Doubao 1.5 Thinking Vision Pro 250428 es la identidad alojada exacta que ByteDance asigna a Seed1.5-VL. Es un modelo de visión y lenguaje para comprensión y razonamiento multimodal general. Las capacidades descritas por el fabricante incluyen OCR, comprensión de diagramas, localización de referencias visuales, comprensión espacial 3D, comprensión de vídeo y razonamiento visual. Estas tareas devuelven interpretaciones y decisiones basadas en material visual y una pregunta escrita.
Proporciona la imagen e identifica la información que debe extraerse o explicarse. Para una imagen de documento, indica el texto o los campos importantes. Para un diagrama, pregunta por etiquetas y relaciones específicas. Para un acertijo visual, enuncia la pregunta y solicita una conclusión respaldada por las pistas pertinentes.
Mantén claro el artefacto solicitado: texto transcrito, una descripción de una relación o la explicación de una respuesta. Si la imagen contiene letras poco claras o detalles ocultos, pide que la respuesta identifique la incertidumbre. Conserva la imagen original con el resultado para poder comprobar las palabras extraídas y las relaciones interpretadas.
La localización de referencias visuales conecta una referencia escrita con el objeto o región pertinente de una imagen. Una tarea útil puede identificar el objeto, explicar en qué se distingue de los objetos cercanos y solicitar la información de ubicación que espera la aplicación. El formato de salida de la aplicación debe definir cómo se representa esa ubicación.
Para comprensión espacial, describe qué relaciones importan: posición relativa, orientación o disposición de los objetos de la escena. Solicita las pruebas visibles antes de la interpretación final. Mantén la distinción entre las características observables de la imagen y una relación tridimensional inferida.
El fabricante también incluye comprensión de vídeo y proporciona una guía práctica específica de vídeo. Una pregunta sobre un vídeo debe indicar el suceso, objeto o secuencia de interés y el resultado que debe producirse. Utiliza referencias temporales en la pregunta y conserva el clip fuente con la respuesta al comprobar una secuencia de acontecimientos.
Sus demostraciones interactivas incluyen control de interfaces gráficas y videojuegos. En una aplicación de uso del ordenador, la comprensión visual del modelo respalda una decisión sobre la pantalla, mientras que la aplicación que lo rodea ejecuta las acciones y proporciona la siguiente observación. Describir un control o decidir la siguiente acción no demuestra por sí solo que se haya guardado un archivo o completado una operación de pantalla.
ByteDance identifica el modelo con un codificador de visión de 532M de parámetros y un modelo de lenguaje de mezcla de expertos con 20B de parámetros activos. Su guía práctica separa los controles de cadenas largas de razonamiento, localización visual, comprensión espacial, vídeo y ejemplos GUI. Utiliza el contrato exacto de la interfaz para las entradas y la representación de salida necesarias para una tarea.
Esta entrada conserva la versión 250428 indicada en el repositorio del fabricante. El perfil anterior 250415 Thinking Pro Vision tiene una identidad separada. Conserva el modelo solicitado, las fuentes visuales y los ajustes de la tarea con cada resultado, para poder comparar una revisión posterior con la misma versión y las mismas pruebas.
", "aboutText": "Doubao 1.5 Thinking Vision Pro 250428 es la identidad alojada exacta que ByteDance asigna a Seed1.5-VL. Es un modelo de visión y lenguaje para comprensión y razonamiento multimodal general. Las capacidades descritas por el fabricante incluyen OCR, comprensión de diagramas, localización de referencias visuales, comprensión espacial 3D, comprensión de vídeo y razonamiento visual. Estas tareas devuelven interpretaciones y decisiones basadas en material visual y una pregunta escrita.\n\n### Lee e interpreta la fuente visual\n\nProporciona la imagen e identifica la información que debe extraerse o explicarse. Para una imagen de documento, indica el texto o los campos importantes. Para un diagrama, pregunta por etiquetas y relaciones específicas. Para un acertijo visual, enuncia la pregunta y solicita una conclusión respaldada por las pistas pertinentes.\n\nMantén claro el artefacto solicitado: texto transcrito, una descripción de una relación o la explicación de una respuesta. Si la imagen contiene letras poco claras o detalles ocultos, pide que la respuesta identifique la incertidumbre. Conserva la imagen original con el resultado para poder comprobar las palabras extraídas y las relaciones interpretadas.\n\n### Vincula una pregunta con objetos y espacio\n\nLa localización de referencias visuales conecta una referencia escrita con el objeto o región pertinente de una imagen. Una tarea útil puede identificar el objeto, explicar en qué se distingue de los objetos cercanos y solicitar la información de ubicación que espera la aplicación. El formato de salida de la aplicación debe definir cómo se representa esa ubicación.