ERNIE 4.5 VL 424B-A47B ialah model sembang penglihatan-bahasa Baidu, dibangunkan daripada model ERNIE 4.5 VL Base sepadan. Ia menggabungkan arahan teks dengan bahan visual dan menjana jawapan teks. Rangkaian campuran pakarnya mempunyai jumlah 424 bilion parameter, dengan 47 bilion diaktifkan bagi setiap token, dan pengeluar menerbitkan panjang konteks 131,072 token.
Sorotan ERNIE 4.5. Keluarga ini menggunakan reka bentuk campuran pakar heterogen yang berkongsi sebahagian pengetahuan merentas bahasa dan penglihatan sambil mengekalkan pemprosesan khusus modaliti. Baidu menerangkan pralatihan multimodal bersama, infrastruktur latihan serta inferens cekap, dan pascalatihan disesuaikan kepada modaliti dimaksudkan. Untuk model VL, penekanan ialah pemahaman imej, arahan visual khusus tugasan dan penaakulan yang menghubungkan bukti visual dengan bahasa. Latihannya merangkumi penalaan halus terselia dan pembelajaran pengukuhan dengan ganjaran boleh disahkan.
Gambaran model. Konfigurasi menyenaraikan 54 lapisan, 64 kepala perhatian query dan 8 kepala key/value, dengan kumpulan pakar teks serta penglihatan berasingan. Setiap kumpulan menyenaraikan 64 pakar dan 8 pakar diaktifkan. Jadual model pengeluar mengenal pasti teks, imej dan video sebagai modaliti input edisi ini serta teks sebagai output. Anggap output sebagai tafsiran kandungan dibekalkan: huraian, jawapan kepada soalan visual atau penjelasan beralasan tentang perkara yang disokong bahan.
Pemahaman imej. Berikan imej asal dan soalan jelas. Untuk halaman dokumen, kekalkan label, tajuk lajur dan teks di sekitar nilai dipertikaikan, kemudian minta medan terpilih bersama lokasi halaman yang menyokongnya. Untuk rajah, nyatakan sama ada matlamatnya menjelaskan komponen, mengikuti proses atau membandingkannya dengan spesifikasi bertulis. Minta model melaporkan label yang kelihatan sebelum membuat kesimpulan supaya pemerhatian boleh disemak berasingan daripada tafsiran.
Penaakulan multimodal. Apabila beberapa imej menyumbang kepada tugasan sama, labelkan peranannya dan jelaskan butiran yang perlu dibandingkan. Permintaan berguna boleh memasangkan foto produk dengan spesifikasi dibekalkan serta meminta senarai padanan yang kelihatan, perbezaan dan perkara yang tidak boleh dibuktikan gambar. Untuk bahan berasaskan masa, kenal pasti peristiwa atau perubahan yang ingin difahami dan minta urutan pemerhatian yang terikat pada bingkai atau segmen dibekalkan. Artifak akhir perlu memudahkan pemeriksaan bukti di sebalik perubahan yang didakwa.
Respons berfikir dan langsung. Baidu menerangkan mod berfikir dan tanpa berfikir untuk model penglihatan-bahasanya. Pemikiran sesuai untuk tugasan yang memerlukan analisis merentas maklumat visual serta teks; respons langsung boleh digunakan bagi huraian mudah atau soalan visual ringkas. Nyatakan hasil diperlukan dengan jelas, seperti jawapan ringkas, jadual perbandingan atau penjelasan bersama pemerhatian sokongan. Pemilihan mod menjadi sebahagian daripada persediaan penjanaan, bukannya kata-kata biasa permintaan imej.
Sediakan bahan berdasarkan soalan. Gunakan halaman boleh baca dan pandangan berkaitan, kekalkan label imej konsisten dan peruntukkan ruang untuk jawapan teks diminta dalam konteks. Minta model menandakan teks tidak boleh dibaca serta memisahkan sifat disimpulkan daripada butiran kelihatan. Gambar mungkin menunjukkan label, bentuk atau susunan, sementara jawapan juga memerlukan peraturan atau spesifikasi dibekalkan. Sahkan nilai diekstrak kritikal dengan bahan asal dan gunakan pandangan tambahan apabila bukti membiarkan butiran penting belum selesai.
