Doubao 1.5 Thinking Vision Pro 250428 ist die genaue, von ByteDance für Seed1.5-VL benannte gehostete Modellidentität. Es ist ein Vision-Language-Modell für allgemeines multimodales Verständnis und Schlussfolgern. Zu den vom Hersteller beschriebenen Fähigkeiten zählen OCR, Diagrammverständnis, visuelle Verankerung, räumliches 3D-Verständnis, Videoverständnis und visuelles Schlussfolgern. Diese Aufgaben liefern Deutungen und Entscheidungen auf Grundlage von Bildmaterial und einer schriftlichen Frage.
Stellen Sie das Bild bereit und benennen Sie die zu extrahierenden oder zu erklärenden Informationen. Geben Sie bei einem Dokumentbild den relevanten Text oder die relevanten Felder an. Fragen Sie bei einem Diagramm nach bestimmten Beschriftungen und Beziehungen. Formulieren Sie bei einem visuellen Rätsel die Frage und verlangen Sie eine Schlussfolgerung, die sich auf die relevanten Hinweise stützt.
Halten Sie das gewünschte Arbeitsergebnis klar fest: transkribierter Text, die Beschreibung einer Beziehung oder die Erklärung einer Antwort. Enthält das Bild unklare Schrift oder verdeckte Details, verlangen Sie, dass die Antwort die Unsicherheit benennt. Bewahren Sie das Originalbild zusammen mit dem Ergebnis auf, damit extrahierte Wörter und interpretierte Beziehungen geprüft werden können.
Visuelle Verankerung verbindet einen schriftlichen Verweis mit dem relevanten Objekt oder Bereich in einem Bild. Eine nützliche Aufgabe kann das Objekt benennen, seine Unterscheidung von benachbarten Objekten erklären und die von der Anwendung erwarteten Positionsinformationen anfordern. Das Ausgabeformat der Anwendung sollte festlegen, wie eine solche Position dargestellt wird.
Beschreiben Sie für räumliches Verständnis die wichtigen Beziehungen: relative Position, Ausrichtung oder Anordnung der Objekte in der Szene. Fordern Sie vor der abschließenden Deutung die sichtbaren Belege an. Unterscheiden Sie die beobachtbaren Bildmerkmale von einer erschlossenen dreidimensionalen Beziehung.
Der Hersteller nennt außerdem Videoverständnis und stellt ein eigenes Video-Cookbook bereit. Eine Videofrage sollte das relevante Ereignis, Objekt oder die relevante Abfolge sowie das zu erzeugende Ergebnis benennen. Verwenden Sie zeitliche Verweise in der Frage und bewahren Sie den Quellclip zusammen mit der Antwort auf, wenn Sie eine Ereignisfolge prüfen.
Zu den interaktiven Demonstrationen zählen GUI-Steuerung und Spielen. In einer Computernutzungsanwendung unterstützt das visuelle Verständnis des Modells eine Entscheidung über den Bildschirm, während die umgebende Anwendung Handlungen ausführt und die nächste Beobachtung bereitstellt. Die Beschreibung eines Bedienelements oder die Entscheidung über eine nächste Handlung belegt für sich allein noch nicht, dass eine Datei gespeichert oder ein Bildschirmvorgang abgeschlossen wurde.
ByteDance beschreibt das Modell mit einem Vision-Encoder mit 532 Millionen Parametern und einem Mixture-of-Experts-Sprachmodell mit 20 Milliarden aktiven Parametern. Das Cookbook trennt Steuerungen für lange Gedankengänge, Verankerung, räumliches Verständnis, Video und GUI-Beispiele. Verwenden Sie den genauen Schnittstellenvertrag für die Eingaben und die von einer Aufgabe benötigte Ausgabedarstellung.
Dieser Eintrag bewahrt die im Repository des Herstellers benannte Veröffentlichung 250428. Das frühere Profil Thinking Pro Vision 250415 hat eine eigenständige Identität. Bewahren Sie das angeforderte Modell, die visuellen Quellen und die Aufgabeneinstellungen mit jedem Ergebnis auf, damit eine spätere Überarbeitung mit derselben Veröffentlichung und denselben Belegen verglichen werden kann.
