ERNIE-4.5-VL-28B-A3B ist Baidus nachtrainiertes visuelles Sprachmodell aus der ERNIE 4.5-Familie. Seine Grundlagen verbinden textuelles und visuelles Vortraining mit einer heterogenen Mixture-of-Experts-Architektur. Modalitätsisoliertes Routing und ausgewogene Trainingsziele unterstützen das Zusammenspiel zwischen Sprache und Bild, während ihre Repräsentationen getrennt bleiben. Das daraus entstandene Modell akzeptiert Text und Bilder und erzeugt eine Textantwort anhand des bereitgestellten Bildmaterials. Baidus offizielle Modelltabelle nennt für diese VL-Edition neben Text und Bild auch Video als Eingabe; ihre Ausgabe bleibt Text.
Das Nachtraining betont Bildverständnis, aufgabenspezifische Anpassung und multimodales Schlussfolgern. Die Familie verwendet überwachtes Fine-Tuning und präferenzbasierte Optimierung; diese VL-Edition umfasst zusätzlich Reinforcement Learning mit überprüfbaren Belohnungen. Modi mit und ohne Denkprozess bieten unterschiedliche Wege zur Verarbeitung der visuellen Aufgabe. Der Modus gehört zur Veröffentlichung des visuellen Sprachmodells und ersetzt nicht das separat benannte Textmodell Thinking.
Die Konfiguration hat insgesamt 28 Milliarden Parameter und aktiviert 3 Milliarden für jedes Token. Sie umfasst 28 Schichten, 20 Query-Köpfe und vier Key/Value-Köpfe. Die Text- und Bildexpertenkonfigurationen nennen jeweils 64 Experten mit sechs ausgewählten Experten sowie zwei gemeinsame Experten. Die veröffentlichte Modellkonfiguration nennt ein Kontextfenster von 131.072 Tokens. Baidus separat konfigurierter Eintrag für den gehosteten Dienst beschreibt 32K-Kontext für dieselbe namentlich ausgewiesene VL-Linie. Modellkonfiguration und Grenzen des gehosteten Dienstes bleiben daher unterschiedliche numerische Spezifikationen.
Definieren Sie bei einem Dokumentbild die gesuchten Informationen: die relevante Überschrift, einen Tabelleneintrag, eine Diagrammerklärung oder einen Vergleich sichtbarer Abschnitte. Nennen Sie bei einem Screenshot einer Oberfläche das Nutzerziel und verlangen Sie eine Erklärung der sichtbaren Komponenten oder ihrer Beziehung zur Anforderung. Fordern Sie bei einem Produktfoto eine Beschreibung der tatsächlich gezeigten Objekte und Merkmale an. Bilden mehrere Bilder eine Aufgabe, kennzeichnen Sie ihre Reihenfolge und verwenden Sie dieselben Kriterien, damit die Antwort sie konsistent vergleichen kann.
Verbinden Sie bei einer visuellen Sprachaufgabe das Bildmaterial mit einem konkreten schriftlichen Ziel. Wählen Sie das Textergebnis vor der Analyse: eine Erklärung, eine Merkmalstabelle, eine Beschreibung oder eine Beobachtungsliste. Fordern Sie die sichtbaren Details an, die jede Schlussfolgerung stützen, und unterscheiden Sie sie von Interpretation. Ist eine kleine Beschriftung oder Region wichtig, stellen Sie ein lesbares Quellbild bereit und benennen Sie den relevanten Bereich. So bleibt die Antwort mit prüfbarem Material verbunden.
Baidus Anwendungsbeispiel kombiniert Text mit einem Bild und wählt im Prozessor den Modus ohne Denkprozess. Der Hersteller verteilt verschiedene Gewichtsformate für Ausführungsframeworks und veröffentlicht die ERNIE 4.5-Sammlung unter Apache 2.0. Die Identität VL-28B-A3B bewahrt ihren Zweck als visuelles Sprachmodell, ihre Modi und ihre Konfiguration getrennt von reinen Textveröffentlichungen von ERNIE. Eine separate Obergrenze für Ausgabetokens und eine native Videodauergrenze sind durch die geprüfte Modellkarte nicht belegt.
