Step R1 V Mini es el modelo de razonamiento multimodal de StepFun, con entrada de imágenes y texto y salida de texto. Incorpora la percepción visual a una tarea de razonamiento escrito: identificar lo visible, relacionar los detalles relevantes y explicar una conclusión. Su fabricante muestra tres aplicaciones concretas: reconocer una ubicación a partir de una fotografía, describir un plato y una receta, y contar objetos bajo una condición indicada.
Proporciona la imagen y una pregunta que identifique el resultado necesario. Una tarea de recuento puede especificar qué objetos cumplen los criterios y cuáles deben excluirse. Una pregunta sobre una escena puede pedir qué características visibles respaldan una ubicación propuesta. Una fotografía de comida puede dar pie a describir el plato visible antes de sugerir una receta. Separar la observación de la conclusión facilita comprobar la respuesta.
Por ejemplo, proporciona una fotografía de una bandeja con objetos de distintas formas y pide el número de objetos rojos circulares, con una explicación breve de la regla de recuento. Incluye toda el área relevante en vez de un recorte que elimine objetos mencionados en la pregunta. Si parte de la imagen está oculta o poco clara, pide al modelo que indique qué puede distinguir antes de estimar el resto.
El ejemplo de ubicación del fabricante combina varias pistas de la fotografía de un estadio para inferir el recinto. Este flujo resulta útil para describir una escena o comparar una interpretación propuesta con la imagen. Pide primero las pistas visibles y después la inferencia que respaldan. Si la conclusión también depende de información externa a la fotografía, proporciónala como fuente separada en vez de esperar que la imagen por sí sola la demuestre.
El ejemplo de receta sigue el mismo patrón: interpretar el aspecto de la comida y después desarrollar una propuesta escrita. Acompaña la imagen con los ingredientes conocidos, los requisitos dietéticos o las restricciones de preparación. La fotografía puede orientar la propuesta, mientras que los hechos adicionales del usuario definen requisitos que el aspecto no permite establecer.
StepFun describe aprendizaje por refuerzo multimodal conjunto, con recompensas visuales verificables y abundantes datos multimodales sintéticos. Estos métodos se centran en razonar sobre pruebas escritas y visuales. Los ejemplos publicados tratan de razonamiento y comprensión; el artefacto devuelto es una explicación, un recuento o una receta propuesta en texto.
Para un flujo reutilizable, conserva juntos la pregunta, la imagen y el formato de respuesta requerido. Pide una lista compacta de observaciones seguida del resultado final, o define los campos necesarios para la aplicación. Contrasta los recuentos importantes y los detalles inferidos con la imagen original. Los ajustes de contexto y generación deben seguir el contrato de la interfaz seleccionada; la presentación del fabricante no especifica un techo universal de tokens de salida.
", "aboutText": "Step R1 V Mini es el modelo de razonamiento multimodal de StepFun, con entrada de imágenes y texto y salida de texto. Incorpora la percepción visual a una tarea de razonamiento escrito: identificar lo visible, relacionar los detalles relevantes y explicar una conclusión. Su fabricante muestra tres aplicaciones concretas: reconocer una ubicación a partir de una fotografía, describir un plato y una receta, y contar objetos bajo una condición indicada.\n\n### Pregunta por las pruebas visibles\n\nProporciona la imagen y una pregunta que identifique el resultado necesario. Una tarea de recuento puede especificar qué objetos cumplen los criterios y cuáles deben excluirse. Una pregunta sobre una escena puede pedir qué características visibles respaldan una ubicación propuesta. Una fotografía de comida puede dar pie a describir el plato visible antes de sugerir una receta. Separar la observación de la conclusión facilita comprobar la respuesta.\n\nPor ejemplo, proporciona una fotografía de una bandeja con objetos de distintas formas y pide el número de objetos rojos circulares, con una explicación breve de la regla de recuento. Incluye toda el área relevante en vez de un recorte que elimine objetos mencionados en la pregunta. Si parte de la imagen está oculta o poco clara, pide al modelo que indique qué puede distinguir antes de estimar el resto.\n\n### Utiliza las pistas visuales para una explicación razonada\n\nEl ejemplo de ubicación del fabricante combina varias pistas de la fotografía de un estadio para inferir el recinto. Este flujo resulta útil para describir una escena o comparar una interpretación propuesta con la imagen. Pide primero las pistas visibles y después la inferencia que respaldan. Si la conclusión también depende de información externa a la fotografía, proporciónala como fuente separada en vez de esperar que la imagen por sí sola la demuestre.