SenseChat-5 é o modelo de linguagem geral V5 da série SenseNova da SenseTime. O fabricante descreve o seu âmbito de tarefas nas áreas de linguagem, conhecimento, raciocínio, matemática e código, com particular atenção a perguntas abertas, diálogo com vários turnos, extração de informação e escrita. A entrada de conversa documentada é texto e o resultado útil é uma resposta escrita, um rascunho, uma análise ou uma instrução relacionada com ferramentas.
Mantenha as instruções da tarefa separadas do material a analisar. O exemplo de conversa compatível do fabricante usa uma mensagem de sistema para definir o papel e o formato da resposta, seguida de uma mensagem do utilizador com o pedido. A referência de conversa nativa distingue também mensagens de sistema, utilizador e assistente. Conserve o diálogo relevante pela ordem correta quando uma pergunta de seguimento depende de uma resposta anterior.
Para uma tarefa de extração, forneça o documento e indique os campos a devolver. Um enunciado útil é: «Extraia o prazo indicado, a equipa responsável e a entrega exigida para uma tabela e identifique a passagem que sustenta cada valor.» Para uma tarefa de escrita, forneça o público, o propósito, o tom e as secções exigidas. Trate a contagem de palavras pedida como uma instrução de escrita e inspecione a resposta concluída para verificar o seu cumprimento.
O fabricante indica um contexto de 128K para SenseChat-5. A referência de conversa nativa explica que a entrada fornecida e a resposta máxima reservada têm de caber no contexto do modelo. O conhecimento obtido ou o texto de referência injetado também ocupam espaço de entrada. Mantenha juntos a pergunta, as passagens importantes das fontes e espaço suficiente para a resposta, em vez de preencher toda a capacidade com documentos.
Para comparar fontes longas, identifique cada documento e preserve os limites das secções. Pergunte que requisitos coincidem, quais entram em conflito e que passagem sustenta a diferença. Forneça explicitamente as definições e os identificadores importantes. Se a tarefa só disser respeito a algumas secções, selecione essas secções e o contexto necessário para as interpretar, para que a comparação final continue fácil de verificar.
Forneça um problema completo com os seus pressupostos, unidades e forma final pedida. Peça que um cálculo identifique os valores que utiliza e que uma explicação distinga um facto indicado de um pressuposto. Uma conclusão deve ser conferida com as condições do problema, sobretudo quando vários passos dependem de uma interpretação inicial.
Para trabalho de programação, inclua o código-fonte relevante, o comportamento observado e o resultado esperado. Uma saída útil é uma alteração proposta com a condição que trata e as verificações necessárias para a avaliar. Devolva o erro real ou o resultado da execução quando o turno seguinte depende de saber se uma proposta funcionou. A resposta escrita e o resultado da execução dessa resposta são artefactos separados.
O lançamento V5 da SenseTime documenta chamadas de funções personalizadas: uma aplicação ligada pode fornecer definições de ferramentas para o modelo selecionar e utilizar. Defina o propósito e os argumentos de cada ferramenta em torno da operação real e mantenha depois a observação devolvida junto da conversa. Peça que a resposta final use o resultado real da consulta ou operação, em vez de inferir que uma ação pedida foi bem-sucedida.
O mesmo lançamento V5 descreve um fluxo de trabalho com interpretador de código que gera Python para cálculo matemático. É um fluxo de cálculo ligado a ferramentas, não uma razão para tratar todos os blocos de código gerados como executados. Forneça os dados a calcular, conserve o resultado do interpretador e inspecione como a explicação escrita se relaciona com esse resultado.
Os exemplos de conversa do produtor mostram respostas concluídas e texto em streaming. Uma resposta concluída fornece a mensagem do assistente; o streaming entrega partes sucessivas que têm de ser reunidas na resposta final. Preserve esse texto final com o pedido e o material de origem antes de o utilizar como documento, relatório ou resposta da aplicação.
Mantenha explícita a edição do modelo. SenseChat-Turbo é um modelo de diálogo leve separado e SenseChat-5-Cantonese é uma adaptação com nome próprio. O produtor publica também modelos distintos de visão, modalidades fundidas e diálogo de personagens. Use esta variante SenseChat-5 para o trabalho documentado de conversa textual e linguagem assistida por ferramentas e reveja os valores extraídos, os passos de raciocínio e as operações propostas face aos elementos de prova fornecidos.