", "aboutText": "ERNIE-4.5-VL-28B-A3B ist Baidus nachtrainiertes visuelles Sprachmodell aus der ERNIE 4.5-Familie. Seine Grundlagen verbinden textuelles und visuelles Vortraining mit einer heterogenen Mixture-of-Experts-Architektur. Modalitätsisoliertes Routing und ausgewogene Trainingsziele unterstützen das Zusammenspiel zwischen Sprache und Bild, während ihre Repräsentationen getrennt bleiben. Das daraus entstandene Modell akzeptiert Text und Bilder und erzeugt eine Textantwort anhand des bereitgestellten Bildmaterials. Baidus offizielle Modelltabelle nennt für diese VL-Edition neben Text und Bild auch Video als Eingabe; ihre Ausgabe bleibt Text.\n\nDas Nachtraining betont Bildverständnis, aufgabenspezifische Anpassung und multimodales Schlussfolgern. Die Familie verwendet überwachtes Fine-Tuning und präferenzbasierte Optimierung; diese VL-Edition umfasst zusätzlich Reinforcement Learning mit überprüfbaren Belohnungen. Modi mit und ohne Denkprozess bieten unterschiedliche Wege zur Verarbeitung der visuellen Aufgabe. Der Modus gehört zur Veröffentlichung des visuellen Sprachmodells und ersetzt nicht das separat benannte Textmodell Thinking.\n\nDie Konfiguration hat insgesamt 28 Milliarden Parameter und aktiviert 3 Milliarden für jedes Token. Sie umfasst 28 Schichten, 20 Query-Köpfe und vier Key/Value-Köpfe. Die Text- und Bildexpertenkonfigurationen nennen jeweils 64 Experten mit sechs ausgewählten Experten sowie zwei gemeinsame Experten. Die veröffentlichte Modellkonfiguration nennt ein Kontextfenster von 131.072 Tokens. Baidus separat konfigurierter Eintrag für den gehosteten Dienst beschreibt 32K-Kontext für dieselbe namentlich ausgewiesene VL-Linie. Modellkonfiguration und Grenzen des gehosteten Dienstes bleiben daher unterschiedliche numerische Spezifikationen.\n\nDefinieren Sie bei einem Dokumentbild die gesuchten Informationen: die relevante Überschrift, einen Tabelleneintrag, eine Diagrammerklärung oder einen Vergleich sichtbarer Abschnitte. Nennen Sie bei einem Screenshot einer Oberfläche das Nutzerziel und verlangen Sie eine Erklärung der sichtbaren Komponenten oder ihrer Beziehung zur Anforderung. Fordern Sie bei einem Produktfoto eine Beschreibung der tatsächlich gezeigten Objekte und Merkmale an. Bilden mehrere Bilder eine Aufgabe, kennzeichnen Sie ihre Reihenfolge und verwenden Sie dieselben Kriterien, damit die Antwort sie konsistent vergleichen kann.\n\nVerbinden Sie bei einer visuellen Sprachaufgabe das Bildmaterial mit einem konkreten schriftlichen Ziel. Wählen Sie das Textergebnis vor der Analyse: eine Erklärung, eine Merkmalstabelle, eine Beschreibung oder eine Beobachtungsliste. Fordern Sie die sichtbaren Details an, die jede Schlussfolgerung stützen, und unterscheiden Sie sie von Interpretation. Ist eine kleine Beschriftung oder Region wichtig, stellen Sie ein lesbares Quellbild bereit und benennen Sie den relevanten Bereich. So bleibt die Antwort mit prüfbarem Material verbunden.\n\nBaidus Anwendungsbeispiel kombiniert Text mit einem Bild und wählt im Prozessor den Modus ohne Denkprozess. Der Hersteller verteilt verschiedene Gewichtsformate für Ausführungsframeworks und veröffentlicht die ERNIE 4.5-Sammlung unter Apache 2.0. Die Identität VL-28B-A3B bewahrt ihren Zweck als visuelles Sprachmodell, ihre Modi und ihre Konfiguration getrennt von reinen Textveröffentlichungen von ERNIE. Eine separate Obergrenze für Ausgabetokens und eine native Videodauergrenze sind durch die geprüfte Modellkarte nicht belegt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a transcribed inspection table\n\nAnalyze this text transcription of an inspection table: batch A, sealed 48, leaking 2; batch B, sealed 35, leaking 5. Calculate the leakage rate for each batch and write a short comparison for the warehouse manager. Treat the transcription as the complete input and identify which batch needs inspection first using only leakage rate.A two-row table with totals and leakage percentages, followed by a short prioritization explanation.Each percentage uses leaking divided by sealed plus leaking, and the priority follows that comparison.baidu/ernie-4.5-vl-28b-a3bBaidus visuelles Sprachmodell ERNIE 4.5 verbindet schriftliche Fragen mit Bildinhalten und gibt Text zurück. Es verwendet eine Mixture-of-Experts-Architektur mit 28B/3B Parametern und unterstützt Modi mit und ohne Denkprozess; für Modell und gehosteten Dienst gelten editionsspezifische Kontextgrenzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE-4.5-VL-28B-A3B ist Baidus nachtrainiertes visuelles Sprachmodell aus der ERNIE 4.5-Familie. Seine Grundlagen verbinden textuelles und visuelles Vortraining mit einer heterogenen Mixture-of-Experts-Architektur. Modalitätsisoliertes Routing und ausgewogene Trainingsziele unterstützen das Zusammenspiel zwischen Sprache und Bild, während ihre Repräsentationen getrennt bleiben. Das daraus entstandene Modell akzeptiert Text und Bilder und erzeugt eine Textantwort anhand des bereitgestellten Bildmaterials. Baidus offizielle Modelltabelle nennt für diese VL-Edition neben Text und Bild auch Video als Eingabe; ihre Ausgabe bleibt Text.
