Span-01 är Respans modell för beteendepoängsättning av konversationer och agentspår. Den läser en textinteraktion tillsammans med beteendedefinitioner skrivna på vanligt språk och returnerar sannolikheter för varje definition. Utdatan skiljer mellan ett beteende som är närvarande, frånvarande eller ej observerbart i det angivna spåret. Det ger ett utvärderingsflöde en numerisk signal med ett uttryckligt sätt att representera saknat underlag, i stället för en genererad förklaring som måste tolkas.
Beteenden anges av anroparen. Promptinjektion, ogrundade påståenden, exponering av hemligheter, repetitiva loopar, felaktig verktygsanvändning och användarfrustration är möjliga definitioner, inte en fast taxonomi inbyggd i modellen. Ange vad som räknas som beteendet och vad som inte gör det. En snäv definition kan skilja en användare som ber om överlämning till en människa från en som bara uttrycker besvikelse. En annan kan skilja en assistent som bekräftar ett problem från en som lovar en åtgärd den inte kan utföra.
Använd stabila identifierare tillsammans med definitionerna, så att resultaten förblir kopplade till det beteende som utvärderas. Håll kriteriet fokuserat på något som spåret kan visa. Om beteendet kräver ett källdokument, ett verktygsresultat eller ett senare kundsvar, ta med det underlaget i textinteraktionen där det hör hemma. En definition ensam kan inte fastställa ett faktum som saknas i spåret.
Den dokumenterade indatan skiljer föregående meddelanden i span.input från målturen i span.output. Varje meddelandes innehåll är en sträng. Ange den faktiska konversationskontexten och den tur du vill poängsätta, och bevara talarrollerna och den ordning som behövs för att tolka den. Detta är en profil för textpoängsättning; förberedd dokumenttext eller en transkription kan utgöra underlag, medan de media som texten hämtats från inte i sig är den dokumenterade indatan.
För en supportinteraktion behåller du kundens begäran tillsammans med assistentens föreslagna svar. För en agent som använder verktyg behåller du den relevanta verktygsobservationen och svaret som byggde på den. En illustrativ definition för förankring kan fråga om assistenten hävdar en slutsats som den angivna observationen inte stöder. Det användbara resultatet gäller det definierade beteendet i det avsnittet, inte en fullständig diagnos av hela applikationen.
Varje resultat innehåller beteendets identifierare samt p_present, p_absent och p_not_observable. De tre sannolikheterna summerar till ungefär 1. Närvarande uppskattar att beteendet inträffade; frånvarande uppskattar att det inte gjorde det; ej observerbart uppskattar att det angivna avsnittet saknar det underlag som krävs för att avgöra frågan. Det är separata betydelser som ska hållas isär när resultaten tolkas.
Ett avsnitt som slutar med att en assistent säger att den ska lösa ett problem kan till exempel visa ett löfte. Det kan ännu inte visa att kunden accepterade den slutliga lösningen om inget kundsvar finns med. Behandla ett sådant resultat med saknat underlag som okänt i stället för att omvandla det till frånvarande. En låg sannolikhet för närvarande är inte automatiskt starkt belägg för frånvaro när en betydande del av fördelningen är ej observerbar.
Respan beskriver Span-01 som en resonerande klassificerare som först tränats för allmän klassificering med RLAIF och sedan specialiserats för beteendedetektering. Varje definition körs som en parallell gren över samma spår, och modellen returnerar beteendesannolikheterna i ett enda framåtpass. En hybrid attention-mekanism stöder hanteringen av långa, komplexa spår. Modellen genererar inga token, skriver ingen berättande bedömning och producerar ingen fritt formulerad förklaring av sin klassificering.
Konceptguiden och poängsättningsreferensen dokumenterar inget tak för antalet beteenden per begäran. Varje definition är ändå en del av den angivna utvärderingen, så håll var och en tydlig och relevant i stället för att tolka avsaknaden av ett tak som belägg för obegränsad indatakapacitet. Resultatet innehåller en post per beteende i samma ordning som i begäran, identifierad med sitt id. Flera definitioner beskriver flera oberoende observationer; de är inte ömsesidigt uteslutande kategorival som måste summera till ett över alla beteenden.
Kombinera de returnerade sannolikheterna med uppgiftsspecifika tröskelvärden och granskningsregler utanför modellen. Producenten rekommenderar att man använder märkta konversationer för att välja tröskelvärdena och granskar gränsfall för närvaro eller resultat med högt värde för ej observerbart. Ett supportflöde kan registrera frustration, en föreslagen eskalering och ett ogrundat löfte var för sig. Ett flöde för agentkvalitet kan följa upprepade åtgärder eller om ett svar använde det underlag som gjordes tillgängligt för det.
