Το Step R1 V Mini είναι το πολυτροπικό μοντέλο συλλογιστικής της StepFun για είσοδο εικόνας και κειμένου και έξοδο κειμένου. Ενσωματώνει την οπτική αντίληψη σε μια γραπτή εργασία συλλογιστικής: αναγνώριση όσων είναι ορατά, συσχέτιση των σχετικών λεπτομερειών και εξήγηση συμπεράσματος. Ο κατασκευαστής του παρουσιάζει τρεις συγκεκριμένες εφαρμογές: αναγνώριση τοποθεσίας από φωτογραφία, περιγραφή πιάτου και συνταγής και καταμέτρηση αντικειμένων υπό ορισμένη συνθήκη.
Δώστε την εικόνα και ερώτημα που προσδιορίζει το αποτέλεσμα που χρειάζεστε. Μια εργασία καταμέτρησης μπορεί να ορίζει ποια αντικείμενα πληρούν τα κριτήρια και ποια πρέπει να αποκλειστούν. Ένα ερώτημα σκηνής μπορεί να ζητά ποια ορατά χαρακτηριστικά στηρίζουν μια προτεινόμενη τοποθεσία. Με μια φωτογραφία φαγητού μπορείτε να ζητήσετε περιγραφή του ορατού πιάτου πριν από μια προτεινόμενη συνταγή. Ο διαχωρισμός παρατήρησης και συμπεράσματος διευκολύνει τον έλεγχο της απάντησης.
Για παράδειγμα, δώστε φωτογραφία δίσκου με αντικείμενα διαφορετικών σχημάτων και ζητήστε το πλήθος των κόκκινων κυκλικών αντικειμένων, με σύντομη εξήγηση του κανόνα καταμέτρησης. Συμπεριλάβετε ολόκληρη τη σχετική περιοχή αντί για περικοπή που αφαιρεί αντικείμενα τα οποία αναφέρονται στο ερώτημα. Αν μέρος της εικόνας είναι κρυφό ή ασαφές, ζητήστε από το μοντέλο να δηλώσει τι μπορεί να διακρίνει πριν εκτιμήσει τα υπόλοιπα.
Το παράδειγμα τοποθεσίας του κατασκευαστή συνδυάζει αρκετές ενδείξεις σε φωτογραφία σταδίου για να συναγάγει τον χώρο. Αυτή η ροή είναι χρήσιμη για περιγραφή σκηνής ή σύγκριση μιας προτεινόμενης ερμηνείας με την εικόνα. Ζητήστε πρώτα τις ορατές ενδείξεις και κατόπιν το συμπέρασμα που στηρίζουν. Αν ένα συμπέρασμα εξαρτάται επίσης από πληροφορίες έξω από τη φωτογραφία, δώστε τις ως χωριστή πηγή αντί να αναμένετε να το αποδείξει μόνο η εικόνα.
Το παράδειγμα συνταγής ακολουθεί το ίδιο μοτίβο: ερμηνεία της εμφάνισης του φαγητού και στη συνέχεια ανάπτυξη γραπτής πρότασης. Δώστε μαζί με την εικόνα όσα συστατικά είναι γνωστά, τις διατροφικές απαιτήσεις ή τους περιορισμούς προετοιμασίας. Η φωτογραφία μπορεί να καθοδηγήσει την πρόταση, ενώ τα πρόσθετα γεγονότα του χρήστη καθορίζουν απαιτήσεις που δεν μπορεί να τεκμηριώσει η εμφάνιση.
Η StepFun περιγράφει κοινή πολυτροπική ενισχυτική μάθηση με επαληθεύσιμες οπτικές ανταμοιβές και εκτενή συνθετικά πολυτροπικά δεδομένα. Αυτές οι μέθοδοι στοχεύουν στη συλλογιστική πάνω σε γραπτά και οπτικά τεκμήρια. Τα δημοσιευμένα παραδείγματα αφορούν συλλογιστική και κατανόηση· το επιστρεφόμενο παραδοτέο είναι εξήγηση, πλήθος ή προτεινόμενη συνταγή σε κείμενο.
