ERNIE 4.5 VL 424B-A47B es el modelo de chat de visión y lenguaje de Baidu, desarrollado a partir del modelo ERNIE 4.5 VL Base correspondiente. Combina instrucciones textuales con material visual y genera una respuesta de texto. Su red de mezcla de expertos tiene 424 mil millones de parámetros en total, con 47 mil millones activados por token, y el fabricante publica una longitud de contexto de 131,072 tokens.
Aspectos destacados de ERNIE 4.5. La familia usa un diseño heterogéneo de mezcla de expertos que comparte parte del conocimiento entre lenguaje y visión conservando procesamiento específico por modalidad. Baidu describe preentrenamiento multimodal conjunto, infraestructura eficiente de entrenamiento e inferencia y posentrenamiento adaptado a la modalidad prevista. Para el modelo VL, el énfasis es comprensión de imágenes, instrucciones visuales específicas de tareas y razonamiento que conecta la evidencia visual con el lenguaje. Su entrenamiento incluye ajuste fino supervisado y aprendizaje por refuerzo con recompensas verificables.
Descripción general del modelo. La configuración indica 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor, con grupos separados de expertos de texto y visión. Cada grupo indica 64 expertos y 8 expertos activados. La tabla de modelos del fabricante identifica texto, imagen y video como modalidades de entrada de esta edición y texto como salida. Piensa en la salida como una interpretación del contenido proporcionado: una descripción, una respuesta a una pregunta visual o una explicación razonada de lo que respalda el material.
Comprensión de imágenes. Proporciona la imagen original y una pregunta explícita. Para una página documental, conserva etiquetas, encabezados de columna y el texto que rodea un valor en disputa, y después pide campos seleccionados con la ubicación de página que los respalda. Para un diagrama, indica si el objetivo es explicar sus componentes, seguir un proceso o compararlo con una especificación escrita. Pide al modelo reportar las etiquetas visibles antes de sacar una conclusión para revisar las observaciones por separado de la interpretación.
Razonamiento multimodal. Cuando varias imágenes contribuyan a la misma tarea, etiqueta sus funciones y explica qué detalles se deben comparar. Una solicitud útil puede emparejar una fotografía de producto con una especificación proporcionada y pedir una lista de coincidencias visibles, diferencias y aspectos que la imagen no puede establecer. Para material temporal, identifica el acontecimiento o cambio que quieres comprender y pide una secuencia de observaciones vinculadas a los fotogramas o segmentos proporcionados. El recurso final debe facilitar la inspección de la evidencia detrás de un cambio afirmado.
Respuestas con pensamiento y directas. Baidu describe modos con y sin pensamiento para sus modelos de visión y lenguaje. El pensamiento sirve para tareas que requieren análisis entre información visual y textual; una respuesta directa puede servir para una descripción sencilla o una pregunta visual simple. Indica claramente el resultado necesario, como una respuesta concisa, una tabla comparativa o una explicación con observaciones de respaldo. La selección de modo pertenece a la configuración de generación, no a la redacción ordinaria de una solicitud de imagen.
Prepara el material en torno a la pregunta. Usa páginas legibles y vistas pertinentes, mantén consistentes las etiquetas de imagen y reserva espacio para la respuesta textual solicitada dentro del contexto. Pide al modelo marcar el texto ilegible y separar las propiedades inferidas de los detalles visibles. Una imagen puede mostrar una etiqueta, forma o disposición mientras que la respuesta también necesita una regla o especificación proporcionada. Confirma los valores extraídos críticos frente al original y usa una vista adicional cuando la evidencia deje un detalle importante sin resolver.
