A Doubao 1.5 Thinking Vision Pro 250428 a ByteDance által a Seed1.5-VL-hez megadott pontos hosztolt identitás. Általános multimodális értelmezéshez és következtetéshez készült képi-nyelvi modell. A gyártó által leírt képességek között OCR, ábraértelmezés, vizuális lokalizálás, 3D térbeli értelmezés, videóértelmezés és vizuális következtetés szerepel. E feladatok vizuális anyagra és írott kérdésre alapozott értelmezéseket és döntéseket adnak vissza.
Adja meg a képet, és azonosítsa a kinyerendő vagy magyarázandó információt. Dokumentumképnél nevezze meg a fontos szöveget vagy mezőket. Ábránál konkrét feliratokról és kapcsolatokról kérdezzen. Vizuális rejtvénynél adja meg a kérdést, és kérjen a releváns jelekkel alátámasztott következtetést.
A kért eredménytermék maradjon világos: átírt szöveg, kapcsolat leírása vagy válasz magyarázata. Ha a kép nem egyértelmű feliratot vagy takart részleteket tartalmaz, kérje, hogy a válasz azonosítsa a bizonytalanságot. Az eredeti képet őrizze meg az eredménnyel együtt, hogy a kinyert szavak és értelmezett kapcsolatok ellenőrizhetők legyenek.
A vizuális lokalizálás írott hivatkozást kapcsol a képen szereplő releváns tárgyhoz vagy régióhoz. Hasznos feladat megnevezheti a tárgyat, elmagyarázhatja a közeli tárgyaktól való eltérését, és kérheti az alkalmazás által elvárt helyinformációt. Az alkalmazás kimeneti formátumának kell meghatároznia, hogyan jelenjen meg az ilyen hely.
Térbeli értelmezéshez írja le, mely kapcsolatok számítanak: relatív helyzet, tájolás vagy a tárgyak elrendezése a jelenetben. A végső értelmezés előtt kérje a látható bizonyítékot. Tartsa meg a különbséget a kép megfigyelhető jellemzői és a kikövetkeztetett háromdimenziós kapcsolat között.
A gyártó videóértelmezést is felsorol, és külön videós receptgyűjteményt ad. A videós kérdés nevezze meg az érdekes eseményt, tárgyat vagy eseménysort és az előállítandó eredményt. Használjon időbeli hivatkozásokat a kérdésben, és eseménysor ellenőrzésekor őrizze meg a forrásklipet a válasszal együtt.
Interaktív bemutatói GUI-vezérlést és játékot tartalmaznak. Számítógép-használati alkalmazásban a modell vizuális értelmezése a képernyővel kapcsolatos döntést támogatja, míg a környező alkalmazás műveleteket hajt végre és megadja a következő megfigyelést. Vezérlő leírása vagy következő művelet eldöntése önmagában nem igazolja, hogy egy fájl mentésre került vagy egy képernyőművelet befejeződött.
A ByteDance a modellt 532M paraméteres vizuális kódolóval és 20B aktív paraméteres szakértőkeverékes nyelvi modellel azonosítja. Receptgyűjteménye külön kezeli a hosszú következtetési lánc vezérlőit, a lokalizálást, a térbeli értelmezést, a videót és a GUI-példákat. A feladathoz szükséges bemenetekhez és kimeneti reprezentációhoz a pontos interfészszerződést használja.
Ez a bejegyzés megtartja a gyártó kódtárában megnevezett 250428 kiadást. A korábbi 250415 Thinking Pro Vision profil külön identitás. A kért modellt, vizuális forrásokat és feladatbeállításokat minden eredménnyel együtt őrizze meg, hogy egy későbbi módosítás ugyanazzal a kiadással és bizonyítékkal legyen összehasonlítható.
