Ming Image 0.1 Design Layer ist inclusionAIs Bild-zu-Bild-Modell zur Zerlegung eines zu einem einzigen Bild zusammengefassten Designs in RGBA-Ebenen. Wählen Sie die genaue ID inclusionai/ming-image-0.1-design-layer mit der Methode Images unter POST /v1/images/generations. Seine Aufgabe besteht darin, eine bestehende Komposition und einen schriftlichen Ebenenplan entgegenzunehmen und anschließend separate Bildausgaben für die Ebenen zurückzugeben.
Stellen Sie über input_references genau ein Referenzbild bereit und beschreiben Sie in prompt, was isoliert werden soll. Die dokumentierte Referenzdarstellung akzeptiert eine HTTP(S)-Bild-URL oder eine base64-Daten-URL. Ein hilfreicher Ebenenplan kann zwischen Hintergrund, Hauptobjekt und Vordergrunddekoration unterscheiden und erklären, welche sichtbaren Elemente zusammengehören. Verwenden Sie das tatsächlich zusammengefasste Design als Referenz, damit die Zerlegung an die Komposition gebunden ist, die Sie bearbeiten möchten.
Das spezielle Modellprofil setzt input_references auf eine Referenz und n auf 1. Diese Anfrageeinstellung beschreibt eine angeforderte Zerlegung; das dokumentierte Modellverhalten liefert ein Bild pro Ebene. Bewahren Sie jedes Bild der Antwort auf, statt das erste data-Element als gesamtes Ergebnis zu behandeln. Der Prompt sollte die beabsichtigte Gruppierung der Elemente vermitteln, während die zurückgegebenen Ebenen die tatsächliche zu prüfende Ausgabemenge darstellen.
Die unterstützten output_format-Auswahlwerte sind png und webp. Die Ausgabeabmessungen folgen dem Eingabebild. Ausdrückliche Werte für size und aspect_ratio werden bei dieser Ausgabe zurückgewiesen; bereiten Sie das Referenzbild daher in den für die Komposition benötigten Abmessungen vor und lassen Sie diese Steuerungen unbestimmt. Die genaue Auswahlkennung bezeichnet die Design Layer-Ausgabe, deren Eingabe ein bestehendes Design ist und deren Ausgabe aus Bildebenen besteht.
Die Generierung verwendet eine vollständige Bildantwort, und das spezielle Profil dieses Modells unterstützt kein Streaming. Dekodieren Sie jedes zurückgegebene b64_json-Bild oder rufen Sie jede zurückgegebene Bild-URL ab und behalten Sie beim Speichern der Datei das tatsächliche Ausgabeformat bei. Bewahren Sie die Ebenen zusammen mit dem Ausgangsbild und dem Ebenenplan auf. Prüfen Sie in einem Editor mit Ebenenunterstützung die transparenten Bereiche, die Trennung benachbarter Elemente und die rekonstruierte Gesamtkomposition, bevor Sie lokale Änderungen vornehmen.
Das Ergebnis ist eine Reihe von Rasterbildebenen. Sie kann die Neuanordnung, den Austausch einzelner visueller Elemente oder weitere Bildmontagen in einem Editor unterstützen, wobei die aufbewahrte Vorlage für Vergleiche verfügbar bleibt. Prüfen Sie Schrift und Objektkanten, die Ebenengrenzen überschreiten, damit die gewählte Zerlegung für die vorgesehene Überarbeitung brauchbar bleibt.
