ERNIE 4.5 Turbo VL 32K ist das benannte 32K-Profil für visuelles Verständnis in der ERNIE-4.5-Turbo-Familie von Baidu. Es ist nützlich, wenn ein Bild die Belege für eine schriftliche Frage liefert und das benötigte Ergebnis eine textliche Interpretation ist. Die genaue 32K-Identität unterscheidet diesen Eintrag vom separaten Turbo-VL-Profil mit größerem Kontext.
Stelle ein lesbares Bild bereit und lege die Frage fest, die es beantworten soll. Benenne bei einer Seite oder einem Diagramm die relevanten Beschriftungen, den Bereich oder den Zusammenhang. Bitte darum, sichtbare Details in der Antwort von der daraus gezogenen Schlussfolgerung zu trennen, damit wichtige Fakten anhand der Originalquelle geprüft werden können.
Verbindet die Aufgabe ein Bild mit zusätzlichen schriftlichen Fakten, kennzeichne diese Fakten separat. Ein nützlicher Vergleich kann fragen, wie sich ein sichtbares Diagramm zur begleitenden Beschreibung verhält, statt anzunehmen, dass das Bild Informationen belegt, die nur im Text stehen. Fordere entsprechend dem von der Anwendung benötigten Ergebnis eine kompakte Erklärung oder definierte Felder an.
Die Modellliste von Baidu gibt genau diesem Profil einen 32K-Kontext, eine maximale Eingabe von 27K Tokens und einen Ausgabebereich von 2–12.288 Tokens. Dies sind getrennte Grenzen: Eine Antwortobergrenze ist kein zusätzliches Eingabebudget. Bereite relevantes Quellenmaterial vor und lasse im aktiven Arbeitskontext angemessen Platz für die Erklärung.
Bewahre bei der Überarbeitung einer Interpretation Bild, Frage und zurückgegebenen Text zusammen auf. Eine Folgeanfrage kann auf ein strittiges Detail hinweisen und dessen erneute Prüfung verlangen. Das Ergebnis des visuellen Verständnisses ist Text, der auf dem bereitgestellten Bild beruht; das Erstellen eines neuen Bildes ist eine separate Ausgabeaufgabe.
", "aboutText": "ERNIE 4.5 Turbo VL 32K ist das benannte 32K-Profil für visuelles Verständnis in der ERNIE-4.5-Turbo-Familie von Baidu. Es ist nützlich, wenn ein Bild die Belege für eine schriftliche Frage liefert und das benötigte Ergebnis eine textliche Interpretation ist. Die genaue 32K-Identität unterscheidet diesen Eintrag vom separaten Turbo-VL-Profil mit größerem Kontext.\n\n### Die im Bild enthaltenen Informationen anfordern\n\nStelle ein lesbares Bild bereit und lege die Frage fest, die es beantworten soll. Benenne bei einer Seite oder einem Diagramm die relevanten Beschriftungen, den Bereich oder den Zusammenhang. Bitte darum, sichtbare Details in der Antwort von der daraus gezogenen Schlussfolgerung zu trennen, damit wichtige Fakten anhand der Originalquelle geprüft werden können.\n\nVerbindet die Aufgabe ein Bild mit zusätzlichen schriftlichen Fakten, kennzeichne diese Fakten separat. Ein nützlicher Vergleich kann fragen, wie sich ein sichtbares Diagramm zur begleitenden Beschreibung verhält, statt anzunehmen, dass das Bild Informationen belegt, die nur im Text stehen. Fordere entsprechend dem von der Anwendung benötigten Ergebnis eine kompakte Erklärung oder definierte Felder an.\n\n### Das 32K-Arbeitsbudget planen\n\nDie Modellliste von Baidu gibt genau diesem Profil einen 32K-Kontext, eine maximale Eingabe von 27K Tokens und einen Ausgabebereich von 2–12.288 Tokens. Dies sind getrennte Grenzen: Eine Antwortobergrenze ist kein zusätzliches Eingabebudget. Bereite relevantes Quellenmaterial vor und lasse im aktiven Arbeitskontext angemessen Platz für die Erklärung.\n\nBewahre bei der Überarbeitung einer Interpretation Bild, Frage und zurückgegebenen Text zusammen auf. Eine Folgeanfrage kann auf ein strittiges Detail hinweisen und dessen erneute Prüfung verlangen. Das Ergebnis des visuellen Verständnisses ist Text, der auf dem bereitgestellten Bild beruht; das Erstellen eines neuen Bildes ist eine separate Ausgabeaufgabe.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a transcribed process diagram\n\nUse this written transcription of a process diagram: "Start -> inspect package -> damaged? Yes: quarantine; No: stock shelf." Explain both paths to a warehouse trainee in four short steps. Use only the supplied text, and end with one question about a process detail the transcription does not specify.Four concise process steps and one clearly unanswered process question.Verify that the damaged branch leads to quarantine and the undamaged branch to stock, with no claim of image inspection.ernie-4.5-turbo-vl-32kERNIE 4.5 Turbo VL 32K ist das Profil von Baidu für visuelles Verständnis bei bildbasierten Fragen mit einer Textantwort. Der Hersteller nennt einen 32K-Kontext, bis zu 27K Eingabetokens und einen Ausgabebereich von 2–12.288 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE 4.5 Turbo VL 32K ist das benannte 32K-Profil für visuelles Verständnis in der ERNIE-4.5-Turbo-Familie von Baidu. Es ist nützlich, wenn ein Bild die Belege für eine schriftliche Frage liefert und das benötigte Ergebnis eine textliche Interpretation ist. Die genaue 32K-Identität unterscheidet diesen Eintrag vom separaten Turbo-VL-Profil mit größerem Kontext.
