Step R1 V Mini est le modèle de raisonnement multimodal de StepFun pour des entrées textuelles et visuelles avec une sortie textuelle. Il introduit la perception visuelle dans une tâche de raisonnement écrite : identifier ce qui est visible, relier les détails pertinents et expliquer une conclusion. Son fabricant montre trois applications concrètes : reconnaître un lieu à partir d’une photographie, décrire un plat et une recette, et compter des objets selon une condition donnée.
Fournissez l’image et une question identifiant le résultat dont vous avez besoin. Une tâche de comptage peut préciser quels objets remplissent les critères et lesquels doivent être exclus. Une question sur une scène peut demander quels éléments visibles étayent un lieu proposé. Une photographie de nourriture peut susciter une description du plat visible avant une suggestion de recette. Séparer l’observation de la conclusion facilite la vérification de la réponse.
Par exemple, fournissez la photographie d’un plateau d’objets de différentes formes et demandez le nombre d’objets rouges circulaires, avec une courte explication de la règle de comptage. Incluez toute la zone pertinente plutôt qu’un recadrage supprimant des objets mentionnés dans la question. Si une partie de l’image est cachée ou peu claire, demandez au modèle d’indiquer ce qu’il peut distinguer avant d’estimer le reste.
L’exemple de localisation du fabricant combine plusieurs indices dans la photographie d’un stade pour en déduire le lieu. Ce workflow est utile pour décrire une scène ou comparer une interprétation proposée à l’image. Demandez d’abord les indices visibles, puis la déduction qu’ils étayent. Si une conclusion dépend aussi d’informations extérieures à la photographie, fournissez-les comme source distincte plutôt que d’attendre que l’image seule les établisse.
L’exemple de recette suit la même démarche : interpréter l’apparence de la nourriture, puis élaborer une proposition écrite. Joignez à l’image les ingrédients connus, exigences alimentaires ou contraintes de préparation. Une photographie peut guider la proposition, tandis que les faits supplémentaires de l’utilisateur définissent des exigences que l’apparence ne permet pas d’établir.
StepFun décrit un apprentissage par renforcement multimodal conjoint avec des récompenses visuelles vérifiables et de nombreuses données multimodales synthétiques. Ces méthodes visent le raisonnement à partir de preuves écrites et visuelles. Les exemples publiés portent sur le raisonnement et la compréhension ; le livrable renvoyé est une explication, un décompte ou une proposition de recette sous forme de texte.
Pour un workflow réutilisable, conservez ensemble la question, l’image et le format de réponse requis. Demandez une liste compacte d’observations suivie du résultat final, ou définissez les champs nécessaires à l’application. Vérifiez les décomptes importants et les détails déduits par rapport à l’image source. Les réglages de contexte et de génération doivent suivre le contrat propre à l’interface sélectionnée ; la présentation du fabricant ne précise pas de plafond universel de tokens en sortie.
", "aboutText": "Step R1 V Mini est le modèle de raisonnement multimodal de StepFun pour des entrées textuelles et visuelles avec une sortie textuelle. Il introduit la perception visuelle dans une tâche de raisonnement écrite : identifier ce qui est visible, relier les détails pertinents et expliquer une conclusion. Son fabricant montre trois applications concrètes : reconnaître un lieu à partir d’une photographie, décrire un plat et une recette, et compter des objets selon une condition donnée.\n\n### Poser une question sur les preuves visibles\n\nFournissez l’image et une question identifiant le résultat dont vous avez besoin. Une tâche de comptage peut préciser quels objets remplissent les critères et lesquels doivent être exclus. Une question sur une scène peut demander quels éléments visibles étayent un lieu proposé. Une photographie de nourriture peut susciter une description du plat visible avant une suggestion de recette. Séparer l’observation de la conclusion facilite la vérification de la réponse.\n\nPar exemple, fournissez la photographie d’un plateau d’objets de différentes formes et demandez le nombre d’objets rouges circulaires, avec une courte explication de la règle de comptage. Incluez toute la zone pertinente plutôt qu’un recadrage supprimant des objets mentionnés dans la question. Si une partie de l’image est cachée ou peu claire, demandez au modèle d’indiquer ce qu’il peut distinguer avant d’estimer le reste.