", "aboutText": "### Trabalho geral de linguagem e raciocínio\n\nSenseChat-5 é o modelo de linguagem geral V5 da série SenseNova da SenseTime. O fabricante descreve o seu âmbito de tarefas nas áreas de linguagem, conhecimento, raciocínio, matemática e código, com particular atenção a perguntas abertas, diálogo com vários turnos, extração de informação e escrita. A entrada de conversa documentada é texto e o resultado útil é uma resposta escrita, um rascunho, uma análise ou uma instrução relacionada com ferramentas.\n\n### Prepare a conversa\n\nMantenha as instruções da tarefa separadas do material a analisar. O exemplo de conversa compatível do fabricante usa uma mensagem de sistema para definir o papel e o formato da resposta, seguida de uma mensagem do utilizador com o pedido. A referência de conversa nativa distingue também mensagens de sistema, utilizador e assistente. Conserve o diálogo relevante pela ordem correta quando uma pergunta de seguimento depende de uma resposta anterior.\n\nPara uma tarefa de extração, forneça o documento e indique os campos a devolver. Um enunciado útil é: «Extraia o prazo indicado, a equipa responsável e a entrega exigida para uma tabela e identifique a passagem que sustenta cada valor.» Para uma tarefa de escrita, forneça o público, o propósito, o tom e as secções exigidas. Trate a contagem de palavras pedida como uma instrução de escrita e inspecione a resposta concluída para verificar o seu cumprimento.\n\n### Trabalhe com o contexto de 128K\n\nO fabricante indica um contexto de 128K para SenseChat-5. A referência de conversa nativa explica que a entrada fornecida e a resposta máxima reservada têm de caber no contexto do modelo. O conhecimento obtido ou o texto de referência injetado também ocupam espaço de entrada. Mantenha juntos a pergunta, as passagens importantes das fontes e espaço suficiente para a resposta, em vez de preencher toda a capacidade com documentos.\n\nPara comparar fontes longas, identifique cada documento e preserve os limites das secções. Pergunte que requisitos coincidem, quais entram em conflito e que passagem sustenta a diferença. Forneça explicitamente as definições e os identificadores importantes. Se a tarefa só disser respeito a algumas secções, selecione essas secções e o contexto necessário para as interpretar, para que a comparação final continue fácil de verificar.\n\n### Raciocínio, matemática e código\n\nForneça um problema completo com os seus pressupostos, unidades e forma final pedida. Peça que um cálculo identifique os valores que utiliza e que uma explicação distinga um facto indicado de um pressuposto. Uma conclusão deve ser conferida com as condições do problema, sobretudo quando vários passos dependem de uma interpretação inicial.\n\nPara trabalho de programação, inclua o código-fonte relevante, o comportamento observado e o resultado esperado. Uma saída útil é uma alteração proposta com a condição que trata e as verificações necessárias para a avaliar. Devolva o erro real ou o resultado da execução quando o turno seguinte depende de saber se uma proposta funcionou. A resposta escrita e o resultado da execução dessa resposta são artefactos separados.\n\n### Ferramentas personalizadas e cálculo\n\nO lançamento V5 da SenseTime documenta chamadas de funções personalizadas: uma aplicação ligada pode fornecer definições de ferramentas para o modelo selecionar e utilizar. Defina o propósito e os argumentos de cada ferramenta em torno da operação real e mantenha depois a observação devolvida junto da conversa. Peça que a resposta final use o resultado real da consulta ou operação, em vez de inferir que uma ação pedida foi bem-sucedida.\n\nO mesmo lançamento V5 descreve um fluxo de trabalho com interpretador de código que gera Python para cálculo matemático. É um fluxo de cálculo ligado a ferramentas, não uma razão para tratar todos os blocos de código gerados como executados. Forneça os dados a calcular, conserve o resultado do interpretador e inspecione como a explicação escrita se relaciona com esse resultado.\n\n### Respostas concluídas e streaming\n\nOs exemplos de conversa do produtor mostram respostas concluídas e texto em streaming. Uma resposta concluída fornece a mensagem do assistente; o streaming entrega partes sucessivas que têm de ser reunidas na resposta final. Preserve esse texto final com o pedido e o material de origem antes de o utilizar como documento, relatório ou resposta da aplicação.\n\nMantenha explícita a edição do modelo. SenseChat-Turbo é um modelo de diálogo leve separado e SenseChat-5-Cantonese é uma adaptação com nome próprio. O produtor publica também modelos distintos de visão, modalidades fundidas e diálogo de personagens. Use esta variante SenseChat-5 para o trabalho documentado de conversa textual e linguagem assistida por ferramentas e reveja os valores extraídos, os passos de raciocínio e as operações propostas face aos elementos de prova fornecidos.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 da SenseTime é um modelo de conversa textual para tarefas de linguagem, conhecimento, raciocínio, matemática e código. O contexto documentado de 128K suporta material de origem mais longo, enquanto o fluxo V5 do produtor inclui chamadas de funções personalizadas e cálculo com um interpretador de código.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
SenseChat-5 é o modelo de linguagem geral V5 da série SenseNova da SenseTime. O fabricante descreve o seu âmbito de tarefas nas áreas de linguagem, conhecimento, raciocínio, matemática e código, com particular atenção a perguntas abertas, diálogo com vários turnos, extração de informação e escrita. A entrada de conversa documentada é texto e o resultado útil é uma resposta escrita, um rascunho, uma análise ou uma instrução relacionada com ferramentas.
