SenseChat-Turbo é a opção leve de diálogo geral na gama de modelos SenseNova da SenseTime. O fabricante posiciona-o para respostas rápidas a perguntas e cenários de ajuste do modelo. Use-o para uma tarefa de texto claramente delimitada: responder a uma pergunta com base em informação fornecida, reformular uma mensagem breve, identificar a ideia de uma passagem ou continuar uma conversa focada.
Indique o que a resposta deve alcançar e inclua a informação necessária para a produzir. Para uma explicação dirigida a clientes, forneça os factos relevantes do produto e peça uma resposta concisa à pergunta concreta. Para uma reformulação, forneça o texto original, o público e o tom pretendido. Separe o material a analisar das instruções sobre como apresentar o resultado.
Um enunciado útil é: «Use o excerto de política fornecido para explicar que passo se aplica a esta situação e enumere depois a informação que ainda falta.» O texto resultante deve distinguir uma resposta sustentada de uma pergunta que o excerto não resolve. Uma resposta breve é mais fácil de utilizar quando responde a uma questão clara, em vez de misturar vários objetivos sem relação.
O fluxo de conversa textual do produtor usa mensagens identificadas por papéis e suporta uma sequência de pedidos do utilizador e respostas do assistente. Conserve o turno anterior quando uma pergunta de seguimento se refere a ele, juntamente com qualquer facto ou restrição ainda relevante. Num fluxo de trabalho sem histórico de conversa mantido no servidor, a aplicação fornece o histórico relevante com o pedido seguinte.
Para uma troca continuada de apoio, preserve a pergunta já esclarecida e a observação fornecida pelo utilizador. Peça que a resposta seguinte continue a partir desse estado. Remova material não relacionado que distraia da tarefa atual e reserve espaço para a resposta dentro da configuração utilizada para a conversa.
A SenseTime enumera cenários de ajuste do modelo como parte do posicionamento de Turbo. Para adaptação a uma tarefa específica, prepare exemplos representativos de entrada e resposta que mostrem o comportamento pretendido: vocabulário, forma da resposta, nível de pormenor e tratamento de informação em falta. Mantenha a resposta esperada consistente com os factos de origem em cada exemplo.
Exemplos úteis podem distinguir uma resposta factual de um pedido de esclarecimento ou uma explicação breve de uma lista estruturada de campos. Inclua casos difíceis ou ambíguos, além dos simples. Confira os exemplos com a tarefa pretendida antes de tratar a sua redação como um padrão a repetir. Esta preparação descreve o comportamento de diálogo desejado; o fluxo de adaptação envolvente determina como os exemplos são utilizados.
As interfaces de conversa do fabricante suportam texto concluído e texto em streaming. Uma resposta concluída fornece a resposta como um único resultado; um fluxo fornece partes sucessivas que a aplicação reúne. Preserve a resposta terminada para revisão ou reutilização, em vez de avaliar a tarefa apenas pelas primeiras palavras visíveis.
Para extração ou classificação, confira os campos ou etiquetas efetivos com a fonte. Para uma reformulação, compare se o significado foi preservado na alteração de tom pedida. Para uma troca de perguntas e respostas, verifique se a resposta trata a questão atual e se qualquer pedido de seguimento é relevante.
Turbo e SenseChat-5 são modelos de diálogo geral com nomes separados. SenseChat-5-Cantonese, os modelos de diálogo de personagens e os modelos de visão ou de modalidades fundidas também têm as suas próprias variantes. Conserve a edição selecionada e o texto fornecido junto da resposta final ao comparar uma tarefa ou continuar uma conversa numa aplicação.
Escolha o papel de diálogo delimitado de Turbo quando o resultado deve ser um texto conciso e utilizável. Dê à resposta um destino explícito — uma resposta a enviar, um parágrafo revisto, uma lista de campos ou uma pergunta de esclarecimento — e inspecione esse artefacto quanto à adequação factual, redação e completude antes de o utilizar no passo seguinte.
