Doubao 1.5 Pro ist das universell einsetzbare Sprachmodell von ByteDance. Seine Veröffentlichung hebt wissensintensive Fragen, Programmierung, Schlussfolgern und chinesisches Sprachverständnis hervor. Eine Textanfrage kann eine Erklärung, eine überarbeitete Passage, einen Vergleich bereitgestellter Materialien oder einen Codevorschlag erzeugen. Die Pro-Familie vereint diese Aufgaben in einem Dialogmodell.
Modellentwurf. Doubao 1.5 Pro verwendet eine dünn besetzte Mixture-of-Experts-Architektur: Ausgewählte Teile des Netzes tragen zur Verarbeitung eines Tokens bei, statt das gesamte Netz auf dieselbe Weise zu aktivieren. Das Team entwickelte Training und Inferenz gemeinsam und beschreibt Anpassungen von Modelltiefe, Breite und Expertenauswahl als Teil seines Entwicklungsansatzes. Für die Person, die eine Anfrage vorbereitet, ist eine klare Aufgabe mit den zu ihrer Erledigung benötigten Informationen die nützliche Wahl, statt einer vagen Anweisung, alles zu verbessern.
Training und Dialog. Der Hersteller beschreibt überwachtes Feintuning, Belohnungsmodellierung und bestärkendes Lernen mit einem unabhängigen Datenerstellungsprozess, der menschliche Annotation mit eigenen Verbesserungstechniken des Modells verbindet. Sein Belohnungsrahmen deckt Mathematik, Programmierung, Wissen und Gesprächsführung ab. Diese Entwicklungsmethoden stehen hinter dem universellen Verhalten des Modells. Sie ersetzen nicht das Quellmaterial, das ein Arbeitsplatzassistent für Fragen zu einer bestimmten Organisation oder einem bestimmten Dokument benötigt.
Fügen Sie für einen Wissensassistenten die relevante Richtlinie oder technische Spezifikation ein, benennen Sie die Frage und geben Sie an, welche Abschnitte Vorrang haben. Fordern Sie eine Antwort mit kurzer Begründung und Abschnittsbezeichnungen neben den stützenden Fakten an. Eine nützliche Anfrage könnte zwei Verfahren vergleichen, eine Ausnahme benennen und einen Antwortentwurf für das für den Prozess verantwortliche Team vorbereiten. Halten Sie Hintergrundfakten und die angeforderte Entscheidung in getrennten Teilen des Prompts, damit das Modell beide nutzen kann, ohne einen Entwurfsvorschlag als genehmigte Regel zu behandeln.
Stellen Sie für Programmieraufgaben die Funktion oder das Modul, das erwartete Verhalten, das beobachtete Problem und repräsentative Eingaben bereit. Verlangen Sie die kleinstmögliche vorgeschlagene Änderung, eine Erklärung, warum sie das Problem behebt, und Beispiele, die den geänderten Zweig durchlaufen. Geben Sie für chinesischsprachige Arbeit Fachbegriffe, Zielgruppe und ein Beispiel des gewünschten Stils an. Fordern Sie eine überarbeitete Passage sowie eine kurze Liste wesentlicher Änderungen an; so lassen sich Terminologie und Bedeutung leichter prüfen als bei einer unkommentierten Neufassung.
Legen Sie für eine Dokumentüberarbeitung fest, was erhalten bleiben muss: Namen, Zahlen, Definitionen, Überschriften und verbindliche Schlussfolgerungen. Benennen Sie das endgültige Arbeitsergebnis ausdrücklich, etwa eine Kundenantwort, eine technische Notiz oder eine Anforderungstabelle. Wenn im bereitgestellten Material ein Fakt fehlt, bitten Sie das Modell, die fehlende Angabe zu kennzeichnen und mit den belegten Teilen fortzufahren. Prüfen Sie erzeugten Code im tatsächlichen Projekt und kontrollieren Sie entscheidende Tatsachenaussagen anhand der bereitgestellten Materialien.
