Step R1 V Mini ist das multimodale Reasoning-Modell von StepFun für Bild- und Texteingaben mit Textausgabe. Es verbindet visuelle Wahrnehmung mit einer schriftlichen Denkaufgabe: Sichtbares erkennen, relevante Details miteinander in Beziehung setzen und eine Schlussfolgerung erklären. Der Hersteller zeigt drei konkrete Anwendungen: einen Ort anhand eines Fotos erkennen, ein Gericht samt Rezept beschreiben und Objekte unter einer vorgegebenen Bedingung zählen.
Geben Sie das Bild und eine Frage an, die das benötigte Ergebnis benennt. Bei einer Zählaufgabe können Sie festlegen, welche Objekte zählen und welche ausgeschlossen werden sollen. Eine Frage zu einer Szene kann danach fragen, welche sichtbaren Merkmale für einen vermuteten Ort sprechen. Ein Essensfoto kann zunächst eine Beschreibung des sichtbaren Gerichts und danach einen Rezeptvorschlag verlangen. Wenn Beobachtung und Schlussfolgerung getrennt bleiben, lässt sich die Antwort leichter prüfen.
Geben Sie beispielsweise ein Foto eines Tabletts mit unterschiedlich geformten Gegenständen vor und fragen Sie nach der Anzahl roter, kreisförmiger Gegenstände samt kurzer Erklärung der Zählregel. Zeigen Sie den gesamten relevanten Bereich statt eines Ausschnitts, der in der Frage erwähnte Objekte entfernt. Wenn ein Teil des Bildes verdeckt oder unklar ist, lassen Sie das Modell vor einer Schätzung der übrigen Teile angeben, was es unterscheiden kann.
Das Ortsbeispiel des Herstellers kombiniert mehrere Hinweise in einem Stadionfoto, um den Veranstaltungsort zu erschliessen. Dieser Ablauf eignet sich dazu, eine Szene zu beschreiben oder eine vorgeschlagene Deutung mit dem Bild zu vergleichen. Verlangen Sie zuerst die sichtbaren Hinweise und anschliessend die daraus abgeleitete Schlussfolgerung. Hängt eine Schlussfolgerung auch von Informationen ausserhalb des Fotos ab, geben Sie diese als separate Quelle an, statt zu erwarten, dass das Bild allein sie belegt.
Das Rezeptbeispiel folgt demselben Muster: das Aussehen des Essens deuten und anschliessend einen schriftlichen Vorschlag ausarbeiten. Geben Sie bekannte Zutaten, Ernährungsanforderungen oder Einschränkungen bei der Zubereitung zusammen mit dem Bild an. Das Foto kann den Vorschlag leiten, während die zusätzlichen Fakten des Nutzers Anforderungen festlegen, die sich aus dem Aussehen nicht ableiten lassen.
StepFun beschreibt gemeinsames multimodales Reinforcement Learning mit überprüfbaren visuellen Belohnungssignalen und umfangreichen synthetischen multimodalen Daten. Diese Methoden zielen auf Schlussfolgern anhand schriftlicher und visueller Anhaltspunkte. Die veröffentlichten Beispiele betreffen Schlussfolgern und Verständnis; das zurückgegebene Ergebnis ist eine Erklärung, eine Anzahl oder ein Rezeptvorschlag in Textform.
Halten Sie für einen wiederverwendbaren Ablauf Frage, Bild und erforderliches Antwortformat zusammen. Verlangen Sie eine kompakte Liste von Beobachtungen mit anschliessendem Endergebnis oder definieren Sie die von der Anwendung benötigten Felder. Prüfen Sie wichtige Anzahlen und erschlossene Details anhand des Quellbildes. Kontext- und Generierungseinstellungen sollten dem eigenen Vertrag der gewählten Schnittstelle folgen; die Einführung des Herstellers legt keine universelle Obergrenze für Ausgabetoken fest.
