ERNIE 4.5 300B-A47B es el modelo de texto grande de Baidu de la familia ERNIE 4.5. Su diseño de mezcla de expertos contiene 300 mil millones de parámetros en total y activa 47 mil millones por token. La configuración publicada del modelo establece una longitud de contexto de 131 072 tokens. Recibe texto y genera texto, permitiendo una conversación, una explicación o un documento nuevo basado en la pregunta y el material proporcionados.
Aspectos destacados de ERNIE 4.5. Baidu describe un entrenamiento conjunto de información lingüística y visual en toda la familia, con un enrutamiento que permite a diferentes modalidades compartir algunos parámetros y conservar a la vez procesamiento dedicado. La variante de texto se centra en la comprensión y generación generales del lenguaje. El desarrollo de la familia también incluye infraestructura para entrenamiento e inferencia eficientes y posentrenamiento con ejemplos supervisados y optimización basada en preferencias. Estas decisiones de diseño explican los antecedentes del modelo; no convierten una solicitud de texto en una entrada de imagen.
Configuración del modelo. El modelo de texto publicado tiene 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor. Su configuración de expertos de texto indica 64 expertos, con 8 activados a la vez. Para preparar la entrada de forma práctica, utilice el contexto para conservar los pasajes que requiere la tarea, junto con sus encabezados y relaciones. La conversación y la respuesta generada comparten el presupuesto disponible de contexto, por lo que conviene seleccionar material pertinente y especificar la longitud del resultado en lugar de tratar toda la ventana como espacio para responder.
Una solicitud empieza con una pregunta o instrucción. Para análisis documental, proporcione secciones etiquetadas y pida una conclusión con la sección que respalda cada punto. Para redactar, aporte el público, los hechos originales y la estructura requerida. Puede pedir una explicación de un servicio, un resumen de requisitos o una comparación de dos procedimientos internos. Incluya las reglas que rigen los casos ambiguos y pida una nota de información ausente cuando la fuente no justifique una respuesta definitiva.
Respuestas fundamentadas en referencias. El fabricante publica ejemplos de prompting en chino e inglés para un flujo que proporciona la hora actual, artículos de referencia y una pregunta. Se instruye al modelo para juzgar si las referencias son pertinentes y actuales, dar prioridad al material de fuentes de autoridad e indicar cuándo las pruebas son insuficientes. Para aplicar ese patrón, etiquete cada referencia proporcionada, conserve su fecha de publicación cuando esté disponible y separe el contenido de referencia de la pregunta. El resultado esperado es una respuesta basada en esos pasajes, no la suposición de que ya se ha realizado una etapa de recuperación.
Indicaciones de generación. La ficha de Baidu recomienda temperature de 0.8 y top-p de 0.8 para sus ejemplos publicados del modelo. Trátelos como indicaciones del fabricante al configurar un entorno de generación compatible y después evalúe la salida frente a los requisitos de la tarea. Las versiones PT y Paddle del modelo designan formatos de pesos distintos; la edición de texto con nombre propio sigue siendo distinta del modelo VL de visión y lenguaje y de un checkpoint Base de entrenamiento. Una revisión práctica debe comprobar las afirmaciones factuales importantes, los detalles numéricos y la integridad de las secciones solicitadas frente al material proporcionado.
", "aboutText": "ERNIE 4.5 300B-A47B es el modelo de texto grande de Baidu de la familia ERNIE 4.5. Su diseño de mezcla de expertos contiene 300 mil millones de parámetros en total y activa 47 mil millones por token. La configuración publicada del modelo establece una longitud de contexto de 131 072 tokens. Recibe texto y genera texto, permitiendo una conversación, una explicación o un documento nuevo basado en la pregunta y el material proporcionados.\n\nAspectos destacados de ERNIE 4.5. Baidu describe un entrenamiento conjunto de información lingüística y visual en toda la familia, con un enrutamiento que permite a diferentes modalidades compartir algunos parámetros y conservar a la vez procesamiento dedicado. La variante de texto se centra en la comprensión y generación generales del lenguaje. El desarrollo de la familia también incluye infraestructura para entrenamiento e inferencia eficientes y posentrenamiento con ejemplos supervisados y optimización basada en preferencias. Estas decisiones de diseño explican los antecedentes del modelo; no convierten una solicitud de texto en una entrada de imagen.\n\nConfiguración del modelo. El modelo de texto publicado tiene 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor. Su configuración de expertos de texto indica 64 expertos, con 8 activados a la vez. Para preparar la entrada de forma práctica, utilice el contexto para conservar los pasajes que requiere la tarea, junto con sus encabezados y relaciones. La conversación y la respuesta generada comparten el presupuesto disponible de contexto, por lo que conviene seleccionar material pertinente y especificar la longitud del resultado en lugar de tratar toda la ventana como espacio para responder.