Ling-3.0-flash-VL es la extensión multimodal nativa de Ling-3.0-flash de inclusionAI. Combina las capacidades de lenguaje, razonamiento y contexto largo del modelo base con comprensión de imágenes y video. El fabricante organiza su ámbito de tareas visuales en comprensión, razonamiento y actuación: leer información visual compleja, utilizarla como evidencia y convertir las observaciones en acciones en una aplicación que las admita. La respuesta del modelo es texto o la representación de llamada a herramienta utilizada por esa aplicación.
La arquitectura publicada tiene 124B de parámetros totales y 5.5B de parámetros activados por token. Un transformer de visión extrae características de imágenes y video, y un proyector de dos capas las alinea con la representación lingüística. VideoRoPE conserva tanto las posiciones espaciales como el orden temporal. La estructura central híbrida de 42 capas alterna Kimi Delta Attention y Multi-head Latent Attention con compuertas en un patrón 5:1, con enrutamiento disperso de expertos. El fabricante describe hasta 256K tokens de contexto y publica una receta de contexto ampliado de 262,144 tokens.
Para comprensión visual, proporciona una imagen legible e identifica la observación requerida. El fabricante incluye entre las tareas el conteo de objetos, los diseños complejos, las gráficas y el contenido de documentos. Una solicitud útil sobre un documento puede pedir una tabla de campos con la página o región visible que los respalda, mientras que una solicitud sobre una gráfica puede preguntar qué serie respalda una comparación determinada. Conserva el material visual original para poder comprobar números, etiquetas y detalles pequeños. Una región poco clara debe permanecer como tal en el resultado, en lugar de convertirse en un valor adivinado.
Para razonar con evidencia visual, proporciona la pregunta, los supuestos relevantes y la precisión necesaria en la respuesta final. El modelo puede conectar una gráfica, un diagrama o una captura de pantalla con cálculos y razonamiento de varios pasos. Pide que la conclusión identifique las observaciones de las que depende. Si el flujo incluye herramientas de cálculo o recuperación de información, conserva sus resultados reales y sepáralos de la interpretación del modelo. Una relación visual y una medición calibrada son tipos de evidencia diferentes.
Para video, conserva el orden del material y enfoca la pregunta en un acontecimiento, cambio o intervalo. El fabricante identifica la localización de eventos, las preguntas sobre videos largos y los flujos de edición de clips como aplicaciones de su representación temporal. Un resultado editorial práctico puede ser una lista propuesta de cortes que explique qué momentos conservar y por qué. Mantén esa propuesta conectada con la línea de tiempo fuente; la aplicación de edición que la integra realiza los cambios y produce el material editado. La comprensión de video no convierte por sí misma la respuesta textual del modelo en un nuevo archivo de video.
Para tareas de interfaz, incluye la captura de pantalla actual, el objetivo y las acciones disponibles para la aplicación. Ling-3.0-flash-VL puede interpretar interfaces web o de software y proponer secuencias de acciones a partir de información visual. Devuelve el estado observado después de cada operación cuando el siguiente paso dependa de él. Un registro útil de finalización muestra qué cambió en la interfaz y si el resultado solicitado es visible, en lugar de tratar un clic propuesto como una acción ejecutada.
El pensamiento está habilitado de forma predeterminada en la plantilla de chat del fabricante y puede deshabilitarse por solicitud en su implementación documentada estableciendo enable_thinking en false. La receta de cliente y generación recomienda temperature 1.0, top_p 0.95 y top_k 20; las notas de evaluación separadas utilizan sus propios ajustes. Elige explícitamente la forma de la respuesta final y deja espacio tanto para el contexto multimedia relevante como para el texto generado. Estos ajustes del productor describen la receta del modelo publicado, no una promesa sobre los controles disponibles en todas las aplicaciones.
Conserva la identidad VL al registrar un resultado: sus entradas de imagen y video lo distinguen de Ling-3.0-flash, centrado en texto, y de la edición Fin, especializada en finanzas. Contrasta la redacción extraída, los conteos, las ubicaciones temporales y las acciones de interfaz propuestas con el material fuente. El entregable final útil es un análisis visual o una propuesta de acción que mantenga inspeccionables su evidencia y sus detalles pendientes.