", "aboutText": "### Perguntas rápidas e diálogo à medida\n\nSenseChat-Turbo é a opção leve de diálogo geral na gama de modelos SenseNova da SenseTime. O fabricante posiciona-o para respostas rápidas a perguntas e cenários de ajuste do modelo. Use-o para uma tarefa de texto claramente delimitada: responder a uma pergunta com base em informação fornecida, reformular uma mensagem breve, identificar a ideia de uma passagem ou continuar uma conversa focada.\n\n### Dê ao modelo um pedido preciso\n\nIndique o que a resposta deve alcançar e inclua a informação necessária para a produzir. Para uma explicação dirigida a clientes, forneça os factos relevantes do produto e peça uma resposta concisa à pergunta concreta. Para uma reformulação, forneça o texto original, o público e o tom pretendido. Separe o material a analisar das instruções sobre como apresentar o resultado.\n\nUm enunciado útil é: «Use o excerto de política fornecido para explicar que passo se aplica a esta situação e enumere depois a informação que ainda falta.» O texto resultante deve distinguir uma resposta sustentada de uma pergunta que o excerto não resolve. Uma resposta breve é mais fácil de utilizar quando responde a uma questão clara, em vez de misturar vários objetivos sem relação.\n\n### Mantenha relevante o contexto da conversa\n\nO fluxo de conversa textual do produtor usa mensagens identificadas por papéis e suporta uma sequência de pedidos do utilizador e respostas do assistente. Conserve o turno anterior quando uma pergunta de seguimento se refere a ele, juntamente com qualquer facto ou restrição ainda relevante. Num fluxo de trabalho sem histórico de conversa mantido no servidor, a aplicação fornece o histórico relevante com o pedido seguinte.\n\nPara uma troca continuada de apoio, preserve a pergunta já esclarecida e a observação fornecida pelo utilizador. Peça que a resposta seguinte continue a partir desse estado. Remova material não relacionado que distraia da tarefa atual e reserve espaço para a resposta dentro da configuração utilizada para a conversa.\n\n### Prepare exemplos específicos da tarefa\n\nA SenseTime enumera cenários de ajuste do modelo como parte do posicionamento de Turbo. Para adaptação a uma tarefa específica, prepare exemplos representativos de entrada e resposta que mostrem o comportamento pretendido: vocabulário, forma da resposta, nível de pormenor e tratamento de informação em falta. Mantenha a resposta esperada consistente com os factos de origem em cada exemplo.\n\nExemplos úteis podem distinguir uma resposta factual de um pedido de esclarecimento ou uma explicação breve de uma lista estruturada de campos. Inclua casos difíceis ou ambíguos, além dos simples. Confira os exemplos com a tarefa pretendida antes de tratar a sua redação como um padrão a repetir. Esta preparação descreve o comportamento de diálogo desejado; o fluxo de adaptação envolvente determina como os exemplos são utilizados.\n\n### Respostas concluídas e em streaming\n\nAs interfaces de conversa do fabricante suportam texto concluído e texto em streaming. Uma resposta concluída fornece a resposta como um único resultado; um fluxo fornece partes sucessivas que a aplicação reúne. Preserve a resposta terminada para revisão ou reutilização, em vez de avaliar a tarefa apenas pelas primeiras palavras visíveis.\n\nPara extração ou classificação, confira os campos ou etiquetas efetivos com a fonte. Para uma reformulação, compare se o significado foi preservado na alteração de tom pedida. Para uma troca de perguntas e respostas, verifique se a resposta trata a questão atual e se qualquer pedido de seguimento é relevante.\n\n### Mantenha distinta a edição Turbo\n\nTurbo e SenseChat-5 são modelos de diálogo geral com nomes separados. SenseChat-5-Cantonese, os modelos de diálogo de personagens e os modelos de visão ou de modalidades fundidas também têm as suas próprias variantes. Conserve a edição selecionada e o texto fornecido junto da resposta final ao comparar uma tarefa ou continuar uma conversa numa aplicação.\n\nEscolha o papel de diálogo delimitado de Turbo quando o resultado deve ser um texto conciso e utilizável. Dê à resposta um destino explícito — uma resposta a enviar, um parágrafo revisto, uma lista de campos ou uma pergunta de esclarecimento — e inspecione esse artefacto quanto à adequação factual, redação e completude antes de o utilizar no passo seguinte.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 da SenseTime é um modelo leve de conversa textual, orientado para perguntas rápidas e adaptação a tarefas específicas. Prepare pedidos concisos, mantenha o diálogo relevante junto e reveja a resposta concluída face aos factos fornecidos para a tarefa.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
SenseChat-Turbo é a opção leve de diálogo geral na gama de modelos SenseNova da SenseTime. O fabricante posiciona-o para respostas rápidas a perguntas e cenários de ajuste do modelo. Use-o para uma tarefa de texto claramente delimitada: responder a uma pergunta com base em informação fornecida, reformular uma mensagem breve, identificar a ideia de uma passagem ou continuar uma conversa focada.
