SenseChat-5 är den allmänna språkmodellen V5 i SenseTimes SenseNova-serie. Tillverkaren beskriver dess uppgiftsområde som språk, kunskap, resonemang, matematik och kod, med särskild betoning på öppna frågor, dialog med flera turer, informationsextrahering och skrivande. Den dokumenterade konversationsindatan är text, och det användbara resultatet är ett skriftligt svar, ett utkast, en analys eller en verktygsrelaterad instruktion.
Håll uppgiftsinstruktionerna åtskilda från materialet som ska analyseras. Tillverkarens kompatibla konversationsexempel använder ett systemmeddelande för att definiera rollen och svarsformatet, följt av ett användarmeddelande med begäran. Dess referens för det egna konversationsgränssnittet skiljer också system-, användar- och assistentmeddelanden åt. Behåll relevant dialog i ordning när en följdfråga beror på ett tidigare svar.
För en extraheringsuppgift tillhandahåller du dokumentet och namnger fälten som ska returneras. En användbar uppgiftsbeskrivning är: ”Extrahera angiven tidsfrist, ansvarigt team och obligatorisk leverans till en tabell och identifiera det textavsnitt som stöder varje värde.” För en skrivuppgift anger du målgrupp, syfte, ton och obligatoriska avsnitt. Behandla ett begärt ordantal som en skrivinstruktion och granska att det färdiga svaret följer den.
Tillverkaren anger en kontext på 128K för SenseChat-5. Referensen för dess eget konversationsgränssnitt förklarar att de tillhandahållna indata och den reserverade maximala svarslängden måste rymmas inom modellens kontext. Hämtad kunskap eller infogad referenstext upptar också indatautrymme. Håll frågan, viktiga källavsnitt och tillräcklig plats för svaret tillsammans i stället för att fylla hela utrymmet med dokument.
För en jämförelse av långa källor märker du varje dokument och bevarar avsnittsgränser. Fråga vilka krav som överensstämmer, vilka som står i konflikt och vilket avsnitt som belägger skillnaden. Ange viktiga definitioner och identifierare uttryckligen. Om uppgiften bara gäller några få avsnitt väljer du dessa och den kontext som behövs för att tolka dem så att slutjämförelsen förblir lätt att kontrollera.
Tillhandahåll ett fullständigt problem med antaganden, enheter och önskad slutform. Be att en beräkning identifierar värdena den använder och att en förklaring skiljer en angiven uppgift från ett antagande. En slutsats ska kontrolleras mot problemets villkor, särskilt när flera steg beror på en tidig tolkning.
För kodarbete tar du med relevant källkod, observerat beteende och förväntat resultat. Ett användbart resultat är en föreslagen ändring med det villkor den hanterar och de kontroller som behövs för att bedöma den. Återför det faktiska felet eller körresultatet när nästa tur beror på om ett förslag fungerade. Det skriftliga svaret och resultatet av att köra det är separata artefakter.
SenseTimes V5-utgåva dokumenterar anrop till egna funktioner: en ansluten applikation kan tillhandahålla verktygsdefinitioner som modellen kan välja och använda. Definiera varje verktygs syfte och argument utifrån den verkliga åtgärden och behåll sedan dess returnerade observation tillsammans med konversationen. Be slutsvaret använda det faktiska uppslags- eller åtgärdsresultatet i stället för att anta att en begärd åtgärd lyckades.
Samma V5-utgåva beskriver ett kodtolksflöde som genererar Python för matematiska beräkningar. Detta är ett anslutet beräkningsflöde, inte ett skäl att behandla varje genererat kodblock som kört. Tillhandahåll data som ska beräknas, behåll kodtolkens resultat och granska hur den skriftliga förklaringen förhåller sig till det.
Tillverkarens konversationsexempel visar både färdiga svar och strömmad text. Ett färdigt svar tillhandahåller assistentens meddelande; strömning levererar successiva delar som måste sammanfogas till slutsvaret. Behåll denna sluttext tillsammans med begäran och källmaterialet innan du använder den som dokument, rapport eller applikationssvar.