\n\nUna solicitud empieza con una pregunta o instrucción. Para análisis documental, proporcione secciones etiquetadas y pida una conclusión con la sección que respalda cada punto. Para redactar, aporte el público, los hechos originales y la estructura requerida. Puede pedir una explicación de un servicio, un resumen de requisitos o una comparación de dos procedimientos internos. Incluya las reglas que rigen los casos ambiguos y pida una nota de información ausente cuando la fuente no justifique una respuesta definitiva.\n\nRespuestas fundamentadas en referencias. El fabricante publica ejemplos de prompting en chino e inglés para un flujo que proporciona la hora actual, artículos de referencia y una pregunta. Se instruye al modelo para juzgar si las referencias son pertinentes y actuales, dar prioridad al material de fuentes de autoridad e indicar cuándo las pruebas son insuficientes. Para aplicar ese patrón, etiquete cada referencia proporcionada, conserve su fecha de publicación cuando esté disponible y separe el contenido de referencia de la pregunta. El resultado esperado es una respuesta basada en esos pasajes, no la suposición de que ya se ha realizado una etapa de recuperación.\n\nIndicaciones de generación. La ficha de Baidu recomienda temperature de 0.8 y top-p de 0.8 para sus ejemplos publicados del modelo. Trátelos como indicaciones del fabricante al configurar un entorno de generación compatible y después evalúe la salida frente a los requisitos de la tarea. Las versiones PT y Paddle del modelo designan formatos de pesos distintos; la edición de texto con nombre propio sigue siendo distinta del modelo VL de visión y lenguaje y de un checkpoint Base de entrenamiento. Una revisión práctica debe comprobar las afirmaciones factuales importantes, los detalles numéricos y la integridad de las secciones solicitadas frente al material proporcionado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Resolve conflicting reference passages\n\nAnswer the question using these references only. R1, old handbook: Trial accounts retain exports for 7 days. R2, current handbook: Trial exports are retained for 14 days; paid-account exports for 90 days. Question: How long can a trial customer retrieve an export? Cite the relevant reference and explain why the other passage differs.A short answer with the retention period, reference identifier and a sentence describing the documented version conflict.Check that the answer uses the current trial rule and does not substitute the paid-account period.baidu/ERNIE-4.5-300B-A47BERNIE 4.5 300B-A47B es el modelo de texto de mezcla de expertos de Baidu con 300 mil millones de parámetros totales, 47 mil millones de parámetros activos por token y un contexto publicado de 131 072 tokens. Admite comprensión y generación de lenguaje, incluidas respuestas fundamentadas en pasajes de referencia proporcionados.
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 300B-A47B es el modelo de texto grande de Baidu de la familia ERNIE 4.5. Su diseño de mezcla de expertos contiene 300 mil millones de parámetros en total y activa 47 mil millones por token. La configuración publicada del modelo establece una longitud de contexto de 131 072 tokens. Recibe texto y genera texto, permitiendo una conversación, una explicación o un documento nuevo basado en la pregunta y el material proporcionados.
Aspectos destacados de ERNIE 4.5. Baidu describe un entrenamiento conjunto de información lingüística y visual en toda la familia, con un enrutamiento que permite a diferentes modalidades compartir algunos parámetros y conservar a la vez procesamiento dedicado. La variante de texto se centra en la comprensión y generación generales del lenguaje. El desarrollo de la familia también incluye infraestructura para entrenamiento e inferencia eficientes y posentrenamiento con ejemplos supervisados y optimización basada en preferencias. Estas decisiones de diseño explican los antecedentes del modelo; no convierten una solicitud de texto en una entrada de imagen.
Configuración del modelo. El modelo de texto publicado tiene 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor. Su configuración de expertos de texto indica 64 expertos, con 8 activados a la vez. Para preparar la entrada de forma práctica, utilice el contexto para conservar los pasajes que requiere la tarea, junto con sus encabezados y relaciones. La conversación y la respuesta generada comparten el presupuesto disponible de contexto, por lo que conviene seleccionar material pertinente y especificar la longitud del resultado en lugar de tratar toda la ventana como espacio para responder.
Una solicitud empieza con una pregunta o instrucción. Para análisis documental, proporcione secciones etiquetadas y pida una conclusión con la sección que respalda cada punto. Para redactar, aporte el público, los hechos originales y la estructura requerida. Puede pedir una explicación de un servicio, un resumen de requisitos o una comparación de dos procedimientos internos. Incluya las reglas que rigen los casos ambiguos y pida una nota de información ausente cuando la fuente no justifique una respuesta definitiva.
Respuestas fundamentadas en referencias. El fabricante publica ejemplos de prompting en chino e inglés para un flujo que proporciona la hora actual, artículos de referencia y una pregunta. Se instruye al modelo para juzgar si las referencias son pertinentes y actuales, dar prioridad al material de fuentes de autoridad e indicar cuándo las pruebas son insuficientes. Para aplicar ese patrón, etiquete cada referencia proporcionada, conserve su fecha de publicación cuando esté disponible y separe el contenido de referencia de la pregunta. El resultado esperado es una respuesta basada en esos pasajes, no la suposición de que ya se ha realizado una etapa de recuperación.