Indique o que a resposta deve alcançar e inclua a informação necessária para a produzir. Para uma explicação dirigida a clientes, forneça os factos relevantes do produto e peça uma resposta concisa à pergunta concreta. Para uma reformulação, forneça o texto original, o público e o tom pretendido. Separe o material a analisar das instruções sobre como apresentar o resultado.
Um enunciado útil é: «Use o excerto de política fornecido para explicar que passo se aplica a esta situação e enumere depois a informação que ainda falta.» O texto resultante deve distinguir uma resposta sustentada de uma pergunta que o excerto não resolve. Uma resposta breve é mais fácil de utilizar quando responde a uma questão clara, em vez de misturar vários objetivos sem relação.
O fluxo de conversa textual do produtor usa mensagens identificadas por papéis e suporta uma sequência de pedidos do utilizador e respostas do assistente. Conserve o turno anterior quando uma pergunta de seguimento se refere a ele, juntamente com qualquer facto ou restrição ainda relevante. Num fluxo de trabalho sem histórico de conversa mantido no servidor, a aplicação fornece o histórico relevante com o pedido seguinte.
Para uma troca continuada de apoio, preserve a pergunta já esclarecida e a observação fornecida pelo utilizador. Peça que a resposta seguinte continue a partir desse estado. Remova material não relacionado que distraia da tarefa atual e reserve espaço para a resposta dentro da configuração utilizada para a conversa.
A SenseTime enumera cenários de ajuste do modelo como parte do posicionamento de Turbo. Para adaptação a uma tarefa específica, prepare exemplos representativos de entrada e resposta que mostrem o comportamento pretendido: vocabulário, forma da resposta, nível de pormenor e tratamento de informação em falta. Mantenha a resposta esperada consistente com os factos de origem em cada exemplo.
Exemplos úteis podem distinguir uma resposta factual de um pedido de esclarecimento ou uma explicação breve de uma lista estruturada de campos. Inclua casos difíceis ou ambíguos, além dos simples. Confira os exemplos com a tarefa pretendida antes de tratar a sua redação como um padrão a repetir. Esta preparação descreve o comportamento de diálogo desejado; o fluxo de adaptação envolvente determina como os exemplos são utilizados.
As interfaces de conversa do fabricante suportam texto concluído e texto em streaming. Uma resposta concluída fornece a resposta como um único resultado; um fluxo fornece partes sucessivas que a aplicação reúne. Preserve a resposta terminada para revisão ou reutilização, em vez de avaliar a tarefa apenas pelas primeiras palavras visíveis.
Para extração ou classificação, confira os campos ou etiquetas efetivos com a fonte. Para uma reformulação, compare se o significado foi preservado na alteração de tom pedida. Para uma troca de perguntas e respostas, verifique se a resposta trata a questão atual e se qualquer pedido de seguimento é relevante.
Turbo e SenseChat-5 são modelos de diálogo geral com nomes separados. SenseChat-5-Cantonese, os modelos de diálogo de personagens e os modelos de visão ou de modalidades fundidas também têm as suas próprias variantes. Conserve a edição selecionada e o texto fornecido junto da resposta final ao comparar uma tarefa ou continuar uma conversa numa aplicação.
Escolha o papel de diálogo delimitado de Turbo quando o resultado deve ser um texto conciso e utilizável. Dê à resposta um destino explícito — uma resposta a enviar, um parágrafo revisto, uma lista de campos ou uma pergunta de esclarecimento — e inspecione esse artefacto quanto à adequação factual, redação e completude antes de o utilizar no passo seguinte.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites SenseChat-Turbo | 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 $0.00066 / 1K tokens Saída · Tokens de saída $0.00154 / 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-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 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-Turbo
Use os caminhos dos métodos indicados acima.