Ange modellutgåvan uttryckligen. SenseChat-Turbo är en separat resurssnål dialogmodell, och SenseChat-5-Cantonese är en separat namngiven anpassning. Tillverkaren publicerar också skilda modeller för bild, kombinerade modaliteter och karaktärsdialog. Använd denna SenseChat-5-profil för dess dokumenterade textbaserade samtal och verktygsstödda språkarbete och granska extraherade värden, resonemangssteg och föreslagna åtgärder mot det tillhandahållna underlaget.
", "aboutText": "### Allmänt språk- och resonemangsarbete\n\nSenseChat-5 är den allmänna språkmodellen V5 i SenseTimes SenseNova-serie. Tillverkaren beskriver dess uppgiftsområde som språk, kunskap, resonemang, matematik och kod, med särskild betoning på öppna frågor, dialog med flera turer, informationsextrahering och skrivande. Den dokumenterade konversationsindatan är text, och det användbara resultatet är ett skriftligt svar, ett utkast, en analys eller en verktygsrelaterad instruktion.\n\n### Förbered konversationen\n\nHåll uppgiftsinstruktionerna åtskilda från materialet som ska analyseras. Tillverkarens kompatibla konversationsexempel använder ett systemmeddelande för att definiera rollen och svarsformatet, följt av ett användarmeddelande med begäran. Dess referens för det egna konversationsgränssnittet skiljer också system-, användar- och assistentmeddelanden åt. Behåll relevant dialog i ordning när en följdfråga beror på ett tidigare svar.\n\nFör en extraheringsuppgift tillhandahåller du dokumentet och namnger fälten som ska returneras. En användbar uppgiftsbeskrivning är: ”Extrahera angiven tidsfrist, ansvarigt team och obligatorisk leverans till en tabell och identifiera det textavsnitt som stöder varje värde.” För en skrivuppgift anger du målgrupp, syfte, ton och obligatoriska avsnitt. Behandla ett begärt ordantal som en skrivinstruktion och granska att det färdiga svaret följer den.\n\n### Arbeta med kontexten på 128K\n\nTillverkaren anger en kontext på 128K för SenseChat-5. Referensen för dess eget konversationsgränssnitt förklarar att de tillhandahållna indata och den reserverade maximala svarslängden måste rymmas inom modellens kontext. Hämtad kunskap eller infogad referenstext upptar också indatautrymme. Håll frågan, viktiga källavsnitt och tillräcklig plats för svaret tillsammans i stället för att fylla hela utrymmet med dokument.\n\nFör en jämförelse av långa källor märker du varje dokument och bevarar avsnittsgränser. Fråga vilka krav som överensstämmer, vilka som står i konflikt och vilket avsnitt som belägger skillnaden. Ange viktiga definitioner och identifierare uttryckligen. Om uppgiften bara gäller några få avsnitt väljer du dessa och den kontext som behövs för att tolka dem så att slutjämförelsen förblir lätt att kontrollera.\n\n### Resonemang, matematik och kod\n\nTillhandahåll ett fullständigt problem med antaganden, enheter och önskad slutform. Be att en beräkning identifierar värdena den använder och att en förklaring skiljer en angiven uppgift från ett antagande. En slutsats ska kontrolleras mot problemets villkor, särskilt när flera steg beror på en tidig tolkning.\n\nFör kodarbete tar du med relevant källkod, observerat beteende och förväntat resultat. Ett användbart resultat är en föreslagen ändring med det villkor den hanterar och de kontroller som behövs för att bedöma den. Återför det faktiska felet eller körresultatet när nästa tur beror på om ett förslag fungerade. Det skriftliga svaret och resultatet av att köra det är separata artefakter.