Mantenha as instruções da tarefa separadas do material a analisar. O exemplo de conversa compatível do fabricante usa uma mensagem de sistema para definir o papel e o formato da resposta, seguida de uma mensagem do utilizador com o pedido. A referência de conversa nativa distingue também mensagens de sistema, utilizador e assistente. Conserve o diálogo relevante pela ordem correta quando uma pergunta de seguimento depende de uma resposta anterior.
Para uma tarefa de extração, forneça o documento e indique os campos a devolver. Um enunciado útil é: «Extraia o prazo indicado, a equipa responsável e a entrega exigida para uma tabela e identifique a passagem que sustenta cada valor.» Para uma tarefa de escrita, forneça o público, o propósito, o tom e as secções exigidas. Trate a contagem de palavras pedida como uma instrução de escrita e inspecione a resposta concluída para verificar o seu cumprimento.
O fabricante indica um contexto de 128K para SenseChat-5. A referência de conversa nativa explica que a entrada fornecida e a resposta máxima reservada têm de caber no contexto do modelo. O conhecimento obtido ou o texto de referência injetado também ocupam espaço de entrada. Mantenha juntos a pergunta, as passagens importantes das fontes e espaço suficiente para a resposta, em vez de preencher toda a capacidade com documentos.
Para comparar fontes longas, identifique cada documento e preserve os limites das secções. Pergunte que requisitos coincidem, quais entram em conflito e que passagem sustenta a diferença. Forneça explicitamente as definições e os identificadores importantes. Se a tarefa só disser respeito a algumas secções, selecione essas secções e o contexto necessário para as interpretar, para que a comparação final continue fácil de verificar.
Forneça um problema completo com os seus pressupostos, unidades e forma final pedida. Peça que um cálculo identifique os valores que utiliza e que uma explicação distinga um facto indicado de um pressuposto. Uma conclusão deve ser conferida com as condições do problema, sobretudo quando vários passos dependem de uma interpretação inicial.
Para trabalho de programação, inclua o código-fonte relevante, o comportamento observado e o resultado esperado. Uma saída útil é uma alteração proposta com a condição que trata e as verificações necessárias para a avaliar. Devolva o erro real ou o resultado da execução quando o turno seguinte depende de saber se uma proposta funcionou. A resposta escrita e o resultado da execução dessa resposta são artefactos separados.
O lançamento V5 da SenseTime documenta chamadas de funções personalizadas: uma aplicação ligada pode fornecer definições de ferramentas para o modelo selecionar e utilizar. Defina o propósito e os argumentos de cada ferramenta em torno da operação real e mantenha depois a observação devolvida junto da conversa. Peça que a resposta final use o resultado real da consulta ou operação, em vez de inferir que uma ação pedida foi bem-sucedida.
O mesmo lançamento V5 descreve um fluxo de trabalho com interpretador de código que gera Python para cálculo matemático. É um fluxo de cálculo ligado a ferramentas, não uma razão para tratar todos os blocos de código gerados como executados. Forneça os dados a calcular, conserve o resultado do interpretador e inspecione como a explicação escrita se relaciona com esse resultado.
Os exemplos de conversa do produtor mostram respostas concluídas e texto em streaming. Uma resposta concluída fornece a mensagem do assistente; o streaming entrega partes sucessivas que têm de ser reunidas na resposta final. Preserve esse texto final com o pedido e o material de origem antes de o utilizar como documento, relatório ou resposta da aplicação.
Mantenha explícita a edição do modelo. SenseChat-Turbo é um modelo de diálogo leve separado e SenseChat-5-Cantonese é uma adaptação com nome próprio. O produtor publica também modelos distintos de visão, modalidades fundidas e diálogo de personagens. Use esta variante SenseChat-5 para o trabalho documentado de conversa textual e linguagem assistida por ferramentas e reveja os valores extraídos, os passos de raciocínio e as operações propostas face aos elementos de prova fornecidos.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites SenseChat-5 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0132 / 1K tokens Saída · Tokens de saída $0.0308 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra SenseChat-5
Use os caminhos dos métodos indicados acima.