Håll ihop textavsnittet, beteendedefinitionen, resultatets identifierare och hela trevägsfördelningen. När definitionen ändras, tänk på att det ändrar vad sannolikheten mäter. Granska skenbara fel mot den faktiska konversationen i stället för att behandla ett numeriskt resultat som bevis för en händelse som inte observerats. En användbar artefakt är en beteendepost kopplad till spåret och kriteriet, där osäkerheten bevaras för senare inspektion eller för applikationens nästa beslut.
", "aboutText": "Span-01 är Respans modell för beteendepoängsättning av konversationer och agentspår. Den läser en textinteraktion tillsammans med beteendedefinitioner skrivna på vanligt språk och returnerar sannolikheter för varje definition. Utdatan skiljer mellan ett beteende som är närvarande, frånvarande eller ej observerbart i det angivna spåret. Det ger ett utvärderingsflöde en numerisk signal med ett uttryckligt sätt att representera saknat underlag, i stället för en genererad förklaring som måste tolkas.\n\n### Definiera beteendet du vill observera\n\nBeteenden anges av anroparen. Promptinjektion, ogrundade påståenden, exponering av hemligheter, repetitiva loopar, felaktig verktygsanvändning och användarfrustration är möjliga definitioner, inte en fast taxonomi inbyggd i modellen. Ange vad som räknas som beteendet och vad som inte gör det. En snäv definition kan skilja en användare som ber om överlämning till en människa från en som bara uttrycker besvikelse. En annan kan skilja en assistent som bekräftar ett problem från en som lovar en åtgärd den inte kan utföra.\n\nAnvänd stabila identifierare tillsammans med definitionerna, så att resultaten förblir kopplade till det beteende som utvärderas. Håll kriteriet fokuserat på något som spåret kan visa. Om beteendet kräver ett källdokument, ett verktygsresultat eller ett senare kundsvar, ta med det underlaget i textinteraktionen där det hör hemma. En definition ensam kan inte fastställa ett faktum som saknas i spåret.\n\n### Förbered föregående kontext och målturen\n\nDen dokumenterade indatan skiljer föregående meddelanden i span.input från målturen i span.output. Varje meddelandes innehåll är en sträng. Ange den faktiska konversationskontexten och den tur du vill poängsätta, och bevara talarrollerna och den ordning som behövs för att tolka den. Detta är en profil för textpoängsättning; förberedd dokumenttext eller en transkription kan utgöra underlag, medan de media som texten hämtats från inte i sig är den dokumenterade indatan.\n\nFör en supportinteraktion behåller du kundens begäran tillsammans med assistentens föreslagna svar. För en agent som använder verktyg behåller du den relevanta verktygsobservationen och svaret som byggde på den. En illustrativ definition för förankring kan fråga om assistenten hävdar en slutsats som den angivna observationen inte stöder. Det användbara resultatet gäller det definierade beteendet i det avsnittet, inte en fullständig diagnos av hela applikationen.\n\n### Läs tre sannolikheter för varje definition\n\nVarje resultat innehåller beteendets identifierare samt p_present, p_absent och p_not_observable. De tre sannolikheterna summerar till ungefär 1. Närvarande uppskattar att beteendet inträffade; frånvarande uppskattar att det inte gjorde det; ej observerbart uppskattar att det angivna avsnittet saknar det underlag som krävs för att avgöra frågan. Det är separata betydelser som ska hållas isär när resultaten tolkas.\n\nEtt avsnitt som slutar med att en assistent säger att den ska lösa ett problem kan till exempel visa ett löfte. Det kan ännu inte visa att kunden accepterade den slutliga lösningen om inget kundsvar finns med. Behandla ett sådant resultat med saknat underlag som okänt i stället för att omvandla det till frånvarande. En låg sannolikhet för närvarande är inte automatiskt starkt belägg för frånvaro när en betydande del av fördelningen är ej observerbar.\n\n### Poängsättning i ett pass över alla beteendedefinitioner\n\nRespan beskriver Span-01 som en resonerande klassificerare som först tränats för allmän klassificering med RLAIF och sedan specialiserats för beteendedetektering. Varje definition körs som en parallell gren över samma spår, och modellen returnerar beteendesannolikheterna i ett enda framåtpass. En hybrid attention-mekanism stöder hanteringen av långa, komplexa spår. Modellen genererar inga token, skriver ingen berättande bedömning och producerar ingen fritt formulerad förklaring av sin klassificering.\n\nKonceptguiden och poängsättningsreferensen dokumenterar inget tak för antalet beteenden per begäran. Varje definition är ändå en del av den angivna utvärderingen, så håll var och en tydlig och relevant i stället för att tolka avsaknaden av ett tak som belägg för obegränsad indatakapacitet. Resultatet innehåller en post per beteende i samma ordning som i begäran, identifierad med sitt id. Flera definitioner beskriver flera oberoende observationer; de är inte ömsesidigt uteslutande kategorival som måste summera till ett över alla beteenden.