\n\nEl ejemplo de receta sigue el mismo patrón: interpretar el aspecto de la comida y después desarrollar una propuesta escrita. Acompaña la imagen con los ingredientes conocidos, los requisitos dietéticos o las restricciones de preparación. La fotografía puede orientar la propuesta, mientras que los hechos adicionales del usuario definen requisitos que el aspecto no permite establecer.\n\n### Entrenamiento y preparación de la tarea\n\nStepFun describe aprendizaje por refuerzo multimodal conjunto, con recompensas visuales verificables y abundantes datos multimodales sintéticos. Estos métodos se centran en razonar sobre pruebas escritas y visuales. Los ejemplos publicados tratan de razonamiento y comprensión; el artefacto devuelto es una explicación, un recuento o una receta propuesta en texto.\n\nPara un flujo reutilizable, conserva juntos la pregunta, la imagen y el formato de respuesta requerido. Pide una lista compacta de observaciones seguida del resultado final, o define los campos necesarios para la aplicación. Contrasta los recuentos importantes y los detalles inferidos con la imagen original. Los ajustes de contexto y generación deben seguir el contrato de la interfaz seleccionada; la presentación del fabricante no especifica un techo universal de tokens de salida.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Count objects under an explicit rule\n\nCount confirmed red circular objects from these recorded annotations: A is a red circle; B is a red square; C is a blue circle; D is a red shape partly hidden with its outline unknown. Return the confirmed count, included identifiers and ambiguous identifiers. Exclude known nonmatching objects and do not guess D’s shape.A compact count record with included, excluded and ambiguous identifiers and a one-sentence counting rule.Check that color and shape are both required and D remains ambiguous rather than counted as a circle.step-r1-v-miniStep R1 V Mini interpreta imágenes y preguntas escritas para producir una respuesta de texto razonada. StepFun muestra ejemplos de pistas visuales de ubicación, reconocimiento de platos y recuento de objetos, por lo que resulta útil para preguntas que combinan detalles visibles con una tarea de razonamiento clara.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Step R1 V Mini es el modelo de razonamiento multimodal de StepFun, con entrada de imágenes y texto y salida de texto. Incorpora la percepción visual a una tarea de razonamiento escrito: identificar lo visible, relacionar los detalles relevantes y explicar una conclusión. Su fabricante muestra tres aplicaciones concretas: reconocer una ubicación a partir de una fotografía, describir un plato y una receta, y contar objetos bajo una condición indicada.
Proporciona la imagen y una pregunta que identifique el resultado necesario. Una tarea de recuento puede especificar qué objetos cumplen los criterios y cuáles deben excluirse. Una pregunta sobre una escena puede pedir qué características visibles respaldan una ubicación propuesta. Una fotografía de comida puede dar pie a describir el plato visible antes de sugerir una receta. Separar la observación de la conclusión facilita comprobar la respuesta.
Por ejemplo, proporciona una fotografía de una bandeja con objetos de distintas formas y pide el número de objetos rojos circulares, con una explicación breve de la regla de recuento. Incluye toda el área relevante en vez de un recorte que elimine objetos mencionados en la pregunta. Si parte de la imagen está oculta o poco clara, pide al modelo que indique qué puede distinguir antes de estimar el resto.
El ejemplo de ubicación del fabricante combina varias pistas de la fotografía de un estadio para inferir el recinto. Este flujo resulta útil para describir una escena o comparar una interpretación propuesta con la imagen. Pide primero las pistas visibles y después la inferencia que respaldan. Si la conclusión también depende de información externa a la fotografía, proporciónala como fuente separada en vez de esperar que la imagen por sí sola la demuestre.
El ejemplo de receta sigue el mismo patrón: interpretar el aspecto de la comida y después desarrollar una propuesta escrita. Acompaña la imagen con los ingredientes conocidos, los requisitos dietéticos o las restricciones de preparación. La fotografía puede orientar la propuesta, mientras que los hechos adicionales del usuario definen requisitos que el aspecto no permite establecer.
StepFun describe aprendizaje por refuerzo multimodal conjunto, con recompensas visuales verificables y abundantes datos multimodales sintéticos. Estos métodos se centran en razonar sobre pruebas escritas y visuales. Los ejemplos publicados tratan de razonamiento y comprensión; el artefacto devuelto es una explicación, un recuento o una receta propuesta en texto.
