ERNIE 4.5 VL 424B-A47B er Baidus vision-language-chatmodel, udviklet fra den tilsvarende ERNIE 4.5 VL Base-model. Den kombinerer tekstinstruktioner med visuelt materiale og genererer et tekstsvar. Dens mixture-of-experts-netværk har 424 milliarder parametre i alt med 47 milliarder aktiveret for hver token, og producenten offentliggør en kontekstlængde på 131.072 tokens.
ERNIE 4.5’s hovedtræk. Familien bruger et heterogent mixture-of-experts-design, der deler noget viden mellem sprog og syn og samtidig bevarer modalitetsspecifik behandling. Baidu beskriver fælles multimodal fortræning, effektiv trænings- og inferensinfrastruktur samt eftertræning tilpasset den tilsigtede modalitet. For VL-modellen er fokus billedforståelse, opgavespecifikke visuelle instruktioner og ræsonnement, der forbinder visuelt belæg med sprog. Træningen omfatter superviseret finjustering og forstærkningslæring med verificerbare belønninger.
Modeloversigt. Konfigurationen angiver 54 lag, 64 query-attentionhoveder og 8 key/value-hoveder med separate ekspertgrupper til tekst og syn. Hver gruppe angiver 64 eksperter og 8 aktiverede eksperter. Producentens modeltabel identificerer tekst, billede og video som inputmodaliteter til denne udgave og tekst som output. Betragt outputtet som en fortolkning af det vedlagte indhold: en beskrivelse, et svar på et visuelt spørgsmål eller en begrundet forklaring af, hvad materialet understøtter.
Billedforståelse. Vedlæg originalbilledet og et udtrykkeligt spørgsmål. Til en dokumentside skal du bevare etiketter, kolonneoverskrifter og teksten omkring en omstridt værdi og derefter bede om udvalgte felter med den sideplacering, der understøtter dem. Til et diagram skal du angive, om målet er at forklare komponenterne, følge en proces eller sammenligne det med en skriftlig specifikation. Bed modellen rapportere de synlige etiketter, før den drager en konklusion, så observationerne kan gennemgås separat fra fortolkningen.
Multimodalt ræsonnement. Når flere billeder bidrager til samme opgave, skal du mærke deres roller og forklare, hvilke detaljer der skal sammenlignes. En nyttig anmodning kan parre et produktfoto med en vedlagt specifikation og bede om en liste over synlige overensstemmelser, forskelle og forhold, billedet ikke kan dokumentere. Til tidsbaseret materiale skal du identificere begivenheden eller ændringen, du vil forstå, og bede om en observationssekvens knyttet til de vedlagte billeder eller segmenter. Det endelige slutprodukt bør gøre belægget bag en påstået ændring let at efterse.
Tænkning og direkte svar. Baidu beskriver tilstande med og uden tænkning til sine vision-language-modeller. Tænkning tjener opgaver, der kræver analyse på tværs af visuel og tekstlig information; et direkte svar kan tjene en enkel beskrivelse eller et simpelt visuelt spørgsmål. Angiv det nødvendige resultat klart, såsom et kort svar, en sammenligningstabel eller en forklaring med understøttende observationer. Tilstandsvalg tilhører genereringsopsætningen frem for den almindelige ordlyd i en billedanmodning.
Forbered materialet omkring spørgsmålet. Brug læsbare sider og relevante visninger, hold billedetiketter konsistente, og reservér plads i konteksten til det ønskede tekstsvar. Bed modellen markere ulæselig tekst og adskille udledte egenskaber fra synlige detaljer. Et billede kan vise en etiket, form eller placering, mens svaret også kræver en vedlagt regel eller specifikation. Bekræft kritiske udtrukne værdier mod originalen, og brug en yderligere visning, når belægget efterlader en vigtig detalje uafklaret.
