Reka Edge est le modèle vision-langage compact de Reka AI pour les applications physiques et visuelles. L’édition 2603 publiée accepte des images ou de la vidéo avec un prompt écrit et génère du texte ; elle prend aussi en charge les questions purement textuelles. Ses principales tâches sont la compréhension de scènes, l’analyse vidéo, la détection d’objets et l’interaction orientée outils à partir d’entrées visuelles.
Le modèle associe un encodeur visuel de 657 millions de paramètres à une architecture de langage de 6,4 milliards de paramètres. Son encodeur visuel convolutif produit 64 tokens par tuile d’image. La configuration textuelle publiée fixe le nombre maximal de positions à 16 384, avec une mise à l’échelle de la longueur à partir d’une base de 8 192 positions. Ce sont des propriétés de la configuration du point de contrôle du producteur ; les entrées visuelles et la conversation doivent néanmoins tenir dans le contexte utilisé pour une tâche.
Pour répondre à des questions visuelles, fournissez l’image et interrogez le modèle sur un objet, une relation ou un événement concret. Un prompt d’inspection utile précise ce qu’il faut distinguer : la position de l’objet, un état visible ou un changement entre les images. Pour une vidéo, incluez la séquence et décrivez l’événement à trouver. Les exemples d’applications du fabricant couvrent les légendes de médias, la détection de logos, les moments forts et les métadonnées, ainsi que la robotique, les caméras de véhicules et l’assistance visuelle.
La détection d’objets possède un prompt propre au producteur : Detect: suivi de la description de l’objet. Cette description peut nommer une ou plusieurs cibles. Le résultat documenté associe les libellés des objets aux coordonnées de leurs boîtes englobantes, avec les marqueurs ref et bbox. Dans une application, conservez la relation entre chaque libellé et ses coordonnées pour que la zone détectée puisse être examinée ou affichée sur l’image originale.
Une tâche pratique de vérification de médias peut demander l’événement visible, les objets concernés et une légende concise pour une archive. Pour l’inspection d’une scène, définissez l’objet cible et la condition pertinente avant de demander une description. Séparez ce que le modèle a observé de l’action suivante choisie par une application. Le modèle fournit l’interprétation visuelle ou l’interaction d’outil proposée ; l’application qui l’entoure exécute les actions externes.
Reka publie des instructions de déploiement local du point de contrôle, avec des exemples pour les images, la vidéo, la détection et le texte seul. La fiche utilise le modèle de conversation et le marqueur de fin de tour propres au modèle. Elle désactive explicitement un mode de raisonnement distinct dans son exemple local : l’interprétation visuelle est une capacité, tandis qu’une étape de réflexion exposée est une autre fonctionnalité. Le modèle est conçu pour une utilisation en périphérie, sur site et dans le cloud ; le déploiement quantifié est une configuration distincte, et non une identité impliquée par le nom du modèle.
Pour l’évaluation locale, le producteur recommande de laisser une marge de mémoire pour la génération : sa fiche indique un minimum de 24 Go de mémoire pour un Mac, et d’au moins 24 Go de mémoire GPU plus 24 Go de mémoire système pour une installation PC. Il recommande 32 Go ou plus dans les catégories de mémoire respectives, avec environ 14 Go pour le modèle float16 sur Mac. Ces chiffres de déploiement décrivent l’installation locale publiée. Ils permettent de distinguer la taille compacte du modèle des ressources nécessaires à une application traitant des entrées visuelles.