", "aboutText": "Ming Image 0.1 Design Layer ist inclusionAIs Bild-zu-Bild-Modell zur Zerlegung eines zu einem einzigen Bild zusammengefassten Designs in RGBA-Ebenen. Wählen Sie die genaue ID inclusionai/ming-image-0.1-design-layer mit der Methode Images unter POST /v1/images/generations. Seine Aufgabe besteht darin, eine bestehende Komposition und einen schriftlichen Ebenenplan entgegenzunehmen und anschließend separate Bildausgaben für die Ebenen zurückzugeben.\n\nStellen Sie über input_references genau ein Referenzbild bereit und beschreiben Sie in prompt, was isoliert werden soll. Die dokumentierte Referenzdarstellung akzeptiert eine HTTP(S)-Bild-URL oder eine base64-Daten-URL. Ein hilfreicher Ebenenplan kann zwischen Hintergrund, Hauptobjekt und Vordergrunddekoration unterscheiden und erklären, welche sichtbaren Elemente zusammengehören. Verwenden Sie das tatsächlich zusammengefasste Design als Referenz, damit die Zerlegung an die Komposition gebunden ist, die Sie bearbeiten möchten.\n\nDas spezielle Modellprofil setzt input_references auf eine Referenz und n auf 1. Diese Anfrageeinstellung beschreibt eine angeforderte Zerlegung; das dokumentierte Modellverhalten liefert ein Bild pro Ebene. Bewahren Sie jedes Bild der Antwort auf, statt das erste data-Element als gesamtes Ergebnis zu behandeln. Der Prompt sollte die beabsichtigte Gruppierung der Elemente vermitteln, während die zurückgegebenen Ebenen die tatsächliche zu prüfende Ausgabemenge darstellen.\n\nDie unterstützten output_format-Auswahlwerte sind png und webp. Die Ausgabeabmessungen folgen dem Eingabebild. Ausdrückliche Werte für size und aspect_ratio werden bei dieser Ausgabe zurückgewiesen; bereiten Sie das Referenzbild daher in den für die Komposition benötigten Abmessungen vor und lassen Sie diese Steuerungen unbestimmt. Die genaue Auswahlkennung bezeichnet die Design Layer-Ausgabe, deren Eingabe ein bestehendes Design ist und deren Ausgabe aus Bildebenen besteht.\n\nDie Generierung verwendet eine vollständige Bildantwort, und das spezielle Profil dieses Modells unterstützt kein Streaming. Dekodieren Sie jedes zurückgegebene b64_json-Bild oder rufen Sie jede zurückgegebene Bild-URL ab und behalten Sie beim Speichern der Datei das tatsächliche Ausgabeformat bei. Bewahren Sie die Ebenen zusammen mit dem Ausgangsbild und dem Ebenenplan auf. Prüfen Sie in einem Editor mit Ebenenunterstützung die transparenten Bereiche, die Trennung benachbarter Elemente und die rekonstruierte Gesamtkomposition, bevor Sie lokale Änderungen vornehmen.\n\nDas Ergebnis ist eine Reihe von Rasterbildebenen. Sie kann die Neuanordnung, den Austausch einzelner visueller Elemente oder weitere Bildmontagen in einem Editor unterstützen, wobei die aufbewahrte Vorlage für Vergleiche verfügbar bleibt. Prüfen Sie Schrift und Objektkanten, die Ebenengrenzen überschreiten, damit die gewählte Zerlegung für die vorgesehene Überarbeitung brauchbar bleibt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f7456bb375d10fd7a4c4807870834c54b43a6555c383bbdf5952ea4aba8f04bf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "inclusionai/ming-image-0.1-design-layerMing Image 0.1 Design Layer zerlegt ein zu einem einzigen Bild zusammengefasstes Design in separate RGBA-Bildebenen. Stellen Sie genau eine Referenz und einen Prompt mit dem vorgesehenen Ebenenplan bereit. Diese Ausgabe liefert Bildebenen zur weiteren Komposition, unterstützt PNG oder WebP und behält die Abmessungen des Eingabebildes bei.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ming Image 0.1 Design Layer ist inclusionAIs Bild-zu-Bild-Modell zur Zerlegung eines zu einem einzigen Bild zusammengefassten Designs in RGBA-Ebenen. Wählen Sie die genaue ID inclusionai/ming-image-0.1-design-layer mit der Methode Images unter POST /v1/images/generations. Seine Aufgabe besteht darin, eine bestehende Komposition und einen schriftlichen Ebenenplan entgegenzunehmen und anschließend separate Bildausgaben für die Ebenen zurückzugeben.
Stellen Sie über input_references genau ein Referenzbild bereit und beschreiben Sie in prompt, was isoliert werden soll. Die dokumentierte Referenzdarstellung akzeptiert eine HTTP(S)-Bild-URL oder eine base64-Daten-URL. Ein hilfreicher Ebenenplan kann zwischen Hintergrund, Hauptobjekt und Vordergrunddekoration unterscheiden und erklären, welche sichtbaren Elemente zusammengehören. Verwenden Sie das tatsächlich zusammengefasste Design als Referenz, damit die Zerlegung an die Komposition gebunden ist, die Sie bearbeiten möchten.
