ERNIE-4.5-VL-28B-A3B er Baidus eftertrænede model til visuel forståelse og sprog i ERNIE 4.5-familien. Grundlaget kombinerer tekstlig og visuel fortræning med en heterogen mixture-of-experts-arkitektur. Modalitetsisoleret routing og afbalancerede træningsmål understøtter samspillet mellem sprog og syn og holder samtidig deres repræsentationer adskilt. Den resulterende model accepterer tekst og billeder og producerer et tekstsvar forankret i det vedlagte visuelle materiale. Baidus officielle modeltabel angiver også video sammen med tekst- og billedinput til denne VL-udgave; outputtet forbliver tekst.
Eftertræningen lægger vægt på billedforståelse, opgavespecifik tilpasning og multimodalt ræsonnement. Familien bruger superviseret finjustering og præferencebaseret optimering, mens denne VL-udgave også indeholder forstærkningslæring med verificerbare belønninger. Tilstande med og uden tænkning giver forskellige måder at behandle den visuelle opgave på. Tilstanden tilhører vision-language-udgivelsen og erstatter ikke den separat navngivne tekstmodel Thinking.
Konfigurationen har 28 milliarder parametre i alt og 3 milliarder aktiveret for hver token. Den omfatter 28 lag, 20 query-hoveder og fire key/value-hoveder. Ekspertkonfigurationerne til tekst og syn angiver hver 64 eksperter med seks valgte samt to delte eksperter. Den offentliggjorte modelkonfiguration angiver et kontekstvindue på 131.072 tokens. Baidus separat konfigurerede hostede liste beskriver en kontekst på 32K for samme navngivne VL-linje, så modelkonfiguration og grænser i den hostede tjeneste forbliver forskellige numeriske specifikationer.
Til et dokumentbillede skal du definere den information, der skal findes: den relevante overskrift, en tabelpost, en forklaring af et diagram eller en sammenligning af synlige afsnit. Til et grænsefladeskærmbillede skal du angive brugerens mål og bede om en forklaring af de synlige komponenter eller deres forhold til kravet. Til et produktfoto skal du bede om en beskrivelse af de objekter og træk, der faktisk vises. Hvis flere billeder udgør én opgave, skal du mærke deres rækkefølge og bruge samme kriterier, så svaret kan sammenligne dem konsekvent.
Til en opgave, der kombinerer visuel forståelse og sprog, skal du parre det visuelle materiale med et konkret skriftligt mål. Vælg tekstproduktet før analysen: en forklaring, en egenskabstabel, en beskrivelse eller en observationsliste. Bed om de synlige detaljer, der understøtter hver konklusion, og skeln mellem dem og fortolkning. Når en lille etiket eller et område betyder noget, skal du vedlægge et læsbart kildebillede og identificere interesseområdet. Det forbinder svaret med det materiale, der kan gennemgås.
Baidus brugseksempel kombinerer tekst med et billede og vælger tilstanden uden tænkning i processoren. Producenten distribuerer forskellige vægtformater til udførelsesframeworks og udgiver ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten fastholder modellens formål inden for visuel forståelse og sprog, tilstande og konfiguration separat fra rent tekstbaserede ERNIE-udgivelser. Et separat maksimum for outputtokens og en indbygget videovarighedsgrænse dokumenteres ikke af det verificerede modelkort.