", "aboutText": "ERNIE 4.5 VL 424B-A47B es el modelo de chat de visión y lenguaje de Baidu, desarrollado a partir del modelo ERNIE 4.5 VL Base correspondiente. Combina instrucciones textuales con material visual y genera una respuesta de texto. Su red de mezcla de expertos tiene 424 mil millones de parámetros en total, con 47 mil millones activados por token, y el fabricante publica una longitud de contexto de 131,072 tokens.\n\nAspectos destacados de ERNIE 4.5. La familia usa un diseño heterogéneo de mezcla de expertos que comparte parte del conocimiento entre lenguaje y visión conservando procesamiento específico por modalidad. Baidu describe preentrenamiento multimodal conjunto, infraestructura eficiente de entrenamiento e inferencia y posentrenamiento adaptado a la modalidad prevista. Para el modelo VL, el énfasis es comprensión de imágenes, instrucciones visuales específicas de tareas y razonamiento que conecta la evidencia visual con el lenguaje. Su entrenamiento incluye ajuste fino supervisado y aprendizaje por refuerzo con recompensas verificables.\n\nDescripción general del modelo. La configuración indica 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor, con grupos separados de expertos de texto y visión. Cada grupo indica 64 expertos y 8 expertos activados. La tabla de modelos del fabricante identifica texto, imagen y video como modalidades de entrada de esta edición y texto como salida. Piensa en la salida como una interpretación del contenido proporcionado: una descripción, una respuesta a una pregunta visual o una explicación razonada de lo que respalda el material.\n\nComprensión de imágenes. Proporciona la imagen original y una pregunta explícita. Para una página documental, conserva etiquetas, encabezados de columna y el texto que rodea un valor en disputa, y después pide campos seleccionados con la ubicación de página que los respalda. Para un diagrama, indica si el objetivo es explicar sus componentes, seguir un proceso o compararlo con una especificación escrita. Pide al modelo reportar las etiquetas visibles antes de sacar una conclusión para revisar las observaciones por separado de la interpretación.\n\nRazonamiento multimodal. Cuando varias imágenes contribuyan a la misma tarea, etiqueta sus funciones y explica qué detalles se deben comparar. Una solicitud útil puede emparejar una fotografía de producto con una especificación proporcionada y pedir una lista de coincidencias visibles, diferencias y aspectos que la imagen no puede establecer. Para material temporal, identifica el acontecimiento o cambio que quieres comprender y pide una secuencia de observaciones vinculadas a los fotogramas o segmentos proporcionados. El recurso final debe facilitar la inspección de la evidencia detrás de un cambio afirmado.\n\nRespuestas con pensamiento y directas. Baidu describe modos con y sin pensamiento para sus modelos de visión y lenguaje. El pensamiento sirve para tareas que requieren análisis entre información visual y textual; una respuesta directa puede servir para una descripción sencilla o una pregunta visual simple. Indica claramente el resultado necesario, como una respuesta concisa, una tabla comparativa o una explicación con observaciones de respaldo. La selección de modo pertenece a la configuración de generación, no a la redacción ordinaria de una solicitud de imagen.\n\nPrepara el material en torno a la pregunta. Usa páginas legibles y vistas pertinentes, mantén consistentes las etiquetas de imagen y reserva espacio para la respuesta textual solicitada dentro del contexto. Pide al modelo marcar el texto ilegible y separar las propiedades inferidas de los detalles visibles. Una imagen puede mostrar una etiqueta, forma o disposición mientras que la respuesta también necesita una regla o especificación proporcionada. Confirma los valores extraídos críticos frente al original y usa una vista adicional cuando la evidencia deje un detalle importante sin resolver.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B es el modelo de mezcla de expertos de visión y lenguaje de Baidu para comprensión de imágenes y razonamiento multimodal. Su configuración publicada tiene 424 mil millones de parámetros totales, 47 mil millones activos por token y un contexto de 131,072 tokens; las respuestas se generan como texto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
ERNIE 4.5 VL 424B-A47B es el modelo de chat de visión y lenguaje de Baidu, desarrollado a partir del modelo ERNIE 4.5 VL Base correspondiente. Combina instrucciones textuales con material visual y genera una respuesta de texto. Su red de mezcla de expertos tiene 424 mil millones de parámetros en total, con 47 mil millones activados por token, y el fabricante publica una longitud de contexto de 131,072 tokens.