Para un flujo reutilizable, conserva juntos la pregunta, la imagen y el formato de respuesta requerido. Pide una lista compacta de observaciones seguida del resultado final, o define los campos necesarios para la aplicación. Contrasta los recuentos importantes y los detalles inferidos con la imagen original. Los ajustes de contexto y generación deben seguir el contrato de la interfaz seleccionada; la presentación del fabricante no especifica un techo universal de tokens de salida.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites step-r1-v-mini | 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 $0.00484 / 1K tokens Salida · Tokens de salida $0.022 / 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": "step-r1-v-mini", "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='step-r1-v-mini',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='step-r1-v-mini',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 step-r1-v-mini
Usa las rutas de método indicadas arriba.
step-r1-v-miniStep R1 V Mini interpreta imágenes y preguntas escritas para producir una respuesta de texto razonada. StepFun muestra ejemplos de pistas visuales de ubicación, reconocimiento de platos y recuento de objetos, por lo que resulta útil para preguntas que combinan detalles visibles con una tarea de razonamiento clara.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Step R1 V Mini es el modelo de razonamiento multimodal de StepFun, con entrada de imágenes y texto y salida de texto. Incorpora la percepción visual a una tarea de razonamiento escrito: identificar lo visible, relacionar los detalles relevantes y explicar una conclusión. Su fabricante muestra tres aplicaciones concretas: reconocer una ubicación a partir de una fotografía, describir un plato y una receta, y contar objetos bajo una condición indicada.
Proporciona la imagen y una pregunta que identifique el resultado necesario. Una tarea de recuento puede especificar qué objetos cumplen los criterios y cuáles deben excluirse. Una pregunta sobre una escena puede pedir qué características visibles respaldan una ubicación propuesta. Una fotografía de comida puede dar pie a describir el plato visible antes de sugerir una receta. Separar la observación de la conclusión facilita comprobar la respuesta.
Por ejemplo, proporciona una fotografía de una bandeja con objetos de distintas formas y pide el número de objetos rojos circulares, con una explicación breve de la regla de recuento. Incluye toda el área relevante en vez de un recorte que elimine objetos mencionados en la pregunta. Si parte de la imagen está oculta o poco clara, pide al modelo que indique qué puede distinguir antes de estimar el resto.
El ejemplo de ubicación del fabricante combina varias pistas de la fotografía de un estadio para inferir el recinto. Este flujo resulta útil para describir una escena o comparar una interpretación propuesta con la imagen. Pide primero las pistas visibles y después la inferencia que respaldan. Si la conclusión también depende de información externa a la fotografía, proporciónala como fuente separada en vez de esperar que la imagen por sí sola la demuestre.
El ejemplo de receta sigue el mismo patrón: interpretar el aspecto de la comida y después desarrollar una propuesta escrita. Acompaña la imagen con los ingredientes conocidos, los requisitos dietéticos o las restricciones de preparación. La fotografía puede orientar la propuesta, mientras que los hechos adicionales del usuario definen requisitos que el aspecto no permite establecer.
StepFun describe aprendizaje por refuerzo multimodal conjunto, con recompensas visuales verificables y abundantes datos multimodales sintéticos. Estos métodos se centran en razonar sobre pruebas escritas y visuales. Los ejemplos publicados tratan de razonamiento y comprensión; el artefacto devuelto es una explicación, un recuento o una receta propuesta en texto.
Para un flujo reutilizable, conserva juntos la pregunta, la imagen y el formato de respuesta requerido. Pide una lista compacta de observaciones seguida del resultado final, o define los campos necesarios para la aplicación. Contrasta los recuentos importantes y los detalles inferidos con la imagen original. Los ajustes de contexto y generación deben seguir el contrato de la interfaz seleccionada; la presentación del fabricante no especifica un techo universal de tokens de salida.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites step-r1-v-mini | 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 $0.00484 / 1K tokens Salida · Tokens de salida $0.022 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "step-r1-v-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'step-r1-v-mini', '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': 'step-r1-v-mini', '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 step-r1-v-mini
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Count objects under an explicit rule\n\nCount confirmed red circular objects from these recorded annotations: A is a red circle; B is a red square; C is a blue circle; D is a red shape partly hidden with its outline unknown. Return the confirmed count, included identifiers and ambiguous identifiers. Exclude known nonmatching objects and do not guess D’s shape.A compact count record with included, excluded and ambiguous identifiers and a one-sentence counting rule.Check that color and shape are both required and D remains ambiguous rather than counted as a circle.