", "aboutText": "ERNIE-4.5-VL-28B-A3B er Baidus eftertrænede model til visuel forståelse og sprog i ERNIE 4.5-familien. Grundlaget kombinerer tekstlig og visuel fortræning med en heterogen mixture-of-experts-arkitektur. Modalitetsisoleret routing og afbalancerede træningsmål understøtter samspillet mellem sprog og syn og holder samtidig deres repræsentationer adskilt. Den resulterende model accepterer tekst og billeder og producerer et tekstsvar forankret i det vedlagte visuelle materiale. Baidus officielle modeltabel angiver også video sammen med tekst- og billedinput til denne VL-udgave; outputtet forbliver tekst.\n\nEftertræningen lægger vægt på billedforståelse, opgavespecifik tilpasning og multimodalt ræsonnement. Familien bruger superviseret finjustering og præferencebaseret optimering, mens denne VL-udgave også indeholder forstærkningslæring med verificerbare belønninger. Tilstande med og uden tænkning giver forskellige måder at behandle den visuelle opgave på. Tilstanden tilhører vision-language-udgivelsen og erstatter ikke den separat navngivne tekstmodel Thinking.\n\nKonfigurationen har 28 milliarder parametre i alt og 3 milliarder aktiveret for hver token. Den omfatter 28 lag, 20 query-hoveder og fire key/value-hoveder. Ekspertkonfigurationerne til tekst og syn angiver hver 64 eksperter med seks valgte samt to delte eksperter. Den offentliggjorte modelkonfiguration angiver et kontekstvindue på 131.072 tokens. Baidus separat konfigurerede hostede liste beskriver en kontekst på 32K for samme navngivne VL-linje, så modelkonfiguration og grænser i den hostede tjeneste forbliver forskellige numeriske specifikationer.\n\nTil et dokumentbillede skal du definere den information, der skal findes: den relevante overskrift, en tabelpost, en forklaring af et diagram eller en sammenligning af synlige afsnit. Til et grænsefladeskærmbillede skal du angive brugerens mål og bede om en forklaring af de synlige komponenter eller deres forhold til kravet. Til et produktfoto skal du bede om en beskrivelse af de objekter og træk, der faktisk vises. Hvis flere billeder udgør én opgave, skal du mærke deres rækkefølge og bruge samme kriterier, så svaret kan sammenligne dem konsekvent.\n\nTil en opgave, der kombinerer visuel forståelse og sprog, skal du parre det visuelle materiale med et konkret skriftligt mål. Vælg tekstproduktet før analysen: en forklaring, en egenskabstabel, en beskrivelse eller en observationsliste. Bed om de synlige detaljer, der understøtter hver konklusion, og skeln mellem dem og fortolkning. Når en lille etiket eller et område betyder noget, skal du vedlægge et læsbart kildebillede og identificere interesseområdet. Det forbinder svaret med det materiale, der kan gennemgås.\n\nBaidus brugseksempel kombinerer tekst med et billede og vælger tilstanden uden tænkning i processoren. Producenten distribuerer forskellige vægtformater til udførelsesframeworks og udgiver ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten fastholder modellens formål inden for visuel forståelse og sprog, tilstande og konfiguration separat fra rent tekstbaserede ERNIE-udgivelser. Et separat maksimum for outputtokens og en indbygget videovarighedsgrænse dokumenteres ikke af det verificerede modelkort.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a transcribed inspection table\n\nAnalyze this text transcription of an inspection table: batch A, sealed 48, leaking 2; batch B, sealed 35, leaking 5. Calculate the leakage rate for each batch and write a short comparison for the warehouse manager. Treat the transcription as the complete input and identify which batch needs inspection first using only leakage rate.A two-row table with totals and leakage percentages, followed by a short prioritization explanation.Each percentage uses leaking divided by sealed plus leaking, and the priority follows that comparison.baidu/ernie-4.5-vl-28b-a3bBaidus ERNIE 4.5-model til visuel forståelse og sprog forbinder tekstspørgsmål med billedindhold og returnerer tekst. Den bruger en mixture-of-experts-arkitektur på 28B/3B og understøtter tilstande med og uden tænkning med udgavespecifikke kontekstgrænser for model og hostet tjeneste.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE-4.5-VL-28B-A3B er Baidus eftertrænede model til visuel forståelse og sprog i ERNIE 4.5-familien. Grundlaget kombinerer tekstlig og visuel fortræning med en heterogen mixture-of-experts-arkitektur. Modalitetsisoleret routing og afbalancerede træningsmål understøtter samspillet mellem sprog og syn og holder samtidig deres repræsentationer adskilt. Den resulterende model accepterer tekst og billeder og producerer et tekstsvar forankret i det vedlagte visuelle materiale. Baidus officielle modeltabel angiver også video sammen med tekst- og billedinput til denne VL-udgave; outputtet forbliver tekst.