Aspectos destacados de ERNIE 4.5. La familia usa un diseño heterogéneo de mezcla de expertos que comparte parte del conocimiento entre lenguaje y visión conservando procesamiento específico por modalidad. Baidu describe preentrenamiento multimodal conjunto, infraestructura eficiente de entrenamiento e inferencia y posentrenamiento adaptado a la modalidad prevista. Para el modelo VL, el énfasis es comprensión de imágenes, instrucciones visuales específicas de tareas y razonamiento que conecta la evidencia visual con el lenguaje. Su entrenamiento incluye ajuste fino supervisado y aprendizaje por refuerzo con recompensas verificables.
Descripción general del modelo. La configuración indica 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor, con grupos separados de expertos de texto y visión. Cada grupo indica 64 expertos y 8 expertos activados. La tabla de modelos del fabricante identifica texto, imagen y video como modalidades de entrada de esta edición y texto como salida. Piensa en la salida como una interpretación del contenido proporcionado: una descripción, una respuesta a una pregunta visual o una explicación razonada de lo que respalda el material.
Comprensión de imágenes. Proporciona la imagen original y una pregunta explícita. Para una página documental, conserva etiquetas, encabezados de columna y el texto que rodea un valor en disputa, y después pide campos seleccionados con la ubicación de página que los respalda. Para un diagrama, indica si el objetivo es explicar sus componentes, seguir un proceso o compararlo con una especificación escrita. Pide al modelo reportar las etiquetas visibles antes de sacar una conclusión para revisar las observaciones por separado de la interpretación.
Razonamiento multimodal. Cuando varias imágenes contribuyan a la misma tarea, etiqueta sus funciones y explica qué detalles se deben comparar. Una solicitud útil puede emparejar una fotografía de producto con una especificación proporcionada y pedir una lista de coincidencias visibles, diferencias y aspectos que la imagen no puede establecer. Para material temporal, identifica el acontecimiento o cambio que quieres comprender y pide una secuencia de observaciones vinculadas a los fotogramas o segmentos proporcionados. El recurso final debe facilitar la inspección de la evidencia detrás de un cambio afirmado.
Respuestas con pensamiento y directas. Baidu describe modos con y sin pensamiento para sus modelos de visión y lenguaje. El pensamiento sirve para tareas que requieren análisis entre información visual y textual; una respuesta directa puede servir para una descripción sencilla o una pregunta visual simple. Indica claramente el resultado necesario, como una respuesta concisa, una tabla comparativa o una explicación con observaciones de respaldo. La selección de modo pertenece a la configuración de generación, no a la redacción ordinaria de una solicitud de imagen.
Prepara el material en torno a la pregunta. Usa páginas legibles y vistas pertinentes, mantén consistentes las etiquetas de imagen y reserva espacio para la respuesta textual solicitada dentro del contexto. Pide al modelo marcar el texto ilegible y separar las propiedades inferidas de los detalles visibles. Una imagen puede mostrar una etiqueta, forma o disposición mientras que la respuesta también necesita una regla o especificación proporcionada. Confirma los valores extraídos críticos frente al original y usa una vista adicional cuando la evidencia deje un detalle importante sin resolver.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites baidu/ernie-4.5-vl-424b-a47b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000858 / 1K tokens Salida · Tokens de salida $0.00258 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-vl-424b-a47b", "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='baidu/ernie-4.5-vl-424b-a47b',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='baidu/ernie-4.5-vl-424b-a47b',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra baidu/ernie-4.5-vl-424b-a47b
Usa las rutas de método indicadas arriba.
baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B es el modelo de mezcla de expertos de visión y lenguaje de Baidu para comprensión de imágenes y razonamiento multimodal. Su configuración publicada tiene 424 mil millones de parámetros totales, 47 mil millones activos por token y un contexto de 131,072 tokens; las respuestas se generan como texto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
ERNIE 4.5 VL 424B-A47B es el modelo de chat de visión y lenguaje de Baidu, desarrollado a partir del modelo ERNIE 4.5 VL Base correspondiente. Combina instrucciones textuales con material visual y genera una respuesta de texto. Su red de mezcla de expertos tiene 424 mil millones de parámetros en total, con 47 mil millones activados por token, y el fabricante publica una longitud de contexto de 131,072 tokens.