", "aboutText": "Doubao 1.5 Pro ist das universell einsetzbare Sprachmodell von ByteDance. Seine Veröffentlichung hebt wissensintensive Fragen, Programmierung, Schlussfolgern und chinesisches Sprachverständnis hervor. Eine Textanfrage kann eine Erklärung, eine überarbeitete Passage, einen Vergleich bereitgestellter Materialien oder einen Codevorschlag erzeugen. Die Pro-Familie vereint diese Aufgaben in einem Dialogmodell.\n\nModellentwurf. Doubao 1.5 Pro verwendet eine dünn besetzte Mixture-of-Experts-Architektur: Ausgewählte Teile des Netzes tragen zur Verarbeitung eines Tokens bei, statt das gesamte Netz auf dieselbe Weise zu aktivieren. Das Team entwickelte Training und Inferenz gemeinsam und beschreibt Anpassungen von Modelltiefe, Breite und Expertenauswahl als Teil seines Entwicklungsansatzes. Für die Person, die eine Anfrage vorbereitet, ist eine klare Aufgabe mit den zu ihrer Erledigung benötigten Informationen die nützliche Wahl, statt einer vagen Anweisung, alles zu verbessern.\n\nTraining und Dialog. Der Hersteller beschreibt überwachtes Feintuning, Belohnungsmodellierung und bestärkendes Lernen mit einem unabhängigen Datenerstellungsprozess, der menschliche Annotation mit eigenen Verbesserungstechniken des Modells verbindet. Sein Belohnungsrahmen deckt Mathematik, Programmierung, Wissen und Gesprächsführung ab. Diese Entwicklungsmethoden stehen hinter dem universellen Verhalten des Modells. Sie ersetzen nicht das Quellmaterial, das ein Arbeitsplatzassistent für Fragen zu einer bestimmten Organisation oder einem bestimmten Dokument benötigt.\n\nFügen Sie für einen Wissensassistenten die relevante Richtlinie oder technische Spezifikation ein, benennen Sie die Frage und geben Sie an, welche Abschnitte Vorrang haben. Fordern Sie eine Antwort mit kurzer Begründung und Abschnittsbezeichnungen neben den stützenden Fakten an. Eine nützliche Anfrage könnte zwei Verfahren vergleichen, eine Ausnahme benennen und einen Antwortentwurf für das für den Prozess verantwortliche Team vorbereiten. Halten Sie Hintergrundfakten und die angeforderte Entscheidung in getrennten Teilen des Prompts, damit das Modell beide nutzen kann, ohne einen Entwurfsvorschlag als genehmigte Regel zu behandeln.\n\nStellen Sie für Programmieraufgaben die Funktion oder das Modul, das erwartete Verhalten, das beobachtete Problem und repräsentative Eingaben bereit. Verlangen Sie die kleinstmögliche vorgeschlagene Änderung, eine Erklärung, warum sie das Problem behebt, und Beispiele, die den geänderten Zweig durchlaufen. Geben Sie für chinesischsprachige Arbeit Fachbegriffe, Zielgruppe und ein Beispiel des gewünschten Stils an. Fordern Sie eine überarbeitete Passage sowie eine kurze Liste wesentlicher Änderungen an; so lassen sich Terminologie und Bedeutung leichter prüfen als bei einer unkommentierten Neufassung.\n\nLegen Sie für eine Dokumentüberarbeitung fest, was erhalten bleiben muss: Namen, Zahlen, Definitionen, Überschriften und verbindliche Schlussfolgerungen. Benennen Sie das endgültige Arbeitsergebnis ausdrücklich, etwa eine Kundenantwort, eine technische Notiz oder eine Anforderungstabelle. Wenn im bereitgestellten Material ein Fakt fehlt, bitten Sie das Modell, die fehlende Angabe zu kennzeichnen und mit den belegten Teilen fortzufahren. Prüfen Sie erzeugten Code im tatsächlichen Projekt und kontrollieren Sie entscheidende Tatsachenaussagen anhand der bereitgestellten Materialien.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Apply a policy exception\n\nDraft a team reply from this policy. [General] Requests need three working days of notice. [Exception] A broken production printer may be reported immediately. Case: "The production printer stopped this morning; may I open a request today?" Give the answer and cite the applicable section, without inventing repair timing or approval authority.A short reply citing Exception and distinguishing immediate reporting from any repair commitment.Ensure the reply permits reporting today but does not promise same-day repair.Doubao-1.5-pro-32kDoubao 1.5 Pro 32K ist ByteDances allgemeines Textmodell für Wissensfragen, Programmierung, Schlussfolgern und chinesischsprachige Aufgaben. Nutzen Sie es, um Quellmaterial zu erklären, ein Dokument umzuschreiben oder aus ausdrücklichen Anforderungen Code vorzuschlagen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Doubao 1.5 Pro ist das universell einsetzbare Sprachmodell von ByteDance. Seine Veröffentlichung hebt wissensintensive Fragen, Programmierung, Schlussfolgern und chinesisches Sprachverständnis hervor. Eine Textanfrage kann eine Erklärung, eine überarbeitete Passage, einen Vergleich bereitgestellter Materialien oder einen Codevorschlag erzeugen. Die Pro-Familie vereint diese Aufgaben in einem Dialogmodell.