Για επαναχρησιμοποιήσιμη ροή, κρατήστε μαζί το ερώτημα, την εικόνα και την απαιτούμενη μορφή απάντησης. Ζητήστε σύντομο κατάλογο παρατηρήσεων και κατόπιν το τελικό αποτέλεσμα ή ορίστε τα πεδία που χρειάζεται η εφαρμογή. Ελέγξτε τα σημαντικά πλήθη και τις συναγόμενες λεπτομέρειες με βάση την εικόνα πηγής. Τα συμφραζόμενα και οι ρυθμίσεις παραγωγής πρέπει να ακολουθούν τις προδιαγραφές της επιλεγμένης διεπαφής· η εισαγωγή του κατασκευαστή δεν ορίζει καθολικό ανώτατο όριο token εξόδου.
", "aboutText": "Το Step R1 V Mini είναι το πολυτροπικό μοντέλο συλλογιστικής της StepFun για είσοδο εικόνας και κειμένου και έξοδο κειμένου. Ενσωματώνει την οπτική αντίληψη σε μια γραπτή εργασία συλλογιστικής: αναγνώριση όσων είναι ορατά, συσχέτιση των σχετικών λεπτομερειών και εξήγηση συμπεράσματος. Ο κατασκευαστής του παρουσιάζει τρεις συγκεκριμένες εφαρμογές: αναγνώριση τοποθεσίας από φωτογραφία, περιγραφή πιάτου και συνταγής και καταμέτρηση αντικειμένων υπό ορισμένη συνθήκη.\n\n### Ρωτήστε για τα ορατά τεκμήρια\n\nΔώστε την εικόνα και ερώτημα που προσδιορίζει το αποτέλεσμα που χρειάζεστε. Μια εργασία καταμέτρησης μπορεί να ορίζει ποια αντικείμενα πληρούν τα κριτήρια και ποια πρέπει να αποκλειστούν. Ένα ερώτημα σκηνής μπορεί να ζητά ποια ορατά χαρακτηριστικά στηρίζουν μια προτεινόμενη τοποθεσία. Με μια φωτογραφία φαγητού μπορείτε να ζητήσετε περιγραφή του ορατού πιάτου πριν από μια προτεινόμενη συνταγή. Ο διαχωρισμός παρατήρησης και συμπεράσματος διευκολύνει τον έλεγχο της απάντησης.\n\nΓια παράδειγμα, δώστε φωτογραφία δίσκου με αντικείμενα διαφορετικών σχημάτων και ζητήστε το πλήθος των κόκκινων κυκλικών αντικειμένων, με σύντομη εξήγηση του κανόνα καταμέτρησης. Συμπεριλάβετε ολόκληρη τη σχετική περιοχή αντί για περικοπή που αφαιρεί αντικείμενα τα οποία αναφέρονται στο ερώτημα. Αν μέρος της εικόνας είναι κρυφό ή ασαφές, ζητήστε από το μοντέλο να δηλώσει τι μπορεί να διακρίνει πριν εκτιμήσει τα υπόλοιπα.\n\n### Χρησιμοποιήστε οπτικές ενδείξεις για αιτιολογημένη εξήγηση\n\nΤο παράδειγμα τοποθεσίας του κατασκευαστή συνδυάζει αρκετές ενδείξεις σε φωτογραφία σταδίου για να συναγάγει τον χώρο. Αυτή η ροή είναι χρήσιμη για περιγραφή σκηνής ή σύγκριση μιας προτεινόμενης ερμηνείας με την εικόνα. Ζητήστε πρώτα τις ορατές ενδείξεις και κατόπιν το συμπέρασμα που στηρίζουν. Αν ένα συμπέρασμα εξαρτάται επίσης από πληροφορίες έξω από τη φωτογραφία, δώστε τις ως χωριστή πηγή αντί να αναμένετε να το αποδείξει μόνο η εικόνα.\n\nΤο παράδειγμα συνταγής ακολουθεί το ίδιο μοτίβο: ερμηνεία της εμφάνισης του φαγητού και στη συνέχεια ανάπτυξη γραπτής πρότασης. Δώστε μαζί με την εικόνα όσα συστατικά είναι γνωστά, τις διατροφικές απαιτήσεις ή τους περιορισμούς προετοιμασίας. Η φωτογραφία μπορεί να καθοδηγήσει την πρόταση, ενώ τα πρόσθετα γεγονότα του χρήστη καθορίζουν απαιτήσεις που δεν μπορεί να τεκμηριώσει η εμφάνιση.