\n\nPara comprensión espacial, describe qué relaciones importan: posición relativa, orientación o disposición de los objetos de la escena. Solicita las pruebas visibles antes de la interpretación final. Mantén la distinción entre las características observables de la imagen y una relación tridimensional inferida.\n\n### Trabaja con vídeo y tareas interactivas\n\nEl fabricante también incluye comprensión de vídeo y proporciona una guía práctica específica de vídeo. Una pregunta sobre un vídeo debe indicar el suceso, objeto o secuencia de interés y el resultado que debe producirse. Utiliza referencias temporales en la pregunta y conserva el clip fuente con la respuesta al comprobar una secuencia de acontecimientos.\n\nSus demostraciones interactivas incluyen control de interfaces gráficas y videojuegos. En una aplicación de uso del ordenador, la comprensión visual del modelo respalda una decisión sobre la pantalla, mientras que la aplicación que lo rodea ejecuta las acciones y proporciona la siguiente observación. Describir un control o decidir la siguiente acción no demuestra por sí solo que se haya guardado un archivo o completado una operación de pantalla.\n\n### Conserva la versión y los ajustes de interfaz\n\nByteDance identifica el modelo con un codificador de visión de 532M de parámetros y un modelo de lenguaje de mezcla de expertos con 20B de parámetros activos. Su guía práctica separa los controles de cadenas largas de razonamiento, localización visual, comprensión espacial, vídeo y ejemplos GUI. Utiliza el contrato exacto de la interfaz para las entradas y la representación de salida necesarias para una tarea.\n\nEsta entrada conserva la versión 250428 indicada en el repositorio del fabricante. El perfil anterior 250415 Thinking Pro Vision tiene una identidad separada. Conserva el modelo solicitado, las fuentes visuales y los ajustes de la tarea con cada resultado, para poder comparar una revisión posterior con la misma versión y las mismas pruebas.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 es la versión de visión y lenguaje Seed1.5-VL para imágenes, vídeo y preguntas escritas. El fabricante describe OCR, interpretación de diagramas, localización de referencias visuales, comprensión espacial y razonamiento a partir de pruebas visuales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Doubao 1.5 Thinking Vision Pro 250428 es la identidad alojada exacta que ByteDance asigna a Seed1.5-VL. Es un modelo de visión y lenguaje para comprensión y razonamiento multimodal general. Las capacidades descritas por el fabricante incluyen OCR, comprensión de diagramas, localización de referencias visuales, comprensión espacial 3D, comprensión de vídeo y razonamiento visual. Estas tareas devuelven interpretaciones y decisiones basadas en material visual y una pregunta escrita.
Proporciona la imagen e identifica la información que debe extraerse o explicarse. Para una imagen de documento, indica el texto o los campos importantes. Para un diagrama, pregunta por etiquetas y relaciones específicas. Para un acertijo visual, enuncia la pregunta y solicita una conclusión respaldada por las pistas pertinentes.
Mantén claro el artefacto solicitado: texto transcrito, una descripción de una relación o la explicación de una respuesta. Si la imagen contiene letras poco claras o detalles ocultos, pide que la respuesta identifique la incertidumbre. Conserva la imagen original con el resultado para poder comprobar las palabras extraídas y las relaciones interpretadas.
La localización de referencias visuales conecta una referencia escrita con el objeto o región pertinente de una imagen. Una tarea útil puede identificar el objeto, explicar en qué se distingue de los objetos cercanos y solicitar la información de ubicación que espera la aplicación. El formato de salida de la aplicación debe definir cómo se representa esa ubicación.
Para comprensión espacial, describe qué relaciones importan: posición relativa, orientación o disposición de los objetos de la escena. Solicita las pruebas visibles antes de la interpretación final. Mantén la distinción entre las características observables de la imagen y una relación tridimensional inferida.
El fabricante también incluye comprensión de vídeo y proporciona una guía práctica específica de vídeo. Una pregunta sobre un vídeo debe indicar el suceso, objeto o secuencia de interés y el resultado que debe producirse. Utiliza referencias temporales en la pregunta y conserva el clip fuente con la respuesta al comprobar una secuencia de acontecimientos.
Sus demostraciones interactivas incluyen control de interfaces gráficas y videojuegos. En una aplicación de uso del ordenador, la comprensión visual del modelo respalda una decisión sobre la pantalla, mientras que la aplicación que lo rodea ejecuta las acciones y proporciona la siguiente observación. Describir un control o decidir la siguiente acción no demuestra por sí solo que se haya guardado un archivo o completado una operación de pantalla.
