej przeznaczony do szybkich pytań i adaptacji do konkretnych zadań. Przygotowuj zwięzłe prośby, zachowuj razem istotny dialog i sprawdzaj ukończoną odpowiedź względem faktów dostarczonych do zadania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
SenseChat-Turbo to lekki model ogólnego dialogu w ofercie modeli SenseNova firmy SenseTime. Producent pozycjonuje go do szybkiego odpowiadania na pytania i scenariuszy dostrajania modelu. Używaj go do jasno ograniczonego zadania tekstowego: odpowiedzi na pytanie na podstawie dostarczonych informacji, przeredagowania krótkiej wiadomości, wskazania głównej myśli fragmentu lub kontynuowania konkretnej rozmowy.
Określ, co ma osiągnąć odpowiedź, i dołącz informacje potrzebne do jej przygotowania. Do wyjaśnienia skierowanego do klienta dostarcz odpowiednie fakty o produkcie i poproś o zwięzłą odpowiedź na rzeczywiste pytanie. Do przeredagowania podaj oryginalne brzmienie, odbiorców i pożądany ton. Oddziel materiał do analizy od instrukcji dotyczących prezentacji wyniku.
Użyteczny opis zadania brzmi: „Na podstawie dostarczonego fragmentu zasad wyjaśnij, który krok ma zastosowanie w tej sytuacji, a następnie wypisz nadal potrzebne informacje”. Wynikowy tekst powinien odróżniać popartą źródłem odpowiedź od pytania, którego fragment nie rozstrzyga. Krótka odpowiedź jest łatwiejsza do wykorzystania, gdy dotyczy jednej jasnej kwestii, zamiast mieszać kilka niepowiązanych celów.
Proces rozmowy tekstowej producenta używa wiadomości oznaczonych rolami i obsługuje sekwencję próśb użytkownika oraz odpowiedzi asystenta. Zachowuj wcześniejszą turę, gdy odnosi się do niej pytanie uzupełniające, wraz z każdym nadal istotnym faktem lub ograniczeniem. W procesie bez historii rozmowy przechowywanej przez serwer aplikacja dostarcza odpowiednią historię z następnym żądaniem.
Przy kontynuowaniu rozmowy wsparcia zachowuj już wyjaśnione pytanie i obserwację podaną przez użytkownika. Poproś, aby następna odpowiedź kontynuowała od tego stanu. Usuń niepowiązany materiał odciągający uwagę od bieżącego zadania i zarezerwuj miejsce na odpowiedź w konfiguracji używanej do rozmowy.
SenseTime wymienia scenariusze dostrajania modelu jako część pozycjonowania Turbo. Do adaptacji do konkretnego zadania przygotuj reprezentatywne przykłady wejścia i odpowiedzi pokazujące pożądane zachowanie: słownictwo, formę odpowiedzi, poziom szczegółowości i postępowanie przy brakujących informacjach. Zachowuj zgodność oczekiwanej odpowiedzi z faktami źródłowymi w każdym przykładzie.
Użyteczne przykłady mogą odróżniać odpowiedź faktograficzną od prośby o doprecyzowanie albo krótkie wyjaśnienie od strukturalnej listy pól. Uwzględnij przypadki trudne lub niejednoznaczne obok prostych. Sprawdź przykłady względem zamierzonego zadania, zanim uznasz ich brzmienie za wzorzec do powtarzania. To przygotowanie opisuje pożądane zachowanie w dialogu; proces adaptacji, w którym jest używane, określa sposób wykorzystania przykładów.
Interfejsy rozmowy producenta obsługują tekst kompletny i przesyłany strumieniowo. Kompletna odpowiedź dostarcza treść jako jeden wynik; strumień dostarcza kolejne części, które aplikacja składa. Zachowuj gotową odpowiedź do przeglądu lub ponownego użycia, zamiast oceniać zadanie wyłącznie na podstawie pierwszych widocznych słów.
Przy wyodrębnianiu danych lub klasyfikacji sprawdzaj rzeczywiste pola lub etykiety względem źródła. Przy przeredagowaniu porównuj, czy znaczenie przetrwało żądaną zmianę tonu. Przy wymianie pytań i odpowiedzi sprawdzaj, czy odpowiedź dotyczy bieżącej kwestii i czy prośba o dalsze informacje jest odpowiednia.
Turbo i SenseChat-5 to odrębnie nazwane modele ogólnego dialogu. SenseChat-5-Cantonese, modele dialogu postaci i modele wizyjne lub łączące modalności również mają własne profile. Zachowuj wybraną edycję i dostarczony tekst wraz z odpowiedzią końcową przy porównywaniu zadania lub kontynuowaniu rozmowy w aplikacji.
Wybierz rolę Turbo w dialogu o ograniczonym zakresie, gdy wynikiem ma być zwięzły, użyteczny tekst. Nadaj odpowiedzi wyraźne przeznaczenie — odpowiedź w rozmowie, poprawiony akapit, listę pól lub pytanie doprecyzowujące — i sprawdź ten rezultat pod kątem zgodności z faktami, brzmienia i kompletności przed użyciem w następnym kroku.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity SenseChat-Turbo | 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 $0.00066 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00154 / 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-Turbo", "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-Turbo',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-Turbo',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-Turbo
Użyj ścieżek metod podanych powyżej.