\n\n### Utiliser les indices visuels pour une explication raisonnée\n\nL’exemple de localisation du fabricant combine plusieurs indices dans la photographie d’un stade pour en déduire le lieu. Ce workflow est utile pour décrire une scène ou comparer une interprétation proposée à l’image. Demandez d’abord les indices visibles, puis la déduction qu’ils étayent. Si une conclusion dépend aussi d’informations extérieures à la photographie, fournissez-les comme source distincte plutôt que d’attendre que l’image seule les établisse.\n\nL’exemple de recette suit la même démarche : interpréter l’apparence de la nourriture, puis élaborer une proposition écrite. Joignez à l’image les ingrédients connus, exigences alimentaires ou contraintes de préparation. Une photographie peut guider la proposition, tandis que les faits supplémentaires de l’utilisateur définissent des exigences que l’apparence ne permet pas d’établir.\n\n### Entraînement et préparation de la tâche\n\nStepFun décrit un apprentissage par renforcement multimodal conjoint avec des récompenses visuelles vérifiables et de nombreuses données multimodales synthétiques. Ces méthodes visent le raisonnement à partir de preuves écrites et visuelles. Les exemples publiés portent sur le raisonnement et la compréhension ; le livrable renvoyé est une explication, un décompte ou une proposition de recette sous forme de texte.\n\nPour un workflow réutilisable, conservez ensemble la question, l’image et le format de réponse requis. Demandez une liste compacte d’observations suivie du résultat final, ou définissez les champs nécessaires à l’application. Vérifiez les décomptes importants et les détails déduits par rapport à l’image source. Les réglages de contexte et de génération doivent suivre le contrat propre à l’interface sélectionnée ; la présentation du fabricant ne précise pas de plafond universel de tokens en sortie.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 interprète des images et des questions écrites pour produire une réponse textuelle raisonnée. StepFun en montre l’utilisation pour les indices visuels de localisation, la reconnaissance de plats et le comptage d’objets, ce qui le rend utile aux questions associant détails visibles et tâche de raisonnement claire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Step R1 V Mini est le modèle de raisonnement multimodal de StepFun pour des entrées textuelles et visuelles avec une sortie textuelle. Il introduit la perception visuelle dans une tâche de raisonnement écrite : identifier ce qui est visible, relier les détails pertinents et expliquer une conclusion. Son fabricant montre trois applications concrètes : reconnaître un lieu à partir d’une photographie, décrire un plat et une recette, et compter des objets selon une condition donnée.
Fournissez l’image et une question identifiant le résultat dont vous avez besoin. Une tâche de comptage peut préciser quels objets remplissent les critères et lesquels doivent être exclus. Une question sur une scène peut demander quels éléments visibles étayent un lieu proposé. Une photographie de nourriture peut susciter une description du plat visible avant une suggestion de recette. Séparer l’observation de la conclusion facilite la vérification de la réponse.
Par exemple, fournissez la photographie d’un plateau d’objets de différentes formes et demandez le nombre d’objets rouges circulaires, avec une courte explication de la règle de comptage. Incluez toute la zone pertinente plutôt qu’un recadrage supprimant des objets mentionnés dans la question. Si une partie de l’image est cachée ou peu claire, demandez au modèle d’indiquer ce qu’il peut distinguer avant d’estimer le reste.
L’exemple de localisation du fabricant combine plusieurs indices dans la photographie d’un stade pour en déduire le lieu. Ce workflow est utile pour décrire une scène ou comparer une interprétation proposée à l’image. Demandez d’abord les indices visibles, puis la déduction qu’ils étayent. Si une conclusion dépend aussi d’informations extérieures à la photographie, fournissez-les comme source distincte plutôt que d’attendre que l’image seule les établisse.
L’exemple de recette suit la même démarche : interpréter l’apparence de la nourriture, puis élaborer une proposition écrite. Joignez à l’image les ingrédients connus, exigences alimentaires ou contraintes de préparation. Une photographie peut guider la proposition, tandis que les faits supplémentaires de l’utilisateur définissent des exigences que l’apparence ne permet pas d’établir.