Modellentwurf. Doubao 1.5 Pro verwendet eine dünn besetzte Mixture-of-Experts-Architektur: Ausgewählte Teile des Netzes tragen zur Verarbeitung eines Tokens bei, statt das gesamte Netz auf dieselbe Weise zu aktivieren. Das Team entwickelte Training und Inferenz gemeinsam und beschreibt Anpassungen von Modelltiefe, Breite und Expertenauswahl als Teil seines Entwicklungsansatzes. Für die Person, die eine Anfrage vorbereitet, ist eine klare Aufgabe mit den zu ihrer Erledigung benötigten Informationen die nützliche Wahl, statt einer vagen Anweisung, alles zu verbessern.
Training und Dialog. Der Hersteller beschreibt überwachtes Feintuning, Belohnungsmodellierung und bestärkendes Lernen mit einem unabhängigen Datenerstellungsprozess, der menschliche Annotation mit eigenen Verbesserungstechniken des Modells verbindet. Sein Belohnungsrahmen deckt Mathematik, Programmierung, Wissen und Gesprächsführung ab. Diese Entwicklungsmethoden stehen hinter dem universellen Verhalten des Modells. Sie ersetzen nicht das Quellmaterial, das ein Arbeitsplatzassistent für Fragen zu einer bestimmten Organisation oder einem bestimmten Dokument benötigt.
Fügen Sie für einen Wissensassistenten die relevante Richtlinie oder technische Spezifikation ein, benennen Sie die Frage und geben Sie an, welche Abschnitte Vorrang haben. Fordern Sie eine Antwort mit kurzer Begründung und Abschnittsbezeichnungen neben den stützenden Fakten an. Eine nützliche Anfrage könnte zwei Verfahren vergleichen, eine Ausnahme benennen und einen Antwortentwurf für das für den Prozess verantwortliche Team vorbereiten. Halten Sie Hintergrundfakten und die angeforderte Entscheidung in getrennten Teilen des Prompts, damit das Modell beide nutzen kann, ohne einen Entwurfsvorschlag als genehmigte Regel zu behandeln.
Stellen Sie für Programmieraufgaben die Funktion oder das Modul, das erwartete Verhalten, das beobachtete Problem und repräsentative Eingaben bereit. Verlangen Sie die kleinstmögliche vorgeschlagene Änderung, eine Erklärung, warum sie das Problem behebt, und Beispiele, die den geänderten Zweig durchlaufen. Geben Sie für chinesischsprachige Arbeit Fachbegriffe, Zielgruppe und ein Beispiel des gewünschten Stils an. Fordern Sie eine überarbeitete Passage sowie eine kurze Liste wesentlicher Änderungen an; so lassen sich Terminologie und Bedeutung leichter prüfen als bei einer unkommentierten Neufassung.
Legen Sie für eine Dokumentüberarbeitung fest, was erhalten bleiben muss: Namen, Zahlen, Definitionen, Überschriften und verbindliche Schlussfolgerungen. Benennen Sie das endgültige Arbeitsergebnis ausdrücklich, etwa eine Kundenantwort, eine technische Notiz oder eine Anforderungstabelle. Wenn im bereitgestellten Material ein Fakt fehlt, bitten Sie das Modell, die fehlende Angabe zu kennzeichnen und mit den belegten Teilen fortzufahren. Prüfen Sie erzeugten Code im tatsächlichen Projekt und kontrollieren Sie entscheidende Tatsachenaussagen anhand der bereitgestellten Materialien.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Doubao-1.5-pro-32k | 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 $0.000264 / 1K Tokens Ausgabe · Ausgabetoken $0.000638 / 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": "Doubao-1.5-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-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-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 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 Doubao-1.5-pro-32k
Verwenden Sie die oben angezeigten Methodenpfade.
Doubao-1.5-pro-32kDoubao 1.5 Pro 32K ist ByteDances allgemeines Textmodell für Wissensfragen, Programmierung, Schlussfolgern und chinesischsprachige Aufgaben. Nutzen Sie es, um Quellmaterial zu erklären, ein Dokument umzuschreiben oder aus ausdrücklichen Anforderungen Code vorzuschlagen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Doubao 1.5 Pro ist das universell einsetzbare Sprachmodell von ByteDance. Seine Veröffentlichung hebt wissensintensive Fragen, Programmierung, Schlussfolgern und chinesisches Sprachverständnis hervor. Eine Textanfrage kann eine Erklärung, eine überarbeitete Passage, einen Vergleich bereitgestellter Materialien oder einen Codevorschlag erzeugen. Die Pro-Familie vereint diese Aufgaben in einem Dialogmodell.
