ERNIE-4.5-VL-28B-A3B는 Baidu의 ERNIE 4.5 계열 중 후속 훈련된 비전 언어 모델입니다. 기반은 텍스트 및 시각 사전 훈련과 이종 전문가 혼합을 결합합니다. 모달리티별로 분리된 라우팅과 균형 잡힌 훈련 목표는 언어와 비전의 표현을 구분하면서 상호작용을 지원합니다. 이 모델은 텍스트와 이미지를 입력받고 제공된 시각 자료에 근거한 텍스트 답변을 생성합니다. Baidu의 공식 모델 표는 이 VL 에디션의 입력에 텍스트 및 이미지와 함께 영상도 명시하며, 출력은 계속 텍스트입니다.
후속 훈련은 이미지 이해, 작업별 적응, 멀티모달 추론에 중점을 둡니다. 이 계열은 지도 미세조정과 선호도 기반 최적화를 사용하며, 이 VL 에디션에는 검증 가능한 보상을 이용한 강화 학습도 포함됩니다. 사고 모드와 비사고 모드는 시각 작업을 처리하는 서로 다른 방식을 제공합니다. 이 모드는 비전 언어 릴리스에 속하며, 별도로 이름이 지정된 텍스트 Thinking 모델로 대체하는 것이 아닙니다.
설정은 총 28B 파라미터와 토큰당 활성 3B 파라미터를 갖습니다. 28개 레이어, 20개 쿼리 헤드, 4개 키/값 헤드가 포함됩니다. 텍스트 및 비전 전문가 설정에는 각각 64개 전문가 중 6개 선택과 함께 2개 공유 전문가가 명시됩니다. 공개 모델 설정은 131,072토큰 컨텍스트 창을 제공합니다. Baidu의 별도 설정된 호스팅 목록은 같은 이름의 VL 제품군에 대해 32K 컨텍스트를 설명하므로, 모델 설정과 호스팅 서비스 제한은 서로 다른 수치 사양으로 유지됩니다.
문서 이미지에서는 관련 제목, 표 항목, 도표 설명, 보이는 섹션의 비교 등 찾을 정보를 정의하세요. 인터페이스 스크린샷에서는 사용자의 목표를 명시하고 보이는 구성 요소나 요구 사항과의 관계에 대한 설명을 요청하세요. 제품 사진에서는 실제로 보이는 물체와 특징에 대한 설명을 요청하세요. 여러 이미지가 하나의 작업을 이룬다면 각 이미지에 순서가 드러나는 이름을 붙이고 같은 기준을 사용해 응답에서 일관되게 비교할 수 있도록 하세요.
비전 언어 작업에서는 시각 자료에 구체적인 글로 된 목표를 함께 제공하세요. 분석 전에 설명, 기능표, 묘사, 관찰 목록 등 텍스트 결과물을 선택하세요. 각 결론을 뒷받침하는 보이는 세부 사항을 요청하고 이를 해석과 구분하세요. 작은 레이블이나 영역이 중요하면 읽기 쉬운 원본 이미지를 제공하고 관심 영역을 명시하세요. 이렇게 하면 답변을 검토할 수 있는 자료에 연결할 수 있습니다.
Baidu의 사용 예시는 텍스트와 이미지를 결합하고 프로세서에서 비사고 모드를 선택합니다. 제작사는 실행 프레임워크별로 다른 가중치 형식을 배포하고 ERNIE 4.5 컬렉션을 Apache 2.0으로 공개합니다. VL-28B-A3B 정체성은 비전 언어 목적, 모드, 설정을 텍스트 전용 ERNIE 릴리스와 구분해 유지합니다. 검증된 모델 카드는 별도의 최대 출력 토큰 제한이나 네이티브 영상 길이 제한을 확정하지 않습니다.