Indicaciones de generación. La ficha de Baidu recomienda temperature de 0.8 y top-p de 0.8 para sus ejemplos publicados del modelo. Trátelos como indicaciones del fabricante al configurar un entorno de generación compatible y después evalúe la salida frente a los requisitos de la tarea. Las versiones PT y Paddle del modelo designan formatos de pesos distintos; la edición de texto con nombre propio sigue siendo distinta del modelo VL de visión y lenguaje y de un checkpoint Base de entrenamiento. Una revisión práctica debe comprobar las afirmaciones factuales importantes, los detalles numéricos y la integridad de las secciones solicitadas frente al material proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites baidu/ERNIE-4.5-300B-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 $0.0006 / 1K tokens Salida · Tokens de salida $0.00228 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ERNIE-4.5-300B-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-4.5-300B-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-4.5-300B-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 las cabeceras. 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-4.5-300B-A47B
Usa las rutas de método indicadas arriba.
baidu/ERNIE-4.5-300B-A47BERNIE 4.5 300B-A47B es el modelo de texto de mezcla de expertos de Baidu con 300 mil millones de parámetros totales, 47 mil millones de parámetros activos por token y un contexto publicado de 131 072 tokens. Admite comprensión y generación de lenguaje, incluidas respuestas fundamentadas en pasajes de referencia proporcionados.
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 300B-A47B es el modelo de texto grande de Baidu de la familia ERNIE 4.5. Su diseño de mezcla de expertos contiene 300 mil millones de parámetros en total y activa 47 mil millones por token. La configuración publicada del modelo establece una longitud de contexto de 131 072 tokens. Recibe texto y genera texto, permitiendo una conversación, una explicación o un documento nuevo basado en la pregunta y el material proporcionados.
Aspectos destacados de ERNIE 4.5. Baidu describe un entrenamiento conjunto de información lingüística y visual en toda la familia, con un enrutamiento que permite a diferentes modalidades compartir algunos parámetros y conservar a la vez procesamiento dedicado. La variante de texto se centra en la comprensión y generación generales del lenguaje. El desarrollo de la familia también incluye infraestructura para entrenamiento e inferencia eficientes y posentrenamiento con ejemplos supervisados y optimización basada en preferencias. Estas decisiones de diseño explican los antecedentes del modelo; no convierten una solicitud de texto en una entrada de imagen.
Configuración del modelo. El modelo de texto publicado tiene 54 capas, 64 cabezas de atención de consulta y 8 cabezas de clave/valor. Su configuración de expertos de texto indica 64 expertos, con 8 activados a la vez. Para preparar la entrada de forma práctica, utilice el contexto para conservar los pasajes que requiere la tarea, junto con sus encabezados y relaciones. La conversación y la respuesta generada comparten el presupuesto disponible de contexto, por lo que conviene seleccionar material pertinente y especificar la longitud del resultado en lugar de tratar toda la ventana como espacio para responder.
Una solicitud empieza con una pregunta o instrucción. Para análisis documental, proporcione secciones etiquetadas y pida una conclusión con la sección que respalda cada punto. Para redactar, aporte el público, los hechos originales y la estructura requerida. Puede pedir una explicación de un servicio, un resumen de requisitos o una comparación de dos procedimientos internos. Incluya las reglas que rigen los casos ambiguos y pida una nota de información ausente cuando la fuente no justifique una respuesta definitiva.
Respuestas fundamentadas en referencias. El fabricante publica ejemplos de prompting en chino e inglés para un flujo que proporciona la hora actual, artículos de referencia y una pregunta. Se instruye al modelo para juzgar si las referencias son pertinentes y actuales, dar prioridad al material de fuentes de autoridad e indicar cuándo las pruebas son insuficientes. Para aplicar ese patrón, etiquete cada referencia proporcionada, conserve su fecha de publicación cuando esté disponible y separe el contenido de referencia de la pregunta. El resultado esperado es una respuesta basada en esos pasajes, no la suposición de que ya se ha realizado una etapa de recuperación.
Indicaciones de generación. La ficha de Baidu recomienda temperature de 0.8 y top-p de 0.8 para sus ejemplos publicados del modelo. Trátelos como indicaciones del fabricante al configurar un entorno de generación compatible y después evalúe la salida frente a los requisitos de la tarea. Las versiones PT y Paddle del modelo designan formatos de pesos distintos; la edición de texto con nombre propio sigue siendo distinta del modelo VL de visión y lenguaje y de un checkpoint Base de entrenamiento. Una revisión práctica debe comprobar las afirmaciones factuales importantes, los detalles numéricos y la integridad de las secciones solicitadas frente al material proporcionado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites baidu/ERNIE-4.5-300B-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 $0.0006 / 1K tokens Salida · Tokens de salida $0.00228 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "baidu/ERNIE-4.5-300B-A47B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4.5-300B-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-4.5-300B-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 las cabeceras. 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-4.5-300B-A47B
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Resolve conflicting reference passages\n\nAnswer the question using these references only. R1, old handbook: Trial accounts retain exports for 7 days. R2, current handbook: Trial exports are retained for 14 days; paid-account exports for 90 days. Question: How long can a trial customer retrieve an export? Cite the relevant reference and explain why the other passage differs.A short answer with the retention period, reference identifier and a sentence describing the documented version conflict.Check that the answer uses the current trial rule and does not substitute the paid-account period.