Doubao 1.5 Vision Pro er ByteDances vision-sprogmodel til at besvare spørgsmål, der kombinerer et billede med en tekstinstruktion. Dens opdaterede evner fokuserer på visuelt ræsonnement, genkendelse af dokumenttekst, finkornede oplysninger og efterlevelse af komplekse instruktioner. Resultatet er et tekstsvar: En forklaring af scenen, udtrukne oplysninger eller en analyse knyttet til det leverede visuelle materiale.
Billeddetaljer og layout. Modellen bruger en oprindelig arkitektur med dynamisk opløsning til at behandle billeder med forskellige opløsninger og former. Producenten beskriver specifikt billeder med høj opløsning, små billeder med lav opløsning og ekstreme billedforhold. Dette er nyttigt, når kilden er en høj dokumentside, et bredt skærmbillede eller et fotografi med små detaljer. Lever den tydeligste tilgængelige original, bevar det område, der er relevant for spørgsmålet, og identificér den side eller region, modellen skal undersøge. En forstørret sløring indeholder stadig de samme manglende oplysninger; bed om en eksplicit usikkerhedsbemærkning, når en etiket eller et tal ikke kan læses.
Visuelle instruktioner. Udgivelsen beskriver forbedret instruktionsfølgning gennem mere varierede visuelle opgaver under eftertræning. En anmodning kan angive det objekt, der skal undersøges, de detaljer, der skal rapporteres, og svarets rækkefølge. Ved en emballagesammenligning skal du mærke billederne A og B og bede om en tabel over synlige forskelle i ordlyd, layout og komponenter. Ved gennemgang af et skærmbillede skal du identificere den tilsigtede handling og bede om en beskrivelse af de synlige kontroller og de oplysninger, der er nødvendige for at fuldføre den. Det nyttige output er en sammenligning eller forklaring med grundlag i det, billedet faktisk viser.
Dokumentgenkendelse. Kombinér en læselig side med de feltnavne, din arbejdsgang har brug for: Dokumenttitel, dato, parter, varenavne eller beløb. Bed modellen om at holde udtrukket tekst adskilt fra fortolkning og bevare den oprindelige stavning af vigtige identifikatorer. Ved en post med flere sider skal du levere sidemærkater og bede om sidehenvisninger ved hver udtrukket værdi. Derefter kan du gennemgå teksten mod kilden, afklare uklare tegn og forberede de valgte felter til en efterfølgende applikation.
Versionens tekniske opdatering omfatter syntese af multimodale data, dynamisk opløsning, afstemning mellem visuelle og tekstlige oplysninger og blandet træning. Disse ændringer tjener billedforståelse og ræsonnement; producenten beskriver også en mere kortfattet og tilgængelig svarstil. For at omsætte det til en nyttig leverance skal du navngive målgruppen og den ønskede form, såsom et inspektionsnotat, en billedbeskrivelse eller en liste med spørgsmål til dokumentejeren.
Vælg opgaven ud fra synlig dokumentation. Et produktfoto kan understøtte en beskrivelse af form, farve, etiketter og observerbare komponenter; lever en specifikation særskilt, hvis svaret også kræver dimensioner eller materialer. Et dokumentbillede kan understøtte udtræk og forklaring; medtag den relevante omgivende side, når en beskåret sætning afhænger af tidligere definitioner. Bed modellen om at skelne en observation fra en slutning, og verificér små tekststykker og afgørende værdier, før resultatet bruges.
