ERNIE 4.5 Turbo VL 32K er den navngivne 32K-profil til visuel forståelse i Baidus ERNIE 4.5 Turbo-familie. Den er nyttig, når et billede giver grundlaget for et skriftligt spørgsmål, og det ønskede resultat er en tekstlig fortolkning. Den præcise 32K-identitet adskiller dette opslag fra den særskilte Turbo VL-profil med større kontekstvindue.
Angiv et læsbart billede, og præcisér det spørgsmål, det skal besvare. Ved en side eller et diagram skal du identificere de relevante etiketter, det relevante område eller den relevante sammenhæng. Bed om, at svaret adskiller synlige detaljer fra den konklusion, der udledes af dem, så vigtige fakta kan kontrolleres i forhold til originalkilden.
Hvis opgaven kombinerer et billede med yderligere skriftlige fakta, skal du mærke disse fakta særskilt. En nyttig sammenligning kan spørge, hvordan et synligt diagram hænger sammen med den ledsagende beskrivelse, frem for at antage, at billedet underbygger oplysninger, der kun findes i teksten. Bed om en kompakt forklaring eller definerede felter afhængigt af det resultat, applikationen kræver.
Baidus modelliste angiver for netop denne profil 32K kontekst, maksimalt input på 27K tokens og et outputinterval på 2–12.288 tokens. Det er separate begrænsninger: et svarloft er ikke en yderligere inputramme. Forbered relevant kildemateriale, og efterlad passende plads til forklaringen inden for den aktive arbejdskontekst.
Bevar billedet, spørgsmålet og den returnerede tekst samlet, når en fortolkning revideres. En opfølgning kan pege på én omtvistet detalje og bede om, at den del genovervejes. Resultatet af visuel forståelse er tekst med udgangspunkt i det angivne billede; oprettelse af et nyt billede er en særskilt outputopgave.
", "aboutText": "ERNIE 4.5 Turbo VL 32K er den navngivne 32K-profil til visuel forståelse i Baidus ERNIE 4.5 Turbo-familie. Den er nyttig, når et billede giver grundlaget for et skriftligt spørgsmål, og det ønskede resultat er en tekstlig fortolkning. Den præcise 32K-identitet adskiller dette opslag fra den særskilte Turbo VL-profil med større kontekstvindue.\n\n### Bed om de oplysninger, billedet indeholder\n\nAngiv et læsbart billede, og præcisér det spørgsmål, det skal besvare. Ved en side eller et diagram skal du identificere de relevante etiketter, det relevante område eller den relevante sammenhæng. Bed om, at svaret adskiller synlige detaljer fra den konklusion, der udledes af dem, så vigtige fakta kan kontrolleres i forhold til originalkilden.\n\nHvis opgaven kombinerer et billede med yderligere skriftlige fakta, skal du mærke disse fakta særskilt. En nyttig sammenligning kan spørge, hvordan et synligt diagram hænger sammen med den ledsagende beskrivelse, frem for at antage, at billedet underbygger oplysninger, der kun findes i teksten. Bed om en kompakt forklaring eller definerede felter afhængigt af det resultat, applikationen kræver.\n\n### Planlæg arbejdsbudgettet på 32K\n\nBaidus modelliste angiver for netop denne profil 32K kontekst, maksimalt input på 27K tokens og et outputinterval på 2–12.288 tokens. Det er separate begrænsninger: et svarloft er ikke en yderligere inputramme. Forbered relevant kildemateriale, og efterlad passende plads til forklaringen inden for den aktive arbejdskontekst.\n\nBevar billedet, spørgsmålet og den returnerede tekst samlet, når en fortolkning revideres. En opfølgning kan pege på én omtvistet detalje og bede om, at den del genovervejes. Resultatet af visuel forståelse er tekst med udgangspunkt i det angivne billede; oprettelse af et nyt billede er en særskilt outputopgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a transcribed process diagram\n\nUse this written transcription of a process diagram: "Start -> inspect package -> damaged? Yes: quarantine; No: stock shelf." Explain both paths to a warehouse trainee in four short steps. Use only the supplied text, and end with one question about a process detail the transcription does not specify.Four concise process steps and one clearly unanswered process question.Verify that the damaged branch leads to quarantine and the undamaged branch to stock, with no claim of image inspection.ernie-4.5-turbo-vl-32kERNIE 4.5 Turbo VL 32K er Baidus profil til visuel forståelse af et billedbaseret spørgsmål med et tekstsvar. Producenten angiver 32K kontekst, op til 27K inputtokens og et svarinterval på 2–12.288 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE 4.5 Turbo VL 32K er den navngivne 32K-profil til visuel forståelse i Baidus ERNIE 4.5 Turbo-familie. Den er nyttig, når et billede giver grundlaget for et skriftligt spørgsmål, og det ønskede resultat er en tekstlig fortolkning. Den præcise 32K-identitet adskiller dette opslag fra den særskilte Turbo VL-profil med større kontekstvindue.