SenseChat-TurboSenseChat-Turbo firmy SenseTime to lekki model rozmowy tekstowej przeznaczony do szybkich pytań i adaptacji do konkretnych zadań. Przygotowuj zwięzłe prośby, zachowuj razem istotny dialog i sprawdzaj ukończoną odpowiedź względem faktów dostarczonych do zadania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
SenseChat-Turbo to lekki model ogólnego dialogu w ofercie modeli SenseNova firmy SenseTime. Producent pozycjonuje go do szybkiego odpowiadania na pytania i scenariuszy dostrajania modelu. Używaj go do jasno ograniczonego zadania tekstowego: odpowiedzi na pytanie na podstawie dostarczonych informacji, przeredagowania krótkiej wiadomości, wskazania głównej myśli fragmentu lub kontynuowania konkretnej rozmowy.
Określ, co ma osiągnąć odpowiedź, i dołącz informacje potrzebne do jej przygotowania. Do wyjaśnienia skierowanego do klienta dostarcz odpowiednie fakty o produkcie i poproś o zwięzłą odpowiedź na rzeczywiste pytanie. Do przeredagowania podaj oryginalne brzmienie, odbiorców i pożądany ton. Oddziel materiał do analizy od instrukcji dotyczących prezentacji wyniku.
Użyteczny opis zadania brzmi: „Na podstawie dostarczonego fragmentu zasad wyjaśnij, który krok ma zastosowanie w tej sytuacji, a następnie wypisz nadal potrzebne informacje”. Wynikowy tekst powinien odróżniać popartą źródłem odpowiedź od pytania, którego fragment nie rozstrzyga. Krótka odpowiedź jest łatwiejsza do wykorzystania, gdy dotyczy jednej jasnej kwestii, zamiast mieszać kilka niepowiązanych celów.
Proces rozmowy tekstowej producenta używa wiadomości oznaczonych rolami i obsługuje sekwencję próśb użytkownika oraz odpowiedzi asystenta. Zachowuj wcześniejszą turę, gdy odnosi się do niej pytanie uzupełniające, wraz z każdym nadal istotnym faktem lub ograniczeniem. W procesie bez historii rozmowy przechowywanej przez serwer aplikacja dostarcza odpowiednią historię z następnym żądaniem.
Przy kontynuowaniu rozmowy wsparcia zachowuj już wyjaśnione pytanie i obserwację podaną przez użytkownika. Poproś, aby następna odpowiedź kontynuowała od tego stanu. Usuń niepowiązany materiał odciągający uwagę od bieżącego zadania i zarezerwuj miejsce na odpowiedź w konfiguracji używanej do rozmowy.
SenseTime wymienia scenariusze dostrajania modelu jako część pozycjonowania Turbo. Do adaptacji do konkretnego zadania przygotuj reprezentatywne przykłady wejścia i odpowiedzi pokazujące pożądane zachowanie: słownictwo, formę odpowiedzi, poziom szczegółowości i postępowanie przy brakujących informacjach. Zachowuj zgodność oczekiwanej odpowiedzi z faktami źródłowymi w każdym przykładzie.
Użyteczne przykłady mogą odróżniać odpowiedź faktograficzną od prośby o doprecyzowanie albo krótkie wyjaśnienie od strukturalnej listy pól. Uwzględnij przypadki trudne lub niejednoznaczne obok prostych. Sprawdź przykłady względem zamierzonego zadania, zanim uznasz ich brzmienie za wzorzec do powtarzania. To przygotowanie opisuje pożądane zachowanie w dialogu; proces adaptacji, w którym jest używane, określa sposób wykorzystania przykładów.
Interfejsy rozmowy producenta obsługują tekst kompletny i przesyłany strumieniowo. Kompletna odpowiedź dostarcza treść jako jeden wynik; strumień dostarcza kolejne części, które aplikacja składa. Zachowuj gotową odpowiedź do przeglądu lub ponownego użycia, zamiast oceniać zadanie wyłącznie na podstawie pierwszych widocznych słów.
Przy wyodrębnianiu danych lub klasyfikacji sprawdzaj rzeczywiste pola lub etykiety względem źródła. Przy przeredagowaniu porównuj, czy znaczenie przetrwało żądaną zmianę tonu. Przy wymianie pytań i odpowiedzi sprawdzaj, czy odpowiedź dotyczy bieżącej kwestii i czy prośba o dalsze informacje jest odpowiednia.
Turbo i SenseChat-5 to odrębnie nazwane modele ogólnego dialogu. SenseChat-5-Cantonese, modele dialogu postaci i modele wizyjne lub łączące modalności również mają własne profile. Zachowuj wybraną edycję i dostarczony tekst wraz z odpowiedzią końcową przy porównywaniu zadania lub kontynuowaniu rozmowy w aplikacji.
Wybierz rolę Turbo w dialogu o ograniczonym zakresie, gdy wynikiem ma być zwięzły, użyteczny tekst. Nadaj odpowiedzi wyraźne przeznaczenie — odpowiedź w rozmowie, poprawiony akapit, listę pól lub pytanie doprecyzowujące — i sprawdź ten rezultat pod kątem zgodności z faktami, brzmienia i kompletności przed użyciem w następnym kroku.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity SenseChat-Turbo | 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 $0.00066 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00154 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Turbo', '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-Turbo', '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-Turbo
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Answer a cancellation-window question\n\nAnswer this customer using only the policy. Customer: 'My order is packed but has not left the warehouse. Can I cancel?' Policy: 'Cancellation is available until carrier handover, including packed orders. After handover, use the return procedure.' Give a concise answer and the next information needed if handover status is not confirmed.A short conditional answer and one relevant status-clarification question.The answer recognizes packed orders as eligible before handover and does not assume the handover status was checked.