", "aboutText": "Step R1 V Mini ist das multimodale Reasoning-Modell von StepFun für Bild- und Texteingaben mit Textausgabe. Es verbindet visuelle Wahrnehmung mit einer schriftlichen Denkaufgabe: Sichtbares erkennen, relevante Details miteinander in Beziehung setzen und eine Schlussfolgerung erklären. Der Hersteller zeigt drei konkrete Anwendungen: einen Ort anhand eines Fotos erkennen, ein Gericht samt Rezept beschreiben und Objekte unter einer vorgegebenen Bedingung zählen.\n\n### Stellen Sie eine Frage zu den sichtbaren Anhaltspunkten\n\nGeben Sie das Bild und eine Frage an, die das benötigte Ergebnis benennt. Bei einer Zählaufgabe können Sie festlegen, welche Objekte zählen und welche ausgeschlossen werden sollen. Eine Frage zu einer Szene kann danach fragen, welche sichtbaren Merkmale für einen vermuteten Ort sprechen. Ein Essensfoto kann zunächst eine Beschreibung des sichtbaren Gerichts und danach einen Rezeptvorschlag verlangen. Wenn Beobachtung und Schlussfolgerung getrennt bleiben, lässt sich die Antwort leichter prüfen.\n\nGeben Sie beispielsweise ein Foto eines Tabletts mit unterschiedlich geformten Gegenständen vor und fragen Sie nach der Anzahl roter, kreisförmiger Gegenstände samt kurzer Erklärung der Zählregel. Zeigen Sie den gesamten relevanten Bereich statt eines Ausschnitts, der in der Frage erwähnte Objekte entfernt. Wenn ein Teil des Bildes verdeckt oder unklar ist, lassen Sie das Modell vor einer Schätzung der übrigen Teile angeben, was es unterscheiden kann.\n\n### Nutzen Sie visuelle Hinweise für eine begründete Erklärung\n\nDas Ortsbeispiel des Herstellers kombiniert mehrere Hinweise in einem Stadionfoto, um den Veranstaltungsort zu erschliessen. Dieser Ablauf eignet sich dazu, eine Szene zu beschreiben oder eine vorgeschlagene Deutung mit dem Bild zu vergleichen. Verlangen Sie zuerst die sichtbaren Hinweise und anschliessend die daraus abgeleitete Schlussfolgerung. Hängt eine Schlussfolgerung auch von Informationen ausserhalb des Fotos ab, geben Sie diese als separate Quelle an, statt zu erwarten, dass das Bild allein sie belegt.\n\nDas Rezeptbeispiel folgt demselben Muster: das Aussehen des Essens deuten und anschliessend einen schriftlichen Vorschlag ausarbeiten. Geben Sie bekannte Zutaten, Ernährungsanforderungen oder Einschränkungen bei der Zubereitung zusammen mit dem Bild an. Das Foto kann den Vorschlag leiten, während die zusätzlichen Fakten des Nutzers Anforderungen festlegen, die sich aus dem Aussehen nicht ableiten lassen.\n\n### Training und Aufgabenvorbereitung\n\nStepFun beschreibt gemeinsames multimodales Reinforcement Learning mit überprüfbaren visuellen Belohnungssignalen und umfangreichen synthetischen multimodalen Daten. Diese Methoden zielen auf Schlussfolgern anhand schriftlicher und visueller Anhaltspunkte. Die veröffentlichten Beispiele betreffen Schlussfolgern und Verständnis; das zurückgegebene Ergebnis ist eine Erklärung, eine Anzahl oder ein Rezeptvorschlag in Textform.\n\nHalten Sie für einen wiederverwendbaren Ablauf Frage, Bild und erforderliches Antwortformat zusammen. Verlangen Sie eine kompakte Liste von Beobachtungen mit anschliessendem Endergebnis oder definieren Sie die von der Anwendung benötigten Felder. Prüfen Sie wichtige Anzahlen und erschlossene Details anhand des Quellbildes. Kontext- und Generierungseinstellungen sollten dem eigenen Vertrag der gewählten Schnittstelle folgen; die Einführung des Herstellers legt keine universelle Obergrenze für Ausgabetoken fest.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Count objects under an explicit rule\n\nCount confirmed red circular objects from these recorded annotations: A is a red circle; B is a red square; C is a blue circle; D is a red shape partly hidden with its outline unknown. Return the confirmed count, included identifiers and ambiguous identifiers. Exclude known nonmatching objects and do not guess D’s shape.A compact count record with included, excluded and ambiguous identifiers and a one-sentence counting rule.Check that color and shape are both required and D remains ambiguous rather than counted as a circle.step-r1-v-miniStep R1 V Mini interpretiert Bilder und schriftliche Fragen und erzeugt eine begründete Textantwort. StepFun demonstriert visuelle Hinweise auf Orte, das Erkennen von Gerichten und das Zählen von Gegenständen. Damit eignet es sich für Fragen, die sichtbare Details mit einer klaren Schlussfolgerungsaufgabe verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Step R1 V Mini ist das multimodale Reasoning-Modell von StepFun für Bild- und Texteingaben mit Textausgabe. Es verbindet visuelle Wahrnehmung mit einer schriftlichen Denkaufgabe: Sichtbares erkennen, relevante Details miteinander in Beziehung setzen und eine Schlussfolgerung erklären. Der Hersteller zeigt drei konkrete Anwendungen: einen Ort anhand eines Fotos erkennen, ein Gericht samt Rezept beschreiben und Objekte unter einer vorgegebenen Bedingung zählen.