\n\n### Εκπαίδευση και προετοιμασία εργασίας\n\nΗ StepFun περιγράφει κοινή πολυτροπική ενισχυτική μάθηση με επαληθεύσιμες οπτικές ανταμοιβές και εκτενή συνθετικά πολυτροπικά δεδομένα. Αυτές οι μέθοδοι στοχεύουν στη συλλογιστική πάνω σε γραπτά και οπτικά τεκμήρια. Τα δημοσιευμένα παραδείγματα αφορούν συλλογιστική και κατανόηση· το επιστρεφόμενο παραδοτέο είναι εξήγηση, πλήθος ή προτεινόμενη συνταγή σε κείμενο.\n\nΓια επαναχρησιμοποιήσιμη ροή, κρατήστε μαζί το ερώτημα, την εικόνα και την απαιτούμενη μορφή απάντησης. Ζητήστε σύντομο κατάλογο παρατηρήσεων και κατόπιν το τελικό αποτέλεσμα ή ορίστε τα πεδία που χρειάζεται η εφαρμογή. Ελέγξτε τα σημαντικά πλήθη και τις συναγόμενες λεπτομέρειες με βάση την εικόνα πηγής. Τα συμφραζόμενα και οι ρυθμίσεις παραγωγής πρέπει να ακολουθούν τις προδιαγραφές της επιλεγμένης διεπαφής· η εισαγωγή του κατασκευαστή δεν ορίζει καθολικό ανώτατο όριο token εξόδου.", "editorialOverlay": { "copy_fields": { "practical_html": "Τεχνικό παράδειγμα στα αγγλικά
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-miniΤο Step R1 V Mini ερμηνεύει εικόνες και γραπτές ερωτήσεις για να παράγει τεκμηριωμένη απάντηση κειμένου με συλλογισμό. Η StepFun επιδεικνύει οπτικές ενδείξεις τοποθεσίας, αναγνώριση πιάτων και καταμέτρηση αντικειμένων, καθιστώντας το χρήσιμο για ερωτήσεις που συνδυάζουν ορατές λεπτομέρειες με σαφή εργασία συλλογισμού.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Step R1 V Mini είναι το πολυτροπικό μοντέλο συλλογιστικής της StepFun για είσοδο εικόνας και κειμένου και έξοδο κειμένου. Ενσωματώνει την οπτική αντίληψη σε μια γραπτή εργασία συλλογιστικής: αναγνώριση όσων είναι ορατά, συσχέτιση των σχετικών λεπτομερειών και εξήγηση συμπεράσματος. Ο κατασκευαστής του παρουσιάζει τρεις συγκεκριμένες εφαρμογές: αναγνώριση τοποθεσίας από φωτογραφία, περιγραφή πιάτου και συνταγής και καταμέτρηση αντικειμένων υπό ορισμένη συνθήκη.
Δώστε την εικόνα και ερώτημα που προσδιορίζει το αποτέλεσμα που χρειάζεστε. Μια εργασία καταμέτρησης μπορεί να ορίζει ποια αντικείμενα πληρούν τα κριτήρια και ποια πρέπει να αποκλειστούν. Ένα ερώτημα σκηνής μπορεί να ζητά ποια ορατά χαρακτηριστικά στηρίζουν μια προτεινόμενη τοποθεσία. Με μια φωτογραφία φαγητού μπορείτε να ζητήσετε περιγραφή του ορατού πιάτου πριν από μια προτεινόμενη συνταγή. Ο διαχωρισμός παρατήρησης και συμπεράσματος διευκολύνει τον έλεγχο της απάντησης.
Για παράδειγμα, δώστε φωτογραφία δίσκου με αντικείμενα διαφορετικών σχημάτων και ζητήστε το πλήθος των κόκκινων κυκλικών αντικειμένων, με σύντομη εξήγηση του κανόνα καταμέτρησης. Συμπεριλάβετε ολόκληρη τη σχετική περιοχή αντί για περικοπή που αφαιρεί αντικείμενα τα οποία αναφέρονται στο ερώτημα. Αν μέρος της εικόνας είναι κρυφό ή ασαφές, ζητήστε από το μοντέλο να δηλώσει τι μπορεί να διακρίνει πριν εκτιμήσει τα υπόλοιπα.