", "aboutText": "Ling-3.0-flash-VL es la extensión multimodal nativa de Ling-3.0-flash de inclusionAI. Combina las capacidades de lenguaje, razonamiento y contexto largo del modelo base con comprensión de imágenes y video. El fabricante organiza su ámbito de tareas visuales en comprensión, razonamiento y actuación: leer información visual compleja, utilizarla como evidencia y convertir las observaciones en acciones en una aplicación que las admita. La respuesta del modelo es texto o la representación de llamada a herramienta utilizada por esa aplicación.\n\nLa arquitectura publicada tiene 124B de parámetros totales y 5.5B de parámetros activados por token. Un transformer de visión extrae características de imágenes y video, y un proyector de dos capas las alinea con la representación lingüística. VideoRoPE conserva tanto las posiciones espaciales como el orden temporal. La estructura central híbrida de 42 capas alterna Kimi Delta Attention y Multi-head Latent Attention con compuertas en un patrón 5:1, con enrutamiento disperso de expertos. El fabricante describe hasta 256K tokens de contexto y publica una receta de contexto ampliado de 262,144 tokens.\n\nPara comprensión visual, proporciona una imagen legible e identifica la observación requerida. El fabricante incluye entre las tareas el conteo de objetos, los diseños complejos, las gráficas y el contenido de documentos. Una solicitud útil sobre un documento puede pedir una tabla de campos con la página o región visible que los respalda, mientras que una solicitud sobre una gráfica puede preguntar qué serie respalda una comparación determinada. Conserva el material visual original para poder comprobar números, etiquetas y detalles pequeños. Una región poco clara debe permanecer como tal en el resultado, en lugar de convertirse en un valor adivinado.\n\nPara razonar con evidencia visual, proporciona la pregunta, los supuestos relevantes y la precisión necesaria en la respuesta final. El modelo puede conectar una gráfica, un diagrama o una captura de pantalla con cálculos y razonamiento de varios pasos. Pide que la conclusión identifique las observaciones de las que depende. Si el flujo incluye herramientas de cálculo o recuperación de información, conserva sus resultados reales y sepáralos de la interpretación del modelo. Una relación visual y una medición calibrada son tipos de evidencia diferentes.\n\nPara video, conserva el orden del material y enfoca la pregunta en un acontecimiento, cambio o intervalo. El fabricante identifica la localización de eventos, las preguntas sobre videos largos y los flujos de edición de clips como aplicaciones de su representación temporal. Un resultado editorial práctico puede ser una lista propuesta de cortes que explique qué momentos conservar y por qué. Mantén esa propuesta conectada con la línea de tiempo fuente; la aplicación de edición que la integra realiza los cambios y produce el material editado. La comprensión de video no convierte por sí misma la respuesta textual del modelo en un nuevo archivo de video.\n\nPara tareas de interfaz, incluye la captura de pantalla actual, el objetivo y las acciones disponibles para la aplicación. Ling-3.0-flash-VL puede interpretar interfaces web o de software y proponer secuencias de acciones a partir de información visual. Devuelve el estado observado después de cada operación cuando el siguiente paso dependa de él. Un registro útil de finalización muestra qué cambió en la interfaz y si el resultado solicitado es visible, en lugar de tratar un clic propuesto como una acción ejecutada.\n\nEl pensamiento está habilitado de forma predeterminada en la plantilla de chat del fabricante y puede deshabilitarse por solicitud en su implementación documentada estableciendo enable_thinking en false. La receta de cliente y generación recomienda temperature 1.0, top_p 0.95 y top_k 20; las notas de evaluación separadas utilizan sus propios ajustes. Elige explícitamente la forma de la respuesta final y deja espacio tanto para el contexto multimedia relevante como para el texto generado. Estos ajustes del productor describen la receta del modelo publicado, no una promesa sobre los controles disponibles en todas las aplicaciones.\n\nConserva la identidad VL al registrar un resultado: sus entradas de imagen y video lo distinguen de Ling-3.0-flash, centrado en texto, y de la edición Fin, especializada en finanzas. Contrasta la redacción extraída, los conteos, las ubicaciones temporales y las acciones de interfaz propuestas con el material fuente. El entregable final útil es un análisis visual o una propuesta de acción que mantenga inspeccionables su evidencia y sus detalles pendientes.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Create a cut list from scene notes\n\nUse these transcribed scene notes: 00:00–00:06 unopened package; 00:06–00:18 hands assemble the stand; 00:18–00:25 stand holds a tablet; 00:25–00:35 repeated assembly close-up. Propose a 15-second instructional cut using only these intervals. Preserve the assembly-to-use order and explain any shortened or omitted segment.An ordered cut list with source intervals, chosen durations and a short editorial rationale.Check that selected durations total 15 seconds and that tablet use follows the retained assembly step.inclusionai/ling-3.0-flash-vlLing-3.0-flash-VL añade comprensión de imágenes y video al modelo de razonamiento híbrido de inclusionAI. Admite análisis visual, razonamiento basado en evidencia y flujos de interfaz, con 124B de parámetros totales, 5.5B de parámetros activos y hasta 256K tokens de contexto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ling-3.0-flash-VL es la extensión multimodal nativa de Ling-3.0-flash de inclusionAI. Combina las capacidades de lenguaje, razonamiento y contexto largo del modelo base con comprensión de imágenes y video. El fabricante organiza su ámbito de tareas visuales en comprensión, razonamiento y actuación: leer información visual compleja, utilizarla como evidencia y convertir las observaciones en acciones en una aplicación que las admita. La respuesta del modelo es texto o la representación de llamada a herramienta utilizada por esa aplicación.