", "aboutText": "ERNIE-4.5-VL-28B-A3B는 Baidu의 ERNIE 4.5 계열 중 후속 훈련된 비전 언어 모델입니다. 기반은 텍스트 및 시각 사전 훈련과 이종 전문가 혼합을 결합합니다. 모달리티별로 분리된 라우팅과 균형 잡힌 훈련 목표는 언어와 비전의 표현을 구분하면서 상호작용을 지원합니다. 이 모델은 텍스트와 이미지를 입력받고 제공된 시각 자료에 근거한 텍스트 답변을 생성합니다. Baidu의 공식 모델 표는 이 VL 에디션의 입력에 텍스트 및 이미지와 함께 영상도 명시하며, 출력은 계속 텍스트입니다.\n\n후속 훈련은 이미지 이해, 작업별 적응, 멀티모달 추론에 중점을 둡니다. 이 계열은 지도 미세조정과 선호도 기반 최적화를 사용하며, 이 VL 에디션에는 검증 가능한 보상을 이용한 강화 학습도 포함됩니다. 사고 모드와 비사고 모드는 시각 작업을 처리하는 서로 다른 방식을 제공합니다. 이 모드는 비전 언어 릴리스에 속하며, 별도로 이름이 지정된 텍스트 Thinking 모델로 대체하는 것이 아닙니다.\n\n설정은 총 28B 파라미터와 토큰당 활성 3B 파라미터를 갖습니다. 28개 레이어, 20개 쿼리 헤드, 4개 키/값 헤드가 포함됩니다. 텍스트 및 비전 전문가 설정에는 각각 64개 전문가 중 6개 선택과 함께 2개 공유 전문가가 명시됩니다. 공개 모델 설정은 131,072토큰 컨텍스트 창을 제공합니다. Baidu의 별도 설정된 호스팅 목록은 같은 이름의 VL 제품군에 대해 32K 컨텍스트를 설명하므로, 모델 설정과 호스팅 서비스 제한은 서로 다른 수치 사양으로 유지됩니다.\n\n문서 이미지에서는 관련 제목, 표 항목, 도표 설명, 보이는 섹션의 비교 등 찾을 정보를 정의하세요. 인터페이스 스크린샷에서는 사용자의 목표를 명시하고 보이는 구성 요소나 요구 사항과의 관계에 대한 설명을 요청하세요. 제품 사진에서는 실제로 보이는 물체와 특징에 대한 설명을 요청하세요. 여러 이미지가 하나의 작업을 이룬다면 각 이미지에 순서가 드러나는 이름을 붙이고 같은 기준을 사용해 응답에서 일관되게 비교할 수 있도록 하세요.\n\n비전 언어 작업에서는 시각 자료에 구체적인 글로 된 목표를 함께 제공하세요. 분석 전에 설명, 기능표, 묘사, 관찰 목록 등 텍스트 결과물을 선택하세요. 각 결론을 뒷받침하는 보이는 세부 사항을 요청하고 이를 해석과 구분하세요. 작은 레이블이나 영역이 중요하면 읽기 쉬운 원본 이미지를 제공하고 관심 영역을 명시하세요. 이렇게 하면 답변을 검토할 수 있는 자료에 연결할 수 있습니다.\n\nBaidu의 사용 예시는 텍스트와 이미지를 결합하고 프로세서에서 비사고 모드를 선택합니다. 제작사는 실행 프레임워크별로 다른 가중치 형식을 배포하고 ERNIE 4.5 컬렉션을 Apache 2.0으로 공개합니다. VL-28B-A3B 정체성은 비전 언어 목적, 모드, 설정을 텍스트 전용 ERNIE 릴리스와 구분해 유지합니다. 검증된 모델 카드는 별도의 최대 출력 토큰 제한이나 네이티브 영상 길이 제한을 확정하지 않습니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Explain a transcribed inspection table\n\nAnalyze this text transcription of an inspection table: batch A, sealed 48, leaking 2; batch B, sealed 35, leaking 5. Calculate the leakage rate for each batch and write a short comparison for the warehouse manager. Treat the transcription as the complete input and identify which batch needs inspection first using only leakage rate.A two-row table with totals and leakage percentages, followed by a short prioritization explanation.Each percentage uses leaking divided by sealed plus leaking, and the priority follows that comparison.baidu/ernie-4.5-vl-28b-a3bBaidu의 ERNIE 4.5 비전 언어 모델은 텍스트 질문을 이미지 내용과 연결하고 텍스트를 반환합니다. 28B/3B 전문가 혼합 구조를 사용하고 사고 및 비사고 모드를 지원하며, 에디션별 모델 컨텍스트 제한과 호스팅 서비스 컨텍스트 제한이 구분됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
ERNIE-4.5-VL-28B-A3B는 Baidu의 ERNIE 4.5 계열 중 후속 훈련된 비전 언어 모델입니다. 기반은 텍스트 및 시각 사전 훈련과 이종 전문가 혼합을 결합합니다. 모달리티별로 분리된 라우팅과 균형 잡힌 훈련 목표는 언어와 비전의 표현을 구분하면서 상호작용을 지원합니다. 이 모델은 텍스트와 이미지를 입력받고 제공된 시각 자료에 근거한 텍스트 답변을 생성합니다. Baidu의 공식 모델 표는 이 VL 에디션의 입력에 텍스트 및 이미지와 함께 영상도 명시하며, 출력은 계속 텍스트입니다.