", "aboutText": "Reka Edge est le modèle vision-langage compact de Reka AI pour les applications physiques et visuelles. L’édition 2603 publiée accepte des images ou de la vidéo avec un prompt écrit et génère du texte ; elle prend aussi en charge les questions purement textuelles. Ses principales tâches sont la compréhension de scènes, l’analyse vidéo, la détection d’objets et l’interaction orientée outils à partir d’entrées visuelles.\n\nLe modèle associe un encodeur visuel de 657 millions de paramètres à une architecture de langage de 6,4 milliards de paramètres. Son encodeur visuel convolutif produit 64 tokens par tuile d’image. La configuration textuelle publiée fixe le nombre maximal de positions à 16 384, avec une mise à l’échelle de la longueur à partir d’une base de 8 192 positions. Ce sont des propriétés de la configuration du point de contrôle du producteur ; les entrées visuelles et la conversation doivent néanmoins tenir dans le contexte utilisé pour une tâche.\n\nPour répondre à des questions visuelles, fournissez l’image et interrogez le modèle sur un objet, une relation ou un événement concret. Un prompt d’inspection utile précise ce qu’il faut distinguer : la position de l’objet, un état visible ou un changement entre les images. Pour une vidéo, incluez la séquence et décrivez l’événement à trouver. Les exemples d’applications du fabricant couvrent les légendes de médias, la détection de logos, les moments forts et les métadonnées, ainsi que la robotique, les caméras de véhicules et l’assistance visuelle.\n\nLa détection d’objets possède un prompt propre au producteur : Detect: suivi de la description de l’objet. Cette description peut nommer une ou plusieurs cibles. Le résultat documenté associe les libellés des objets aux coordonnées de leurs boîtes englobantes, avec les marqueurs ref et bbox. Dans une application, conservez la relation entre chaque libellé et ses coordonnées pour que la zone détectée puisse être examinée ou affichée sur l’image originale.\n\nUne tâche pratique de vérification de médias peut demander l’événement visible, les objets concernés et une légende concise pour une archive. Pour l’inspection d’une scène, définissez l’objet cible et la condition pertinente avant de demander une description. Séparez ce que le modèle a observé de l’action suivante choisie par une application. Le modèle fournit l’interprétation visuelle ou l’interaction d’outil proposée ; l’application qui l’entoure exécute les actions externes.\n\nReka publie des instructions de déploiement local du point de contrôle, avec des exemples pour les images, la vidéo, la détection et le texte seul. La fiche utilise le modèle de conversation et le marqueur de fin de tour propres au modèle. Elle désactive explicitement un mode de raisonnement distinct dans son exemple local : l’interprétation visuelle est une capacité, tandis qu’une étape de réflexion exposée est une autre fonctionnalité. Le modèle est conçu pour une utilisation en périphérie, sur site et dans le cloud ; le déploiement quantifié est une configuration distincte, et non une identité impliquée par le nom du modèle.\n\nPour l’évaluation locale, le producteur recommande de laisser une marge de mémoire pour la génération : sa fiche indique un minimum de 24 Go de mémoire pour un Mac, et d’au moins 24 Go de mémoire GPU plus 24 Go de mémoire système pour une installation PC. Il recommande 32 Go ou plus dans les catégories de mémoire respectives, avec environ 14 Go pour le modèle float16 sur Mac. Ces chiffres de déploiement décrivent l’installation locale publiée. Ils permettent de distinguer la taille compacte du modèle des ressources nécessaires à une application traitant des entrées visuelles.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Caption a described loading scene\n\nWrite a concise archive caption from this textual scene description: a worker stands beside a parked van; two sealed boxes are on a trolley; no loading movement is described. Include the objects and their relationship, and add a short uncertainty note about whether loading has begun. Do not infer motion from proximity.A neutral scene caption and a separate uncertainty note.Check that the caption distinguishes observed positions from an unobserved loading action.rekaai/reka-edgeReka Edge est un modèle vision-langage de 7 milliards de paramètres pour la compréhension des images et de la vidéo, la détection d’objets et les processus d’outils guidés par la vision. Il reçoit du contenu visuel et du texte, produit du texte et propose un format de prompt dédié à la détection.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Reka Edge est le modèle vision-langage compact de Reka AI pour les applications physiques et visuelles. L’édition 2603 publiée accepte des images ou de la vidéo avec un prompt écrit et génère du texte ; elle prend aussi en charge les questions purement textuelles. Ses principales tâches sont la compréhension de scènes, l’analyse vidéo, la détection d’objets et l’interaction orientée outils à partir d’entrées visuelles.