Το παράδειγμα τοποθεσίας του κατασκευαστή συνδυάζει αρκετές ενδείξεις σε φωτογραφία σταδίου για να συναγάγει τον χώρο. Αυτή η ροή είναι χρήσιμη για περιγραφή σκηνής ή σύγκριση μιας προτεινόμενης ερμηνείας με την εικόνα. Ζητήστε πρώτα τις ορατές ενδείξεις και κατόπιν το συμπέρασμα που στηρίζουν. Αν ένα συμπέρασμα εξαρτάται επίσης από πληροφορίες έξω από τη φωτογραφία, δώστε τις ως χωριστή πηγή αντί να αναμένετε να το αποδείξει μόνο η εικόνα.
Το παράδειγμα συνταγής ακολουθεί το ίδιο μοτίβο: ερμηνεία της εμφάνισης του φαγητού και στη συνέχεια ανάπτυξη γραπτής πρότασης. Δώστε μαζί με την εικόνα όσα συστατικά είναι γνωστά, τις διατροφικές απαιτήσεις ή τους περιορισμούς προετοιμασίας. Η φωτογραφία μπορεί να καθοδηγήσει την πρόταση, ενώ τα πρόσθετα γεγονότα του χρήστη καθορίζουν απαιτήσεις που δεν μπορεί να τεκμηριώσει η εμφάνιση.
Η StepFun περιγράφει κοινή πολυτροπική ενισχυτική μάθηση με επαληθεύσιμες οπτικές ανταμοιβές και εκτενή συνθετικά πολυτροπικά δεδομένα. Αυτές οι μέθοδοι στοχεύουν στη συλλογιστική πάνω σε γραπτά και οπτικά τεκμήρια. Τα δημοσιευμένα παραδείγματα αφορούν συλλογιστική και κατανόηση· το επιστρεφόμενο παραδοτέο είναι εξήγηση, πλήθος ή προτεινόμενη συνταγή σε κείμενο.
Για επαναχρησιμοποιήσιμη ροή, κρατήστε μαζί το ερώτημα, την εικόνα και την απαιτούμενη μορφή απάντησης. Ζητήστε σύντομο κατάλογο παρατηρήσεων και κατόπιν το τελικό αποτέλεσμα ή ορίστε τα πεδία που χρειάζεται η εφαρμογή. Ελέγξτε τα σημαντικά πλήθη και τις συναγόμενες λεπτομέρειες με βάση την εικόνα πηγής. Τα συμφραζόμενα και οι ρυθμίσεις παραγωγής πρέπει να ακολουθούν τις προδιαγραφές της επιλεγμένης διεπαφής· η εισαγωγή του κατασκευαστή δεν ορίζει καθολικό ανώτατο όριο token εξόδου.
POST /v1/chat/completionstexttext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια step-r1-v-mini | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Παραδείγματα: system, user, assistant, tool, function Συνθήκες: Αυτοί οι ρόλοι αναπαρίστανται ρητά από τους τύπους συμβατότητας του πηγαίου κώδικα· το ακριβές σύνολο ρόλων παραμένει ειδικό για κάθε μοντέλο. Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring|content_part[]|null | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_calls | Τύποςtool_call[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_call_id | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: role=tool· χρησιμοποιήστε το πραγματικό ID που επιστράφηκε | Προεπιλογή— |
Πεδίοmessages[].name | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].reasoning_content | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: Επαναποστείλετε το πραγματικό περιεχόμενο συλλογιστικής που επιστράφηκε, όταν το μοντέλο το χρησιμοποιεί | Προεπιλογή— |
Πεδίοmessages[].reasoning_details | Τύποςobject|array | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_completion_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Πεδίοstream_options.include_usage | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtemperature | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtop_p | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstop | Τύποςstring|string[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools | Τύποςfunction_tool[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια function Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].function.name | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Εφαρμόζεται όταν: Παρεχόμενο εργαλείο τύπου συνάρτησης | Προεπιλογή— |
Πεδίοtools[].function.description | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtools[].function.parameters | ΤύποςJSON_schema | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtool_choice | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοparallel_tool_calls | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοresponse_format | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning_effort | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοservice_tier | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοinstructions | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Πεδίο συμβατότητας | Προεπιλογή— |
Πεδίοfunctions | Τύποςfunction[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοfunction_call | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοprompt_cache_options | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmodalities | Τύποςstring[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια text | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίπτεται σε αυτή τη διαδρομή κειμένου Ultra | Προεπιλογή— |
Πεδίοcache_control.ttl | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το 1h απορρίπτεται στα πραγματικά πεδία κρυφής μνήμης προτροπών | Προεπιλογή— |
Κείμενο · Κείμενο UTF8
messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςmessages | ΣύμβασηΠίνακας μηνυμάτων με δομή role/content |
Παράμετροςfile_material | Σύμβασηπραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου |
Παράμετροςoptional_controls | Σύμβασηstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Παράμετροςcontrol_scope | Σύμβασηεξαρτάται από το μοντέλο· τα εργαλεία συναρτήσεων του χρήστη διαφέρουν από τα φιλοξενούμενα εργαλεία |
Παράμετροςoutput_modalities | Σύμβασηtext |
Παράμετροςhosted_operations | Σύμβασηfalse |
Παράμετροςmultimodal_input_binding | Σύμβασηnull |
Κύκλος ζωής: synchronous_or_streamed
Στείλτε το ακριβές ID μοντέλου μαζί με το messages.
