Reka Edge הוא מודל השפה והראייה הקומפקטי של Reka AI ליישומים פיזיים וחזותיים. מהדורת 2603 שפורסמה מקבלת תמונות או וידאו עם הנחיה כתובה ומפיקה טקסט; היא תומכת גם בשאלות טקסט בלבד. משימותיה העיקריות הן הבנת סצנות, ניתוח וידאו, זיהוי אובייקטים ואינטראקציה מוכוונת כלים הנשענת על קלט חזותי.
המודל משלב מקודד ראייה בעל 657 מיליון פרמטרים עם בסיס שפה בעל 6.4 מיליארד פרמטרים. המקודד החזותי הקונבולוציוני שלו מפיק 64 טוקנים לכל אריח תמונה. תצורת הטקסט שפורסמה מגדירה מספר מיקומים מרבי של 16,384, עם הרחבת אורך מבסיס של 8192 מיקומים. אלה מאפיינים של תצורת גרסת המודל של היצרנית; הקלטים החזותיים והשיחה עדיין צריכים להתאים להקשר שבו משתמשים למשימה.
למענה על שאלות חזותיות, ספקו את התמונה ושאלו על אובייקט, קשר או אירוע מוחשיים. הנחיית בדיקה מועילה מגדירה במה צריך להבחין: מיקום הפריט, מצב נראה לעין או שינוי בין פריימים. בווידאו, כללו את הרצף ותארו את האירוע שיש למצוא. דוגמאות היישום של היצרנית כוללות כיתובי מדיה, זיהוי לוגואים, קטעים בולטים ומטא־נתונים, וכן רובוטיקה, מצלמות רכב וסיוע חזותי.
לזיהוי אובייקטים יש הנחיה מסוימת של היצרנית: Detect: ולאחריו תיאור האובייקט. התיאור יכול לציין יעד אחד או כמה יעדים. התוצאה המתועדת מקשרת תוויות אובייקטים לקואורדינטות של תיבות תוחמות, באמצעות הסמנים ref ו־bbox. ביישום, שמרו על הקשר בין כל תווית לקואורדינטות שלה, כדי שאפשר יהיה לבדוק את האזור שזוהה או להציגו על התמונה המקורית.
משימה מעשית לבדיקת מדיה יכולה לבקש את האירוע הנראה, את האובייקטים המעורבים וכיתוב תמציתי לארכיון. לבדיקת סצנה, הגדירו את אובייקט היעד ואת התנאי הרלוונטי לפני בקשת התיאור. הבדילו בין מה שהמודל צפה בו לבין הפעולה הבאה שהיישום בוחר לבצע. המודל מספק פרשנות חזותית או אינטראקציה מוצעת עם כלי; היישום המארח מבצע פעולות חיצוניות.
Reka מפרסמת הוראות לפריסה מקומית של גרסת המודל, ובהן דוגמאות לתמונות, לווידאו, לזיהוי ולטקסט בלבד. כרטיס המודל משתמש בתבנית השיחה ובסמן סוף התור של המודל עצמו. הדוגמה המקומית מכבה במפורש מצב הסקה נפרד: פרשנות חזותית היא יכולת, ואילו שלב חשיבה חשוף הוא תכונה אחרת. המודל מיועד לשימוש בקצה, בתשתית מקומית ובענן; פריסה מכומתת היא תצורה נפרדת, ולא זהות המשתמעת משם המודל.
להערכה מקומית, היצרנית ממליצה להשאיר מרווח זיכרון ליצירה: הכרטיס מציין מינימום של 24 GB זיכרון ב־Mac, ולפחות 24 GB זיכרון GPU לצד 24 GB זיכרון מערכת בתצורת PC. היא ממליצה על 32 GB ומעלה בקטגוריות הזיכרון המתאימות, ומציינת כ־14 GB למודל float16 ב־Mac. נתוני הפריסה האלה מתארים את התצורה המקומית שפורסמה. הם מסייעים להבחין בין גודלו הקומפקטי של המודל לבין המשאבים הנדרשים ליישום המטפל בקלטים חזותיים.