Das spezielle Modellprofil setzt input_references auf eine Referenz und n auf 1. Diese Anfrageeinstellung beschreibt eine angeforderte Zerlegung; das dokumentierte Modellverhalten liefert ein Bild pro Ebene. Bewahren Sie jedes Bild der Antwort auf, statt das erste data-Element als gesamtes Ergebnis zu behandeln. Der Prompt sollte die beabsichtigte Gruppierung der Elemente vermitteln, während die zurückgegebenen Ebenen die tatsächliche zu prüfende Ausgabemenge darstellen.
Die unterstützten output_format-Auswahlwerte sind png und webp. Die Ausgabeabmessungen folgen dem Eingabebild. Ausdrückliche Werte für size und aspect_ratio werden bei dieser Ausgabe zurückgewiesen; bereiten Sie das Referenzbild daher in den für die Komposition benötigten Abmessungen vor und lassen Sie diese Steuerungen unbestimmt. Die genaue Auswahlkennung bezeichnet die Design Layer-Ausgabe, deren Eingabe ein bestehendes Design ist und deren Ausgabe aus Bildebenen besteht.
Die Generierung verwendet eine vollständige Bildantwort, und das spezielle Profil dieses Modells unterstützt kein Streaming. Dekodieren Sie jedes zurückgegebene b64_json-Bild oder rufen Sie jede zurückgegebene Bild-URL ab und behalten Sie beim Speichern der Datei das tatsächliche Ausgabeformat bei. Bewahren Sie die Ebenen zusammen mit dem Ausgangsbild und dem Ebenenplan auf. Prüfen Sie in einem Editor mit Ebenenunterstützung die transparenten Bereiche, die Trennung benachbarter Elemente und die rekonstruierte Gesamtkomposition, bevor Sie lokale Änderungen vornehmen.
Das Ergebnis ist eine Reihe von Rasterbildebenen. Sie kann die Neuanordnung, den Austausch einzelner visueller Elemente oder weitere Bildmontagen in einem Editor unterstützen, wobei die aufbewahrte Vorlage für Vergleiche verfügbar bleibt. Prüfen Sie Schrift und Objektkanten, die Ebenengrenzen überschreiten, damit die gewählte Zerlegung für die vorgesehene Überarbeitung brauchbar bleibt.
POST /v1/images/generationstext, imageimage| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits inclusionai/ming-image-0.1-design-layer | Standard— |
Feldprompt | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldinput_references | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldn | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 1 | Standard— |
Feldoutput_format | Typstring | AnforderungOptional | Werte und Limits png, webp | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, prompt, input_references |
Parameteroptional | Vertragstream, n, output_format |
Parametermaterial_types | Vertragtext, image |
Parameterconditions | VertragUse stream:false or omit stream. The complete buffered JSON result contains all generated images. |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Die angezeigten Tarife dienen zur Kostenschätzung vor der Generierung. Der endgültige Betrag wird aus den für die ursprüngliche Generierung erfassten Kosten berechnet. Die gemessene Ausgabedauer und prognostizierte Mengen sind nicht die endgültige abrechenbare Menge.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Prognostizierte Menge | Gebühr |
|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Prognostizierte Menge— | Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Token Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Lesen · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Token |
| KonfigurationEstimated generation cost | Tarifstaffel— | Prognostizierte MengeSchätzung für eine Generierung | Gebühr Eingabe · Geschätzte Generierungskosten · Schätzung nur zum Vergleich $0.98304 Schätzung vor der Generierung This estimate is not an additional charge or a fixed rate for the completed generation. |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\n: "${AILOOT_IMAGE_URL:?Set an actual customer material or documented value}"\nexport AILOOT_IMAGE_URL\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inclusionai/ming-image-0.1-design-layer", "prompt": "A calm studio product photograph with a plain background.", "input_references": [{"type": "image_url", "image_url": {"url": "YOUR_ACCESSIBLE_IMAGE_URL"}}]}')\np['input_references'][0]['image_url']['url']=os.environ['AILOOT_IMAGE_URL']\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/images/generations \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nLaden Sie jedes zurückgegebene Bild herunter oder speichern Sie seinen Base64-Inhalt
GET /v1/media/assetsGET /v1/media/assets/{asset_id}Speichern Sie jedes fertiggestellte Bild; rufen Sie jede zurückgegebene URL ab oder dekodieren Sie seinen Base64-Inhalt.
Retain every returned image and field. Use owned content_url values and actual asset_id records; refresh the same asset when a link expires.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra inclusionai/ming-image-0.1-design-layer
Verwenden Sie die oben angezeigten Methodenpfade.