후속 훈련은 이미지 이해, 작업별 적응, 멀티모달 추론에 중점을 둡니다. 이 계열은 지도 미세조정과 선호도 기반 최적화를 사용하며, 이 VL 에디션에는 검증 가능한 보상을 이용한 강화 학습도 포함됩니다. 사고 모드와 비사고 모드는 시각 작업을 처리하는 서로 다른 방식을 제공합니다. 이 모드는 비전 언어 릴리스에 속하며, 별도로 이름이 지정된 텍스트 Thinking 모델로 대체하는 것이 아닙니다.
설정은 총 28B 파라미터와 토큰당 활성 3B 파라미터를 갖습니다. 28개 레이어, 20개 쿼리 헤드, 4개 키/값 헤드가 포함됩니다. 텍스트 및 비전 전문가 설정에는 각각 64개 전문가 중 6개 선택과 함께 2개 공유 전문가가 명시됩니다. 공개 모델 설정은 131,072토큰 컨텍스트 창을 제공합니다. Baidu의 별도 설정된 호스팅 목록은 같은 이름의 VL 제품군에 대해 32K 컨텍스트를 설명하므로, 모델 설정과 호스팅 서비스 제한은 서로 다른 수치 사양으로 유지됩니다.
문서 이미지에서는 관련 제목, 표 항목, 도표 설명, 보이는 섹션의 비교 등 찾을 정보를 정의하세요. 인터페이스 스크린샷에서는 사용자의 목표를 명시하고 보이는 구성 요소나 요구 사항과의 관계에 대한 설명을 요청하세요. 제품 사진에서는 실제로 보이는 물체와 특징에 대한 설명을 요청하세요. 여러 이미지가 하나의 작업을 이룬다면 각 이미지에 순서가 드러나는 이름을 붙이고 같은 기준을 사용해 응답에서 일관되게 비교할 수 있도록 하세요.
비전 언어 작업에서는 시각 자료에 구체적인 글로 된 목표를 함께 제공하세요. 분석 전에 설명, 기능표, 묘사, 관찰 목록 등 텍스트 결과물을 선택하세요. 각 결론을 뒷받침하는 보이는 세부 사항을 요청하고 이를 해석과 구분하세요. 작은 레이블이나 영역이 중요하면 읽기 쉬운 원본 이미지를 제공하고 관심 영역을 명시하세요. 이렇게 하면 답변을 검토할 수 있는 자료에 연결할 수 있습니다.
Baidu의 사용 예시는 텍스트와 이미지를 결합하고 프로세서에서 비사고 모드를 선택합니다. 제작사는 실행 프레임워크별로 다른 가중치 형식을 배포하고 ERNIE 4.5 컬렉션을 Apache 2.0으로 공개합니다. VL-28B-A3B 정체성은 비전 언어 목적, 모드, 설정을 텍스트 전용 ERNIE 릴리스와 구분해 유지합니다. 검증된 모델 카드는 별도의 최대 출력 토큰 제한이나 네이티브 영상 길이 제한을 확정하지 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 baidu/ernie-4.5-vl-28b-a3b | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000286 / 1K 토큰 출력 · 출력 토큰 $0.001144 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-vl-28b-a3b", "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='baidu/ernie-4.5-vl-28b-a3b',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='baidu/ernie-4.5-vl-28b-a3b',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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
위에 표시된 메서드 경로를 사용하세요.
baidu/ernie-4.5-vl-28b-a3bBaidu의 ERNIE 4.5 비전 언어 모델은 텍스트 질문을 이미지 내용과 연결하고 텍스트를 반환합니다. 28B/3B 전문가 혼합 구조를 사용하고 사고 및 비사고 모드를 지원하며, 에디션별 모델 컨텍스트 제한과 호스팅 서비스 컨텍스트 제한이 구분됩니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
ERNIE-4.5-VL-28B-A3B는 Baidu의 ERNIE 4.5 계열 중 후속 훈련된 비전 언어 모델입니다. 기반은 텍스트 및 시각 사전 훈련과 이종 전문가 혼합을 결합합니다. 모달리티별로 분리된 라우팅과 균형 잡힌 훈련 목표는 언어와 비전의 표현을 구분하면서 상호작용을 지원합니다. 이 모델은 텍스트와 이미지를 입력받고 제공된 시각 자료에 근거한 텍스트 답변을 생성합니다. Baidu의 공식 모델 표는 이 VL 에디션의 입력에 텍스트 및 이미지와 함께 영상도 명시하며, 출력은 계속 텍스트입니다.