", "aboutText": "Reka Edge הוא מודל השפה והראייה הקומפקטי של Reka AI ליישומים פיזיים וחזותיים. מהדורת 2603 שפורסמה מקבלת תמונות או וידאו עם הנחיה כתובה ומפיקה טקסט; היא תומכת גם בשאלות טקסט בלבד. משימותיה העיקריות הן הבנת סצנות, ניתוח וידאו, זיהוי אובייקטים ואינטראקציה מוכוונת כלים הנשענת על קלט חזותי.\n\nהמודל משלב מקודד ראייה בעל 657 מיליון פרמטרים עם בסיס שפה בעל 6.4 מיליארד פרמטרים. המקודד החזותי הקונבולוציוני שלו מפיק 64 טוקנים לכל אריח תמונה. תצורת הטקסט שפורסמה מגדירה מספר מיקומים מרבי של 16,384, עם הרחבת אורך מבסיס של 8192 מיקומים. אלה מאפיינים של תצורת גרסת המודל של היצרנית; הקלטים החזותיים והשיחה עדיין צריכים להתאים להקשר שבו משתמשים למשימה.\n\nלמענה על שאלות חזותיות, ספקו את התמונה ושאלו על אובייקט, קשר או אירוע מוחשיים. הנחיית בדיקה מועילה מגדירה במה צריך להבחין: מיקום הפריט, מצב נראה לעין או שינוי בין פריימים. בווידאו, כללו את הרצף ותארו את האירוע שיש למצוא. דוגמאות היישום של היצרנית כוללות כיתובי מדיה, זיהוי לוגואים, קטעים בולטים ומטא־נתונים, וכן רובוטיקה, מצלמות רכב וסיוע חזותי.\n\nלזיהוי אובייקטים יש הנחיה מסוימת של היצרנית: Detect: ולאחריו תיאור האובייקט. התיאור יכול לציין יעד אחד או כמה יעדים. התוצאה המתועדת מקשרת תוויות אובייקטים לקואורדינטות של תיבות תוחמות, באמצעות הסמנים ref ו־bbox. ביישום, שמרו על הקשר בין כל תווית לקואורדינטות שלה, כדי שאפשר יהיה לבדוק את האזור שזוהה או להציגו על התמונה המקורית.\n\nמשימה מעשית לבדיקת מדיה יכולה לבקש את האירוע הנראה, את האובייקטים המעורבים וכיתוב תמציתי לארכיון. לבדיקת סצנה, הגדירו את אובייקט היעד ואת התנאי הרלוונטי לפני בקשת התיאור. הבדילו בין מה שהמודל צפה בו לבין הפעולה הבאה שהיישום בוחר לבצע. המודל מספק פרשנות חזותית או אינטראקציה מוצעת עם כלי; היישום המארח מבצע פעולות חיצוניות.\n\nReka מפרסמת הוראות לפריסה מקומית של גרסת המודל, ובהן דוגמאות לתמונות, לווידאו, לזיהוי ולטקסט בלבד. כרטיס המודל משתמש בתבנית השיחה ובסמן סוף התור של המודל עצמו. הדוגמה המקומית מכבה במפורש מצב הסקה נפרד: פרשנות חזותית היא יכולת, ואילו שלב חשיבה חשוף הוא תכונה אחרת. המודל מיועד לשימוש בקצה, בתשתית מקומית ובענן; פריסה מכומתת היא תצורה נפרדת, ולא זהות המשתמעת משם המודל.\n\nלהערכה מקומית, היצרנית ממליצה להשאיר מרווח זיכרון ליצירה: הכרטיס מציין מינימום של 24 GB זיכרון ב־Mac, ולפחות 24 GB זיכרון GPU לצד 24 GB זיכרון מערכת בתצורת PC. היא ממליצה על 32 GB ומעלה בקטגוריות הזיכרון המתאימות, ומציינת כ־14 GB למודל float16 ב־Mac. נתוני הפריסה האלה מתארים את התצורה המקומית שפורסמה. הם מסייעים להבחין בין גודלו הקומפקטי של המודל לבין המשאבים הנדרשים ליישום המטפל בקלטים חזותיים.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
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 הוא מודל שפה וראייה בגודל 7B להבנת תמונות ווידאו, לזיהוי אובייקטים ולתהליכי עבודה עם כלים בהכוונה חזותית. הוא מקבל חומר חזותי וטקסט, מפיק טקסט ומספק פורמט הנחיה ייעודי לזיהוי.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Reka Edge הוא מודל השפה והראייה הקומפקטי של Reka AI ליישומים פיזיים וחזותיים. מהדורת 2603 שפורסמה מקבלת תמונות או וידאו עם הנחיה כתובה ומפיקה טקסט; היא תומכת גם בשאלות טקסט בלבד. משימותיה העיקריות הן הבנת סצנות, ניתוח וידאו, זיהוי אובייקטים ואינטראקציה מוכוונת כלים הנשענת על קלט חזותי.