Aspectos destacados de ERNIE 4.5. La familia usa un diseño heterogéneo de mezcla de expertos que comparte parte del conocimiento entre lenguaje y visión conservando procesamiento específico por modalidad. Baidu describe preentrenamiento multimodal conjunto, infraestructura eficiente de entrenamiento e inferencia y posentrenamiento adaptado a la modalidad prevista. Para el modelo VL, el énfasis es comprensión de imágenes, instrucciones visuales específicas de tareas y razonamiento que conecta la evidencia visual con el lenguaje. Su entrenamiento incluye ajuste fino supervisado y aprendizaje por refuerzo con recompensas verificables.
Descripción general del modelo. La configuración indica 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor, con grupos separados de expertos de texto y visión. Cada grupo indica 64 expertos y 8 expertos activados. La tabla de modelos del fabricante identifica texto, imagen y video como modalidades de entrada de esta edición y texto como salida. Piensa en la salida como una interpretación del contenido proporcionado: una descripción, una respuesta a una pregunta visual o una explicación razonada de lo que respalda el material.
Comprensión de imágenes. Proporciona la imagen original y una pregunta explícita. Para una página documental, conserva etiquetas, encabezados de columna y el texto que rodea un valor en disputa, y después pide campos seleccionados con la ubicación de página que los respalda. Para un diagrama, indica si el objetivo es explicar sus componentes, seguir un proceso o compararlo con una especificación escrita. Pide al modelo reportar las etiquetas visibles antes de sacar una conclusión para revisar las observaciones por separado de la interpretación.
Razonamiento multimodal. Cuando varias imágenes contribuyan a la misma tarea, etiqueta sus funciones y explica qué detalles se deben comparar. Una solicitud útil puede emparejar una fotografía de producto con una especificación proporcionada y pedir una lista de coincidencias visibles, diferencias y aspectos que la imagen no puede establecer. Para material temporal, identifica el acontecimiento o cambio que quieres comprender y pide una secuencia de observaciones vinculadas a los fotogramas o segmentos proporcionados. El recurso final debe facilitar la inspección de la evidencia detrás de un cambio afirmado.
Respuestas con pensamiento y directas. Baidu describe modos con y sin pensamiento para sus modelos de visión y lenguaje. El pensamiento sirve para tareas que requieren análisis entre información visual y textual; una respuesta directa puede servir para una descripción sencilla o una pregunta visual simple. Indica claramente el resultado necesario, como una respuesta concisa, una tabla comparativa o una explicación con observaciones de respaldo. La selección de modo pertenece a la configuración de generación, no a la redacción ordinaria de una solicitud de imagen.
Prepara el material en torno a la pregunta. Usa páginas legibles y vistas pertinentes, mantén consistentes las etiquetas de imagen y reserva espacio para la respuesta textual solicitada dentro del contexto. Pide al modelo marcar el texto ilegible y separar las propiedades inferidas de los detalles visibles. Una imagen puede mostrar una etiqueta, forma o disposición mientras que la respuesta también necesita una regla o especificación proporcionada. Confirma los valores extraídos críticos frente al original y usa una vista adicional cuando la evidencia deje un detalle importante sin resolver.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites baidu/ernie-4.5-vl-424b-a47b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000858 / 1K tokens Salida · Tokens de salida $0.00258 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "baidu/ernie-4.5-vl-424b-a47b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'baidu/ernie-4.5-vl-424b-a47b', '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': 'baidu/ernie-4.5-vl-424b-a47b', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra baidu/ernie-4.5-vl-424b-a47b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.