La arquitectura publicada tiene 124B de parámetros totales y 5.5B de parámetros activados por token. Un transformer de visión extrae características de imágenes y video, y un proyector de dos capas las alinea con la representación lingüística. VideoRoPE conserva tanto las posiciones espaciales como el orden temporal. La estructura central híbrida de 42 capas alterna Kimi Delta Attention y Multi-head Latent Attention con compuertas en un patrón 5:1, con enrutamiento disperso de expertos. El fabricante describe hasta 256K tokens de contexto y publica una receta de contexto ampliado de 262,144 tokens.
Para comprensión visual, proporciona una imagen legible e identifica la observación requerida. El fabricante incluye entre las tareas el conteo de objetos, los diseños complejos, las gráficas y el contenido de documentos. Una solicitud útil sobre un documento puede pedir una tabla de campos con la página o región visible que los respalda, mientras que una solicitud sobre una gráfica puede preguntar qué serie respalda una comparación determinada. Conserva el material visual original para poder comprobar números, etiquetas y detalles pequeños. Una región poco clara debe permanecer como tal en el resultado, en lugar de convertirse en un valor adivinado.
Para razonar con evidencia visual, proporciona la pregunta, los supuestos relevantes y la precisión necesaria en la respuesta final. El modelo puede conectar una gráfica, un diagrama o una captura de pantalla con cálculos y razonamiento de varios pasos. Pide que la conclusión identifique las observaciones de las que depende. Si el flujo incluye herramientas de cálculo o recuperación de información, conserva sus resultados reales y sepáralos de la interpretación del modelo. Una relación visual y una medición calibrada son tipos de evidencia diferentes.
Para video, conserva el orden del material y enfoca la pregunta en un acontecimiento, cambio o intervalo. El fabricante identifica la localización de eventos, las preguntas sobre videos largos y los flujos de edición de clips como aplicaciones de su representación temporal. Un resultado editorial práctico puede ser una lista propuesta de cortes que explique qué momentos conservar y por qué. Mantén esa propuesta conectada con la línea de tiempo fuente; la aplicación de edición que la integra realiza los cambios y produce el material editado. La comprensión de video no convierte por sí misma la respuesta textual del modelo en un nuevo archivo de video.
Para tareas de interfaz, incluye la captura de pantalla actual, el objetivo y las acciones disponibles para la aplicación. Ling-3.0-flash-VL puede interpretar interfaces web o de software y proponer secuencias de acciones a partir de información visual. Devuelve el estado observado después de cada operación cuando el siguiente paso dependa de él. Un registro útil de finalización muestra qué cambió en la interfaz y si el resultado solicitado es visible, en lugar de tratar un clic propuesto como una acción ejecutada.
El pensamiento está habilitado de forma predeterminada en la plantilla de chat del fabricante y puede deshabilitarse por solicitud en su implementación documentada estableciendo enable_thinking en false. La receta de cliente y generación recomienda temperature 1.0, top_p 0.95 y top_k 20; las notas de evaluación separadas utilizan sus propios ajustes. Elige explícitamente la forma de la respuesta final y deja espacio tanto para el contexto multimedia relevante como para el texto generado. Estos ajustes del productor describen la receta del modelo publicado, no una promesa sobre los controles disponibles en todas las aplicaciones.
Conserva la identidad VL al registrar un resultado: sus entradas de imagen y video lo distinguen de Ling-3.0-flash, centrado en texto, y de la edición Fin, especializada en finanzas. Contrasta la redacción extraída, los conteos, las ubicaciones temporales y las acciones de interfaz propuestas con el material fuente. El entregable final útil es un análisis visual o una propuesta de acción que mantenga inspeccionables su evidencia y sus detalles pendientes.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inclusionai/ling-3.0-flash-vl | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00012 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0.000024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00012 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0.000024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inclusionai/ling-3.0-flash-vl", "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='inclusionai/ling-3.0-flash-vl',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='inclusionai/ling-3.0-flash-vl',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 inclusionai/ling-3.0-flash-vl
Usa las rutas de método indicadas arriba.
inclusionai/ling-3.0-flash-vlLing-3.0-flash-VL añade comprensión de imágenes y video al modelo de razonamiento híbrido de inclusionAI. Admite análisis visual, razonamiento basado en evidencia y flujos de interfaz, con 124B de parámetros totales, 5.5B de parámetros activos y hasta 256K tokens de contexto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ling-3.0-flash-VL es la extensión multimodal nativa de Ling-3.0-flash de inclusionAI. Combina las capacidades de lenguaje, razonamiento y contexto largo del modelo base con comprensión de imágenes y video. El fabricante organiza su ámbito de tareas visuales en comprensión, razonamiento y actuación: leer información visual compleja, utilizarla como evidencia y convertir las observaciones en acciones en una aplicación que las admita. La respuesta del modelo es texto o la representación de llamada a herramienta utilizada por esa aplicación.