후속 훈련은 이미지 이해, 작업별 적응, 멀티모달 추론에 중점을 둡니다. 이 계열은 지도 미세조정과 선호도 기반 최적화를 사용하며, 이 VL 에디션에는 검증 가능한 보상을 이용한 강화 학습도 포함됩니다. 사고 모드와 비사고 모드는 시각 작업을 처리하는 서로 다른 방식을 제공합니다. 이 모드는 비전 언어 릴리스에 속하며, 별도로 이름이 지정된 텍스트 Thinking 모델로 대체하는 것이 아닙니다.
설정은 총 28B 파라미터와 토큰당 활성 3B 파라미터를 갖습니다. 28개 레이어, 20개 쿼리 헤드, 4개 키/값 헤드가 포함됩니다. 텍스트 및 비전 전문가 설정에는 각각 64개 전문가 중 6개 선택과 함께 2개 공유 전문가가 명시됩니다. 공개 모델 설정은 131,072토큰 컨텍스트 창을 제공합니다. Baidu의 별도 설정된 호스팅 목록은 같은 이름의 VL 제품군에 대해 32K 컨텍스트를 설명하므로, 모델 설정과 호스팅 서비스 제한은 서로 다른 수치 사양으로 유지됩니다.
문서 이미지에서는 관련 제목, 표 항목, 도표 설명, 보이는 섹션의 비교 등 찾을 정보를 정의하세요. 인터페이스 스크린샷에서는 사용자의 목표를 명시하고 보이는 구성 요소나 요구 사항과의 관계에 대한 설명을 요청하세요. 제품 사진에서는 실제로 보이는 물체와 특징에 대한 설명을 요청하세요. 여러 이미지가 하나의 작업을 이룬다면 각 이미지에 순서가 드러나는 이름을 붙이고 같은 기준을 사용해 응답에서 일관되게 비교할 수 있도록 하세요.
비전 언어 작업에서는 시각 자료에 구체적인 글로 된 목표를 함께 제공하세요. 분석 전에 설명, 기능표, 묘사, 관찰 목록 등 텍스트 결과물을 선택하세요. 각 결론을 뒷받침하는 보이는 세부 사항을 요청하고 이를 해석과 구분하세요. 작은 레이블이나 영역이 중요하면 읽기 쉬운 원본 이미지를 제공하고 관심 영역을 명시하세요. 이렇게 하면 답변을 검토할 수 있는 자료에 연결할 수 있습니다.
Baidu의 사용 예시는 텍스트와 이미지를 결합하고 프로세서에서 비사고 모드를 선택합니다. 제작사는 실행 프레임워크별로 다른 가중치 형식을 배포하고 ERNIE 4.5 컬렉션을 Apache 2.0으로 공개합니다. VL-28B-A3B 정체성은 비전 언어 목적, 모드, 설정을 텍스트 전용 ERNIE 릴리스와 구분해 유지합니다. 검증된 모델 카드는 별도의 최대 출력 토큰 제한이나 네이티브 영상 길이 제한을 확정하지 않습니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 baidu/ernie-4.5-vl-28b-a3b | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000286 / 1K 토큰 출력 · 출력 토큰 $0.001144 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "baidu/ernie-4.5-vl-28b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'baidu/ernie-4.5-vl-28b-a3b', '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': 'baidu/ernie-4.5-vl-28b-a3b', '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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Explain a transcribed inspection table\n\nAnalyze this text transcription of an inspection table: batch A, sealed 48, leaking 2; batch B, sealed 35, leaking 5. Calculate the leakage rate for each batch and write a short comparison for the warehouse manager. Treat the transcription as the complete input and identify which batch needs inspection first using only leakage rate.A two-row table with totals and leakage percentages, followed by a short prioritization explanation.Each percentage uses leaking divided by sealed plus leaking, and the priority follows that comparison.