", "aboutText": "A Doubao 1.5 Thinking Vision Pro 250428 a ByteDance által a Seed1.5-VL-hez megadott pontos hosztolt identitás. Általános multimodális értelmezéshez és következtetéshez készült képi-nyelvi modell. A gyártó által leírt képességek között OCR, ábraértelmezés, vizuális lokalizálás, 3D térbeli értelmezés, videóértelmezés és vizuális következtetés szerepel. E feladatok vizuális anyagra és írott kérdésre alapozott értelmezéseket és döntéseket adnak vissza.\n\n### A vizuális forrás olvasása és értelmezése\n\nAdja meg a képet, és azonosítsa a kinyerendő vagy magyarázandó információt. Dokumentumképnél nevezze meg a fontos szöveget vagy mezőket. Ábránál konkrét feliratokról és kapcsolatokról kérdezzen. Vizuális rejtvénynél adja meg a kérdést, és kérjen a releváns jelekkel alátámasztott következtetést.\n\nA kért eredménytermék maradjon világos: átírt szöveg, kapcsolat leírása vagy válasz magyarázata. Ha a kép nem egyértelmű feliratot vagy takart részleteket tartalmaz, kérje, hogy a válasz azonosítsa a bizonytalanságot. Az eredeti képet őrizze meg az eredménnyel együtt, hogy a kinyert szavak és értelmezett kapcsolatok ellenőrizhetők legyenek.\n\n### Kérdés kapcsolása tárgyakhoz és térhez\n\nA vizuális lokalizálás írott hivatkozást kapcsol a képen szereplő releváns tárgyhoz vagy régióhoz. Hasznos feladat megnevezheti a tárgyat, elmagyarázhatja a közeli tárgyaktól való eltérését, és kérheti az alkalmazás által elvárt helyinformációt. Az alkalmazás kimeneti formátumának kell meghatároznia, hogyan jelenjen meg az ilyen hely.\n\nTérbeli értelmezéshez írja le, mely kapcsolatok számítanak: relatív helyzet, tájolás vagy a tárgyak elrendezése a jelenetben. A végső értelmezés előtt kérje a látható bizonyítékot. Tartsa meg a különbséget a kép megfigyelhető jellemzői és a kikövetkeztetett háromdimenziós kapcsolat között.\n\n### Videós és interaktív feladatok\n\nA gyártó videóértelmezést is felsorol, és külön videós receptgyűjteményt ad. A videós kérdés nevezze meg az érdekes eseményt, tárgyat vagy eseménysort és az előállítandó eredményt. Használjon időbeli hivatkozásokat a kérdésben, és eseménysor ellenőrzésekor őrizze meg a forrásklipet a válasszal együtt.\n\nInteraktív bemutatói GUI-vezérlést és játékot tartalmaznak. Számítógép-használati alkalmazásban a modell vizuális értelmezése a képernyővel kapcsolatos döntést támogatja, míg a környező alkalmazás műveleteket hajt végre és megadja a következő megfigyelést. Vezérlő leírása vagy következő művelet eldöntése önmagában nem igazolja, hogy egy fájl mentésre került vagy egy képernyőművelet befejeződött.\n\n### A kiadás és az interfészbeállítások megőrzése\n\nA ByteDance a modellt 532M paraméteres vizuális kódolóval és 20B aktív paraméteres szakértőkeverékes nyelvi modellel azonosítja. Receptgyűjteménye külön kezeli a hosszú következtetési lánc vezérlőit, a lokalizálást, a térbeli értelmezést, a videót és a GUI-példákat. A feladathoz szükséges bemenetekhez és kimeneti reprezentációhoz a pontos interfészszerződést használja.\n\nEz a bejegyzés megtartja a gyártó kódtárában megnevezett 250428 kiadást. A korábbi 250415 Thinking Pro Vision profil külön identitás. A kért modellt, vizuális forrásokat és feladatbeállításokat minden eredménnyel együtt őrizze meg, hogy egy későbbi módosítás ugyanazzal a kiadással és bizonyítékkal legyen összehasonlítható.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.doubao-1-5-thinking-vision-pro-250428A Doubao 1.5 Thinking Vision Pro 250428 a név szerint megadott Seed1.5-VL képi-nyelvi kiadás képekhez, videóhoz és írott kérdésekhez. Gyártója OCR-t, ábraértelmezést, vizuális lokalizálást, térbeli értelmezést és vizuális bizonyíték köré épülő következtetést ír le.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Doubao 1.5 Thinking Vision Pro 250428 a ByteDance által a Seed1.5-VL-hez megadott pontos hosztolt identitás. Általános multimodális értelmezéshez és következtetéshez készült képi-nyelvi modell. A gyártó által leírt képességek között OCR, ábraértelmezés, vizuális lokalizálás, 3D térbeli értelmezés, videóértelmezés és vizuális következtetés szerepel. E feladatok vizuális anyagra és írott kérdésre alapozott értelmezéseket és döntéseket adnak vissza.
