Doubao 1.5 Vision Pro es el modelo de visión y lenguaje de ByteDance para responder preguntas que combinan una imagen con una instrucción textual. Sus capacidades actualizadas se centran en razonamiento visual, reconocimiento de texto en documentos, información detallada y seguimiento de instrucciones complejas. El resultado es una respuesta textual: una explicación de la escena, información extraída o un análisis vinculado al material visual proporcionado.
Detalle y disposición de las imágenes. El modelo utiliza una arquitectura nativa de resolución dinámica para procesar imágenes de distintas resoluciones y formas. El fabricante describe específicamente imágenes de alta resolución, imágenes pequeñas de baja resolución y relaciones de aspecto extremas. Esto resulta útil cuando la fuente es una página de documento alta, una captura de pantalla ancha o una fotografía con detalles pequeños. Proporciona el original más nítido disponible, conserva el área pertinente para la pregunta e identifica la página o región que debe examinar el modelo. Una imagen borrosa ampliada sigue conteniendo la misma información ausente; solicita una nota explícita de incertidumbre cuando una etiqueta o un número no puedan leerse.
Instrucciones visuales. La versión describe un mejor seguimiento de instrucciones gracias a tareas visuales más variadas durante el posentrenamiento. Una solicitud puede especificar el objeto que se debe examinar, los detalles que deben indicarse y el orden de la respuesta. Para comparar envases, etiqueta las imágenes A y B y solicita una tabla de diferencias visibles en texto, disposición y componentes. Para revisar una captura de pantalla, identifica la acción prevista y pide una descripción de los controles visibles y la información necesaria para completarla. La salida útil es una comparación o explicación fundamentada en lo que realmente muestra la imagen.
Reconocimiento de documentos. Combina una página legible con los nombres de los campos que necesita tu flujo: título del documento, fecha, partes, nombres de artículos o importes. Pide al modelo que separe el texto extraído de la interpretación y conserve la grafía original de los identificadores importantes. Para un registro de varias páginas, proporciona etiquetas de página y solicita referencias de página junto a cada valor extraído. Después podrás revisar el texto contra la fuente, resolver caracteres poco claros y preparar los campos seleccionados para una aplicación posterior.
La actualización técnica de la versión abarca síntesis de datos multimodales, resolución dinámica, alineación entre información visual y textual y entrenamiento mixto. Estos cambios sirven a la comprensión y el razonamiento sobre imágenes; el fabricante también describe un estilo de respuesta más conciso y accesible. Para convertirlo en un resultado útil, indica el público y la forma solicitada, como una nota de inspección, una descripción de imagen o una lista de preguntas para el propietario del documento.
Elige la tarea según las pruebas visibles. Una foto de producto puede respaldar una descripción de la forma, el color, las etiquetas y los componentes observables; proporciona una especificación por separado si la respuesta también necesita dimensiones o materiales. Una imagen de documento puede permitir extracción y explicación; incluye el contexto pertinente de la página cuando una frase recortada dependa de definiciones anteriores. Pide al modelo que diferencie una observación de una inferencia, y verifica el texto pequeño y los valores decisivos antes de utilizar el resultado.
", "aboutText": "Doubao 1.5 Vision Pro es el modelo de visión y lenguaje de ByteDance para responder preguntas que combinan una imagen con una instrucción textual. Sus capacidades actualizadas se centran en razonamiento visual, reconocimiento de texto en documentos, información detallada y seguimiento de instrucciones complejas. El resultado es una respuesta textual: una explicación de la escena, información extraída o un análisis vinculado al material visual proporcionado.\n\nDetalle y disposición de las imágenes. El modelo utiliza una arquitectura nativa de resolución dinámica para procesar imágenes de distintas resoluciones y formas. El fabricante describe específicamente imágenes de alta resolución, imágenes pequeñas de baja resolución y relaciones de aspecto extremas. Esto resulta útil cuando la fuente es una página de documento alta, una captura de pantalla ancha o una fotografía con detalles pequeños. Proporciona el original más nítido disponible, conserva el área pertinente para la pregunta e identifica la página o región que debe examinar el modelo. Una imagen borrosa ampliada sigue conteniendo la misma información ausente; solicita una nota explícita de incertidumbre cuando una etiqueta o un número no puedan leerse.\n\nInstrucciones visuales. La versión describe un mejor seguimiento de instrucciones gracias a tareas visuales más variadas durante el posentrenamiento. Una solicitud puede especificar el objeto que se debe examinar, los detalles que deben indicarse y el orden de la respuesta. Para comparar envases, etiqueta las imágenes A y B y solicita una tabla de diferencias visibles en texto, disposición y componentes. Para revisar una captura de pantalla, identifica la acción prevista y pide una descripción de los controles visibles y la información necesaria para completarla. La salida útil es una comparación o explicación fundamentada en lo que realmente muestra la imagen.