", "aboutText": "Doubao 1.5 Vision Pro er ByteDances vision-sprogmodel til at besvare spørgsmål, der kombinerer et billede med en tekstinstruktion. Dens opdaterede evner fokuserer på visuelt ræsonnement, genkendelse af dokumenttekst, finkornede oplysninger og efterlevelse af komplekse instruktioner. Resultatet er et tekstsvar: En forklaring af scenen, udtrukne oplysninger eller en analyse knyttet til det leverede visuelle materiale.\n\nBilleddetaljer og layout. Modellen bruger en oprindelig arkitektur med dynamisk opløsning til at behandle billeder med forskellige opløsninger og former. Producenten beskriver specifikt billeder med høj opløsning, små billeder med lav opløsning og ekstreme billedforhold. Dette er nyttigt, når kilden er en høj dokumentside, et bredt skærmbillede eller et fotografi med små detaljer. Lever den tydeligste tilgængelige original, bevar det område, der er relevant for spørgsmålet, og identificér den side eller region, modellen skal undersøge. En forstørret sløring indeholder stadig de samme manglende oplysninger; bed om en eksplicit usikkerhedsbemærkning, når en etiket eller et tal ikke kan læses.\n\nVisuelle instruktioner. Udgivelsen beskriver forbedret instruktionsfølgning gennem mere varierede visuelle opgaver under eftertræning. En anmodning kan angive det objekt, der skal undersøges, de detaljer, der skal rapporteres, og svarets rækkefølge. Ved en emballagesammenligning skal du mærke billederne A og B og bede om en tabel over synlige forskelle i ordlyd, layout og komponenter. Ved gennemgang af et skærmbillede skal du identificere den tilsigtede handling og bede om en beskrivelse af de synlige kontroller og de oplysninger, der er nødvendige for at fuldføre den. Det nyttige output er en sammenligning eller forklaring med grundlag i det, billedet faktisk viser.\n\nDokumentgenkendelse. Kombinér en læselig side med de feltnavne, din arbejdsgang har brug for: Dokumenttitel, dato, parter, varenavne eller beløb. Bed modellen om at holde udtrukket tekst adskilt fra fortolkning og bevare den oprindelige stavning af vigtige identifikatorer. Ved en post med flere sider skal du levere sidemærkater og bede om sidehenvisninger ved hver udtrukket værdi. Derefter kan du gennemgå teksten mod kilden, afklare uklare tegn og forberede de valgte felter til en efterfølgende applikation.\n\nVersionens tekniske opdatering omfatter syntese af multimodale data, dynamisk opløsning, afstemning mellem visuelle og tekstlige oplysninger og blandet træning. Disse ændringer tjener billedforståelse og ræsonnement; producenten beskriver også en mere kortfattet og tilgængelig svarstil. For at omsætte det til en nyttig leverance skal du navngive målgruppen og den ønskede form, såsom et inspektionsnotat, en billedbeskrivelse eller en liste med spørgsmål til dokumentejeren.\n\nVælg opgaven ud fra synlig dokumentation. Et produktfoto kan understøtte en beskrivelse af form, farve, etiketter og observerbare komponenter; lever en specifikation særskilt, hvis svaret også kræver dimensioner eller materialer. Et dokumentbillede kan understøtte udtræk og forklaring; medtag den relevante omgivende side, når en beskåret sætning afhænger af tidligere definitioner. Bed modellen om at skelne en observation fra en slutning, og verificér små tekststykker og afgørende værdier, før resultatet bruges.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract fields from a page transcription\n\nExtract fields from this document transcription, keeping literal values separate from interpretation: Page 1, Delivery note DN-82. Recipient: Lumen Studio. Items: Desk lamp, quantity 4. Delivery date: unclear. Return document_id, recipient, item, quantity and delivery_date, with the page label beside each value. Use unknown for the unclear date.A field table with value and source-page columns, retaining unknown for the delivery date.Compare every populated value to the supplied transcription and confirm that no date is invented.Doubao-1.5-vision-pro-32kDoubao 1.5 Vision Pro 32K er ByteDances vision-sprogmodel til at forstå billeder, læse dokumentsider og ræsonnere over fine visuelle detaljer. Kombinér et billede med præcise instruktioner for at få en tekstforklaring eller et struktureret udtræk.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Doubao 1.5 Vision Pro er ByteDances vision-sprogmodel til at besvare spørgsmål, der kombinerer et billede med en tekstinstruktion. Dens opdaterede evner fokuserer på visuelt ræsonnement, genkendelse af dokumenttekst, finkornede oplysninger og efterlevelse af komplekse instruktioner. Resultatet er et tekstsvar: En forklaring af scenen, udtrukne oplysninger eller en analyse knyttet til det leverede visuelle materiale.