La arquitectura publicada tiene 124B de parámetros totales y 5.5B de parámetros activados por token. Un transformer de visión extrae características de imágenes y video, y un proyector de dos capas las alinea con la representación lingüística. VideoRoPE conserva tanto las posiciones espaciales como el orden temporal. La estructura central híbrida de 42 capas alterna Kimi Delta Attention y Multi-head Latent Attention con compuertas en un patrón 5:1, con enrutamiento disperso de expertos. El fabricante describe hasta 256K tokens de contexto y publica una receta de contexto ampliado de 262,144 tokens.
Para comprensión visual, proporciona una imagen legible e identifica la observación requerida. El fabricante incluye entre las tareas el conteo de objetos, los diseños complejos, las gráficas y el contenido de documentos. Una solicitud útil sobre un documento puede pedir una tabla de campos con la página o región visible que los respalda, mientras que una solicitud sobre una gráfica puede preguntar qué serie respalda una comparación determinada. Conserva el material visual original para poder comprobar números, etiquetas y detalles pequeños. Una región poco clara debe permanecer como tal en el resultado, en lugar de convertirse en un valor adivinado.
Para razonar con evidencia visual, proporciona la pregunta, los supuestos relevantes y la precisión necesaria en la respuesta final. El modelo puede conectar una gráfica, un diagrama o una captura de pantalla con cálculos y razonamiento de varios pasos. Pide que la conclusión identifique las observaciones de las que depende. Si el flujo incluye herramientas de cálculo o recuperación de información, conserva sus resultados reales y sepáralos de la interpretación del modelo. Una relación visual y una medición calibrada son tipos de evidencia diferentes.
Para video, conserva el orden del material y enfoca la pregunta en un acontecimiento, cambio o intervalo. El fabricante identifica la localización de eventos, las preguntas sobre videos largos y los flujos de edición de clips como aplicaciones de su representación temporal. Un resultado editorial práctico puede ser una lista propuesta de cortes que explique qué momentos conservar y por qué. Mantén esa propuesta conectada con la línea de tiempo fuente; la aplicación de edición que la integra realiza los cambios y produce el material editado. La comprensión de video no convierte por sí misma la respuesta textual del modelo en un nuevo archivo de video.
Para tareas de interfaz, incluye la captura de pantalla actual, el objetivo y las acciones disponibles para la aplicación. Ling-3.0-flash-VL puede interpretar interfaces web o de software y proponer secuencias de acciones a partir de información visual. Devuelve el estado observado después de cada operación cuando el siguiente paso dependa de él. Un registro útil de finalización muestra qué cambió en la interfaz y si el resultado solicitado es visible, en lugar de tratar un clic propuesto como una acción ejecutada.
El pensamiento está habilitado de forma predeterminada en la plantilla de chat del fabricante y puede deshabilitarse por solicitud en su implementación documentada estableciendo enable_thinking en false. La receta de cliente y generación recomienda temperature 1.0, top_p 0.95 y top_k 20; las notas de evaluación separadas utilizan sus propios ajustes. Elige explícitamente la forma de la respuesta final y deja espacio tanto para el contexto multimedia relevante como para el texto generado. Estos ajustes del productor describen la receta del modelo publicado, no una promesa sobre los controles disponibles en todas las aplicaciones.
Conserva la identidad VL al registrar un resultado: sus entradas de imagen y video lo distinguen de Ling-3.0-flash, centrado en texto, y de la edición Fin, especializada en finanzas. Contrasta la redacción extraída, los conteos, las ubicaciones temporales y las acciones de interfaz propuestas con el material fuente. El entregable final útil es un análisis visual o una propuesta de acción que mantenga inspeccionables su evidencia y sus detalles pendientes.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites inclusionai/ling-3.0-flash-vl | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00012 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0.000024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00012 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0.000024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "inclusionai/ling-3.0-flash-vl",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.0-flash-vl', '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': 'inclusionai/ling-3.0-flash-vl', '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 inclusionai/ling-3.0-flash-vl
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Create a cut list from scene notes\n\nUse these transcribed scene notes: 00:00–00:06 unopened package; 00:06–00:18 hands assemble the stand; 00:18–00:25 stand holds a tablet; 00:25–00:35 repeated assembly close-up. Propose a 15-second instructional cut using only these intervals. Preserve the assembly-to-use order and explain any shortened or omitted segment.An ordered cut list with source intervals, chosen durations and a short editorial rationale.Check that selected durations total 15 seconds and that tablet use follows the retained assembly step.