", "aboutText": "ERNIE 4.5 VL 424B-A47B er Baidus vision-language-chatmodel, udviklet fra den tilsvarende ERNIE 4.5 VL Base-model. Den kombinerer tekstinstruktioner med visuelt materiale og genererer et tekstsvar. Dens mixture-of-experts-netværk har 424 milliarder parametre i alt med 47 milliarder aktiveret for hver token, og producenten offentliggør en kontekstlængde på 131.072 tokens.\n\nERNIE 4.5’s hovedtræk. Familien bruger et heterogent mixture-of-experts-design, der deler noget viden mellem sprog og syn og samtidig bevarer modalitetsspecifik behandling. Baidu beskriver fælles multimodal fortræning, effektiv trænings- og inferensinfrastruktur samt eftertræning tilpasset den tilsigtede modalitet. For VL-modellen er fokus billedforståelse, opgavespecifikke visuelle instruktioner og ræsonnement, der forbinder visuelt belæg med sprog. Træningen omfatter superviseret finjustering og forstærkningslæring med verificerbare belønninger.\n\nModeloversigt. Konfigurationen angiver 54 lag, 64 query-attentionhoveder og 8 key/value-hoveder med separate ekspertgrupper til tekst og syn. Hver gruppe angiver 64 eksperter og 8 aktiverede eksperter. Producentens modeltabel identificerer tekst, billede og video som inputmodaliteter til denne udgave og tekst som output. Betragt outputtet som en fortolkning af det vedlagte indhold: en beskrivelse, et svar på et visuelt spørgsmål eller en begrundet forklaring af, hvad materialet understøtter.\n\nBilledforståelse. Vedlæg originalbilledet og et udtrykkeligt spørgsmål. Til en dokumentside skal du bevare etiketter, kolonneoverskrifter og teksten omkring en omstridt værdi og derefter bede om udvalgte felter med den sideplacering, der understøtter dem. Til et diagram skal du angive, om målet er at forklare komponenterne, følge en proces eller sammenligne det med en skriftlig specifikation. Bed modellen rapportere de synlige etiketter, før den drager en konklusion, så observationerne kan gennemgås separat fra fortolkningen.\n\nMultimodalt ræsonnement. Når flere billeder bidrager til samme opgave, skal du mærke deres roller og forklare, hvilke detaljer der skal sammenlignes. En nyttig anmodning kan parre et produktfoto med en vedlagt specifikation og bede om en liste over synlige overensstemmelser, forskelle og forhold, billedet ikke kan dokumentere. Til tidsbaseret materiale skal du identificere begivenheden eller ændringen, du vil forstå, og bede om en observationssekvens knyttet til de vedlagte billeder eller segmenter. Det endelige slutprodukt bør gøre belægget bag en påstået ændring let at efterse.\n\nTænkning og direkte svar. Baidu beskriver tilstande med og uden tænkning til sine vision-language-modeller. Tænkning tjener opgaver, der kræver analyse på tværs af visuel og tekstlig information; et direkte svar kan tjene en enkel beskrivelse eller et simpelt visuelt spørgsmål. Angiv det nødvendige resultat klart, såsom et kort svar, en sammenligningstabel eller en forklaring med understøttende observationer. Tilstandsvalg tilhører genereringsopsætningen frem for den almindelige ordlyd i en billedanmodning.\n\nForbered materialet omkring spørgsmålet. Brug læsbare sider og relevante visninger, hold billedetiketter konsistente, og reservér plads i konteksten til det ønskede tekstsvar. Bed modellen markere ulæselig tekst og adskille udledte egenskaber fra synlige detaljer. Et billede kan vise en etiket, form eller placering, mens svaret også kræver en vedlagt regel eller specifikation. Bekræft kritiske udtrukne værdier mod originalen, og brug en yderligere visning, når belægget efterlader en vigtig detalje uafklaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B er Baidus vision-language mixture-of-experts-model til billedforståelse og multimodalt ræsonnement. Den offentliggjorte konfiguration har 424 milliarder parametre i alt, 47 milliarder aktive pr. token og en kontekst på 131.072 tokens; svar genereres som tekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE 4.5 VL 424B-A47B er Baidus vision-language-chatmodel, udviklet fra den tilsvarende ERNIE 4.5 VL Base-model. Den kombinerer tekstinstruktioner med visuelt materiale og genererer et tekstsvar. Dens mixture-of-experts-netværk har 424 milliarder parametre i alt med 47 milliarder aktiveret for hver token, og producenten offentliggør en kontekstlængde på 131.072 tokens.