Geben Sie das Bild und eine Frage an, die das benötigte Ergebnis benennt. Bei einer Zählaufgabe können Sie festlegen, welche Objekte zählen und welche ausgeschlossen werden sollen. Eine Frage zu einer Szene kann danach fragen, welche sichtbaren Merkmale für einen vermuteten Ort sprechen. Ein Essensfoto kann zunächst eine Beschreibung des sichtbaren Gerichts und danach einen Rezeptvorschlag verlangen. Wenn Beobachtung und Schlussfolgerung getrennt bleiben, lässt sich die Antwort leichter prüfen.
Geben Sie beispielsweise ein Foto eines Tabletts mit unterschiedlich geformten Gegenständen vor und fragen Sie nach der Anzahl roter, kreisförmiger Gegenstände samt kurzer Erklärung der Zählregel. Zeigen Sie den gesamten relevanten Bereich statt eines Ausschnitts, der in der Frage erwähnte Objekte entfernt. Wenn ein Teil des Bildes verdeckt oder unklar ist, lassen Sie das Modell vor einer Schätzung der übrigen Teile angeben, was es unterscheiden kann.
Das Ortsbeispiel des Herstellers kombiniert mehrere Hinweise in einem Stadionfoto, um den Veranstaltungsort zu erschliessen. Dieser Ablauf eignet sich dazu, eine Szene zu beschreiben oder eine vorgeschlagene Deutung mit dem Bild zu vergleichen. Verlangen Sie zuerst die sichtbaren Hinweise und anschliessend die daraus abgeleitete Schlussfolgerung. Hängt eine Schlussfolgerung auch von Informationen ausserhalb des Fotos ab, geben Sie diese als separate Quelle an, statt zu erwarten, dass das Bild allein sie belegt.
Das Rezeptbeispiel folgt demselben Muster: das Aussehen des Essens deuten und anschliessend einen schriftlichen Vorschlag ausarbeiten. Geben Sie bekannte Zutaten, Ernährungsanforderungen oder Einschränkungen bei der Zubereitung zusammen mit dem Bild an. Das Foto kann den Vorschlag leiten, während die zusätzlichen Fakten des Nutzers Anforderungen festlegen, die sich aus dem Aussehen nicht ableiten lassen.
StepFun beschreibt gemeinsames multimodales Reinforcement Learning mit überprüfbaren visuellen Belohnungssignalen und umfangreichen synthetischen multimodalen Daten. Diese Methoden zielen auf Schlussfolgern anhand schriftlicher und visueller Anhaltspunkte. Die veröffentlichten Beispiele betreffen Schlussfolgern und Verständnis; das zurückgegebene Ergebnis ist eine Erklärung, eine Anzahl oder ein Rezeptvorschlag in Textform.
Halten Sie für einen wiederverwendbaren Ablauf Frage, Bild und erforderliches Antwortformat zusammen. Verlangen Sie eine kompakte Liste von Beobachtungen mit anschliessendem Endergebnis oder definieren Sie die von der Anwendung benötigten Felder. Prüfen Sie wichtige Anzahlen und erschlossene Details anhand des Quellbildes. Kontext- und Generierungseinstellungen sollten dem eigenen Vertrag der gewählten Schnittstelle folgen; die Einführung des Herstellers legt keine universelle Obergrenze für Ausgabetoken fest.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits step-r1-v-mini | 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 $0.00484 / 1K Tokens Ausgabe · Ausgabetoken $0.022 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "step-r1-v-mini", "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='step-r1-v-mini',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='step-r1-v-mini',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 step-r1-v-mini
Verwenden Sie die oben angezeigten Methodenpfade.
step-r1-v-miniStep R1 V Mini interpretiert Bilder und schriftliche Fragen und erzeugt eine begründete Textantwort. StepFun demonstriert visuelle Hinweise auf Orte, das Erkennen von Gerichten und das Zählen von Gegenständen. Damit eignet es sich für Fragen, die sichtbare Details mit einer klaren Schlussfolgerungsaufgabe verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Step R1 V Mini ist das multimodale Reasoning-Modell von StepFun für Bild- und Texteingaben mit Textausgabe. Es verbindet visuelle Wahrnehmung mit einer schriftlichen Denkaufgabe: Sichtbares erkennen, relevante Details miteinander in Beziehung setzen und eine Schlussfolgerung erklären. Der Hersteller zeigt drei konkrete Anwendungen: einen Ort anhand eines Fotos erkennen, ein Gericht samt Rezept beschreiben und Objekte unter einer vorgegebenen Bedingung zählen.