\n\nReconocimiento de documentos. Combina una página legible con los nombres de los campos que necesita tu flujo: título del documento, fecha, partes, nombres de artículos o importes. Pide al modelo que separe el texto extraído de la interpretación y conserve la grafía original de los identificadores importantes. Para un registro de varias páginas, proporciona etiquetas de página y solicita referencias de página junto a cada valor extraído. Después podrás revisar el texto contra la fuente, resolver caracteres poco claros y preparar los campos seleccionados para una aplicación posterior.\n\nLa actualización técnica de la versión abarca síntesis de datos multimodales, resolución dinámica, alineación entre información visual y textual y entrenamiento mixto. Estos cambios sirven a la comprensión y el razonamiento sobre imágenes; el fabricante también describe un estilo de respuesta más conciso y accesible. Para convertirlo en un resultado útil, indica el público y la forma solicitada, como una nota de inspección, una descripción de imagen o una lista de preguntas para el propietario del documento.\n\nElige la tarea según las pruebas visibles. Una foto de producto puede respaldar una descripción de la forma, el color, las etiquetas y los componentes observables; proporciona una especificación por separado si la respuesta también necesita dimensiones o materiales. Una imagen de documento puede permitir extracción y explicación; incluye el contexto pertinente de la página cuando una frase recortada dependa de definiciones anteriores. Pide al modelo que diferencie una observación de una inferencia, y verifica el texto pequeño y los valores decisivos antes de utilizar el resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract fields from a page transcription\n\nExtract fields from this document transcription, keeping literal values separate from interpretation: Page 1, Delivery note DN-82. Recipient: Lumen Studio. Items: Desk lamp, quantity 4. Delivery date: unclear. Return document_id, recipient, item, quantity and delivery_date, with the page label beside each value. Use unknown for the unclear date.A field table with value and source-page columns, retaining unknown for the delivery date.Compare every populated value to the supplied transcription and confirm that no date is invented.Doubao-1.5-vision-pro-32kDoubao 1.5 Vision Pro 32K es el modelo de visión y lenguaje de ByteDance para comprender imágenes, leer páginas de documentos y razonar sobre detalles visuales precisos. Combina una imagen con instrucciones concretas para obtener una explicación textual o una extracción estructurada.
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 Vision Pro es el modelo de visión y lenguaje de ByteDance para responder preguntas que combinan una imagen con una instrucción textual. Sus capacidades actualizadas se centran en razonamiento visual, reconocimiento de texto en documentos, información detallada y seguimiento de instrucciones complejas. El resultado es una respuesta textual: una explicación de la escena, información extraída o un análisis vinculado al material visual proporcionado.
Detalle y disposición de las imágenes. El modelo utiliza una arquitectura nativa de resolución dinámica para procesar imágenes de distintas resoluciones y formas. El fabricante describe específicamente imágenes de alta resolución, imágenes pequeñas de baja resolución y relaciones de aspecto extremas. Esto resulta útil cuando la fuente es una página de documento alta, una captura de pantalla ancha o una fotografía con detalles pequeños. Proporciona el original más nítido disponible, conserva el área pertinente para la pregunta e identifica la página o región que debe examinar el modelo. Una imagen borrosa ampliada sigue conteniendo la misma información ausente; solicita una nota explícita de incertidumbre cuando una etiqueta o un número no puedan leerse.
Instrucciones visuales. La versión describe un mejor seguimiento de instrucciones gracias a tareas visuales más variadas durante el posentrenamiento. Una solicitud puede especificar el objeto que se debe examinar, los detalles que deben indicarse y el orden de la respuesta. Para comparar envases, etiqueta las imágenes A y B y solicita una tabla de diferencias visibles en texto, disposición y componentes. Para revisar una captura de pantalla, identifica la acción prevista y pide una descripción de los controles visibles y la información necesaria para completarla. La salida útil es una comparación o explicación fundamentada en lo que realmente muestra la imagen.
Reconocimiento de documentos. Combina una página legible con los nombres de los campos que necesita tu flujo: título del documento, fecha, partes, nombres de artículos o importes. Pide al modelo que separe el texto extraído de la interpretación y conserve la grafía original de los identificadores importantes. Para un registro de varias páginas, proporciona etiquetas de página y solicita referencias de página junto a cada valor extraído. Después podrás revisar el texto contra la fuente, resolver caracteres poco claros y preparar los campos seleccionados para una aplicación posterior.
La actualización técnica de la versión abarca síntesis de datos multimodales, resolución dinámica, alineación entre información visual y textual y entrenamiento mixto. Estos cambios sirven a la comprensión y el razonamiento sobre imágenes; el fabricante también describe un estilo de respuesta más conciso y accesible. Para convertirlo en un resultado útil, indica el público y la forma solicitada, como una nota de inspección, una descripción de imagen o una lista de preguntas para el propietario del documento.