המודל משלב מקודד ראייה בעל 657 מיליון פרמטרים עם בסיס שפה בעל 6.4 מיליארד פרמטרים. המקודד החזותי הקונבולוציוני שלו מפיק 64 טוקנים לכל אריח תמונה. תצורת הטקסט שפורסמה מגדירה מספר מיקומים מרבי של 16,384, עם הרחבת אורך מבסיס של 8192 מיקומים. אלה מאפיינים של תצורת גרסת המודל של היצרנית; הקלטים החזותיים והשיחה עדיין צריכים להתאים להקשר שבו משתמשים למשימה.
למענה על שאלות חזותיות, ספקו את התמונה ושאלו על אובייקט, קשר או אירוע מוחשיים. הנחיית בדיקה מועילה מגדירה במה צריך להבחין: מיקום הפריט, מצב נראה לעין או שינוי בין פריימים. בווידאו, כללו את הרצף ותארו את האירוע שיש למצוא. דוגמאות היישום של היצרנית כוללות כיתובי מדיה, זיהוי לוגואים, קטעים בולטים ומטא־נתונים, וכן רובוטיקה, מצלמות רכב וסיוע חזותי.
לזיהוי אובייקטים יש הנחיה מסוימת של היצרנית: Detect: ולאחריו תיאור האובייקט. התיאור יכול לציין יעד אחד או כמה יעדים. התוצאה המתועדת מקשרת תוויות אובייקטים לקואורדינטות של תיבות תוחמות, באמצעות הסמנים ref ו־bbox. ביישום, שמרו על הקשר בין כל תווית לקואורדינטות שלה, כדי שאפשר יהיה לבדוק את האזור שזוהה או להציגו על התמונה המקורית.
משימה מעשית לבדיקת מדיה יכולה לבקש את האירוע הנראה, את האובייקטים המעורבים וכיתוב תמציתי לארכיון. לבדיקת סצנה, הגדירו את אובייקט היעד ואת התנאי הרלוונטי לפני בקשת התיאור. הבדילו בין מה שהמודל צפה בו לבין הפעולה הבאה שהיישום בוחר לבצע. המודל מספק פרשנות חזותית או אינטראקציה מוצעת עם כלי; היישום המארח מבצע פעולות חיצוניות.
Reka מפרסמת הוראות לפריסה מקומית של גרסת המודל, ובהן דוגמאות לתמונות, לווידאו, לזיהוי ולטקסט בלבד. כרטיס המודל משתמש בתבנית השיחה ובסמן סוף התור של המודל עצמו. הדוגמה המקומית מכבה במפורש מצב הסקה נפרד: פרשנות חזותית היא יכולת, ואילו שלב חשיבה חשוף הוא תכונה אחרת. המודל מיועד לשימוש בקצה, בתשתית מקומית ובענן; פריסה מכומתת היא תצורה נפרדת, ולא זהות המשתמעת משם המודל.
להערכה מקומית, היצרנית ממליצה להשאיר מרווח זיכרון ליצירה: הכרטיס מציין מינימום של 24 GB זיכרון ב־Mac, ולפחות 24 GB זיכרון GPU לצד 24 GB זיכרון מערכת בתצורת PC. היא ממליצה על 32 GB ומעלה בקטגוריות הזיכרון המתאימות, ומציינת כ־14 GB למודל float16 ב־Mac. נתוני הפריסה האלה מתארים את התצורה המקומית שפורסמה. הם מסייעים להבחין בין גודלו הקומפקטי של המודל לבין המשאבים הנדרשים ליישום המטפל בקלטים חזותיים.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות rekaai/reka-edge | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0002 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0002 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra rekaai/reka-edge
השתמשו בנתיבי השיטות המוצגים למעלה.
rekaai/reka-edgeReka Edge הוא מודל שפה וראייה בגודל 7B להבנת תמונות ווידאו, לזיהוי אובייקטים ולתהליכי עבודה עם כלים בהכוונה חזותית. הוא מקבל חומר חזותי וטקסט, מפיק טקסט ומספק פורמט הנחיה ייעודי לזיהוי.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Reka Edge הוא מודל השפה והראייה הקומפקטי של Reka AI ליישומים פיזיים וחזותיים. מהדורת 2603 שפורסמה מקבלת תמונות או וידאו עם הנחיה כתובה ומפיקה טקסט; היא תומכת גם בשאלות טקסט בלבד. משימותיה העיקריות הן הבנת סצנות, ניתוח וידאו, זיהוי אובייקטים ואינטראקציה מוכוונת כלים הנשענת על קלט חזותי.