Το μήκος συμφραζομένων δεν είναι ανώτατο όριο εξόδου.
Ένα αρχείο κειμένου μπορεί να παρέχει αυτούσιο κείμενο· οι είσοδοι εικόνας/ήχου/αντικειμένων αρχείων χρειάζονται ακριβή αντιστοίχιση.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.00484 / 1K token Έξοδος · Token εξόδου $0.022 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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 ή SSE
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε επιλογή και το περιεχόμενο/τις κλήσεις εργαλείων/το περιεχόμενο συλλογιστικής της. Στο SSE συνθέστε τις διαφορικές ενημερώσεις ανά δείκτη επιλογής/εργαλείου και κρατήστε την τελική αιτία τερματισμού και τα στοιχεία χρήσης.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοchoices[].index | Τύποςinteger |
Πεδίοchoices[].message.content | Τύποςstring|null |
Πεδίοchoices[].message.tool_calls | Τύποςtool_call[] |
Πεδίοchoices[].message.reasoning_content | Τύποςstring |
Πεδίοchoices[].message.reasoning_details | Τύποςobject|array |
Πεδίοchoices[].finish_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra step-r1-v-mini
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
step-r1-v-miniΤο Step R1 V Mini ερμηνεύει εικόνες και γραπτές ερωτήσεις για να παράγει τεκμηριωμένη απάντηση κειμένου με συλλογισμό. Η StepFun επιδεικνύει οπτικές ενδείξεις τοποθεσίας, αναγνώριση πιάτων και καταμέτρηση αντικειμένων, καθιστώντας το χρήσιμο για ερωτήσεις που συνδυάζουν ορατές λεπτομέρειες με σαφή εργασία συλλογισμού.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το Step R1 V Mini είναι το πολυτροπικό μοντέλο συλλογιστικής της StepFun για είσοδο εικόνας και κειμένου και έξοδο κειμένου. Ενσωματώνει την οπτική αντίληψη σε μια γραπτή εργασία συλλογιστικής: αναγνώριση όσων είναι ορατά, συσχέτιση των σχετικών λεπτομερειών και εξήγηση συμπεράσματος. Ο κατασκευαστής του παρουσιάζει τρεις συγκεκριμένες εφαρμογές: αναγνώριση τοποθεσίας από φωτογραφία, περιγραφή πιάτου και συνταγής και καταμέτρηση αντικειμένων υπό ορισμένη συνθήκη.
Δώστε την εικόνα και ερώτημα που προσδιορίζει το αποτέλεσμα που χρειάζεστε. Μια εργασία καταμέτρησης μπορεί να ορίζει ποια αντικείμενα πληρούν τα κριτήρια και ποια πρέπει να αποκλειστούν. Ένα ερώτημα σκηνής μπορεί να ζητά ποια ορατά χαρακτηριστικά στηρίζουν μια προτεινόμενη τοποθεσία. Με μια φωτογραφία φαγητού μπορείτε να ζητήσετε περιγραφή του ορατού πιάτου πριν από μια προτεινόμενη συνταγή. Ο διαχωρισμός παρατήρησης και συμπεράσματος διευκολύνει τον έλεγχο της απάντησης.