Elige la tarea según las pruebas visibles. Una foto de producto puede respaldar una descripción de la forma, el color, las etiquetas y los componentes observables; proporciona una especificación por separado si la respuesta también necesita dimensiones o materiales. Una imagen de documento puede permitir extracción y explicación; incluye el contexto pertinente de la página cuando una frase recortada dependa de definiciones anteriores. Pide al modelo que diferencie una observación de una inferencia, y verifica el texto pequeño y los valores decisivos antes de utilizar el resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Doubao-1.5-vision-pro-32k | 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 $0.00086 / 1K tokens Salida · Tokens de salida $0.0026 / 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-vision-pro-32k", "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-vision-pro-32k',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-vision-pro-32k',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-vision-pro-32k
Usa las rutas de método indicadas arriba.
Doubao-1.5-vision-pro-32kDoubao 1.5 Vision Pro 32K es el modelo de visión y lenguaje de ByteDance para comprender imágenes, leer páginas de documentos y razonar sobre detalles visuales precisos. Combina una imagen con instrucciones concretas para obtener una explicación textual o una extracción estructurada.
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 Vision Pro es el modelo de visión y lenguaje de ByteDance para responder preguntas que combinan una imagen con una instrucción textual. Sus capacidades actualizadas se centran en razonamiento visual, reconocimiento de texto en documentos, información detallada y seguimiento de instrucciones complejas. El resultado es una respuesta textual: una explicación de la escena, información extraída o un análisis vinculado al material visual proporcionado.
Detalle y disposición de las imágenes. El modelo utiliza una arquitectura nativa de resolución dinámica para procesar imágenes de distintas resoluciones y formas. El fabricante describe específicamente imágenes de alta resolución, imágenes pequeñas de baja resolución y relaciones de aspecto extremas. Esto resulta útil cuando la fuente es una página de documento alta, una captura de pantalla ancha o una fotografía con detalles pequeños. Proporciona el original más nítido disponible, conserva el área pertinente para la pregunta e identifica la página o región que debe examinar el modelo. Una imagen borrosa ampliada sigue conteniendo la misma información ausente; solicita una nota explícita de incertidumbre cuando una etiqueta o un número no puedan leerse.
Instrucciones visuales. La versión describe un mejor seguimiento de instrucciones gracias a tareas visuales más variadas durante el posentrenamiento. Una solicitud puede especificar el objeto que se debe examinar, los detalles que deben indicarse y el orden de la respuesta. Para comparar envases, etiqueta las imágenes A y B y solicita una tabla de diferencias visibles en texto, disposición y componentes. Para revisar una captura de pantalla, identifica la acción prevista y pide una descripción de los controles visibles y la información necesaria para completarla. La salida útil es una comparación o explicación fundamentada en lo que realmente muestra la imagen.
Reconocimiento de documentos. Combina una página legible con los nombres de los campos que necesita tu flujo: título del documento, fecha, partes, nombres de artículos o importes. Pide al modelo que separe el texto extraído de la interpretación y conserve la grafía original de los identificadores importantes. Para un registro de varias páginas, proporciona etiquetas de página y solicita referencias de página junto a cada valor extraído. Después podrás revisar el texto contra la fuente, resolver caracteres poco claros y preparar los campos seleccionados para una aplicación posterior.
La actualización técnica de la versión abarca síntesis de datos multimodales, resolución dinámica, alineación entre información visual y textual y entrenamiento mixto. Estos cambios sirven a la comprensión y el razonamiento sobre imágenes; el fabricante también describe un estilo de respuesta más conciso y accesible. Para convertirlo en un resultado útil, indica el público y la forma solicitada, como una nota de inspección, una descripción de imagen o una lista de preguntas para el propietario del documento.
Elige la tarea según las pruebas visibles. Una foto de producto puede respaldar una descripción de la forma, el color, las etiquetas y los componentes observables; proporciona una especificación por separado si la respuesta también necesita dimensiones o materiales. Una imagen de documento puede permitir extracción y explicación; incluye el contexto pertinente de la página cuando una frase recortada dependa de definiciones anteriores. Pide al modelo que diferencie una observación de una inferencia, y verifica el texto pequeño y los valores decisivos antes de utilizar el resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Doubao-1.5-vision-pro-32k | 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 $0.00086 / 1K tokens Salida · Tokens de salida $0.0026 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Doubao-1.5-vision-pro-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-vision-pro-32k', '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-vision-pro-32k', '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-vision-pro-32k
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract fields from a page transcription\n\nExtract fields from this document transcription, keeping literal values separate from interpretation: Page 1, Delivery note DN-82. Recipient: Lumen Studio. Items: Desk lamp, quantity 4. Delivery date: unclear. Return document_id, recipient, item, quantity and delivery_date, with the page label beside each value. Use unknown for the unclear date.A field table with value and source-page columns, retaining unknown for the delivery date.Compare every populated value to the supplied transcription and confirm that no date is invented.