Llama 3.2 11B Vision es el miembro multimodal más pequeño de Meta en la colección Llama 3.2 Vision. El modelo combina una base de lenguaje Llama 3.1 con un adaptador de visión entrenado por separado. La atención cruzada conecta las representaciones del codificador de imágenes con el modelo textual autorregresivo, de modo que la respuesta puede utilizar pruebas visuales junto con la tarea escrita. La clase de tamaño 11B tiene 10.6 mil millones de parámetros en la tabla de configuración de Meta y utiliza atención de consultas agrupadas.
Su entrada consiste en texto e imágenes; su salida es texto, con una longitud de contexto de 128K tokens. Inglés, alemán, francés, italiano, portugués, hindi, español y tailandés están oficialmente admitidos para tareas exclusivamente textuales. Las aplicaciones de imágenes y texto están oficialmente admitidas en inglés. Por tanto, una conversación textual multilingüe y una pregunta sobre una imagen tienen ámbitos lingüísticos documentados diferentes.
Las ediciones preentrenadas y ajustadas mediante instrucciones cumplen propósitos distintos. La edición preentrenada proporciona una base para adaptarse al razonamiento sobre imágenes. La edición ajustada mediante instrucciones utiliza ajuste fino supervisado y aprendizaje por refuerzo con retroalimentación humana para admitir reconocimiento visual, razonamiento sobre imágenes, descripción de imágenes y conversación con imágenes. La etiqueta 11B identifica esta rama de tamaño; no sustituye la elección de la edición de ajuste.
Las aplicaciones visuales previstas incluyen responder preguntas sobre fotografías, comprender el texto y la disposición de un documento, escribir descripciones, relacionar imágenes con descripciones y vincular el lenguaje con objetos o regiones. Un asistente documental puede explicar un formulario sección por sección, relacionar una tabla con su encabezado o responder una pregunta sobre la página visible. Un flujo de productos puede describir los objetos y las relaciones de una fotografía. Para la vinculación visual, indica el objeto o la región en la pregunta y pide una explicación vinculada a la imagen aportada. Para relacionar imagen y texto, compara el contenido visible con las descripciones candidatas.
Para una tarea de Ailoot API, combina la imagen con una instrucción específica y elige el producto textual que necesitas: una descripción, una respuesta con observaciones, una lista de detalles extraídos o una explicación. Indica qué parte de la imagen importa y conserva su conexión con la pregunta al perfeccionar la respuesta. La imagen sirve como prueba para un resultado textual; los ejemplos de Meta generan texto a partir de una imagen y un prompt inicial.
El preentrenamiento de la familia Vision utiliza seis mil millones de pares de imagen y texto. El ajuste mediante instrucciones combina conjuntos de datos públicos de instrucciones visuales con más de tres millones de ejemplos sintéticos. El corte del preentrenamiento es diciembre de 2023 y la versión es un modelo estático entrenado con un conjunto de datos sin conexión. El trabajo de responsabilidad de Meta incluye ajuste fino de seguridad, pruebas adversariales y salvaguardas a nivel de sistema. Sus limitaciones declaradas incluyen respuestas inexactas o sesgadas y una cobertura de evaluación que no puede abarcar todos los escenarios de despliegue. Revisa las descripciones resultantes con el material visible y mantén las observaciones separadas de la interpretación.
", "aboutText": "Llama 3.2 11B Vision es el miembro multimodal más pequeño de Meta en la colección Llama 3.2 Vision. El modelo combina una base de lenguaje Llama 3.1 con un adaptador de visión entrenado por separado. La atención cruzada conecta las representaciones del codificador de imágenes con el modelo textual autorregresivo, de modo que la respuesta puede utilizar pruebas visuales junto con la tarea escrita. La clase de tamaño 11B tiene 10.6 mil millones de parámetros en la tabla de configuración de Meta y utiliza atención de consultas agrupadas.\n\nSu entrada consiste en texto e imágenes; su salida es texto, con una longitud de contexto de 128K tokens. Inglés, alemán, francés, italiano, portugués, hindi, español y tailandés están oficialmente admitidos para tareas exclusivamente textuales. Las aplicaciones de imágenes y texto están oficialmente admitidas en inglés. Por tanto, una conversación textual multilingüe y una pregunta sobre una imagen tienen ámbitos lingüísticos documentados diferentes.\n\nLas ediciones preentrenadas y ajustadas mediante instrucciones cumplen propósitos distintos. La edición preentrenada proporciona una base para adaptarse al razonamiento sobre imágenes. La edición ajustada mediante instrucciones utiliza ajuste fino supervisado y aprendizaje por refuerzo con retroalimentación humana para admitir reconocimiento visual, razonamiento sobre imágenes, descripción de imágenes y conversación con imágenes. La etiqueta 11B identifica esta rama de tamaño; no sustituye la elección de la edición de ajuste.