\n\n### Egna verktyg och beräkningar\n\nSenseTimes V5-utgåva dokumenterar anrop till egna funktioner: en ansluten applikation kan tillhandahålla verktygsdefinitioner som modellen kan välja och använda. Definiera varje verktygs syfte och argument utifrån den verkliga åtgärden och behåll sedan dess returnerade observation tillsammans med konversationen. Be slutsvaret använda det faktiska uppslags- eller åtgärdsresultatet i stället för att anta att en begärd åtgärd lyckades.\n\nSamma V5-utgåva beskriver ett kodtolksflöde som genererar Python för matematiska beräkningar. Detta är ett anslutet beräkningsflöde, inte ett skäl att behandla varje genererat kodblock som kört. Tillhandahåll data som ska beräknas, behåll kodtolkens resultat och granska hur den skriftliga förklaringen förhåller sig till det.\n\n### Färdiga svar och strömning\n\nTillverkarens konversationsexempel visar både färdiga svar och strömmad text. Ett färdigt svar tillhandahåller assistentens meddelande; strömning levererar successiva delar som måste sammanfogas till slutsvaret. Behåll denna sluttext tillsammans med begäran och källmaterialet innan du använder den som dokument, rapport eller applikationssvar.\n\nAnge modellutgåvan uttryckligen. SenseChat-Turbo är en separat resurssnål dialogmodell, och SenseChat-5-Cantonese är en separat namngiven anpassning. Tillverkaren publicerar också skilda modeller för bild, kombinerade modaliteter och karaktärsdialog. Använd denna SenseChat-5-profil för dess dokumenterade textbaserade samtal och verktygsstödda språkarbete och granska extraherade värden, resonemangssteg och föreslagna åtgärder mot det tillhandahållna underlaget.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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-5SenseTimes SenseChat-5 är en textbaserad samtalsmodell för språk-, kunskaps-, resonemangs-, matematik- och koduppgifter. Dess dokumenterade kontext på 128K stöder längre källmaterial, medan tillverkarens V5-flöde omfattar anrop till egna funktioner och beräkning med en kodtolk.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
SenseChat-5 är den allmänna språkmodellen V5 i SenseTimes SenseNova-serie. Tillverkaren beskriver dess uppgiftsområde som språk, kunskap, resonemang, matematik och kod, med särskild betoning på öppna frågor, dialog med flera turer, informationsextrahering och skrivande. Den dokumenterade konversationsindatan är text, och det användbara resultatet är ett skriftligt svar, ett utkast, en analys eller en verktygsrelaterad instruktion.
Håll uppgiftsinstruktionerna åtskilda från materialet som ska analyseras. Tillverkarens kompatibla konversationsexempel använder ett systemmeddelande för att definiera rollen och svarsformatet, följt av ett användarmeddelande med begäran. Dess referens för det egna konversationsgränssnittet skiljer också system-, användar- och assistentmeddelanden åt. Behåll relevant dialog i ordning när en följdfråga beror på ett tidigare svar.
För en extraheringsuppgift tillhandahåller du dokumentet och namnger fälten som ska returneras. En användbar uppgiftsbeskrivning är: ”Extrahera angiven tidsfrist, ansvarigt team och obligatorisk leverans till en tabell och identifiera det textavsnitt som stöder varje värde.” För en skrivuppgift anger du målgrupp, syfte, ton och obligatoriska avsnitt. Behandla ett begärt ordantal som en skrivinstruktion och granska att det färdiga svaret följer den.
Tillverkaren anger en kontext på 128K för SenseChat-5. Referensen för dess eget konversationsgränssnitt förklarar att de tillhandahållna indata och den reserverade maximala svarslängden måste rymmas inom modellens kontext. Hämtad kunskap eller infogad referenstext upptar också indatautrymme. Håll frågan, viktiga källavsnitt och tillräcklig plats för svaret tillsammans i stället för att fylla hela utrymmet med dokument.