Billeddetaljer og layout. Modellen bruger en oprindelig arkitektur med dynamisk opløsning til at behandle billeder med forskellige opløsninger og former. Producenten beskriver specifikt billeder med høj opløsning, små billeder med lav opløsning og ekstreme billedforhold. Dette er nyttigt, når kilden er en høj dokumentside, et bredt skærmbillede eller et fotografi med små detaljer. Lever den tydeligste tilgængelige original, bevar det område, der er relevant for spørgsmålet, og identificér den side eller region, modellen skal undersøge. En forstørret sløring indeholder stadig de samme manglende oplysninger; bed om en eksplicit usikkerhedsbemærkning, når en etiket eller et tal ikke kan læses.
Visuelle instruktioner. Udgivelsen beskriver forbedret instruktionsfølgning gennem mere varierede visuelle opgaver under eftertræning. En anmodning kan angive det objekt, der skal undersøges, de detaljer, der skal rapporteres, og svarets rækkefølge. Ved en emballagesammenligning skal du mærke billederne A og B og bede om en tabel over synlige forskelle i ordlyd, layout og komponenter. Ved gennemgang af et skærmbillede skal du identificere den tilsigtede handling og bede om en beskrivelse af de synlige kontroller og de oplysninger, der er nødvendige for at fuldføre den. Det nyttige output er en sammenligning eller forklaring med grundlag i det, billedet faktisk viser.
Dokumentgenkendelse. Kombinér en læselig side med de feltnavne, din arbejdsgang har brug for: Dokumenttitel, dato, parter, varenavne eller beløb. Bed modellen om at holde udtrukket tekst adskilt fra fortolkning og bevare den oprindelige stavning af vigtige identifikatorer. Ved en post med flere sider skal du levere sidemærkater og bede om sidehenvisninger ved hver udtrukket værdi. Derefter kan du gennemgå teksten mod kilden, afklare uklare tegn og forberede de valgte felter til en efterfølgende applikation.
Versionens tekniske opdatering omfatter syntese af multimodale data, dynamisk opløsning, afstemning mellem visuelle og tekstlige oplysninger og blandet træning. Disse ændringer tjener billedforståelse og ræsonnement; producenten beskriver også en mere kortfattet og tilgængelig svarstil. For at omsætte det til en nyttig leverance skal du navngive målgruppen og den ønskede form, såsom et inspektionsnotat, en billedbeskrivelse eller en liste med spørgsmål til dokumentejeren.
Vælg opgaven ud fra synlig dokumentation. Et produktfoto kan understøtte en beskrivelse af form, farve, etiketter og observerbare komponenter; lever en specifikation særskilt, hvis svaret også kræver dimensioner eller materialer. Et dokumentbillede kan understøtte udtræk og forklaring; medtag den relevante omgivende side, når en beskåret sætning afhænger af tidligere definitioner. Bed modellen om at skelne en observation fra en slutning, og verificér små tekststykker og afgørende værdier, før resultatet bruges.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Doubao-1.5-vision-pro-32k | 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 $0.00086 / 1K tokens Output · Outputtokens $0.0026 / 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-vision-pro-32k", "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-vision-pro-32k',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-vision-pro-32k',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-vision-pro-32k
Brug metodestierne vist ovenfor.
Doubao-1.5-vision-pro-32kDoubao 1.5 Vision Pro 32K er ByteDances vision-sprogmodel til at forstå billeder, læse dokumentsider og ræsonnere over fine visuelle detaljer. Kombinér et billede med præcise instruktioner for at få en tekstforklaring eller et struktureret udtræk.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Doubao 1.5 Vision Pro er ByteDances vision-sprogmodel til at besvare spørgsmål, der kombinerer et billede med en tekstinstruktion. Dens opdaterede evner fokuserer på visuelt ræsonnement, genkendelse af dokumenttekst, finkornede oplysninger og efterlevelse af komplekse instruktioner. Resultatet er et tekstsvar: En forklaring af scenen, udtrukne oplysninger eller en analyse knyttet til det leverede visuelle materiale.
