Doubao 1.5 Thinking Vision Pro 250428 er den præcise hostede identitet, ByteDance angiver for Seed1.5-VL. Den er en vision-sprogmodel til generel multimodal forståelse og ræsonnement. Producentens beskrevne evner omfatter OCR, diagramforståelse, visuel grounding, 3D-rumforståelse, videoforståelse og visuelt ræsonnement. Disse opgaver returnerer fortolkninger og beslutninger baseret på visuelt materiale og et skriftligt spørgsmål.
Lever billedet, og identificér de oplysninger, der skal udtrækkes eller forklares. Ved et dokumentbillede skal du navngive den tekst eller de felter, der har betydning. Ved et diagram skal du spørge til bestemte etiketter og relationer. Ved en visuel gåde skal du angive spørgsmålet og bede om en konklusion understøttet af de relevante spor.
Hold den ønskede leverance tydelig: Transskriberet tekst, en beskrivelse af en relation eller en forklaring af et svar. Hvis billedet indeholder uklar skrift eller skjulte detaljer, skal du bede svaret om at identificere usikkerheden. Gem det oprindelige billede sammen med resultatet, så udtrukne ord og fortolkede relationer kan kontrolleres.
Visuel grounding forbinder en skriftlig henvisning med det relevante objekt eller område i et billede. En nyttig opgave kan navngive objektet, forklare forskellen fra nærliggende objekter og bede om de placeringsoplysninger, applikationen forventer. Applikationens outputformat skal definere, hvordan en sådan placering repræsenteres.
Ved rumlig forståelse skal du beskrive, hvilke relationer der har betydning: Relativ position, orientering eller objekternes arrangement i scenen. Bed om den synlige dokumentation før den endelige fortolkning. Bevar et skel mellem billedets observerbare egenskaber og en udledt tredimensionel relation.
Producenten angiver også videoforståelse og leverer en særlig videoopskriftsamling. Et videospørgsmål skal navngive den begivenhed, det objekt eller den sekvens, som er af interesse, og det resultat, der skal produceres. Brug tidsreferencer i spørgsmålet, og gem kildeklippet sammen med svaret, når en begivenhedssekvens kontrolleres.
Dens interaktive demonstrationer omfatter GUI-styring og spil. I en applikation til computerbrug understøtter modellens visuelle forståelse en beslutning om skærmen, mens den omgivende applikation udfører handlinger og leverer den næste observation. At beskrive en kontrol eller beslutte en næste handling fastslår ikke i sig selv, at en fil er gemt, eller at en skærmhandling er fuldført.
ByteDance identificerer modellen med en billedencoder på 532M parametre og en mixture-of-experts-sprogmodel med 20B aktive parametre. Dens opskriftsamling adskiller kontroller til lange tankekæder, grounding, rumlig forståelse, video og GUI-eksempler. Brug den præcise grænsefladekontrakt til de input og den outputrepræsentation, en opgave kræver.
Denne post bevarer 250428-udgivelsen navngivet i producentens kodearkiv. Den tidligere 250415 Thinking Pro Vision-profil er en særskilt identitet. Bevar den ønskede model, visuelle kilder og opgaveindstillinger med hvert resultat, så en senere revision kan sammenlignes med samme udgivelse og dokumentation.
", "aboutText": "Doubao 1.5 Thinking Vision Pro 250428 er den præcise hostede identitet, ByteDance angiver for Seed1.5-VL. Den er en vision-sprogmodel til generel multimodal forståelse og ræsonnement. Producentens beskrevne evner omfatter OCR, diagramforståelse, visuel grounding, 3D-rumforståelse, videoforståelse og visuelt ræsonnement. Disse opgaver returnerer fortolkninger og beslutninger baseret på visuelt materiale og et skriftligt spørgsmål.\n\n### Læs og fortolk den visuelle kilde\n\nLever billedet, og identificér de oplysninger, der skal udtrækkes eller forklares. Ved et dokumentbillede skal du navngive den tekst eller de felter, der har betydning. Ved et diagram skal du spørge til bestemte etiketter og relationer. Ved en visuel gåde skal du angive spørgsmålet og bede om en konklusion understøttet af de relevante spor.\n\nHold den ønskede leverance tydelig: Transskriberet tekst, en beskrivelse af en relation eller en forklaring af et svar. Hvis billedet indeholder uklar skrift eller skjulte detaljer, skal du bede svaret om at identificere usikkerheden. Gem det oprindelige billede sammen med resultatet, så udtrukne ord og fortolkede relationer kan kontrolleres.\n\n### Forankr et spørgsmål i objekter og rum\n\nVisuel grounding forbinder en skriftlig henvisning med det relevante objekt eller område i et billede. En nyttig opgave kan navngive objektet, forklare forskellen fra nærliggende objekter og bede om de placeringsoplysninger, applikationen forventer. Applikationens outputformat skal definere, hvordan en sådan placering repræsenteres.