StepFun décrit un apprentissage par renforcement multimodal conjoint avec des récompenses visuelles vérifiables et de nombreuses données multimodales synthétiques. Ces méthodes visent le raisonnement à partir de preuves écrites et visuelles. Les exemples publiés portent sur le raisonnement et la compréhension ; le livrable renvoyé est une explication, un décompte ou une proposition de recette sous forme de texte.
Pour un workflow réutilisable, conservez ensemble la question, l’image et le format de réponse requis. Demandez une liste compacte d’observations suivie du résultat final, ou définissez les champs nécessaires à l’application. Vérifiez les décomptes importants et les détails déduits par rapport à l’image source. Les réglages de contexte et de génération doivent suivre le contrat propre à l’interface sélectionnée ; la présentation du fabricant ne précise pas de plafond universel de tokens en sortie.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites step-r1-v-mini | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00484 / 1K tokens Sortie · Tokens en sortie $0.022 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra step-r1-v-mini
Utilisez les chemins de méthode indiqués ci-dessus.
step-r1-v-miniStep R1 V Mini interprète des images et des questions écrites pour produire une réponse textuelle raisonnée. StepFun en montre l’utilisation pour les indices visuels de localisation, la reconnaissance de plats et le comptage d’objets, ce qui le rend utile aux questions associant détails visibles et tâche de raisonnement claire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Step R1 V Mini est le modèle de raisonnement multimodal de StepFun pour des entrées textuelles et visuelles avec une sortie textuelle. Il introduit la perception visuelle dans une tâche de raisonnement écrite : identifier ce qui est visible, relier les détails pertinents et expliquer une conclusion. Son fabricant montre trois applications concrètes : reconnaître un lieu à partir d’une photographie, décrire un plat et une recette, et compter des objets selon une condition donnée.
Fournissez l’image et une question identifiant le résultat dont vous avez besoin. Une tâche de comptage peut préciser quels objets remplissent les critères et lesquels doivent être exclus. Une question sur une scène peut demander quels éléments visibles étayent un lieu proposé. Une photographie de nourriture peut susciter une description du plat visible avant une suggestion de recette. Séparer l’observation de la conclusion facilite la vérification de la réponse.
Par exemple, fournissez la photographie d’un plateau d’objets de différentes formes et demandez le nombre d’objets rouges circulaires, avec une courte explication de la règle de comptage. Incluez toute la zone pertinente plutôt qu’un recadrage supprimant des objets mentionnés dans la question. Si une partie de l’image est cachée ou peu claire, demandez au modèle d’indiquer ce qu’il peut distinguer avant d’estimer le reste.
L’exemple de localisation du fabricant combine plusieurs indices dans la photographie d’un stade pour en déduire le lieu. Ce workflow est utile pour décrire une scène ou comparer une interprétation proposée à l’image. Demandez d’abord les indices visibles, puis la déduction qu’ils étayent. Si une conclusion dépend aussi d’informations extérieures à la photographie, fournissez-les comme source distincte plutôt que d’attendre que l’image seule les établisse.
L’exemple de recette suit la même démarche : interpréter l’apparence de la nourriture, puis élaborer une proposition écrite. Joignez à l’image les ingrédients connus, exigences alimentaires ou contraintes de préparation. Une photographie peut guider la proposition, tandis que les faits supplémentaires de l’utilisateur définissent des exigences que l’apparence ne permet pas d’établir.
StepFun décrit un apprentissage par renforcement multimodal conjoint avec des récompenses visuelles vérifiables et de nombreuses données multimodales synthétiques. Ces méthodes visent le raisonnement à partir de preuves écrites et visuelles. Les exemples publiés portent sur le raisonnement et la compréhension ; le livrable renvoyé est une explication, un décompte ou une proposition de recette sous forme de texte.
Pour un workflow réutilisable, conservez ensemble la question, l’image et le format de réponse requis. Demandez une liste compacte d’observations suivie du résultat final, ou définissez les champs nécessaires à l’application. Vérifiez les décomptes importants et les détails déduits par rapport à l’image source. Les réglages de contexte et de génération doivent suivre le contrat propre à l’interface sélectionnée ; la présentation du fabricant ne précise pas de plafond universel de tokens en sortie.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites step-r1-v-mini | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00484 / 1K tokens Sortie · Tokens en sortie $0.022 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "step-r1-v-mini",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra step-r1-v-mini
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.