Για παράδειγμα, δώστε φωτογραφία δίσκου με αντικείμενα διαφορετικών σχημάτων και ζητήστε το πλήθος των κόκκινων κυκλικών αντικειμένων, με σύντομη εξήγηση του κανόνα καταμέτρησης. Συμπεριλάβετε ολόκληρη τη σχετική περιοχή αντί για περικοπή που αφαιρεί αντικείμενα τα οποία αναφέρονται στο ερώτημα. Αν μέρος της εικόνας είναι κρυφό ή ασαφές, ζητήστε από το μοντέλο να δηλώσει τι μπορεί να διακρίνει πριν εκτιμήσει τα υπόλοιπα.
Το παράδειγμα τοποθεσίας του κατασκευαστή συνδυάζει αρκετές ενδείξεις σε φωτογραφία σταδίου για να συναγάγει τον χώρο. Αυτή η ροή είναι χρήσιμη για περιγραφή σκηνής ή σύγκριση μιας προτεινόμενης ερμηνείας με την εικόνα. Ζητήστε πρώτα τις ορατές ενδείξεις και κατόπιν το συμπέρασμα που στηρίζουν. Αν ένα συμπέρασμα εξαρτάται επίσης από πληροφορίες έξω από τη φωτογραφία, δώστε τις ως χωριστή πηγή αντί να αναμένετε να το αποδείξει μόνο η εικόνα.
Το παράδειγμα συνταγής ακολουθεί το ίδιο μοτίβο: ερμηνεία της εμφάνισης του φαγητού και στη συνέχεια ανάπτυξη γραπτής πρότασης. Δώστε μαζί με την εικόνα όσα συστατικά είναι γνωστά, τις διατροφικές απαιτήσεις ή τους περιορισμούς προετοιμασίας. Η φωτογραφία μπορεί να καθοδηγήσει την πρόταση, ενώ τα πρόσθετα γεγονότα του χρήστη καθορίζουν απαιτήσεις που δεν μπορεί να τεκμηριώσει η εμφάνιση.
Η StepFun περιγράφει κοινή πολυτροπική ενισχυτική μάθηση με επαληθεύσιμες οπτικές ανταμοιβές και εκτενή συνθετικά πολυτροπικά δεδομένα. Αυτές οι μέθοδοι στοχεύουν στη συλλογιστική πάνω σε γραπτά και οπτικά τεκμήρια. Τα δημοσιευμένα παραδείγματα αφορούν συλλογιστική και κατανόηση· το επιστρεφόμενο παραδοτέο είναι εξήγηση, πλήθος ή προτεινόμενη συνταγή σε κείμενο.
Για επαναχρησιμοποιήσιμη ροή, κρατήστε μαζί το ερώτημα, την εικόνα και την απαιτούμενη μορφή απάντησης. Ζητήστε σύντομο κατάλογο παρατηρήσεων και κατόπιν το τελικό αποτέλεσμα ή ορίστε τα πεδία που χρειάζεται η εφαρμογή. Ελέγξτε τα σημαντικά πλήθη και τις συναγόμενες λεπτομέρειες με βάση την εικόνα πηγής. Τα συμφραζόμενα και οι ρυθμίσεις παραγωγής πρέπει να ακολουθούν τις προδιαγραφές της επιλεγμένης διεπαφής· η εισαγωγή του κατασκευαστή δεν ορίζει καθολικό ανώτατο όριο token εξόδου.
POST /v1/messagestextjson, sse| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια step-r1-v-mini | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια user, assistant | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Κείμενο · Κείμενο UTF-8
Συμβολοσειρά messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages, max_tokens |
Παράμετροςoptional_controls | Σύμβασηstream |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςtext_file_material | ΣύμβασηΔιαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος. |
Κύκλος ζωής: synchronous_or_streamed
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.00484 / 1K token Έξοδος · Token εξόδου $0.022 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
{\n "model": "step-r1-v-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ή SSE
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε όλα τα μπλοκ περιεχομένου, τις υπογραφές συλλογιστικής και τα πραγματικά ID χρήσης εργαλείων. Συνθέστε όλες τις διαφορικές ενημερώσεις μπλοκ SSE· το πρώτο μπλοκ κειμένου δεν είναι η πλήρης έξοδος.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοid | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοcontent[] | Τύποςtext|thinking|tool_use|other content block |
Πεδίοstop_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra step-r1-v-mini
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Τεχνικό παράδειγμα στα αγγλικά
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.