Eftertræningen lægger vægt på billedforståelse, opgavespecifik tilpasning og multimodalt ræsonnement. Familien bruger superviseret finjustering og præferencebaseret optimering, mens denne VL-udgave også indeholder forstærkningslæring med verificerbare belønninger. Tilstande med og uden tænkning giver forskellige måder at behandle den visuelle opgave på. Tilstanden tilhører vision-language-udgivelsen og erstatter ikke den separat navngivne tekstmodel Thinking.
Konfigurationen har 28 milliarder parametre i alt og 3 milliarder aktiveret for hver token. Den omfatter 28 lag, 20 query-hoveder og fire key/value-hoveder. Ekspertkonfigurationerne til tekst og syn angiver hver 64 eksperter med seks valgte samt to delte eksperter. Den offentliggjorte modelkonfiguration angiver et kontekstvindue på 131.072 tokens. Baidus separat konfigurerede hostede liste beskriver en kontekst på 32K for samme navngivne VL-linje, så modelkonfiguration og grænser i den hostede tjeneste forbliver forskellige numeriske specifikationer.
Til et dokumentbillede skal du definere den information, der skal findes: den relevante overskrift, en tabelpost, en forklaring af et diagram eller en sammenligning af synlige afsnit. Til et grænsefladeskærmbillede skal du angive brugerens mål og bede om en forklaring af de synlige komponenter eller deres forhold til kravet. Til et produktfoto skal du bede om en beskrivelse af de objekter og træk, der faktisk vises. Hvis flere billeder udgør én opgave, skal du mærke deres rækkefølge og bruge samme kriterier, så svaret kan sammenligne dem konsekvent.
Til en opgave, der kombinerer visuel forståelse og sprog, skal du parre det visuelle materiale med et konkret skriftligt mål. Vælg tekstproduktet før analysen: en forklaring, en egenskabstabel, en beskrivelse eller en observationsliste. Bed om de synlige detaljer, der understøtter hver konklusion, og skeln mellem dem og fortolkning. Når en lille etiket eller et område betyder noget, skal du vedlægge et læsbart kildebillede og identificere interesseområdet. Det forbinder svaret med det materiale, der kan gennemgås.
Baidus brugseksempel kombinerer tekst med et billede og vælger tilstanden uden tænkning i processoren. Producenten distribuerer forskellige vægtformater til udførelsesframeworks og udgiver ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten fastholder modellens formål inden for visuel forståelse og sprog, tilstande og konfiguration separat fra rent tekstbaserede ERNIE-udgivelser. Et separat maksimum for outputtokens og en indbygget videovarighedsgrænse dokumenteres ikke af det verificerede modelkort.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser baidu/ernie-4.5-vl-28b-a3b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000286 / 1K tokens Output · Outputtokens $0.001144 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-vl-28b-a3b", "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='baidu/ernie-4.5-vl-28b-a3b',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='baidu/ernie-4.5-vl-28b-a3b',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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Brug metodestierne vist ovenfor.
baidu/ernie-4.5-vl-28b-a3bBaidus ERNIE 4.5-model til visuel forståelse og sprog forbinder tekstspørgsmål med billedindhold og returnerer tekst. Den bruger en mixture-of-experts-arkitektur på 28B/3B og understøtter tilstande med og uden tænkning med udgavespecifikke kontekstgrænser for model og hostet tjeneste.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE-4.5-VL-28B-A3B er Baidus eftertrænede model til visuel forståelse og sprog i ERNIE 4.5-familien. Grundlaget kombinerer tekstlig og visuel fortræning med en heterogen mixture-of-experts-arkitektur. Modalitetsisoleret routing og afbalancerede træningsmål understøtter samspillet mellem sprog og syn og holder samtidig deres repræsentationer adskilt. Den resulterende model accepterer tekst og billeder og producerer et tekstsvar forankret i det vedlagte visuelle materiale. Baidus officielle modeltabel angiver også video sammen med tekst- og billedinput til denne VL-udgave; outputtet forbliver tekst.