Stelle ein lesbares Bild bereit und lege die Frage fest, die es beantworten soll. Benenne bei einer Seite oder einem Diagramm die relevanten Beschriftungen, den Bereich oder den Zusammenhang. Bitte darum, sichtbare Details in der Antwort von der daraus gezogenen Schlussfolgerung zu trennen, damit wichtige Fakten anhand der Originalquelle geprüft werden können.
Verbindet die Aufgabe ein Bild mit zusätzlichen schriftlichen Fakten, kennzeichne diese Fakten separat. Ein nützlicher Vergleich kann fragen, wie sich ein sichtbares Diagramm zur begleitenden Beschreibung verhält, statt anzunehmen, dass das Bild Informationen belegt, die nur im Text stehen. Fordere entsprechend dem von der Anwendung benötigten Ergebnis eine kompakte Erklärung oder definierte Felder an.
Die Modellliste von Baidu gibt genau diesem Profil einen 32K-Kontext, eine maximale Eingabe von 27K Tokens und einen Ausgabebereich von 2–12.288 Tokens. Dies sind getrennte Grenzen: Eine Antwortobergrenze ist kein zusätzliches Eingabebudget. Bereite relevantes Quellenmaterial vor und lasse im aktiven Arbeitskontext angemessen Platz für die Erklärung.
Bewahre bei der Überarbeitung einer Interpretation Bild, Frage und zurückgegebenen Text zusammen auf. Eine Folgeanfrage kann auf ein strittiges Detail hinweisen und dessen erneute Prüfung verlangen. Das Ergebnis des visuellen Verständnisses ist Text, der auf dem bereitgestellten Bild beruht; das Erstellen eines neuen Bildes ist eine separate Ausgabeaufgabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ernie-4.5-turbo-vl-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 $0.00099 / 1K Token Ausgabe · Ausgabetoken $0.00286 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "ernie-4.5-turbo-vl-32k", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='ernie-4.5-turbo-vl-32k',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='ernie-4.5-turbo-vl-32k',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 ernie-4.5-turbo-vl-32k
Verwenden Sie die oben angezeigten Methodenpfade.
ernie-4.5-turbo-vl-32kERNIE 4.5 Turbo VL 32K ist das Profil von Baidu für visuelles Verständnis bei bildbasierten Fragen mit einer Textantwort. Der Hersteller nennt einen 32K-Kontext, bis zu 27K Eingabetokens und einen Ausgabebereich von 2–12.288 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
ERNIE 4.5 Turbo VL 32K ist das benannte 32K-Profil für visuelles Verständnis in der ERNIE-4.5-Turbo-Familie von Baidu. Es ist nützlich, wenn ein Bild die Belege für eine schriftliche Frage liefert und das benötigte Ergebnis eine textliche Interpretation ist. Die genaue 32K-Identität unterscheidet diesen Eintrag vom separaten Turbo-VL-Profil mit größerem Kontext.
Stelle ein lesbares Bild bereit und lege die Frage fest, die es beantworten soll. Benenne bei einer Seite oder einem Diagramm die relevanten Beschriftungen, den Bereich oder den Zusammenhang. Bitte darum, sichtbare Details in der Antwort von der daraus gezogenen Schlussfolgerung zu trennen, damit wichtige Fakten anhand der Originalquelle geprüft werden können.
Verbindet die Aufgabe ein Bild mit zusätzlichen schriftlichen Fakten, kennzeichne diese Fakten separat. Ein nützlicher Vergleich kann fragen, wie sich ein sichtbares Diagramm zur begleitenden Beschreibung verhält, statt anzunehmen, dass das Bild Informationen belegt, die nur im Text stehen. Fordere entsprechend dem von der Anwendung benötigten Ergebnis eine kompakte Erklärung oder definierte Felder an.
Die Modellliste von Baidu gibt genau diesem Profil einen 32K-Kontext, eine maximale Eingabe von 27K Tokens und einen Ausgabebereich von 2–12.288 Tokens. Dies sind getrennte Grenzen: Eine Antwortobergrenze ist kein zusätzliches Eingabebudget. Bereite relevantes Quellenmaterial vor und lasse im aktiven Arbeitskontext angemessen Platz für die Erklärung.
Bewahre bei der Überarbeitung einer Interpretation Bild, Frage und zurückgegebenen Text zusammen auf. Eine Folgeanfrage kann auf ein strittiges Detail hinweisen und dessen erneute Prüfung verlangen. Das Ergebnis des visuellen Verständnisses ist Text, der auf dem bereitgestellten Bild beruht; das Erstellen eines neuen Bildes ist eine separate Ausgabeaufgabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits ernie-4.5-turbo-vl-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 $0.00099 / 1K Token Ausgabe · Ausgabetoken $0.00286 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "ernie-4.5-turbo-vl-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'ernie-4.5-turbo-vl-32k', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'ernie-4.5-turbo-vl-32k', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 ernie-4.5-turbo-vl-32k
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a transcribed process diagram\n\nUse this written transcription of a process diagram: "Start -> inspect package -> damaged? Yes: quarantine; No: stock shelf." Explain both paths to a warehouse trainee in four short steps. Use only the supplied text, and end with one question about a process detail the transcription does not specify.Four concise process steps and one clearly unanswered process question.Verify that the damaged branch leads to quarantine and the undamaged branch to stock, with no claim of image inspection.