SenseChat-TurboSenseChat-Turbo da SenseTime é um modelo leve de conversa textual, orientado para perguntas rápidas e adaptação a tarefas específicas. Prepare pedidos concisos, mantenha o diálogo relevante junto e reveja a resposta concluída face aos factos fornecidos para a tarefa.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
SenseChat-Turbo é a opção leve de diálogo geral na gama de modelos SenseNova da SenseTime. O fabricante posiciona-o para respostas rápidas a perguntas e cenários de ajuste do modelo. Use-o para uma tarefa de texto claramente delimitada: responder a uma pergunta com base em informação fornecida, reformular uma mensagem breve, identificar a ideia de uma passagem ou continuar uma conversa focada.
Indique o que a resposta deve alcançar e inclua a informação necessária para a produzir. Para uma explicação dirigida a clientes, forneça os factos relevantes do produto e peça uma resposta concisa à pergunta concreta. Para uma reformulação, forneça o texto original, o público e o tom pretendido. Separe o material a analisar das instruções sobre como apresentar o resultado.
Um enunciado útil é: «Use o excerto de política fornecido para explicar que passo se aplica a esta situação e enumere depois a informação que ainda falta.» O texto resultante deve distinguir uma resposta sustentada de uma pergunta que o excerto não resolve. Uma resposta breve é mais fácil de utilizar quando responde a uma questão clara, em vez de misturar vários objetivos sem relação.
O fluxo de conversa textual do produtor usa mensagens identificadas por papéis e suporta uma sequência de pedidos do utilizador e respostas do assistente. Conserve o turno anterior quando uma pergunta de seguimento se refere a ele, juntamente com qualquer facto ou restrição ainda relevante. Num fluxo de trabalho sem histórico de conversa mantido no servidor, a aplicação fornece o histórico relevante com o pedido seguinte.
Para uma troca continuada de apoio, preserve a pergunta já esclarecida e a observação fornecida pelo utilizador. Peça que a resposta seguinte continue a partir desse estado. Remova material não relacionado que distraia da tarefa atual e reserve espaço para a resposta dentro da configuração utilizada para a conversa.
A SenseTime enumera cenários de ajuste do modelo como parte do posicionamento de Turbo. Para adaptação a uma tarefa específica, prepare exemplos representativos de entrada e resposta que mostrem o comportamento pretendido: vocabulário, forma da resposta, nível de pormenor e tratamento de informação em falta. Mantenha a resposta esperada consistente com os factos de origem em cada exemplo.
Exemplos úteis podem distinguir uma resposta factual de um pedido de esclarecimento ou uma explicação breve de uma lista estruturada de campos. Inclua casos difíceis ou ambíguos, além dos simples. Confira os exemplos com a tarefa pretendida antes de tratar a sua redação como um padrão a repetir. Esta preparação descreve o comportamento de diálogo desejado; o fluxo de adaptação envolvente determina como os exemplos são utilizados.
As interfaces de conversa do fabricante suportam texto concluído e texto em streaming. Uma resposta concluída fornece a resposta como um único resultado; um fluxo fornece partes sucessivas que a aplicação reúne. Preserve a resposta terminada para revisão ou reutilização, em vez de avaliar a tarefa apenas pelas primeiras palavras visíveis.
Para extração ou classificação, confira os campos ou etiquetas efetivos com a fonte. Para uma reformulação, compare se o significado foi preservado na alteração de tom pedida. Para uma troca de perguntas e respostas, verifique se a resposta trata a questão atual e se qualquer pedido de seguimento é relevante.
Turbo e SenseChat-5 são modelos de diálogo geral com nomes separados. SenseChat-5-Cantonese, os modelos de diálogo de personagens e os modelos de visão ou de modalidades fundidas também têm as suas próprias variantes. Conserve a edição selecionada e o texto fornecido junto da resposta final ao comparar uma tarefa ou continuar uma conversa numa aplicação.
Escolha o papel de diálogo delimitado de Turbo quando o resultado deve ser um texto conciso e utilizável. Dê à resposta um destino explícito — uma resposta a enviar, um parágrafo revisto, uma lista de campos ou uma pergunta de esclarecimento — e inspecione esse artefacto quanto à adequação factual, redação e completude antes de o utilizar no passo seguinte.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites SenseChat-Turbo | 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 $0.00066 / 1K tokens Saída · Tokens de saída $0.00154 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "SenseChat-Turbo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-Turbo
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.