För en jämförelse av långa källor märker du varje dokument och bevarar avsnittsgränser. Fråga vilka krav som överensstämmer, vilka som står i konflikt och vilket avsnitt som belägger skillnaden. Ange viktiga definitioner och identifierare uttryckligen. Om uppgiften bara gäller några få avsnitt väljer du dessa och den kontext som behövs för att tolka dem så att slutjämförelsen förblir lätt att kontrollera.
Tillhandahåll ett fullständigt problem med antaganden, enheter och önskad slutform. Be att en beräkning identifierar värdena den använder och att en förklaring skiljer en angiven uppgift från ett antagande. En slutsats ska kontrolleras mot problemets villkor, särskilt när flera steg beror på en tidig tolkning.
För kodarbete tar du med relevant källkod, observerat beteende och förväntat resultat. Ett användbart resultat är en föreslagen ändring med det villkor den hanterar och de kontroller som behövs för att bedöma den. Återför det faktiska felet eller körresultatet när nästa tur beror på om ett förslag fungerade. Det skriftliga svaret och resultatet av att köra det är separata artefakter.
SenseTimes V5-utgåva dokumenterar anrop till egna funktioner: en ansluten applikation kan tillhandahålla verktygsdefinitioner som modellen kan välja och använda. Definiera varje verktygs syfte och argument utifrån den verkliga åtgärden och behåll sedan dess returnerade observation tillsammans med konversationen. Be slutsvaret använda det faktiska uppslags- eller åtgärdsresultatet i stället för att anta att en begärd åtgärd lyckades.
Samma V5-utgåva beskriver ett kodtolksflöde som genererar Python för matematiska beräkningar. Detta är ett anslutet beräkningsflöde, inte ett skäl att behandla varje genererat kodblock som kört. Tillhandahåll data som ska beräknas, behåll kodtolkens resultat och granska hur den skriftliga förklaringen förhåller sig till det.
Tillverkarens konversationsexempel visar både färdiga svar och strömmad text. Ett färdigt svar tillhandahåller assistentens meddelande; strömning levererar successiva delar som måste sammanfogas till slutsvaret. Behåll denna sluttext tillsammans med begäran och källmaterialet innan du använder den som dokument, rapport eller applikationssvar.
Ange modellutgåvan uttryckligen. SenseChat-Turbo är en separat resurssnål dialogmodell, och SenseChat-5-Cantonese är en separat namngiven anpassning. Tillverkaren publicerar också skilda modeller för bild, kombinerade modaliteter och karaktärsdialog. Använd denna SenseChat-5-profil för dess dokumenterade textbaserade samtal och verktygsstödda språkarbete och granska extraherade värden, resonemangssteg och föreslagna åtgärder mot det tillhandahållna underlaget.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser SenseChat-5 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0132 / 1K token Utdata · Utdatatoken $0.0308 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra SenseChat-5
Använd metodsökvägarna som visas ovan.
SenseChat-5SenseTimes SenseChat-5 är en textbaserad samtalsmodell för språk-, kunskaps-, resonemangs-, matematik- och koduppgifter. Dess dokumenterade kontext på 128K stöder längre källmaterial, medan tillverkarens V5-flöde omfattar anrop till egna funktioner och beräkning med en kodtolk.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
SenseChat-5 är den allmänna språkmodellen V5 i SenseTimes SenseNova-serie. Tillverkaren beskriver dess uppgiftsområde som språk, kunskap, resonemang, matematik och kod, med särskild betoning på öppna frågor, dialog med flera turer, informationsextrahering och skrivande. Den dokumenterade konversationsindatan är text, och det användbara resultatet är ett skriftligt svar, ett utkast, en analys eller en verktygsrelaterad instruktion.
Håll uppgiftsinstruktionerna åtskilda från materialet som ska analyseras. Tillverkarens kompatibla konversationsexempel använder ett systemmeddelande för att definiera rollen och svarsformatet, följt av ett användarmeddelande med begäran. Dess referens för det egna konversationsgränssnittet skiljer också system-, användar- och assistentmeddelanden åt. Behåll relevant dialog i ordning när en följdfråga beror på ett tidigare svar.