ByteDance identifica el modelo con un codificador de visión de 532M de parámetros y un modelo de lenguaje de mezcla de expertos con 20B de parámetros activos. Su guía práctica separa los controles de cadenas largas de razonamiento, localización visual, comprensión espacial, vídeo y ejemplos GUI. Utiliza el contrato exacto de la interfaz para las entradas y la representación de salida necesarias para una tarea.
Esta entrada conserva la versión 250428 indicada en el repositorio del fabricante. El perfil anterior 250415 Thinking Pro Vision tiene una identidad separada. Conserva el modelo solicitado, las fuentes visuales y los ajustes de la tarea con cada resultado, para poder comparar una revisión posterior con la misma versión y las mismas pruebas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K tokens Salida · Tokens de salida $0.00286 / 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": "doubao-1-5-thinking-vision-pro-250428", "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='doubao-1-5-thinking-vision-pro-250428',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='doubao-1-5-thinking-vision-pro-250428',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 doubao-1-5-thinking-vision-pro-250428
Usa las rutas de método indicadas arriba.
doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 es la versión de visión y lenguaje Seed1.5-VL para imágenes, vídeo y preguntas escritas. El fabricante describe OCR, interpretación de diagramas, localización de referencias visuales, comprensión espacial y razonamiento a partir de pruebas visuales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Doubao 1.5 Thinking Vision Pro 250428 es la identidad alojada exacta que ByteDance asigna a Seed1.5-VL. Es un modelo de visión y lenguaje para comprensión y razonamiento multimodal general. Las capacidades descritas por el fabricante incluyen OCR, comprensión de diagramas, localización de referencias visuales, comprensión espacial 3D, comprensión de vídeo y razonamiento visual. Estas tareas devuelven interpretaciones y decisiones basadas en material visual y una pregunta escrita.
Proporciona la imagen e identifica la información que debe extraerse o explicarse. Para una imagen de documento, indica el texto o los campos importantes. Para un diagrama, pregunta por etiquetas y relaciones específicas. Para un acertijo visual, enuncia la pregunta y solicita una conclusión respaldada por las pistas pertinentes.
Mantén claro el artefacto solicitado: texto transcrito, una descripción de una relación o la explicación de una respuesta. Si la imagen contiene letras poco claras o detalles ocultos, pide que la respuesta identifique la incertidumbre. Conserva la imagen original con el resultado para poder comprobar las palabras extraídas y las relaciones interpretadas.
La localización de referencias visuales conecta una referencia escrita con el objeto o región pertinente de una imagen. Una tarea útil puede identificar el objeto, explicar en qué se distingue de los objetos cercanos y solicitar la información de ubicación que espera la aplicación. El formato de salida de la aplicación debe definir cómo se representa esa ubicación.
Para comprensión espacial, describe qué relaciones importan: posición relativa, orientación o disposición de los objetos de la escena. Solicita las pruebas visibles antes de la interpretación final. Mantén la distinción entre las características observables de la imagen y una relación tridimensional inferida.
El fabricante también incluye comprensión de vídeo y proporciona una guía práctica específica de vídeo. Una pregunta sobre un vídeo debe indicar el suceso, objeto o secuencia de interés y el resultado que debe producirse. Utiliza referencias temporales en la pregunta y conserva el clip fuente con la respuesta al comprobar una secuencia de acontecimientos.
Sus demostraciones interactivas incluyen control de interfaces gráficas y videojuegos. En una aplicación de uso del ordenador, la comprensión visual del modelo respalda una decisión sobre la pantalla, mientras que la aplicación que lo rodea ejecuta las acciones y proporciona la siguiente observación. Describir un control o decidir la siguiente acción no demuestra por sí solo que se haya guardado un archivo o completado una operación de pantalla.
ByteDance identifica el modelo con un codificador de visión de 532M de parámetros y un modelo de lenguaje de mezcla de expertos con 20B de parámetros activos. Su guía práctica separa los controles de cadenas largas de razonamiento, localización visual, comprensión espacial, vídeo y ejemplos GUI. Utiliza el contrato exacto de la interfaz para las entradas y la representación de salida necesarias para una tarea.
Esta entrada conserva la versión 250428 indicada en el repositorio del fabricante. El perfil anterior 250415 Thinking Pro Vision tiene una identidad separada. Conserva el modelo solicitado, las fuentes visuales y los ajustes de la tarea con cada resultado, para poder comparar una revisión posterior con la misma versión y las mismas pruebas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K tokens Salida · Tokens de salida $0.00286 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'doubao-1-5-thinking-vision-pro-250428', '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': 'doubao-1-5-thinking-vision-pro-250428', '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 doubao-1-5-thinking-vision-pro-250428
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.