Adja meg a képet, és azonosítsa a kinyerendő vagy magyarázandó információt. Dokumentumképnél nevezze meg a fontos szöveget vagy mezőket. Ábránál konkrét feliratokról és kapcsolatokról kérdezzen. Vizuális rejtvénynél adja meg a kérdést, és kérjen a releváns jelekkel alátámasztott következtetést.
A kért eredménytermék maradjon világos: átírt szöveg, kapcsolat leírása vagy válasz magyarázata. Ha a kép nem egyértelmű feliratot vagy takart részleteket tartalmaz, kérje, hogy a válasz azonosítsa a bizonytalanságot. Az eredeti képet őrizze meg az eredménnyel együtt, hogy a kinyert szavak és értelmezett kapcsolatok ellenőrizhetők legyenek.
A vizuális lokalizálás írott hivatkozást kapcsol a képen szereplő releváns tárgyhoz vagy régióhoz. Hasznos feladat megnevezheti a tárgyat, elmagyarázhatja a közeli tárgyaktól való eltérését, és kérheti az alkalmazás által elvárt helyinformációt. Az alkalmazás kimeneti formátumának kell meghatároznia, hogyan jelenjen meg az ilyen hely.
Térbeli értelmezéshez írja le, mely kapcsolatok számítanak: relatív helyzet, tájolás vagy a tárgyak elrendezése a jelenetben. A végső értelmezés előtt kérje a látható bizonyítékot. Tartsa meg a különbséget a kép megfigyelhető jellemzői és a kikövetkeztetett háromdimenziós kapcsolat között.
A gyártó videóértelmezést is felsorol, és külön videós receptgyűjteményt ad. A videós kérdés nevezze meg az érdekes eseményt, tárgyat vagy eseménysort és az előállítandó eredményt. Használjon időbeli hivatkozásokat a kérdésben, és eseménysor ellenőrzésekor őrizze meg a forrásklipet a válasszal együtt.
Interaktív bemutatói GUI-vezérlést és játékot tartalmaznak. Számítógép-használati alkalmazásban a modell vizuális értelmezése a képernyővel kapcsolatos döntést támogatja, míg a környező alkalmazás műveleteket hajt végre és megadja a következő megfigyelést. Vezérlő leírása vagy következő művelet eldöntése önmagában nem igazolja, hogy egy fájl mentésre került vagy egy képernyőművelet befejeződött.
A ByteDance a modellt 532M paraméteres vizuális kódolóval és 20B aktív paraméteres szakértőkeverékes nyelvi modellel azonosítja. Receptgyűjteménye külön kezeli a hosszú következtetési lánc vezérlőit, a lokalizálást, a térbeli értelmezést, a videót és a GUI-példákat. A feladathoz szükséges bemenetekhez és kimeneti reprezentációhoz a pontos interfészszerződést használja.
Ez a bejegyzés megtartja a gyártó kódtárában megnevezett 250428 kiadást. A korábbi 250415 Thinking Pro Vision profil külön identitás. A kért modellt, vizuális forrásokat és feladatbeállításokat minden eredménnyel együtt őrizze meg, hogy egy későbbi módosítás ugyanazzal a kiadással és bizonyítékkal legyen összehasonlítható.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok doubao-1-5-thinking-vision-pro-250428 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0011 / 1K token Kimenet · Kimeneti tokenek $0.00286 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "doubao-1-5-thinking-vision-pro-250428", "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='doubao-1-5-thinking-vision-pro-250428',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='doubao-1-5-thinking-vision-pro-250428',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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra doubao-1-5-thinking-vision-pro-250428
Használja a fent látható metódusútvonalakat.