För en extraheringsuppgift tillhandahåller du dokumentet och namnger fälten som ska returneras. En användbar uppgiftsbeskrivning är: ”Extrahera angiven tidsfrist, ansvarigt team och obligatorisk leverans till en tabell och identifiera det textavsnitt som stöder varje värde.” För en skrivuppgift anger du målgrupp, syfte, ton och obligatoriska avsnitt. Behandla ett begärt ordantal som en skrivinstruktion och granska att det färdiga svaret följer den.
Tillverkaren anger en kontext på 128K för SenseChat-5. Referensen för dess eget konversationsgränssnitt förklarar att de tillhandahållna indata och den reserverade maximala svarslängden måste rymmas inom modellens kontext. Hämtad kunskap eller infogad referenstext upptar också indatautrymme. Håll frågan, viktiga källavsnitt och tillräcklig plats för svaret tillsammans i stället för att fylla hela utrymmet med dokument.
För en jämförelse av långa källor märker du varje dokument och bevarar avsnittsgränser. Fråga vilka krav som överensstämmer, vilka som står i konflikt och vilket avsnitt som belägger skillnaden. Ange viktiga definitioner och identifierare uttryckligen. Om uppgiften bara gäller några få avsnitt väljer du dessa och den kontext som behövs för att tolka dem så att slutjämförelsen förblir lätt att kontrollera.
Tillhandahåll ett fullständigt problem med antaganden, enheter och önskad slutform. Be att en beräkning identifierar värdena den använder och att en förklaring skiljer en angiven uppgift från ett antagande. En slutsats ska kontrolleras mot problemets villkor, särskilt när flera steg beror på en tidig tolkning.
För kodarbete tar du med relevant källkod, observerat beteende och förväntat resultat. Ett användbart resultat är en föreslagen ändring med det villkor den hanterar och de kontroller som behövs för att bedöma den. Återför det faktiska felet eller körresultatet när nästa tur beror på om ett förslag fungerade. Det skriftliga svaret och resultatet av att köra det är separata artefakter.
SenseTimes V5-utgåva dokumenterar anrop till egna funktioner: en ansluten applikation kan tillhandahålla verktygsdefinitioner som modellen kan välja och använda. Definiera varje verktygs syfte och argument utifrån den verkliga åtgärden och behåll sedan dess returnerade observation tillsammans med konversationen. Be slutsvaret använda det faktiska uppslags- eller åtgärdsresultatet i stället för att anta att en begärd åtgärd lyckades.
Samma V5-utgåva beskriver ett kodtolksflöde som genererar Python för matematiska beräkningar. Detta är ett anslutet beräkningsflöde, inte ett skäl att behandla varje genererat kodblock som kört. Tillhandahåll data som ska beräknas, behåll kodtolkens resultat och granska hur den skriftliga förklaringen förhåller sig till det.
Tillverkarens konversationsexempel visar både färdiga svar och strömmad text. Ett färdigt svar tillhandahåller assistentens meddelande; strömning levererar successiva delar som måste sammanfogas till slutsvaret. Behåll denna sluttext tillsammans med begäran och källmaterialet innan du använder den som dokument, rapport eller applikationssvar.
Ange modellutgåvan uttryckligen. SenseChat-Turbo är en separat resurssnål dialogmodell, och SenseChat-5-Cantonese är en separat namngiven anpassning. Tillverkaren publicerar också skilda modeller för bild, kombinerade modaliteter och karaktärsdialog. Använd denna SenseChat-5-profil för dess dokumenterade textbaserade samtal och verktygsstödda språkarbete och granska extraherade värden, resonemangssteg och föreslagna åtgärder mot det tillhandahållna underlaget.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser SenseChat-5 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0132 / 1K token Utdata · Utdatatoken $0.0308 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "SenseChat-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra SenseChat-5
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.