Schematron V2 Turbo
Rede Neural
Schematron V2 Turbo é um modelo Inference.net de 3 bilhões de parâmetros para extrair dados de HTML para JSON via API.
Comprimento máximo de resposta
(em tokens)
Tamanho do contexto
(em tokens)
Custo do prompt
(por 1M tokens)
Custo da resposta
(por 1M tokens)
Como funciona Schematron V2 Turbo?
Schematron V2 Turbo é um modelo compacto da Inference.net com 3 bilhões de parâmetros, focado em uma única tarefa: transformar HTML bruto em JSON estruturado. A versão Turbo é otimizada para alta taxa de transferência, sendo ideal para processamento em lote de grandes volumes de páginas. As instruções de extração são definidas não pelo prompt, mas por um esquema JSON no parâmetro response_format, garantindo respostas previsíveis que quase não exigem pós-processamento. No BotHub, o modelo funciona sem VPN ou cartões estrangeiros: pagamento em rublos por uso, sem expiração de saldo. A conexão é feita via API compatível com OpenAI, permitindo alternar entre mais de 250 modelos sem reescrever a integração; disponível para empresas com contrato, fatura, EDI e painel administrativo. Útil para coletar dados de produtos e preços de concorrentes, construir pipelines de ETL, preencher bancos de dados, extrair contatos de sites corporativos ou enriquecer CRMs com dados de catálogos abertos.Perguntas frequentes sobre Schematron V2 Turbo
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
É um modelo de texto com contexto de 128.000 tokens que aceita texto e documentos. É útil para analisar arquivos grandes, extrair dados, resumir, preparar relatórios e trabalhar com instruções longas. No BotHub, você pode compará-lo com outros modelos em uma única janela.
Segundo nossos dados, o volume máximo de resposta é de 8192 tokens. Isso é suficiente para relatórios detalhados, análise de documentos e rascunhos longos. Se precisar de mais texto, é lógico dividi-lo em várias solicitações ou processá-lo em partes.
Não há um modo de raciocínio separado antes da resposta em nossos dados, portanto não podemos confirmar. O modelo constrói a resposta inteira com base na sua solicitação. Se precisar de lógica passo a passo, ajude com a formulação: peça para resolver a tarefa passo a passo e justificar as conclusões.
O suporte para chamada de funções e saída JSON estruturada não está indicado em nossos dados, não podemos garantir. O modelo trabalha com texto e documentos. Se o seu cenário exige um formato estrito, defina a estrutura diretamente no prompt e verifique o resultado com solicitações de teste.
Segundo nossos dados, o modelo aceita solicitações de texto e documentos. Não temos informações sobre o carregamento de imagens, áudio ou vídeo, portanto não afirmaremos nada. Se precisar processar uma imagem ou arquivo de mídia, verifique os modelos do tipo correspondente no BotHub.
Não temos dados sobre a qualidade do idioma russo neste modelo, portanto não prometemos nada específico. Sabe-se que ele trabalha com texto e documentos. A maneira mais fácil de testá-lo em tarefas em russo é com solicitações de teste curtas: o pagamento no BotHub é por tokens usados, sem necessidade de assinatura.