\n\nVed rumlig forståelse skal du beskrive, hvilke relationer der har betydning: Relativ position, orientering eller objekternes arrangement i scenen. Bed om den synlige dokumentation før den endelige fortolkning. Bevar et skel mellem billedets observerbare egenskaber og en udledt tredimensionel relation.\n\n### Arbejd med video og interaktive opgaver\n\nProducenten angiver også videoforståelse og leverer en særlig videoopskriftsamling. Et videospørgsmål skal navngive den begivenhed, det objekt eller den sekvens, som er af interesse, og det resultat, der skal produceres. Brug tidsreferencer i spørgsmålet, og gem kildeklippet sammen med svaret, når en begivenhedssekvens kontrolleres.\n\nDens interaktive demonstrationer omfatter GUI-styring og spil. I en applikation til computerbrug understøtter modellens visuelle forståelse en beslutning om skærmen, mens den omgivende applikation udfører handlinger og leverer den næste observation. At beskrive en kontrol eller beslutte en næste handling fastslår ikke i sig selv, at en fil er gemt, eller at en skærmhandling er fuldført.\n\n### Bevar udgivelsen og grænsefladeindstillingerne\n\nByteDance identificerer modellen med en billedencoder på 532M parametre og en mixture-of-experts-sprogmodel med 20B aktive parametre. Dens opskriftsamling adskiller kontroller til lange tankekæder, grounding, rumlig forståelse, video og GUI-eksempler. Brug den præcise grænsefladekontrakt til de input og den outputrepræsentation, en opgave kræver.\n\nDenne post bevarer 250428-udgivelsen navngivet i producentens kodearkiv. Den tidligere 250415 Thinking Pro Vision-profil er en særskilt identitet. Bevar den ønskede model, visuelle kilder og opgaveindstillinger med hvert resultat, så en senere revision kan sammenlignes med samme udgivelse og dokumentation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 er den navngivne Seed1.5-VL-vision-sprogudgivelse til billeder, video og skriftlige spørgsmål. Producenten beskriver OCR, diagramfortolkning, visuel grounding, rumlig forståelse og ræsonnement over visuel dokumentation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Doubao 1.5 Thinking Vision Pro 250428 er den præcise hostede identitet, ByteDance angiver for Seed1.5-VL. Den er en vision-sprogmodel til generel multimodal forståelse og ræsonnement. Producentens beskrevne evner omfatter OCR, diagramforståelse, visuel grounding, 3D-rumforståelse, videoforståelse og visuelt ræsonnement. Disse opgaver returnerer fortolkninger og beslutninger baseret på visuelt materiale og et skriftligt spørgsmål.
Lever billedet, og identificér de oplysninger, der skal udtrækkes eller forklares. Ved et dokumentbillede skal du navngive den tekst eller de felter, der har betydning. Ved et diagram skal du spørge til bestemte etiketter og relationer. Ved en visuel gåde skal du angive spørgsmålet og bede om en konklusion understøttet af de relevante spor.
Hold den ønskede leverance tydelig: Transskriberet tekst, en beskrivelse af en relation eller en forklaring af et svar. Hvis billedet indeholder uklar skrift eller skjulte detaljer, skal du bede svaret om at identificere usikkerheden. Gem det oprindelige billede sammen med resultatet, så udtrukne ord og fortolkede relationer kan kontrolleres.
Visuel grounding forbinder en skriftlig henvisning med det relevante objekt eller område i et billede. En nyttig opgave kan navngive objektet, forklare forskellen fra nærliggende objekter og bede om de placeringsoplysninger, applikationen forventer. Applikationens outputformat skal definere, hvordan en sådan placering repræsenteres.
Ved rumlig forståelse skal du beskrive, hvilke relationer der har betydning: Relativ position, orientering eller objekternes arrangement i scenen. Bed om den synlige dokumentation før den endelige fortolkning. Bevar et skel mellem billedets observerbare egenskaber og en udledt tredimensionel relation.
Producenten angiver også videoforståelse og leverer en særlig videoopskriftsamling. Et videospørgsmål skal navngive den begivenhed, det objekt eller den sekvens, som er af interesse, og det resultat, der skal produceres. Brug tidsreferencer i spørgsmålet, og gem kildeklippet sammen med svaret, når en begivenhedssekvens kontrolleres.
Dens interaktive demonstrationer omfatter GUI-styring og spil. I en applikation til computerbrug understøtter modellens visuelle forståelse en beslutning om skærmen, mens den omgivende applikation udfører handlinger og leverer den næste observation. At beskrive en kontrol eller beslutte en næste handling fastslår ikke i sig selv, at en fil er gemt, eller at en skærmhandling er fuldført.