", "aboutText": "Doubao 1.5 Thinking Vision Pro 250428 ist die genaue, von ByteDance für Seed1.5-VL benannte gehostete Modellidentität. Es ist ein Vision-Language-Modell für allgemeines multimodales Verständnis und Schlussfolgern. Zu den vom Hersteller beschriebenen Fähigkeiten zählen OCR, Diagrammverständnis, visuelle Verankerung, räumliches 3D-Verständnis, Videoverständnis und visuelles Schlussfolgern. Diese Aufgaben liefern Deutungen und Entscheidungen auf Grundlage von Bildmaterial und einer schriftlichen Frage.\n\n### Die visuelle Quelle lesen und interpretieren\n\nStellen Sie das Bild bereit und benennen Sie die zu extrahierenden oder zu erklärenden Informationen. Geben Sie bei einem Dokumentbild den relevanten Text oder die relevanten Felder an. Fragen Sie bei einem Diagramm nach bestimmten Beschriftungen und Beziehungen. Formulieren Sie bei einem visuellen Rätsel die Frage und verlangen Sie eine Schlussfolgerung, die sich auf die relevanten Hinweise stützt.\n\nHalten Sie das gewünschte Arbeitsergebnis klar fest: transkribierter Text, die Beschreibung einer Beziehung oder die Erklärung einer Antwort. Enthält das Bild unklare Schrift oder verdeckte Details, verlangen Sie, dass die Antwort die Unsicherheit benennt. Bewahren Sie das Originalbild zusammen mit dem Ergebnis auf, damit extrahierte Wörter und interpretierte Beziehungen geprüft werden können.\n\n### Eine Frage an Objekten und Raum verankern\n\nVisuelle Verankerung verbindet einen schriftlichen Verweis mit dem relevanten Objekt oder Bereich in einem Bild. Eine nützliche Aufgabe kann das Objekt benennen, seine Unterscheidung von benachbarten Objekten erklären und die von der Anwendung erwarteten Positionsinformationen anfordern. Das Ausgabeformat der Anwendung sollte festlegen, wie eine solche Position dargestellt wird.\n\nBeschreiben Sie für räumliches Verständnis die wichtigen Beziehungen: relative Position, Ausrichtung oder Anordnung der Objekte in der Szene. Fordern Sie vor der abschließenden Deutung die sichtbaren Belege an. Unterscheiden Sie die beobachtbaren Bildmerkmale von einer erschlossenen dreidimensionalen Beziehung.\n\n### Mit Video und interaktiven Aufgaben arbeiten\n\nDer Hersteller nennt außerdem Videoverständnis und stellt ein eigenes Video-Cookbook bereit. Eine Videofrage sollte das relevante Ereignis, Objekt oder die relevante Abfolge sowie das zu erzeugende Ergebnis benennen. Verwenden Sie zeitliche Verweise in der Frage und bewahren Sie den Quellclip zusammen mit der Antwort auf, wenn Sie eine Ereignisfolge prüfen.\n\nZu den interaktiven Demonstrationen zählen GUI-Steuerung und Spielen. In einer Computernutzungsanwendung unterstützt das visuelle Verständnis des Modells eine Entscheidung über den Bildschirm, während die umgebende Anwendung Handlungen ausführt und die nächste Beobachtung bereitstellt. Die Beschreibung eines Bedienelements oder die Entscheidung über eine nächste Handlung belegt für sich allein noch nicht, dass eine Datei gespeichert oder ein Bildschirmvorgang abgeschlossen wurde.\n\n### Veröffentlichung und Schnittstelleneinstellungen bewahren\n\nByteDance beschreibt das Modell mit einem Vision-Encoder mit 532 Millionen Parametern und einem Mixture-of-Experts-Sprachmodell mit 20 Milliarden aktiven Parametern. Das Cookbook trennt Steuerungen für lange Gedankengänge, Verankerung, räumliches Verständnis, Video und GUI-Beispiele. Verwenden Sie den genauen Schnittstellenvertrag für die Eingaben und die von einer Aufgabe benötigte Ausgabedarstellung.\n\nDieser Eintrag bewahrt die im Repository des Herstellers benannte Veröffentlichung 250428. Das frühere Profil Thinking Pro Vision 250415 hat eine eigenständige Identität. Bewahren Sie das angeforderte Modell, die visuellen Quellen und die Aufgabeneinstellungen mit jedem Ergebnis auf, damit eine spätere Überarbeitung mit derselben Veröffentlichung und denselben Belegen verglichen werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 ist die benannte Vision-Language-Veröffentlichung Seed1.5-VL für Bilder, Video und schriftliche Fragen. Der Hersteller beschreibt OCR, Diagramminterpretation, visuelle Verankerung, räumliches Verständnis und Schlussfolgern anhand visueller Belege.