Eftertræningen lægger vægt på billedforståelse, opgavespecifik tilpasning og multimodalt ræsonnement. Familien bruger superviseret finjustering og præferencebaseret optimering, mens denne VL-udgave også indeholder forstærkningslæring med verificerbare belønninger. Tilstande med og uden tænkning giver forskellige måder at behandle den visuelle opgave på. Tilstanden tilhører vision-language-udgivelsen og erstatter ikke den separat navngivne tekstmodel Thinking.
Konfigurationen har 28 milliarder parametre i alt og 3 milliarder aktiveret for hver token. Den omfatter 28 lag, 20 query-hoveder og fire key/value-hoveder. Ekspertkonfigurationerne til tekst og syn angiver hver 64 eksperter med seks valgte samt to delte eksperter. Den offentliggjorte modelkonfiguration angiver et kontekstvindue på 131.072 tokens. Baidus separat konfigurerede hostede liste beskriver en kontekst på 32K for samme navngivne VL-linje, så modelkonfiguration og grænser i den hostede tjeneste forbliver forskellige numeriske specifikationer.
Til et dokumentbillede skal du definere den information, der skal findes: den relevante overskrift, en tabelpost, en forklaring af et diagram eller en sammenligning af synlige afsnit. Til et grænsefladeskærmbillede skal du angive brugerens mål og bede om en forklaring af de synlige komponenter eller deres forhold til kravet. Til et produktfoto skal du bede om en beskrivelse af de objekter og træk, der faktisk vises. Hvis flere billeder udgør én opgave, skal du mærke deres rækkefølge og bruge samme kriterier, så svaret kan sammenligne dem konsekvent.
Til en opgave, der kombinerer visuel forståelse og sprog, skal du parre det visuelle materiale med et konkret skriftligt mål. Vælg tekstproduktet før analysen: en forklaring, en egenskabstabel, en beskrivelse eller en observationsliste. Bed om de synlige detaljer, der understøtter hver konklusion, og skeln mellem dem og fortolkning. Når en lille etiket eller et område betyder noget, skal du vedlægge et læsbart kildebillede og identificere interesseområdet. Det forbinder svaret med det materiale, der kan gennemgås.
Baidus brugseksempel kombinerer tekst med et billede og vælger tilstanden uden tænkning i processoren. Producenten distribuerer forskellige vægtformater til udførelsesframeworks og udgiver ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten fastholder modellens formål inden for visuel forståelse og sprog, tilstande og konfiguration separat fra rent tekstbaserede ERNIE-udgivelser. Et separat maksimum for outputtokens og en indbygget videovarighedsgrænse dokumenteres ikke af det verificerede modelkort.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser baidu/ernie-4.5-vl-28b-a3b | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000286 / 1K tokens Output · Outputtokens $0.001144 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "baidu/ernie-4.5-vl-28b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'baidu/ernie-4.5-vl-28b-a3b', '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': 'baidu/ernie-4.5-vl-28b-a3b', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Explain a transcribed inspection table\n\nAnalyze this text transcription of an inspection table: batch A, sealed 48, leaking 2; batch B, sealed 35, leaking 5. Calculate the leakage rate for each batch and write a short comparison for the warehouse manager. Treat the transcription as the complete input and identify which batch needs inspection first using only leakage rate.A two-row table with totals and leakage percentages, followed by a short prioritization explanation.Each percentage uses leaking divided by sealed plus leaking, and the priority follows that comparison.