Le modèle associe un encodeur visuel de 657 millions de paramètres à une architecture de langage de 6,4 milliards de paramètres. Son encodeur visuel convolutif produit 64 tokens par tuile d’image. La configuration textuelle publiée fixe le nombre maximal de positions à 16 384, avec une mise à l’échelle de la longueur à partir d’une base de 8 192 positions. Ce sont des propriétés de la configuration du point de contrôle du producteur ; les entrées visuelles et la conversation doivent néanmoins tenir dans le contexte utilisé pour une tâche.
Pour répondre à des questions visuelles, fournissez l’image et interrogez le modèle sur un objet, une relation ou un événement concret. Un prompt d’inspection utile précise ce qu’il faut distinguer : la position de l’objet, un état visible ou un changement entre les images. Pour une vidéo, incluez la séquence et décrivez l’événement à trouver. Les exemples d’applications du fabricant couvrent les légendes de médias, la détection de logos, les moments forts et les métadonnées, ainsi que la robotique, les caméras de véhicules et l’assistance visuelle.
La détection d’objets possède un prompt propre au producteur : Detect: suivi de la description de l’objet. Cette description peut nommer une ou plusieurs cibles. Le résultat documenté associe les libellés des objets aux coordonnées de leurs boîtes englobantes, avec les marqueurs ref et bbox. Dans une application, conservez la relation entre chaque libellé et ses coordonnées pour que la zone détectée puisse être examinée ou affichée sur l’image originale.
Une tâche pratique de vérification de médias peut demander l’événement visible, les objets concernés et une légende concise pour une archive. Pour l’inspection d’une scène, définissez l’objet cible et la condition pertinente avant de demander une description. Séparez ce que le modèle a observé de l’action suivante choisie par une application. Le modèle fournit l’interprétation visuelle ou l’interaction d’outil proposée ; l’application qui l’entoure exécute les actions externes.
Reka publie des instructions de déploiement local du point de contrôle, avec des exemples pour les images, la vidéo, la détection et le texte seul. La fiche utilise le modèle de conversation et le marqueur de fin de tour propres au modèle. Elle désactive explicitement un mode de raisonnement distinct dans son exemple local : l’interprétation visuelle est une capacité, tandis qu’une étape de réflexion exposée est une autre fonctionnalité. Le modèle est conçu pour une utilisation en périphérie, sur site et dans le cloud ; le déploiement quantifié est une configuration distincte, et non une identité impliquée par le nom du modèle.
Pour l’évaluation locale, le producteur recommande de laisser une marge de mémoire pour la génération : sa fiche indique un minimum de 24 Go de mémoire pour un Mac, et d’au moins 24 Go de mémoire GPU plus 24 Go de mémoire système pour une installation PC. Il recommande 32 Go ou plus dans les catégories de mémoire respectives, avec environ 14 Go pour le modèle float16 sur Mac. Ces chiffres de déploiement décrivent l’installation locale publiée. Ils permettent de distinguer la taille compacte du modèle des ressources nécessaires à une application traitant des entrées visuelles.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites rekaai/reka-edge | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "rekaai/reka-edge", "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='rekaai/reka-edge',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='rekaai/reka-edge',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 rekaai/reka-edge
Utilisez les chemins de méthode indiqués ci-dessus.
rekaai/reka-edgeReka Edge est un modèle vision-langage de 7 milliards de paramètres pour la compréhension des images et de la vidéo, la détection d’objets et les processus d’outils guidés par la vision. Il reçoit du contenu visuel et du texte, produit du texte et propose un format de prompt dédié à la détection.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Reka Edge est le modèle vision-langage compact de Reka AI pour les applications physiques et visuelles. L’édition 2603 publiée accepte des images ou de la vidéo avec un prompt écrit et génère du texte ; elle prend aussi en charge les questions purement textuelles. Ses principales tâches sont la compréhension de scènes, l’analyse vidéo, la détection d’objets et l’interaction orientée outils à partir d’entrées visuelles.