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 Thinking Vision Pro 250428 ist die genaue, von ByteDance für Seed1.5-VL benannte gehostete Modellidentität. Es ist ein Vision-Language-Modell für allgemeines multimodales Verständnis und Schlussfolgern. Zu den vom Hersteller beschriebenen Fähigkeiten zählen OCR, Diagrammverständnis, visuelle Verankerung, räumliches 3D-Verständnis, Videoverständnis und visuelles Schlussfolgern. Diese Aufgaben liefern Deutungen und Entscheidungen auf Grundlage von Bildmaterial und einer schriftlichen Frage.
Stellen Sie das Bild bereit und benennen Sie die zu extrahierenden oder zu erklärenden Informationen. Geben Sie bei einem Dokumentbild den relevanten Text oder die relevanten Felder an. Fragen Sie bei einem Diagramm nach bestimmten Beschriftungen und Beziehungen. Formulieren Sie bei einem visuellen Rätsel die Frage und verlangen Sie eine Schlussfolgerung, die sich auf die relevanten Hinweise stützt.
Halten Sie das gewünschte Arbeitsergebnis klar fest: transkribierter Text, die Beschreibung einer Beziehung oder die Erklärung einer Antwort. Enthält das Bild unklare Schrift oder verdeckte Details, verlangen Sie, dass die Antwort die Unsicherheit benennt. Bewahren Sie das Originalbild zusammen mit dem Ergebnis auf, damit extrahierte Wörter und interpretierte Beziehungen geprüft werden können.
Visuelle Verankerung verbindet einen schriftlichen Verweis mit dem relevanten Objekt oder Bereich in einem Bild. Eine nützliche Aufgabe kann das Objekt benennen, seine Unterscheidung von benachbarten Objekten erklären und die von der Anwendung erwarteten Positionsinformationen anfordern. Das Ausgabeformat der Anwendung sollte festlegen, wie eine solche Position dargestellt wird.
Beschreiben Sie für räumliches Verständnis die wichtigen Beziehungen: relative Position, Ausrichtung oder Anordnung der Objekte in der Szene. Fordern Sie vor der abschließenden Deutung die sichtbaren Belege an. Unterscheiden Sie die beobachtbaren Bildmerkmale von einer erschlossenen dreidimensionalen Beziehung.
Der Hersteller nennt außerdem Videoverständnis und stellt ein eigenes Video-Cookbook bereit. Eine Videofrage sollte das relevante Ereignis, Objekt oder die relevante Abfolge sowie das zu erzeugende Ergebnis benennen. Verwenden Sie zeitliche Verweise in der Frage und bewahren Sie den Quellclip zusammen mit der Antwort auf, wenn Sie eine Ereignisfolge prüfen.
Zu den interaktiven Demonstrationen zählen GUI-Steuerung und Spielen. In einer Computernutzungsanwendung unterstützt das visuelle Verständnis des Modells eine Entscheidung über den Bildschirm, während die umgebende Anwendung Handlungen ausführt und die nächste Beobachtung bereitstellt. Die Beschreibung eines Bedienelements oder die Entscheidung über eine nächste Handlung belegt für sich allein noch nicht, dass eine Datei gespeichert oder ein Bildschirmvorgang abgeschlossen wurde.
ByteDance beschreibt das Modell mit einem Vision-Encoder mit 532 Millionen Parametern und einem Mixture-of-Experts-Sprachmodell mit 20 Milliarden aktiven Parametern. Das Cookbook trennt Steuerungen für lange Gedankengänge, Verankerung, räumliches Verständnis, Video und GUI-Beispiele. Verwenden Sie den genauen Schnittstellenvertrag für die Eingaben und die von einer Aufgabe benötigte Ausgabedarstellung.
Dieser Eintrag bewahrt die im Repository des Herstellers benannte Veröffentlichung 250428. Das frühere Profil Thinking Pro Vision 250415 hat eine eigenständige Identität. Bewahren Sie das angeforderte Modell, die visuellen Quellen und die Aufgabeneinstellungen mit jedem Ergebnis auf, damit eine spätere Überarbeitung mit derselben Veröffentlichung und denselben Belegen verglichen werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00286 / 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-thinking-vision-pro-250428", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='doubao-1-5-thinking-vision-pro-250428',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='doubao-1-5-thinking-vision-pro-250428',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-thinking-vision-pro-250428
Verwenden Sie die oben angezeigten Methodenpfade.
doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 ist die benannte Vision-Language-Veröffentlichung Seed1.5-VL für Bilder, Video und schriftliche Fragen. Der Hersteller beschreibt OCR, Diagramminterpretation, visuelle Verankerung, räumliches Verständnis und Schlussfolgern anhand visueller Belege.