ERNIE 4.5’s hovedtræk. Familien bruger et heterogent mixture-of-experts-design, der deler noget viden mellem sprog og syn og samtidig bevarer modalitetsspecifik behandling. Baidu beskriver fælles multimodal fortræning, effektiv trænings- og inferensinfrastruktur samt eftertræning tilpasset den tilsigtede modalitet. For VL-modellen er fokus billedforståelse, opgavespecifikke visuelle instruktioner og ræsonnement, der forbinder visuelt belæg med sprog. Træningen omfatter superviseret finjustering og forstærkningslæring med verificerbare belønninger.
Modeloversigt. Konfigurationen angiver 54 lag, 64 query-attentionhoveder og 8 key/value-hoveder med separate ekspertgrupper til tekst og syn. Hver gruppe angiver 64 eksperter og 8 aktiverede eksperter. Producentens modeltabel identificerer tekst, billede og video som inputmodaliteter til denne udgave og tekst som output. Betragt outputtet som en fortolkning af det vedlagte indhold: en beskrivelse, et svar på et visuelt spørgsmål eller en begrundet forklaring af, hvad materialet understøtter.
Billedforståelse. Vedlæg originalbilledet og et udtrykkeligt spørgsmål. Til en dokumentside skal du bevare etiketter, kolonneoverskrifter og teksten omkring en omstridt værdi og derefter bede om udvalgte felter med den sideplacering, der understøtter dem. Til et diagram skal du angive, om målet er at forklare komponenterne, følge en proces eller sammenligne det med en skriftlig specifikation. Bed modellen rapportere de synlige etiketter, før den drager en konklusion, så observationerne kan gennemgås separat fra fortolkningen.
Multimodalt ræsonnement. Når flere billeder bidrager til samme opgave, skal du mærke deres roller og forklare, hvilke detaljer der skal sammenlignes. En nyttig anmodning kan parre et produktfoto med en vedlagt specifikation og bede om en liste over synlige overensstemmelser, forskelle og forhold, billedet ikke kan dokumentere. Til tidsbaseret materiale skal du identificere begivenheden eller ændringen, du vil forstå, og bede om en observationssekvens knyttet til de vedlagte billeder eller segmenter. Det endelige slutprodukt bør gøre belægget bag en påstået ændring let at efterse.
Tænkning og direkte svar. Baidu beskriver tilstande med og uden tænkning til sine vision-language-modeller. Tænkning tjener opgaver, der kræver analyse på tværs af visuel og tekstlig information; et direkte svar kan tjene en enkel beskrivelse eller et simpelt visuelt spørgsmål. Angiv det nødvendige resultat klart, såsom et kort svar, en sammenligningstabel eller en forklaring med understøttende observationer. Tilstandsvalg tilhører genereringsopsætningen frem for den almindelige ordlyd i en billedanmodning.
Forbered materialet omkring spørgsmålet. Brug læsbare sider og relevante visninger, hold billedetiketter konsistente, og reservér plads i konteksten til det ønskede tekstsvar. Bed modellen markere ulæselig tekst og adskille udledte egenskaber fra synlige detaljer. Et billede kan vise en etiket, form eller placering, mens svaret også kræver en vedlagt regel eller specifikation. Bekræft kritiske udtrukne værdier mod originalen, og brug en yderligere visning, når belægget efterlader en vigtig detalje uafklaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser baidu/ernie-4.5-vl-424b-a47b | 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 $0.000858 / 1K tokens Output · Outputtokens $0.00258 / 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-424b-a47b", "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-424b-a47b',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-424b-a47b',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-424b-a47b
Brug metodestierne vist ovenfor.
baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B er Baidus vision-language mixture-of-experts-model til billedforståelse og multimodalt ræsonnement. Den offentliggjorte konfiguration har 424 milliarder parametre i alt, 47 milliarder aktive pr. token og en kontekst på 131.072 tokens; svar genereres som tekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE 4.5 VL 424B-A47B er Baidus vision-language-chatmodel, udviklet fra den tilsvarende ERNIE 4.5 VL Base-model. Den kombinerer tekstinstruktioner med visuelt materiale og genererer et tekstsvar. Dens mixture-of-experts-netværk har 424 milliarder parametre i alt med 47 milliarder aktiveret for hver token, og producenten offentliggør en kontekstlængde på 131.072 tokens.