\n\n### Förbered en användbar utvärderingsartefakt\n\nKombinera de returnerade sannolikheterna med uppgiftsspecifika tröskelvärden och granskningsregler utanför modellen. Producenten rekommenderar att man använder märkta konversationer för att välja tröskelvärdena och granskar gränsfall för närvaro eller resultat med högt värde för ej observerbart. Ett supportflöde kan registrera frustration, en föreslagen eskalering och ett ogrundat löfte var för sig. Ett flöde för agentkvalitet kan följa upprepade åtgärder eller om ett svar använde det underlag som gjordes tillgängligt för det.\n\nHåll ihop textavsnittet, beteendedefinitionen, resultatets identifierare och hela trevägsfördelningen. När definitionen ändras, tänk på att det ändrar vad sannolikheten mäter. Granska skenbara fel mot den faktiska konversationen i stället för att behandla ett numeriskt resultat som bevis för en händelse som inte observerats. En användbar artefakt är en beteendepost kopplad till spåret och kriteriet, där osäkerheten bevaras för senare inspektion eller för applikationens nästa beslut.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f6fdd903b2f35f6a788094eb71f2e2764066d02fbf81897caea17ac1fdcdcc0e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "respan/span-01Span-01 är Respans textbaserade beteendeklassificerare för konversationer och agentspår. Definiera beteendena på vanligt språk, så returnerar den tre sannolikheter för vart och ett: närvarande, frånvarande och ej observerbart, och bevarar osäkerheten när det angivna spåret inte kan avgöra frågan.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Span-01 är Respans modell för beteendepoängsättning av konversationer och agentspår. Den läser en textinteraktion tillsammans med beteendedefinitioner skrivna på vanligt språk och returnerar sannolikheter för varje definition. Utdatan skiljer mellan ett beteende som är närvarande, frånvarande eller ej observerbart i det angivna spåret. Det ger ett utvärderingsflöde en numerisk signal med ett uttryckligt sätt att representera saknat underlag, i stället för en genererad förklaring som måste tolkas.
Beteenden anges av anroparen. Promptinjektion, ogrundade påståenden, exponering av hemligheter, repetitiva loopar, felaktig verktygsanvändning och användarfrustration är möjliga definitioner, inte en fast taxonomi inbyggd i modellen. Ange vad som räknas som beteendet och vad som inte gör det. En snäv definition kan skilja en användare som ber om överlämning till en människa från en som bara uttrycker besvikelse. En annan kan skilja en assistent som bekräftar ett problem från en som lovar en åtgärd den inte kan utföra.
Använd stabila identifierare tillsammans med definitionerna, så att resultaten förblir kopplade till det beteende som utvärderas. Håll kriteriet fokuserat på något som spåret kan visa. Om beteendet kräver ett källdokument, ett verktygsresultat eller ett senare kundsvar, ta med det underlaget i textinteraktionen där det hör hemma. En definition ensam kan inte fastställa ett faktum som saknas i spåret.
Den dokumenterade indatan skiljer föregående meddelanden i span.input från målturen i span.output. Varje meddelandes innehåll är en sträng. Ange den faktiska konversationskontexten och den tur du vill poängsätta, och bevara talarrollerna och den ordning som behövs för att tolka den. Detta är en profil för textpoängsättning; förberedd dokumenttext eller en transkription kan utgöra underlag, medan de media som texten hämtats från inte i sig är den dokumenterade indatan.
För en supportinteraktion behåller du kundens begäran tillsammans med assistentens föreslagna svar. För en agent som använder verktyg behåller du den relevanta verktygsobservationen och svaret som byggde på den. En illustrativ definition för förankring kan fråga om assistenten hävdar en slutsats som den angivna observationen inte stöder. Det användbara resultatet gäller det definierade beteendet i det avsnittet, inte en fullständig diagnos av hela applikationen.
Varje resultat innehåller beteendets identifierare samt p_present, p_absent och p_not_observable. De tre sannolikheterna summerar till ungefär 1. Närvarande uppskattar att beteendet inträffade; frånvarande uppskattar att det inte gjorde det; ej observerbart uppskattar att det angivna avsnittet saknar det underlag som krävs för att avgöra frågan. Det är separata betydelser som ska hållas isär när resultaten tolkas.
Ett avsnitt som slutar med att en assistent säger att den ska lösa ett problem kan till exempel visa ett löfte. Det kan ännu inte visa att kunden accepterade den slutliga lösningen om inget kundsvar finns med. Behandla ett sådant resultat med saknat underlag som okänt i stället för att omvandla det till frånvarande. En låg sannolikhet för närvarande är inte automatiskt starkt belägg för frånvaro när en betydande del av fördelningen är ej observerbar.