ByteDance identificerer modellen med en billedencoder på 532M parametre og en mixture-of-experts-sprogmodel med 20B aktive parametre. Dens opskriftsamling adskiller kontroller til lange tankekæder, grounding, rumlig forståelse, video og GUI-eksempler. Brug den præcise grænsefladekontrakt til de input og den outputrepræsentation, en opgave kræver.
Denne post bevarer 250428-udgivelsen navngivet i producentens kodearkiv. Den tidligere 250415 Thinking Pro Vision-profil er en særskilt identitet. Bevar den ønskede model, visuelle kilder og opgaveindstillinger med hvert resultat, så en senere revision kan sammenlignes med samme udgivelse og dokumentation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K tokens Output · Outputtokens $0.00286 / 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": "doubao-1-5-thinking-vision-pro-250428", "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='doubao-1-5-thinking-vision-pro-250428',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='doubao-1-5-thinking-vision-pro-250428',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 doubao-1-5-thinking-vision-pro-250428
Brug metodestierne vist ovenfor.
doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 er den navngivne Seed1.5-VL-vision-sprogudgivelse til billeder, video og skriftlige spørgsmål. Producenten beskriver OCR, diagramfortolkning, visuel grounding, rumlig forståelse og ræsonnement over visuel dokumentation.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Doubao 1.5 Thinking Vision Pro 250428 er den præcise hostede identitet, ByteDance angiver for Seed1.5-VL. Den er en vision-sprogmodel til generel multimodal forståelse og ræsonnement. Producentens beskrevne evner omfatter OCR, diagramforståelse, visuel grounding, 3D-rumforståelse, videoforståelse og visuelt ræsonnement. Disse opgaver returnerer fortolkninger og beslutninger baseret på visuelt materiale og et skriftligt spørgsmål.
Lever billedet, og identificér de oplysninger, der skal udtrækkes eller forklares. Ved et dokumentbillede skal du navngive den tekst eller de felter, der har betydning. Ved et diagram skal du spørge til bestemte etiketter og relationer. Ved en visuel gåde skal du angive spørgsmålet og bede om en konklusion understøttet af de relevante spor.
Hold den ønskede leverance tydelig: Transskriberet tekst, en beskrivelse af en relation eller en forklaring af et svar. Hvis billedet indeholder uklar skrift eller skjulte detaljer, skal du bede svaret om at identificere usikkerheden. Gem det oprindelige billede sammen med resultatet, så udtrukne ord og fortolkede relationer kan kontrolleres.
Visuel grounding forbinder en skriftlig henvisning med det relevante objekt eller område i et billede. En nyttig opgave kan navngive objektet, forklare forskellen fra nærliggende objekter og bede om de placeringsoplysninger, applikationen forventer. Applikationens outputformat skal definere, hvordan en sådan placering repræsenteres.
Ved rumlig forståelse skal du beskrive, hvilke relationer der har betydning: Relativ position, orientering eller objekternes arrangement i scenen. Bed om den synlige dokumentation før den endelige fortolkning. Bevar et skel mellem billedets observerbare egenskaber og en udledt tredimensionel relation.
Producenten angiver også videoforståelse og leverer en særlig videoopskriftsamling. Et videospørgsmål skal navngive den begivenhed, det objekt eller den sekvens, som er af interesse, og det resultat, der skal produceres. Brug tidsreferencer i spørgsmålet, og gem kildeklippet sammen med svaret, når en begivenhedssekvens kontrolleres.
Dens interaktive demonstrationer omfatter GUI-styring og spil. I en applikation til computerbrug understøtter modellens visuelle forståelse en beslutning om skærmen, mens den omgivende applikation udfører handlinger og leverer den næste observation. At beskrive en kontrol eller beslutte en næste handling fastslår ikke i sig selv, at en fil er gemt, eller at en skærmhandling er fuldført.
ByteDance identificerer modellen med en billedencoder på 532M parametre og en mixture-of-experts-sprogmodel med 20B aktive parametre. Dens opskriftsamling adskiller kontroller til lange tankekæder, grounding, rumlig forståelse, video og GUI-eksempler. Brug den præcise grænsefladekontrakt til de input og den outputrepræsentation, en opgave kræver.
Denne post bevarer 250428-udgivelsen navngivet i producentens kodearkiv. Den tidligere 250415 Thinking Pro Vision-profil er en særskilt identitet. Bevar den ønskede model, visuelle kilder og opgaveindstillinger med hvert resultat, så en senere revision kan sammenlignes med samme udgivelse og dokumentation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K tokens Output · Outputtokens $0.00286 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'doubao-1-5-thinking-vision-pro-250428', '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': 'doubao-1-5-thinking-vision-pro-250428', '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 doubao-1-5-thinking-vision-pro-250428
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.