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 Thinking Vision Pro 250428 ist die genaue, von ByteDance für Seed1.5-VL benannte gehostete Modellidentität. Es ist ein Vision-Language-Modell für allgemeines multimodales Verständnis und Schlussfolgern. Zu den vom Hersteller beschriebenen Fähigkeiten zählen OCR, Diagrammverständnis, visuelle Verankerung, räumliches 3D-Verständnis, Videoverständnis und visuelles Schlussfolgern. Diese Aufgaben liefern Deutungen und Entscheidungen auf Grundlage von Bildmaterial und einer schriftlichen Frage.
Stellen Sie das Bild bereit und benennen Sie die zu extrahierenden oder zu erklärenden Informationen. Geben Sie bei einem Dokumentbild den relevanten Text oder die relevanten Felder an. Fragen Sie bei einem Diagramm nach bestimmten Beschriftungen und Beziehungen. Formulieren Sie bei einem visuellen Rätsel die Frage und verlangen Sie eine Schlussfolgerung, die sich auf die relevanten Hinweise stützt.
Halten Sie das gewünschte Arbeitsergebnis klar fest: transkribierter Text, die Beschreibung einer Beziehung oder die Erklärung einer Antwort. Enthält das Bild unklare Schrift oder verdeckte Details, verlangen Sie, dass die Antwort die Unsicherheit benennt. Bewahren Sie das Originalbild zusammen mit dem Ergebnis auf, damit extrahierte Wörter und interpretierte Beziehungen geprüft werden können.
Visuelle Verankerung verbindet einen schriftlichen Verweis mit dem relevanten Objekt oder Bereich in einem Bild. Eine nützliche Aufgabe kann das Objekt benennen, seine Unterscheidung von benachbarten Objekten erklären und die von der Anwendung erwarteten Positionsinformationen anfordern. Das Ausgabeformat der Anwendung sollte festlegen, wie eine solche Position dargestellt wird.
Beschreiben Sie für räumliches Verständnis die wichtigen Beziehungen: relative Position, Ausrichtung oder Anordnung der Objekte in der Szene. Fordern Sie vor der abschließenden Deutung die sichtbaren Belege an. Unterscheiden Sie die beobachtbaren Bildmerkmale von einer erschlossenen dreidimensionalen Beziehung.
Der Hersteller nennt außerdem Videoverständnis und stellt ein eigenes Video-Cookbook bereit. Eine Videofrage sollte das relevante Ereignis, Objekt oder die relevante Abfolge sowie das zu erzeugende Ergebnis benennen. Verwenden Sie zeitliche Verweise in der Frage und bewahren Sie den Quellclip zusammen mit der Antwort auf, wenn Sie eine Ereignisfolge prüfen.
Zu den interaktiven Demonstrationen zählen GUI-Steuerung und Spielen. In einer Computernutzungsanwendung unterstützt das visuelle Verständnis des Modells eine Entscheidung über den Bildschirm, während die umgebende Anwendung Handlungen ausführt und die nächste Beobachtung bereitstellt. Die Beschreibung eines Bedienelements oder die Entscheidung über eine nächste Handlung belegt für sich allein noch nicht, dass eine Datei gespeichert oder ein Bildschirmvorgang abgeschlossen wurde.
ByteDance beschreibt das Modell mit einem Vision-Encoder mit 532 Millionen Parametern und einem Mixture-of-Experts-Sprachmodell mit 20 Milliarden aktiven Parametern. Das Cookbook trennt Steuerungen für lange Gedankengänge, Verankerung, räumliches Verständnis, Video und GUI-Beispiele. Verwenden Sie den genauen Schnittstellenvertrag für die Eingaben und die von einer Aufgabe benötigte Ausgabedarstellung.
Dieser Eintrag bewahrt die im Repository des Herstellers benannte Veröffentlichung 250428. Das frühere Profil Thinking Pro Vision 250415 hat eine eigenständige Identität. Bewahren Sie das angeforderte Modell, die visuellen Quellen und die Aufgabeneinstellungen mit jedem Ergebnis auf, damit eine spätere Überarbeitung mit derselben Veröffentlichung und denselben Belegen verglichen werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00286 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'doubao-1-5-thinking-vision-pro-250428', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'doubao-1-5-thinking-vision-pro-250428', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-thinking-vision-pro-250428
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.