Das Nachtraining betont Bildverständnis, aufgabenspezifische Anpassung und multimodales Schlussfolgern. Die Familie verwendet überwachtes Fine-Tuning und präferenzbasierte Optimierung; diese VL-Edition umfasst zusätzlich Reinforcement Learning mit überprüfbaren Belohnungen. Modi mit und ohne Denkprozess bieten unterschiedliche Wege zur Verarbeitung der visuellen Aufgabe. Der Modus gehört zur Veröffentlichung des visuellen Sprachmodells und ersetzt nicht das separat benannte Textmodell Thinking.
Die Konfiguration hat insgesamt 28 Milliarden Parameter und aktiviert 3 Milliarden für jedes Token. Sie umfasst 28 Schichten, 20 Query-Köpfe und vier Key/Value-Köpfe. Die Text- und Bildexpertenkonfigurationen nennen jeweils 64 Experten mit sechs ausgewählten Experten sowie zwei gemeinsame Experten. Die veröffentlichte Modellkonfiguration nennt ein Kontextfenster von 131.072 Tokens. Baidus separat konfigurierter Eintrag für den gehosteten Dienst beschreibt 32K-Kontext für dieselbe namentlich ausgewiesene VL-Linie. Modellkonfiguration und Grenzen des gehosteten Dienstes bleiben daher unterschiedliche numerische Spezifikationen.
Definieren Sie bei einem Dokumentbild die gesuchten Informationen: die relevante Überschrift, einen Tabelleneintrag, eine Diagrammerklärung oder einen Vergleich sichtbarer Abschnitte. Nennen Sie bei einem Screenshot einer Oberfläche das Nutzerziel und verlangen Sie eine Erklärung der sichtbaren Komponenten oder ihrer Beziehung zur Anforderung. Fordern Sie bei einem Produktfoto eine Beschreibung der tatsächlich gezeigten Objekte und Merkmale an. Bilden mehrere Bilder eine Aufgabe, kennzeichnen Sie ihre Reihenfolge und verwenden Sie dieselben Kriterien, damit die Antwort sie konsistent vergleichen kann.
Verbinden Sie bei einer visuellen Sprachaufgabe das Bildmaterial mit einem konkreten schriftlichen Ziel. Wählen Sie das Textergebnis vor der Analyse: eine Erklärung, eine Merkmalstabelle, eine Beschreibung oder eine Beobachtungsliste. Fordern Sie die sichtbaren Details an, die jede Schlussfolgerung stützen, und unterscheiden Sie sie von Interpretation. Ist eine kleine Beschriftung oder Region wichtig, stellen Sie ein lesbares Quellbild bereit und benennen Sie den relevanten Bereich. So bleibt die Antwort mit prüfbarem Material verbunden.
Baidus Anwendungsbeispiel kombiniert Text mit einem Bild und wählt im Prozessor den Modus ohne Denkprozess. Der Hersteller verteilt verschiedene Gewichtsformate für Ausführungsframeworks und veröffentlicht die ERNIE 4.5-Sammlung unter Apache 2.0. Die Identität VL-28B-A3B bewahrt ihren Zweck als visuelles Sprachmodell, ihre Modi und ihre Konfiguration getrennt von reinen Textveröffentlichungen von ERNIE. Eine separate Obergrenze für Ausgabetokens und eine native Videodauergrenze sind durch die geprüfte Modellkarte nicht belegt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits baidu/ernie-4.5-vl-28b-a3b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.001144 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-vl-28b-a3b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='baidu/ernie-4.5-vl-28b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='baidu/ernie-4.5-vl-28b-a3b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
baidu/ernie-4.5-vl-28b-a3bBaidus visuelles Sprachmodell ERNIE 4.5 verbindet schriftliche Fragen mit Bildinhalten und gibt Text zurück. Es verwendet eine Mixture-of-Experts-Architektur mit 28B/3B Parametern und unterstützt Modi mit und ohne Denkprozess; für Modell und gehosteten Dienst gelten editionsspezifische Kontextgrenzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE-4.5-VL-28B-A3B ist Baidus nachtrainiertes visuelles Sprachmodell aus der ERNIE 4.5-Familie. Seine Grundlagen verbinden textuelles und visuelles Vortraining mit einer heterogenen Mixture-of-Experts-Architektur. Modalitätsisoliertes Routing und ausgewogene Trainingsziele unterstützen das Zusammenspiel zwischen Sprache und Bild, während ihre Repräsentationen getrennt bleiben. Das daraus entstandene Modell akzeptiert Text und Bilder und erzeugt eine Textantwort anhand des bereitgestellten Bildmaterials. Baidus offizielle Modelltabelle nennt für diese VL-Edition neben Text und Bild auch Video als Eingabe; ihre Ausgabe bleibt Text.