doubao-1-5-thinking-vision-pro-250428A Doubao 1.5 Thinking Vision Pro 250428 a név szerint megadott Seed1.5-VL képi-nyelvi kiadás képekhez, videóhoz és írott kérdésekhez. Gyártója OCR-t, ábraértelmezést, vizuális lokalizálást, térbeli értelmezést és vizuális bizonyíték köré épülő következtetést ír le.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Doubao 1.5 Thinking Vision Pro 250428 a ByteDance által a Seed1.5-VL-hez megadott pontos hosztolt identitás. Általános multimodális értelmezéshez és következtetéshez készült képi-nyelvi modell. A gyártó által leírt képességek között OCR, ábraértelmezés, vizuális lokalizálás, 3D térbeli értelmezés, videóértelmezés és vizuális következtetés szerepel. E feladatok vizuális anyagra és írott kérdésre alapozott értelmezéseket és döntéseket adnak vissza.
Adja meg a képet, és azonosítsa a kinyerendő vagy magyarázandó információt. Dokumentumképnél nevezze meg a fontos szöveget vagy mezőket. Ábránál konkrét feliratokról és kapcsolatokról kérdezzen. Vizuális rejtvénynél adja meg a kérdést, és kérjen a releváns jelekkel alátámasztott következtetést.
A kért eredménytermék maradjon világos: átírt szöveg, kapcsolat leírása vagy válasz magyarázata. Ha a kép nem egyértelmű feliratot vagy takart részleteket tartalmaz, kérje, hogy a válasz azonosítsa a bizonytalanságot. Az eredeti képet őrizze meg az eredménnyel együtt, hogy a kinyert szavak és értelmezett kapcsolatok ellenőrizhetők legyenek.
A vizuális lokalizálás írott hivatkozást kapcsol a képen szereplő releváns tárgyhoz vagy régióhoz. Hasznos feladat megnevezheti a tárgyat, elmagyarázhatja a közeli tárgyaktól való eltérését, és kérheti az alkalmazás által elvárt helyinformációt. Az alkalmazás kimeneti formátumának kell meghatároznia, hogyan jelenjen meg az ilyen hely.
Térbeli értelmezéshez írja le, mely kapcsolatok számítanak: relatív helyzet, tájolás vagy a tárgyak elrendezése a jelenetben. A végső értelmezés előtt kérje a látható bizonyítékot. Tartsa meg a különbséget a kép megfigyelhető jellemzői és a kikövetkeztetett háromdimenziós kapcsolat között.
A gyártó videóértelmezést is felsorol, és külön videós receptgyűjteményt ad. A videós kérdés nevezze meg az érdekes eseményt, tárgyat vagy eseménysort és az előállítandó eredményt. Használjon időbeli hivatkozásokat a kérdésben, és eseménysor ellenőrzésekor őrizze meg a forrásklipet a válasszal együtt.
Interaktív bemutatói GUI-vezérlést és játékot tartalmaznak. Számítógép-használati alkalmazásban a modell vizuális értelmezése a képernyővel kapcsolatos döntést támogatja, míg a környező alkalmazás műveleteket hajt végre és megadja a következő megfigyelést. Vezérlő leírása vagy következő művelet eldöntése önmagában nem igazolja, hogy egy fájl mentésre került vagy egy képernyőművelet befejeződött.
A ByteDance a modellt 532M paraméteres vizuális kódolóval és 20B aktív paraméteres szakértőkeverékes nyelvi modellel azonosítja. Receptgyűjteménye külön kezeli a hosszú következtetési lánc vezérlőit, a lokalizálást, a térbeli értelmezést, a videót és a GUI-példákat. A feladathoz szükséges bemenetekhez és kimeneti reprezentációhoz a pontos interfészszerződést használja.
Ez a bejegyzés megtartja a gyártó kódtárában megnevezett 250428 kiadást. A korábbi 250415 Thinking Pro Vision profil külön identitás. A kért modellt, vizuális forrásokat és feladatbeállításokat minden eredménnyel együtt őrizze meg, hogy egy későbbi módosítás ugyanazzal a kiadással és bizonyítékkal legyen összehasonlítható.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok doubao-1-5-thinking-vision-pro-250428 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0011 / 1K token Kimenet · Kimeneti tokenek $0.00286 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'doubao-1-5-thinking-vision-pro-250428', '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': 'doubao-1-5-thinking-vision-pro-250428', '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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra doubao-1-5-thinking-vision-pro-250428
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.