המודל משלב מקודד ראייה בעל 657 מיליון פרמטרים עם בסיס שפה בעל 6.4 מיליארד פרמטרים. המקודד החזותי הקונבולוציוני שלו מפיק 64 טוקנים לכל אריח תמונה. תצורת הטקסט שפורסמה מגדירה מספר מיקומים מרבי של 16,384, עם הרחבת אורך מבסיס של 8192 מיקומים. אלה מאפיינים של תצורת גרסת המודל של היצרנית; הקלטים החזותיים והשיחה עדיין צריכים להתאים להקשר שבו משתמשים למשימה.
למענה על שאלות חזותיות, ספקו את התמונה ושאלו על אובייקט, קשר או אירוע מוחשיים. הנחיית בדיקה מועילה מגדירה במה צריך להבחין: מיקום הפריט, מצב נראה לעין או שינוי בין פריימים. בווידאו, כללו את הרצף ותארו את האירוע שיש למצוא. דוגמאות היישום של היצרנית כוללות כיתובי מדיה, זיהוי לוגואים, קטעים בולטים ומטא־נתונים, וכן רובוטיקה, מצלמות רכב וסיוע חזותי.
לזיהוי אובייקטים יש הנחיה מסוימת של היצרנית: Detect: ולאחריו תיאור האובייקט. התיאור יכול לציין יעד אחד או כמה יעדים. התוצאה המתועדת מקשרת תוויות אובייקטים לקואורדינטות של תיבות תוחמות, באמצעות הסמנים ref ו־bbox. ביישום, שמרו על הקשר בין כל תווית לקואורדינטות שלה, כדי שאפשר יהיה לבדוק את האזור שזוהה או להציגו על התמונה המקורית.
משימה מעשית לבדיקת מדיה יכולה לבקש את האירוע הנראה, את האובייקטים המעורבים וכיתוב תמציתי לארכיון. לבדיקת סצנה, הגדירו את אובייקט היעד ואת התנאי הרלוונטי לפני בקשת התיאור. הבדילו בין מה שהמודל צפה בו לבין הפעולה הבאה שהיישום בוחר לבצע. המודל מספק פרשנות חזותית או אינטראקציה מוצעת עם כלי; היישום המארח מבצע פעולות חיצוניות.
Reka מפרסמת הוראות לפריסה מקומית של גרסת המודל, ובהן דוגמאות לתמונות, לווידאו, לזיהוי ולטקסט בלבד. כרטיס המודל משתמש בתבנית השיחה ובסמן סוף התור של המודל עצמו. הדוגמה המקומית מכבה במפורש מצב הסקה נפרד: פרשנות חזותית היא יכולת, ואילו שלב חשיבה חשוף הוא תכונה אחרת. המודל מיועד לשימוש בקצה, בתשתית מקומית ובענן; פריסה מכומתת היא תצורה נפרדת, ולא זהות המשתמעת משם המודל.
להערכה מקומית, היצרנית ממליצה להשאיר מרווח זיכרון ליצירה: הכרטיס מציין מינימום של 24 GB זיכרון ב־Mac, ולפחות 24 GB זיכרון GPU לצד 24 GB זיכרון מערכת בתצורת PC. היא ממליצה על 32 GB ומעלה בקטגוריות הזיכרון המתאימות, ומציינת כ־14 GB למודל float16 ב־Mac. נתוני הפריסה האלה מתארים את התצורה המקומית שפורסמה. הם מסייעים להבחין בין גודלו הקומפקטי של המודל לבין המשאבים הנדרשים ליישום המטפל בקלטים חזותיים.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות rekaai/reka-edge | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0002 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0002 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "rekaai/reka-edge",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra rekaai/reka-edge
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
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.