", "aboutText": "ERNIE 4.5 VL 424B-A47B ialah model sembang penglihatan-bahasa Baidu, dibangunkan daripada model ERNIE 4.5 VL Base sepadan. Ia menggabungkan arahan teks dengan bahan visual dan menjana jawapan teks. Rangkaian campuran pakarnya mempunyai jumlah 424 bilion parameter, dengan 47 bilion diaktifkan bagi setiap token, dan pengeluar menerbitkan panjang konteks 131,072 token.\n\nSorotan ERNIE 4.5. Keluarga ini menggunakan reka bentuk campuran pakar heterogen yang berkongsi sebahagian pengetahuan merentas bahasa dan penglihatan sambil mengekalkan pemprosesan khusus modaliti. Baidu menerangkan pralatihan multimodal bersama, infrastruktur latihan serta inferens cekap, dan pascalatihan disesuaikan kepada modaliti dimaksudkan. Untuk model VL, penekanan ialah pemahaman imej, arahan visual khusus tugasan dan penaakulan yang menghubungkan bukti visual dengan bahasa. Latihannya merangkumi penalaan halus terselia dan pembelajaran pengukuhan dengan ganjaran boleh disahkan.\n\nGambaran model. Konfigurasi menyenaraikan 54 lapisan, 64 kepala perhatian query dan 8 kepala key/value, dengan kumpulan pakar teks serta penglihatan berasingan. Setiap kumpulan menyenaraikan 64 pakar dan 8 pakar diaktifkan. Jadual model pengeluar mengenal pasti teks, imej dan video sebagai modaliti input edisi ini serta teks sebagai output. Anggap output sebagai tafsiran kandungan dibekalkan: huraian, jawapan kepada soalan visual atau penjelasan beralasan tentang perkara yang disokong bahan.\n\nPemahaman imej. Berikan imej asal dan soalan jelas. Untuk halaman dokumen, kekalkan label, tajuk lajur dan teks di sekitar nilai dipertikaikan, kemudian minta medan terpilih bersama lokasi halaman yang menyokongnya. Untuk rajah, nyatakan sama ada matlamatnya menjelaskan komponen, mengikuti proses atau membandingkannya dengan spesifikasi bertulis. Minta model melaporkan label yang kelihatan sebelum membuat kesimpulan supaya pemerhatian boleh disemak berasingan daripada tafsiran.\n\nPenaakulan multimodal. Apabila beberapa imej menyumbang kepada tugasan sama, labelkan peranannya dan jelaskan butiran yang perlu dibandingkan. Permintaan berguna boleh memasangkan foto produk dengan spesifikasi dibekalkan serta meminta senarai padanan yang kelihatan, perbezaan dan perkara yang tidak boleh dibuktikan gambar. Untuk bahan berasaskan masa, kenal pasti peristiwa atau perubahan yang ingin difahami dan minta urutan pemerhatian yang terikat pada bingkai atau segmen dibekalkan. Artifak akhir perlu memudahkan pemeriksaan bukti di sebalik perubahan yang didakwa.\n\nRespons berfikir dan langsung. Baidu menerangkan mod berfikir dan tanpa berfikir untuk model penglihatan-bahasanya. Pemikiran sesuai untuk tugasan yang memerlukan analisis merentas maklumat visual serta teks; respons langsung boleh digunakan bagi huraian mudah atau soalan visual ringkas. Nyatakan hasil diperlukan dengan jelas, seperti jawapan ringkas, jadual perbandingan atau penjelasan bersama pemerhatian sokongan. Pemilihan mod menjadi sebahagian daripada persediaan penjanaan, bukannya kata-kata biasa permintaan imej.\n\nSediakan bahan berdasarkan soalan. Gunakan halaman boleh baca dan pandangan berkaitan, kekalkan label imej konsisten dan peruntukkan ruang untuk jawapan teks diminta dalam konteks. Minta model menandakan teks tidak boleh dibaca serta memisahkan sifat disimpulkan daripada butiran kelihatan. Gambar mungkin menunjukkan label, bentuk atau susunan, sementara jawapan juga memerlukan peraturan atau spesifikasi dibekalkan. Sahkan nilai diekstrak kritikal dengan bahan asal dan gunakan pandangan tambahan apabila bukti membiarkan butiran penting belum selesai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B ialah model campuran pakar penglihatan-bahasa Baidu untuk pemahaman imej dan penaakulan multimodal. Konfigurasi terbitannya mempunyai 424 bilion jumlah parameter, 47 bilion aktif bagi setiap token dan konteks 131,072 token; jawapan dijana sebagai teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
ERNIE 4.5 VL 424B-A47B ialah model sembang penglihatan-bahasa Baidu, dibangunkan daripada model ERNIE 4.5 VL Base sepadan. Ia menggabungkan arahan teks dengan bahan visual dan menjana jawapan teks. Rangkaian campuran pakarnya mempunyai jumlah 424 bilion parameter, dengan 47 bilion diaktifkan bagi setiap token, dan pengeluar menerbitkan panjang konteks 131,072 token.