Billeddetaljer og layout. Modellen bruger en oprindelig arkitektur med dynamisk opløsning til at behandle billeder med forskellige opløsninger og former. Producenten beskriver specifikt billeder med høj opløsning, små billeder med lav opløsning og ekstreme billedforhold. Dette er nyttigt, når kilden er en høj dokumentside, et bredt skærmbillede eller et fotografi med små detaljer. Lever den tydeligste tilgængelige original, bevar det område, der er relevant for spørgsmålet, og identificér den side eller region, modellen skal undersøge. En forstørret sløring indeholder stadig de samme manglende oplysninger; bed om en eksplicit usikkerhedsbemærkning, når en etiket eller et tal ikke kan læses.
Visuelle instruktioner. Udgivelsen beskriver forbedret instruktionsfølgning gennem mere varierede visuelle opgaver under eftertræning. En anmodning kan angive det objekt, der skal undersøges, de detaljer, der skal rapporteres, og svarets rækkefølge. Ved en emballagesammenligning skal du mærke billederne A og B og bede om en tabel over synlige forskelle i ordlyd, layout og komponenter. Ved gennemgang af et skærmbillede skal du identificere den tilsigtede handling og bede om en beskrivelse af de synlige kontroller og de oplysninger, der er nødvendige for at fuldføre den. Det nyttige output er en sammenligning eller forklaring med grundlag i det, billedet faktisk viser.
Dokumentgenkendelse. Kombinér en læselig side med de feltnavne, din arbejdsgang har brug for: Dokumenttitel, dato, parter, varenavne eller beløb. Bed modellen om at holde udtrukket tekst adskilt fra fortolkning og bevare den oprindelige stavning af vigtige identifikatorer. Ved en post med flere sider skal du levere sidemærkater og bede om sidehenvisninger ved hver udtrukket værdi. Derefter kan du gennemgå teksten mod kilden, afklare uklare tegn og forberede de valgte felter til en efterfølgende applikation.
Versionens tekniske opdatering omfatter syntese af multimodale data, dynamisk opløsning, afstemning mellem visuelle og tekstlige oplysninger og blandet træning. Disse ændringer tjener billedforståelse og ræsonnement; producenten beskriver også en mere kortfattet og tilgængelig svarstil. For at omsætte det til en nyttig leverance skal du navngive målgruppen og den ønskede form, såsom et inspektionsnotat, en billedbeskrivelse eller en liste med spørgsmål til dokumentejeren.
Vælg opgaven ud fra synlig dokumentation. Et produktfoto kan understøtte en beskrivelse af form, farve, etiketter og observerbare komponenter; lever en specifikation særskilt, hvis svaret også kræver dimensioner eller materialer. Et dokumentbillede kan understøtte udtræk og forklaring; medtag den relevante omgivende side, når en beskåret sætning afhænger af tidligere definitioner. Bed modellen om at skelne en observation fra en slutning, og verificér små tekststykker og afgørende værdier, før resultatet bruges.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Doubao-1.5-vision-pro-32k | 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 $0.00086 / 1K tokens Output · Outputtokens $0.0026 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "Doubao-1.5-vision-pro-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-vision-pro-32k', '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-vision-pro-32k', '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-vision-pro-32k
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract fields from a page transcription\n\nExtract fields from this document transcription, keeping literal values separate from interpretation: Page 1, Delivery note DN-82. Recipient: Lumen Studio. Items: Desk lamp, quantity 4. Delivery date: unclear. Return document_id, recipient, item, quantity and delivery_date, with the page label beside each value. Use unknown for the unclear date.A field table with value and source-page columns, retaining unknown for the delivery date.Compare every populated value to the supplied transcription and confirm that no date is invented.