Angiv et læsbart billede, og præcisér det spørgsmål, det skal besvare. Ved en side eller et diagram skal du identificere de relevante etiketter, det relevante område eller den relevante sammenhæng. Bed om, at svaret adskiller synlige detaljer fra den konklusion, der udledes af dem, så vigtige fakta kan kontrolleres i forhold til originalkilden.
Hvis opgaven kombinerer et billede med yderligere skriftlige fakta, skal du mærke disse fakta særskilt. En nyttig sammenligning kan spørge, hvordan et synligt diagram hænger sammen med den ledsagende beskrivelse, frem for at antage, at billedet underbygger oplysninger, der kun findes i teksten. Bed om en kompakt forklaring eller definerede felter afhængigt af det resultat, applikationen kræver.
Baidus modelliste angiver for netop denne profil 32K kontekst, maksimalt input på 27K tokens og et outputinterval på 2–12.288 tokens. Det er separate begrænsninger: et svarloft er ikke en yderligere inputramme. Forbered relevant kildemateriale, og efterlad passende plads til forklaringen inden for den aktive arbejdskontekst.
Bevar billedet, spørgsmålet og den returnerede tekst samlet, når en fortolkning revideres. En opfølgning kan pege på én omtvistet detalje og bede om, at den del genovervejes. Resultatet af visuel forståelse er tekst med udgangspunkt i det angivne billede; oprettelse af et nyt billede er en særskilt outputopgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ernie-4.5-turbo-vl-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 $0.00099 / 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": "ernie-4.5-turbo-vl-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='ernie-4.5-turbo-vl-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='ernie-4.5-turbo-vl-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 ernie-4.5-turbo-vl-32k
Brug metodestierne vist ovenfor.
ernie-4.5-turbo-vl-32kERNIE 4.5 Turbo VL 32K er Baidus profil til visuel forståelse af et billedbaseret spørgsmål med et tekstsvar. Producenten angiver 32K kontekst, op til 27K inputtokens og et svarinterval på 2–12.288 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ERNIE 4.5 Turbo VL 32K er den navngivne 32K-profil til visuel forståelse i Baidus ERNIE 4.5 Turbo-familie. Den er nyttig, når et billede giver grundlaget for et skriftligt spørgsmål, og det ønskede resultat er en tekstlig fortolkning. Den præcise 32K-identitet adskiller dette opslag fra den særskilte Turbo VL-profil med større kontekstvindue.
Angiv et læsbart billede, og præcisér det spørgsmål, det skal besvare. Ved en side eller et diagram skal du identificere de relevante etiketter, det relevante område eller den relevante sammenhæng. Bed om, at svaret adskiller synlige detaljer fra den konklusion, der udledes af dem, så vigtige fakta kan kontrolleres i forhold til originalkilden.
Hvis opgaven kombinerer et billede med yderligere skriftlige fakta, skal du mærke disse fakta særskilt. En nyttig sammenligning kan spørge, hvordan et synligt diagram hænger sammen med den ledsagende beskrivelse, frem for at antage, at billedet underbygger oplysninger, der kun findes i teksten. Bed om en kompakt forklaring eller definerede felter afhængigt af det resultat, applikationen kræver.
Baidus modelliste angiver for netop denne profil 32K kontekst, maksimalt input på 27K tokens og et outputinterval på 2–12.288 tokens. Det er separate begrænsninger: et svarloft er ikke en yderligere inputramme. Forbered relevant kildemateriale, og efterlad passende plads til forklaringen inden for den aktive arbejdskontekst.
Bevar billedet, spørgsmålet og den returnerede tekst samlet, når en fortolkning revideres. En opfølgning kan pege på én omtvistet detalje og bede om, at den del genovervejes. Resultatet af visuel forståelse er tekst med udgangspunkt i det angivne billede; oprettelse af et nyt billede er en særskilt outputopgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ernie-4.5-turbo-vl-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 $0.00099 / 1K tokens Output · Outputtokens $0.00286 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "ernie-4.5-turbo-vl-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'ernie-4.5-turbo-vl-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': 'ernie-4.5-turbo-vl-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 ernie-4.5-turbo-vl-32k
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Explain a transcribed process diagram\n\nUse this written transcription of a process diagram: "Start -> inspect package -> damaged? Yes: quarantine; No: stock shelf." Explain both paths to a warehouse trainee in four short steps. Use only the supplied text, and end with one question about a process detail the transcription does not specify.Four concise process steps and one clearly unanswered process question.Verify that the damaged branch leads to quarantine and the undamaged branch to stock, with no claim of image inspection.