Le modèle associe un encodeur visuel de 657 millions de paramètres à une architecture de langage de 6,4 milliards de paramètres. Son encodeur visuel convolutif produit 64 tokens par tuile d’image. La configuration textuelle publiée fixe le nombre maximal de positions à 16 384, avec une mise à l’échelle de la longueur à partir d’une base de 8 192 positions. Ce sont des propriétés de la configuration du point de contrôle du producteur ; les entrées visuelles et la conversation doivent néanmoins tenir dans le contexte utilisé pour une tâche.
Pour répondre à des questions visuelles, fournissez l’image et interrogez le modèle sur un objet, une relation ou un événement concret. Un prompt d’inspection utile précise ce qu’il faut distinguer : la position de l’objet, un état visible ou un changement entre les images. Pour une vidéo, incluez la séquence et décrivez l’événement à trouver. Les exemples d’applications du fabricant couvrent les légendes de médias, la détection de logos, les moments forts et les métadonnées, ainsi que la robotique, les caméras de véhicules et l’assistance visuelle.
La détection d’objets possède un prompt propre au producteur : Detect: suivi de la description de l’objet. Cette description peut nommer une ou plusieurs cibles. Le résultat documenté associe les libellés des objets aux coordonnées de leurs boîtes englobantes, avec les marqueurs ref et bbox. Dans une application, conservez la relation entre chaque libellé et ses coordonnées pour que la zone détectée puisse être examinée ou affichée sur l’image originale.
Une tâche pratique de vérification de médias peut demander l’événement visible, les objets concernés et une légende concise pour une archive. Pour l’inspection d’une scène, définissez l’objet cible et la condition pertinente avant de demander une description. Séparez ce que le modèle a observé de l’action suivante choisie par une application. Le modèle fournit l’interprétation visuelle ou l’interaction d’outil proposée ; l’application qui l’entoure exécute les actions externes.
Reka publie des instructions de déploiement local du point de contrôle, avec des exemples pour les images, la vidéo, la détection et le texte seul. La fiche utilise le modèle de conversation et le marqueur de fin de tour propres au modèle. Elle désactive explicitement un mode de raisonnement distinct dans son exemple local : l’interprétation visuelle est une capacité, tandis qu’une étape de réflexion exposée est une autre fonctionnalité. Le modèle est conçu pour une utilisation en périphérie, sur site et dans le cloud ; le déploiement quantifié est une configuration distincte, et non une identité impliquée par le nom du modèle.
Pour l’évaluation locale, le producteur recommande de laisser une marge de mémoire pour la génération : sa fiche indique un minimum de 24 Go de mémoire pour un Mac, et d’au moins 24 Go de mémoire GPU plus 24 Go de mémoire système pour une installation PC. Il recommande 32 Go ou plus dans les catégories de mémoire respectives, avec environ 14 Go pour le modèle float16 sur Mac. Ces chiffres de déploiement décrivent l’installation locale publiée. Ils permettent de distinguer la taille compacte du modèle des ressources nécessaires à une application traitant des entrées visuelles.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites rekaai/reka-edge | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "rekaai/reka-edge",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'rekaai/reka-edge', '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': 'rekaai/reka-edge', '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 rekaai/reka-edge
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Caption a described loading scene\n\nWrite a concise archive caption from this textual scene description: a worker stands beside a parked van; two sealed boxes are on a trolley; no loading movement is described. Include the objects and their relationship, and add a short uncertainty note about whether loading has begun. Do not infer motion from proximity.A neutral scene caption and a separate uncertainty note.Check that the caption distinguishes observed positions from an unobserved loading action.