Geben Sie das Bild und eine Frage an, die das benötigte Ergebnis benennt. Bei einer Zählaufgabe können Sie festlegen, welche Objekte zählen und welche ausgeschlossen werden sollen. Eine Frage zu einer Szene kann danach fragen, welche sichtbaren Merkmale für einen vermuteten Ort sprechen. Ein Essensfoto kann zunächst eine Beschreibung des sichtbaren Gerichts und danach einen Rezeptvorschlag verlangen. Wenn Beobachtung und Schlussfolgerung getrennt bleiben, lässt sich die Antwort leichter prüfen.
Geben Sie beispielsweise ein Foto eines Tabletts mit unterschiedlich geformten Gegenständen vor und fragen Sie nach der Anzahl roter, kreisförmiger Gegenstände samt kurzer Erklärung der Zählregel. Zeigen Sie den gesamten relevanten Bereich statt eines Ausschnitts, der in der Frage erwähnte Objekte entfernt. Wenn ein Teil des Bildes verdeckt oder unklar ist, lassen Sie das Modell vor einer Schätzung der übrigen Teile angeben, was es unterscheiden kann.
Das Ortsbeispiel des Herstellers kombiniert mehrere Hinweise in einem Stadionfoto, um den Veranstaltungsort zu erschliessen. Dieser Ablauf eignet sich dazu, eine Szene zu beschreiben oder eine vorgeschlagene Deutung mit dem Bild zu vergleichen. Verlangen Sie zuerst die sichtbaren Hinweise und anschliessend die daraus abgeleitete Schlussfolgerung. Hängt eine Schlussfolgerung auch von Informationen ausserhalb des Fotos ab, geben Sie diese als separate Quelle an, statt zu erwarten, dass das Bild allein sie belegt.
Das Rezeptbeispiel folgt demselben Muster: das Aussehen des Essens deuten und anschliessend einen schriftlichen Vorschlag ausarbeiten. Geben Sie bekannte Zutaten, Ernährungsanforderungen oder Einschränkungen bei der Zubereitung zusammen mit dem Bild an. Das Foto kann den Vorschlag leiten, während die zusätzlichen Fakten des Nutzers Anforderungen festlegen, die sich aus dem Aussehen nicht ableiten lassen.
StepFun beschreibt gemeinsames multimodales Reinforcement Learning mit überprüfbaren visuellen Belohnungssignalen und umfangreichen synthetischen multimodalen Daten. Diese Methoden zielen auf Schlussfolgern anhand schriftlicher und visueller Anhaltspunkte. Die veröffentlichten Beispiele betreffen Schlussfolgern und Verständnis; das zurückgegebene Ergebnis ist eine Erklärung, eine Anzahl oder ein Rezeptvorschlag in Textform.
Halten Sie für einen wiederverwendbaren Ablauf Frage, Bild und erforderliches Antwortformat zusammen. Verlangen Sie eine kompakte Liste von Beobachtungen mit anschliessendem Endergebnis oder definieren Sie die von der Anwendung benötigten Felder. Prüfen Sie wichtige Anzahlen und erschlossene Details anhand des Quellbildes. Kontext- und Generierungseinstellungen sollten dem eigenen Vertrag der gewählten Schnittstelle folgen; die Einführung des Herstellers legt keine universelle Obergrenze für Ausgabetoken fest.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits step-r1-v-mini | 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 $0.00484 / 1K Tokens Ausgabe · Ausgabetoken $0.022 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "step-r1-v-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'step-r1-v-mini', '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': 'step-r1-v-mini', '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 step-r1-v-mini
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Count objects under an explicit rule\n\nCount confirmed red circular objects from these recorded annotations: A is a red circle; B is a red square; C is a blue circle; D is a red shape partly hidden with its outline unknown. Return the confirmed count, included identifiers and ambiguous identifiers. Exclude known nonmatching objects and do not guess D’s shape.A compact count record with included, excluded and ambiguous identifiers and a one-sentence counting rule.Check that color and shape are both required and D remains ambiguous rather than counted as a circle.