\n\nLas aplicaciones visuales previstas incluyen responder preguntas sobre fotografías, comprender el texto y la disposición de un documento, escribir descripciones, relacionar imágenes con descripciones y vincular el lenguaje con objetos o regiones. Un asistente documental puede explicar un formulario sección por sección, relacionar una tabla con su encabezado o responder una pregunta sobre la página visible. Un flujo de productos puede describir los objetos y las relaciones de una fotografía. Para la vinculación visual, indica el objeto o la región en la pregunta y pide una explicación vinculada a la imagen aportada. Para relacionar imagen y texto, compara el contenido visible con las descripciones candidatas.\n\nPara una tarea de Ailoot API, combina la imagen con una instrucción específica y elige el producto textual que necesitas: una descripción, una respuesta con observaciones, una lista de detalles extraídos o una explicación. Indica qué parte de la imagen importa y conserva su conexión con la pregunta al perfeccionar la respuesta. La imagen sirve como prueba para un resultado textual; los ejemplos de Meta generan texto a partir de una imagen y un prompt inicial.\n\nEl preentrenamiento de la familia Vision utiliza seis mil millones de pares de imagen y texto. El ajuste mediante instrucciones combina conjuntos de datos públicos de instrucciones visuales con más de tres millones de ejemplos sintéticos. El corte del preentrenamiento es diciembre de 2023 y la versión es un modelo estático entrenado con un conjunto de datos sin conexión. El trabajo de responsabilidad de Meta incluye ajuste fino de seguridad, pruebas adversariales y salvaguardas a nivel de sistema. Sus limitaciones declaradas incluyen respuestas inexactas o sesgadas y una cobertura de evaluación que no puede abarcar todos los escenarios de despliegue. Revisa las descripciones resultantes con el material visible y mantén las observaciones separadas de la interpretación.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Match descriptions to a transcribed product view\n\nUse this text description of a product view: one blue mug with a handle, no lid, standing beside a silver spoon. Candidate captions: A, blue lidded travel cup; B, blue handled mug beside a spoon; C, two blue bowls. Select the caption supported by the description and explain each mismatch in the alternatives.One selected caption and a brief evidence comparison for all three candidates.Check that no unmentioned lid or second vessel is added and that the choice uses the supplied text only.llama3.2-11bLa edición más pequeña de Llama 3.2 Vision de Meta convierte prompts de imágenes y texto en descripciones, respuestas sobre documentos y explicaciones visuales. Tiene una ventana de contexto de 128K, con ediciones preentrenadas y ajustadas mediante instrucciones diferenciadas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama 3.2 11B Vision es el miembro multimodal más pequeño de Meta en la colección Llama 3.2 Vision. El modelo combina una base de lenguaje Llama 3.1 con un adaptador de visión entrenado por separado. La atención cruzada conecta las representaciones del codificador de imágenes con el modelo textual autorregresivo, de modo que la respuesta puede utilizar pruebas visuales junto con la tarea escrita. La clase de tamaño 11B tiene 10.6 mil millones de parámetros en la tabla de configuración de Meta y utiliza atención de consultas agrupadas.
Su entrada consiste en texto e imágenes; su salida es texto, con una longitud de contexto de 128K tokens. Inglés, alemán, francés, italiano, portugués, hindi, español y tailandés están oficialmente admitidos para tareas exclusivamente textuales. Las aplicaciones de imágenes y texto están oficialmente admitidas en inglés. Por tanto, una conversación textual multilingüe y una pregunta sobre una imagen tienen ámbitos lingüísticos documentados diferentes.
Las ediciones preentrenadas y ajustadas mediante instrucciones cumplen propósitos distintos. La edición preentrenada proporciona una base para adaptarse al razonamiento sobre imágenes. La edición ajustada mediante instrucciones utiliza ajuste fino supervisado y aprendizaje por refuerzo con retroalimentación humana para admitir reconocimiento visual, razonamiento sobre imágenes, descripción de imágenes y conversación con imágenes. La etiqueta 11B identifica esta rama de tamaño; no sustituye la elección de la edición de ajuste.
Las aplicaciones visuales previstas incluyen responder preguntas sobre fotografías, comprender el texto y la disposición de un documento, escribir descripciones, relacionar imágenes con descripciones y vincular el lenguaje con objetos o regiones. Un asistente documental puede explicar un formulario sección por sección, relacionar una tabla con su encabezado o responder una pregunta sobre la página visible. Un flujo de productos puede describir los objetos y las relaciones de una fotografía. Para la vinculación visual, indica el objeto o la región en la pregunta y pide una explicación vinculada a la imagen aportada. Para relacionar imagen y texto, compara el contenido visible con las descripciones candidatas.
Para una tarea de Ailoot API, combina la imagen con una instrucción específica y elige el producto textual que necesitas: una descripción, una respuesta con observaciones, una lista de detalles extraídos o una explicación. Indica qué parte de la imagen importa y conserva su conexión con la pregunta al perfeccionar la respuesta. La imagen sirve como prueba para un resultado textual; los ejemplos de Meta generan texto a partir de una imagen y un prompt inicial.