Modellentwurf. Doubao 1.5 Pro verwendet eine dünn besetzte Mixture-of-Experts-Architektur: Ausgewählte Teile des Netzes tragen zur Verarbeitung eines Tokens bei, statt das gesamte Netz auf dieselbe Weise zu aktivieren. Das Team entwickelte Training und Inferenz gemeinsam und beschreibt Anpassungen von Modelltiefe, Breite und Expertenauswahl als Teil seines Entwicklungsansatzes. Für die Person, die eine Anfrage vorbereitet, ist eine klare Aufgabe mit den zu ihrer Erledigung benötigten Informationen die nützliche Wahl, statt einer vagen Anweisung, alles zu verbessern.
Training und Dialog. Der Hersteller beschreibt überwachtes Feintuning, Belohnungsmodellierung und bestärkendes Lernen mit einem unabhängigen Datenerstellungsprozess, der menschliche Annotation mit eigenen Verbesserungstechniken des Modells verbindet. Sein Belohnungsrahmen deckt Mathematik, Programmierung, Wissen und Gesprächsführung ab. Diese Entwicklungsmethoden stehen hinter dem universellen Verhalten des Modells. Sie ersetzen nicht das Quellmaterial, das ein Arbeitsplatzassistent für Fragen zu einer bestimmten Organisation oder einem bestimmten Dokument benötigt.
Fügen Sie für einen Wissensassistenten die relevante Richtlinie oder technische Spezifikation ein, benennen Sie die Frage und geben Sie an, welche Abschnitte Vorrang haben. Fordern Sie eine Antwort mit kurzer Begründung und Abschnittsbezeichnungen neben den stützenden Fakten an. Eine nützliche Anfrage könnte zwei Verfahren vergleichen, eine Ausnahme benennen und einen Antwortentwurf für das für den Prozess verantwortliche Team vorbereiten. Halten Sie Hintergrundfakten und die angeforderte Entscheidung in getrennten Teilen des Prompts, damit das Modell beide nutzen kann, ohne einen Entwurfsvorschlag als genehmigte Regel zu behandeln.
Stellen Sie für Programmieraufgaben die Funktion oder das Modul, das erwartete Verhalten, das beobachtete Problem und repräsentative Eingaben bereit. Verlangen Sie die kleinstmögliche vorgeschlagene Änderung, eine Erklärung, warum sie das Problem behebt, und Beispiele, die den geänderten Zweig durchlaufen. Geben Sie für chinesischsprachige Arbeit Fachbegriffe, Zielgruppe und ein Beispiel des gewünschten Stils an. Fordern Sie eine überarbeitete Passage sowie eine kurze Liste wesentlicher Änderungen an; so lassen sich Terminologie und Bedeutung leichter prüfen als bei einer unkommentierten Neufassung.
Legen Sie für eine Dokumentüberarbeitung fest, was erhalten bleiben muss: Namen, Zahlen, Definitionen, Überschriften und verbindliche Schlussfolgerungen. Benennen Sie das endgültige Arbeitsergebnis ausdrücklich, etwa eine Kundenantwort, eine technische Notiz oder eine Anforderungstabelle. Wenn im bereitgestellten Material ein Fakt fehlt, bitten Sie das Modell, die fehlende Angabe zu kennzeichnen und mit den belegten Teilen fortzufahren. Prüfen Sie erzeugten Code im tatsächlichen Projekt und kontrollieren Sie entscheidende Tatsachenaussagen anhand der bereitgestellten Materialien.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Doubao-1.5-pro-32k | 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 $0.000264 / 1K Tokens Ausgabe · Ausgabetoken $0.000638 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Doubao-1.5-pro-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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 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 Doubao-1.5-pro-32k
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Apply a policy exception\n\nDraft a team reply from this policy. [General] Requests need three working days of notice. [Exception] A broken production printer may be reported immediately. Case: "The production printer stopped this morning; may I open a request today?" Give the answer and cite the applicable section, without inventing repair timing or approval authority.A short reply citing Exception and distinguishing immediate reporting from any repair commitment.Ensure the reply permits reporting today but does not promise same-day repair.