Respan beskriver Span-01 som en resonerande klassificerare som först tränats för allmän klassificering med RLAIF och sedan specialiserats för beteendedetektering. Varje definition körs som en parallell gren över samma spår, och modellen returnerar beteendesannolikheterna i ett enda framåtpass. En hybrid attention-mekanism stöder hanteringen av långa, komplexa spår. Modellen genererar inga token, skriver ingen berättande bedömning och producerar ingen fritt formulerad förklaring av sin klassificering.
Konceptguiden och poängsättningsreferensen dokumenterar inget tak för antalet beteenden per begäran. Varje definition är ändå en del av den angivna utvärderingen, så håll var och en tydlig och relevant i stället för att tolka avsaknaden av ett tak som belägg för obegränsad indatakapacitet. Resultatet innehåller en post per beteende i samma ordning som i begäran, identifierad med sitt id. Flera definitioner beskriver flera oberoende observationer; de är inte ömsesidigt uteslutande kategorival som måste summera till ett över alla beteenden.
Kombinera de returnerade sannolikheterna med uppgiftsspecifika tröskelvärden och granskningsregler utanför modellen. Producenten rekommenderar att man använder märkta konversationer för att välja tröskelvärdena och granskar gränsfall för närvaro eller resultat med högt värde för ej observerbart. Ett supportflöde kan registrera frustration, en föreslagen eskalering och ett ogrundat löfte var för sig. Ett flöde för agentkvalitet kan följa upprepade åtgärder eller om ett svar använde det underlag som gjordes tillgängligt för det.
Håll ihop textavsnittet, beteendedefinitionen, resultatets identifierare och hela trevägsfördelningen. När definitionen ändras, tänk på att det ändrar vad sannolikheten mäter. Granska skenbara fel mot den faktiska konversationen i stället för att behandla ett numeriskt resultat som bevis för en händelse som inte observerats. En användbar artefakt är en beteendepost kopplad till spåret och kriteriet, där osäkerheten bevaras för senare inspektion eller för applikationens nästa beslut.
POST /v1/systemonetextdecisions| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser respan/span-01 | Standard— |
Fältprovider | Typschema | KravValfritt | Värden & gränser | Standard— |
Fältquestions | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
Fältsession_id | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältstate | Typschema | KravObligatoriskt | Värden & gränser | Standard— |
Fälttrace | Typschema | KravValfritt | Värden & gränser | Standard— |
Fältuser | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältquestions.<id>.type | Typstring | KravObligatoriskt | Värden & gränser noul, choice, score | Standard— |
Fältquestions.<id>.instructions | Typstring|object|array | KravObligatoriskt | Värden & gränser | Standard— |
Fältquestions.<id>.criteria | Typobject|array | KravValfritt | Värden & gränser Villkor: choice/score: obligatoriskt; noul: valfritt. Kriterier för choice är ett objekt; score är en array med minItems1. | Standard— |
Fältquestions.<id>.criteria.true | Typstring|object|array | KravObligatoriskt | Värden & gränser Gäller när: Ett kriterieobjekt för noul har angetts | Standard— |
Fältquestions.<id>.criteria.false | Typstring|object|array | KravObligatoriskt | Värden & gränser Gäller när: Ett kriterieobjekt för noul har angetts | Standard— |
noul · Krävs: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Krävs: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Krävs: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, state, questions |
Parametermaterial_types | Avtaltext |
Parameteroptional_controls | Avtalprovider, session_id, trace, user |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous
Skicka det exakta modell-ID:t och behåll hela svaret i leverantörens format.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00004 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00004 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "respan/span-01",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='respan/span-01'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\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\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Varje angivet svar för ett fråge-ID behålls med sin exakta typ, värdet noul/choice/score, konfidens, sannolikheter och teckenförklaring. Hela det ursprungliga JSON-svaret lagras och returneras först efter avräkning.
Bevara den ursprungliga operationen och hela eller det partiella svaret; upprepa inte POST.
| Fält | Typ |
|---|---|
Fältmodel | Typstring |
Fältid | Typstring |
Fältprovider | Typstring |
Fältanswers.<id>.type | Typstring |
Fältanswers.<id>.noul | Typnumber |
Fältanswers.<id>.choice | Typstring |
Fältanswers.<id>.score | Typnumber |
Fältanswers.<id>.confidence | Typnumber |
Fältanswers.<id>.probabilities | Typobject |
Fältanswers.<id>.legend | Typobject |
Fältusage.input_tokens | Typinteger |
Fältusage.output_tokens | Typinteger |
Fältusage.cost | Typnumber |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltigt obligatoriskt fält, ogiltig representation eller ogiltigt värde | Nästa stegKorrigera det angivna fältet i begäran. |
Ailoot Ultra respan/span-01
Använd metodsökvägarna som visas ovan.