El preentrenamiento de la familia Vision utiliza seis mil millones de pares de imagen y texto. El ajuste mediante instrucciones combina conjuntos de datos públicos de instrucciones visuales con más de tres millones de ejemplos sintéticos. El corte del preentrenamiento es diciembre de 2023 y la versión es un modelo estático entrenado con un conjunto de datos sin conexión. El trabajo de responsabilidad de Meta incluye ajuste fino de seguridad, pruebas adversariales y salvaguardas a nivel de sistema. Sus limitaciones declaradas incluyen respuestas inexactas o sesgadas y una cobertura de evaluación que no puede abarcar todos los escenarios de despliegue. Revisa las descripciones resultantes con el material visible y mantén las observaciones separadas de la interpretación.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites llama3.2-11b | 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 $0.001 / 1K tokens Salida · Tokens de salida $0.001 / 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": "llama3.2-11b", "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='llama3.2-11b',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='llama3.2-11b',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 llama3.2-11b
Usa las rutas de método indicadas arriba.
llama3.2-11bLa edición más pequeña de Llama 3.2 Vision de Meta convierte prompts de imágenes y texto en descripciones, respuestas sobre documentos y explicaciones visuales. Tiene una ventana de contexto de 128K, con ediciones preentrenadas y ajustadas mediante instrucciones diferenciadas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama 3.2 11B Vision es el miembro multimodal más pequeño de Meta en la colección Llama 3.2 Vision. El modelo combina una base de lenguaje Llama 3.1 con un adaptador de visión entrenado por separado. La atención cruzada conecta las representaciones del codificador de imágenes con el modelo textual autorregresivo, de modo que la respuesta puede utilizar pruebas visuales junto con la tarea escrita. La clase de tamaño 11B tiene 10.6 mil millones de parámetros en la tabla de configuración de Meta y utiliza atención de consultas agrupadas.
Su entrada consiste en texto e imágenes; su salida es texto, con una longitud de contexto de 128K tokens. Inglés, alemán, francés, italiano, portugués, hindi, español y tailandés están oficialmente admitidos para tareas exclusivamente textuales. Las aplicaciones de imágenes y texto están oficialmente admitidas en inglés. Por tanto, una conversación textual multilingüe y una pregunta sobre una imagen tienen ámbitos lingüísticos documentados diferentes.
Las ediciones preentrenadas y ajustadas mediante instrucciones cumplen propósitos distintos. La edición preentrenada proporciona una base para adaptarse al razonamiento sobre imágenes. La edición ajustada mediante instrucciones utiliza ajuste fino supervisado y aprendizaje por refuerzo con retroalimentación humana para admitir reconocimiento visual, razonamiento sobre imágenes, descripción de imágenes y conversación con imágenes. La etiqueta 11B identifica esta rama de tamaño; no sustituye la elección de la edición de ajuste.
Las aplicaciones visuales previstas incluyen responder preguntas sobre fotografías, comprender el texto y la disposición de un documento, escribir descripciones, relacionar imágenes con descripciones y vincular el lenguaje con objetos o regiones. Un asistente documental puede explicar un formulario sección por sección, relacionar una tabla con su encabezado o responder una pregunta sobre la página visible. Un flujo de productos puede describir los objetos y las relaciones de una fotografía. Para la vinculación visual, indica el objeto o la región en la pregunta y pide una explicación vinculada a la imagen aportada. Para relacionar imagen y texto, compara el contenido visible con las descripciones candidatas.
Para una tarea de Ailoot API, combina la imagen con una instrucción específica y elige el producto textual que necesitas: una descripción, una respuesta con observaciones, una lista de detalles extraídos o una explicación. Indica qué parte de la imagen importa y conserva su conexión con la pregunta al perfeccionar la respuesta. La imagen sirve como prueba para un resultado textual; los ejemplos de Meta generan texto a partir de una imagen y un prompt inicial.
El preentrenamiento de la familia Vision utiliza seis mil millones de pares de imagen y texto. El ajuste mediante instrucciones combina conjuntos de datos públicos de instrucciones visuales con más de tres millones de ejemplos sintéticos. El corte del preentrenamiento es diciembre de 2023 y la versión es un modelo estático entrenado con un conjunto de datos sin conexión. El trabajo de responsabilidad de Meta incluye ajuste fino de seguridad, pruebas adversariales y salvaguardas a nivel de sistema. Sus limitaciones declaradas incluyen respuestas inexactas o sesgadas y una cobertura de evaluación que no puede abarcar todos los escenarios de despliegue. Revisa las descripciones resultantes con el material visible y mantén las observaciones separadas de la interpretación.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites llama3.2-11b | 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 $0.001 / 1K tokens Salida · Tokens de salida $0.001 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "llama3.2-11b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama3.2-11b', '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': 'llama3.2-11b', '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 llama3.2-11b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Match descriptions to a transcribed product view\n\nUse this text description of a product view: one blue mug with a handle, no lid, standing beside a silver spoon. Candidate captions: A, blue lidded travel cup; B, blue handled mug beside a spoon; C, two blue bowls. Select the caption supported by the description and explain each mismatch in the alternatives.One selected caption and a brief evidence comparison for all three candidates.Check that no unmentioned lid or second vessel is added and that the choice uses the supplied text only.