ERNIE 4.5’s hovedtræk. Familien bruger et heterogent mixture-of-experts-design, der deler noget viden mellem sprog og syn og samtidig bevarer modalitetsspecifik behandling. Baidu beskriver fælles multimodal fortræning, effektiv trænings- og inferensinfrastruktur samt eftertræning tilpasset den tilsigtede modalitet. For VL-modellen er fokus billedforståelse, opgavespecifikke visuelle instruktioner og ræsonnement, der forbinder visuelt belæg med sprog. Træningen omfatter superviseret finjustering og forstærkningslæring med verificerbare belønninger.
Modeloversigt. Konfigurationen angiver 54 lag, 64 query-attentionhoveder og 8 key/value-hoveder med separate ekspertgrupper til tekst og syn. Hver gruppe angiver 64 eksperter og 8 aktiverede eksperter. Producentens modeltabel identificerer tekst, billede og video som inputmodaliteter til denne udgave og tekst som output. Betragt outputtet som en fortolkning af det vedlagte indhold: en beskrivelse, et svar på et visuelt spørgsmål eller en begrundet forklaring af, hvad materialet understøtter.
Billedforståelse. Vedlæg originalbilledet og et udtrykkeligt spørgsmål. Til en dokumentside skal du bevare etiketter, kolonneoverskrifter og teksten omkring en omstridt værdi og derefter bede om udvalgte felter med den sideplacering, der understøtter dem. Til et diagram skal du angive, om målet er at forklare komponenterne, følge en proces eller sammenligne det med en skriftlig specifikation. Bed modellen rapportere de synlige etiketter, før den drager en konklusion, så observationerne kan gennemgås separat fra fortolkningen.
Multimodalt ræsonnement. Når flere billeder bidrager til samme opgave, skal du mærke deres roller og forklare, hvilke detaljer der skal sammenlignes. En nyttig anmodning kan parre et produktfoto med en vedlagt specifikation og bede om en liste over synlige overensstemmelser, forskelle og forhold, billedet ikke kan dokumentere. Til tidsbaseret materiale skal du identificere begivenheden eller ændringen, du vil forstå, og bede om en observationssekvens knyttet til de vedlagte billeder eller segmenter. Det endelige slutprodukt bør gøre belægget bag en påstået ændring let at efterse.
Tænkning og direkte svar. Baidu beskriver tilstande med og uden tænkning til sine vision-language-modeller. Tænkning tjener opgaver, der kræver analyse på tværs af visuel og tekstlig information; et direkte svar kan tjene en enkel beskrivelse eller et simpelt visuelt spørgsmål. Angiv det nødvendige resultat klart, såsom et kort svar, en sammenligningstabel eller en forklaring med understøttende observationer. Tilstandsvalg tilhører genereringsopsætningen frem for den almindelige ordlyd i en billedanmodning.
Forbered materialet omkring spørgsmålet. Brug læsbare sider og relevante visninger, hold billedetiketter konsistente, og reservér plads i konteksten til det ønskede tekstsvar. Bed modellen markere ulæselig tekst og adskille udledte egenskaber fra synlige detaljer. Et billede kan vise en etiket, form eller placering, mens svaret også kræver en vedlagt regel eller specifikation. Bekræft kritiske udtrukne værdier mod originalen, og brug en yderligere visning, når belægget efterlader en vigtig detalje uafklaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser baidu/ernie-4.5-vl-424b-a47b | 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 $0.000858 / 1K tokens Output · Outputtokens $0.00258 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "baidu/ernie-4.5-vl-424b-a47b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-424b-a47b', '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-424b-a47b', '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-424b-a47b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.