Das Nachtraining betont Bildverständnis, aufgabenspezifische Anpassung und multimodales Schlussfolgern. Die Familie verwendet überwachtes Fine-Tuning und präferenzbasierte Optimierung; diese VL-Edition umfasst zusätzlich Reinforcement Learning mit überprüfbaren Belohnungen. Modi mit und ohne Denkprozess bieten unterschiedliche Wege zur Verarbeitung der visuellen Aufgabe. Der Modus gehört zur Veröffentlichung des visuellen Sprachmodells und ersetzt nicht das separat benannte Textmodell Thinking.
Die Konfiguration hat insgesamt 28 Milliarden Parameter und aktiviert 3 Milliarden für jedes Token. Sie umfasst 28 Schichten, 20 Query-Köpfe und vier Key/Value-Köpfe. Die Text- und Bildexpertenkonfigurationen nennen jeweils 64 Experten mit sechs ausgewählten Experten sowie zwei gemeinsame Experten. Die veröffentlichte Modellkonfiguration nennt ein Kontextfenster von 131.072 Tokens. Baidus separat konfigurierter Eintrag für den gehosteten Dienst beschreibt 32K-Kontext für dieselbe namentlich ausgewiesene VL-Linie. Modellkonfiguration und Grenzen des gehosteten Dienstes bleiben daher unterschiedliche numerische Spezifikationen.
Definieren Sie bei einem Dokumentbild die gesuchten Informationen: die relevante Überschrift, einen Tabelleneintrag, eine Diagrammerklärung oder einen Vergleich sichtbarer Abschnitte. Nennen Sie bei einem Screenshot einer Oberfläche das Nutzerziel und verlangen Sie eine Erklärung der sichtbaren Komponenten oder ihrer Beziehung zur Anforderung. Fordern Sie bei einem Produktfoto eine Beschreibung der tatsächlich gezeigten Objekte und Merkmale an. Bilden mehrere Bilder eine Aufgabe, kennzeichnen Sie ihre Reihenfolge und verwenden Sie dieselben Kriterien, damit die Antwort sie konsistent vergleichen kann.
Verbinden Sie bei einer visuellen Sprachaufgabe das Bildmaterial mit einem konkreten schriftlichen Ziel. Wählen Sie das Textergebnis vor der Analyse: eine Erklärung, eine Merkmalstabelle, eine Beschreibung oder eine Beobachtungsliste. Fordern Sie die sichtbaren Details an, die jede Schlussfolgerung stützen, und unterscheiden Sie sie von Interpretation. Ist eine kleine Beschriftung oder Region wichtig, stellen Sie ein lesbares Quellbild bereit und benennen Sie den relevanten Bereich. So bleibt die Antwort mit prüfbarem Material verbunden.
Baidus Anwendungsbeispiel kombiniert Text mit einem Bild und wählt im Prozessor den Modus ohne Denkprozess. Der Hersteller verteilt verschiedene Gewichtsformate für Ausführungsframeworks und veröffentlicht die ERNIE 4.5-Sammlung unter Apache 2.0. Die Identität VL-28B-A3B bewahrt ihren Zweck als visuelles Sprachmodell, ihre Modi und ihre Konfiguration getrennt von reinen Textveröffentlichungen von ERNIE. Eine separate Obergrenze für Ausgabetokens und eine native Videodauergrenze sind durch die geprüfte Modellkarte nicht belegt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits baidu/ernie-4.5-vl-28b-a3b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.001144 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "baidu/ernie-4.5-vl-28b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'baidu/ernie-4.5-vl-28b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'baidu/ernie-4.5-vl-28b-a3b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a transcribed inspection table\n\nAnalyze this text transcription of an inspection table: batch A, sealed 48, leaking 2; batch B, sealed 35, leaking 5. Calculate the leakage rate for each batch and write a short comparison for the warehouse manager. Treat the transcription as the complete input and identify which batch needs inspection first using only leakage rate.A two-row table with totals and leakage percentages, followed by a short prioritization explanation.Each percentage uses leaking divided by sealed plus leaking, and the priority follows that comparison.