SenseChat-5SenseChat-5 da SenseTime é um modelo de conversa textual para tarefas de linguagem, conhecimento, raciocínio, matemática e código. O contexto documentado de 128K suporta material de origem mais longo, enquanto o fluxo V5 do produtor inclui chamadas de funções personalizadas e cálculo com um interpretador de código.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
SenseChat-5 é o modelo de linguagem geral V5 da série SenseNova da SenseTime. O fabricante descreve o seu âmbito de tarefas nas áreas de linguagem, conhecimento, raciocínio, matemática e código, com particular atenção a perguntas abertas, diálogo com vários turnos, extração de informação e escrita. A entrada de conversa documentada é texto e o resultado útil é uma resposta escrita, um rascunho, uma análise ou uma instrução relacionada com ferramentas.
Mantenha as instruções da tarefa separadas do material a analisar. O exemplo de conversa compatível do fabricante usa uma mensagem de sistema para definir o papel e o formato da resposta, seguida de uma mensagem do utilizador com o pedido. A referência de conversa nativa distingue também mensagens de sistema, utilizador e assistente. Conserve o diálogo relevante pela ordem correta quando uma pergunta de seguimento depende de uma resposta anterior.
Para uma tarefa de extração, forneça o documento e indique os campos a devolver. Um enunciado útil é: «Extraia o prazo indicado, a equipa responsável e a entrega exigida para uma tabela e identifique a passagem que sustenta cada valor.» Para uma tarefa de escrita, forneça o público, o propósito, o tom e as secções exigidas. Trate a contagem de palavras pedida como uma instrução de escrita e inspecione a resposta concluída para verificar o seu cumprimento.
O fabricante indica um contexto de 128K para SenseChat-5. A referência de conversa nativa explica que a entrada fornecida e a resposta máxima reservada têm de caber no contexto do modelo. O conhecimento obtido ou o texto de referência injetado também ocupam espaço de entrada. Mantenha juntos a pergunta, as passagens importantes das fontes e espaço suficiente para a resposta, em vez de preencher toda a capacidade com documentos.
Para comparar fontes longas, identifique cada documento e preserve os limites das secções. Pergunte que requisitos coincidem, quais entram em conflito e que passagem sustenta a diferença. Forneça explicitamente as definições e os identificadores importantes. Se a tarefa só disser respeito a algumas secções, selecione essas secções e o contexto necessário para as interpretar, para que a comparação final continue fácil de verificar.
Forneça um problema completo com os seus pressupostos, unidades e forma final pedida. Peça que um cálculo identifique os valores que utiliza e que uma explicação distinga um facto indicado de um pressuposto. Uma conclusão deve ser conferida com as condições do problema, sobretudo quando vários passos dependem de uma interpretação inicial.
Para trabalho de programação, inclua o código-fonte relevante, o comportamento observado e o resultado esperado. Uma saída útil é uma alteração proposta com a condição que trata e as verificações necessárias para a avaliar. Devolva o erro real ou o resultado da execução quando o turno seguinte depende de saber se uma proposta funcionou. A resposta escrita e o resultado da execução dessa resposta são artefactos separados.
O lançamento V5 da SenseTime documenta chamadas de funções personalizadas: uma aplicação ligada pode fornecer definições de ferramentas para o modelo selecionar e utilizar. Defina o propósito e os argumentos de cada ferramenta em torno da operação real e mantenha depois a observação devolvida junto da conversa. Peça que a resposta final use o resultado real da consulta ou operação, em vez de inferir que uma ação pedida foi bem-sucedida.
O mesmo lançamento V5 descreve um fluxo de trabalho com interpretador de código que gera Python para cálculo matemático. É um fluxo de cálculo ligado a ferramentas, não uma razão para tratar todos os blocos de código gerados como executados. Forneça os dados a calcular, conserve o resultado do interpretador e inspecione como a explicação escrita se relaciona com esse resultado.
Os exemplos de conversa do produtor mostram respostas concluídas e texto em streaming. Uma resposta concluída fornece a mensagem do assistente; o streaming entrega partes sucessivas que têm de ser reunidas na resposta final. Preserve esse texto final com o pedido e o material de origem antes de o utilizar como documento, relatório ou resposta da aplicação.
Mantenha explícita a edição do modelo. SenseChat-Turbo é um modelo de diálogo leve separado e SenseChat-5-Cantonese é uma adaptação com nome próprio. O produtor publica também modelos distintos de visão, modalidades fundidas e diálogo de personagens. Use esta variante SenseChat-5 para o trabalho documentado de conversa textual e linguagem assistida por ferramentas e reveja os valores extraídos, os passos de raciocínio e as operações propostas face aos elementos de prova fornecidos.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites SenseChat-5 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0132 / 1K tokens Saída · Tokens de saída $0.0308 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra SenseChat-5
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.