Sorotan ERNIE 4.5. Keluarga ini menggunakan reka bentuk campuran pakar heterogen yang berkongsi sebahagian pengetahuan merentas bahasa dan penglihatan sambil mengekalkan pemprosesan khusus modaliti. Baidu menerangkan pralatihan multimodal bersama, infrastruktur latihan serta inferens cekap, dan pascalatihan disesuaikan kepada modaliti dimaksudkan. Untuk model VL, penekanan ialah pemahaman imej, arahan visual khusus tugasan dan penaakulan yang menghubungkan bukti visual dengan bahasa. Latihannya merangkumi penalaan halus terselia dan pembelajaran pengukuhan dengan ganjaran boleh disahkan.
Gambaran model. Konfigurasi menyenaraikan 54 lapisan, 64 kepala perhatian query dan 8 kepala key/value, dengan kumpulan pakar teks serta penglihatan berasingan. Setiap kumpulan menyenaraikan 64 pakar dan 8 pakar diaktifkan. Jadual model pengeluar mengenal pasti teks, imej dan video sebagai modaliti input edisi ini serta teks sebagai output. Anggap output sebagai tafsiran kandungan dibekalkan: huraian, jawapan kepada soalan visual atau penjelasan beralasan tentang perkara yang disokong bahan.
Pemahaman imej. Berikan imej asal dan soalan jelas. Untuk halaman dokumen, kekalkan label, tajuk lajur dan teks di sekitar nilai dipertikaikan, kemudian minta medan terpilih bersama lokasi halaman yang menyokongnya. Untuk rajah, nyatakan sama ada matlamatnya menjelaskan komponen, mengikuti proses atau membandingkannya dengan spesifikasi bertulis. Minta model melaporkan label yang kelihatan sebelum membuat kesimpulan supaya pemerhatian boleh disemak berasingan daripada tafsiran.
Penaakulan multimodal. Apabila beberapa imej menyumbang kepada tugasan sama, labelkan peranannya dan jelaskan butiran yang perlu dibandingkan. Permintaan berguna boleh memasangkan foto produk dengan spesifikasi dibekalkan serta meminta senarai padanan yang kelihatan, perbezaan dan perkara yang tidak boleh dibuktikan gambar. Untuk bahan berasaskan masa, kenal pasti peristiwa atau perubahan yang ingin difahami dan minta urutan pemerhatian yang terikat pada bingkai atau segmen dibekalkan. Artifak akhir perlu memudahkan pemeriksaan bukti di sebalik perubahan yang didakwa.
Respons berfikir dan langsung. Baidu menerangkan mod berfikir dan tanpa berfikir untuk model penglihatan-bahasanya. Pemikiran sesuai untuk tugasan yang memerlukan analisis merentas maklumat visual serta teks; respons langsung boleh digunakan bagi huraian mudah atau soalan visual ringkas. Nyatakan hasil diperlukan dengan jelas, seperti jawapan ringkas, jadual perbandingan atau penjelasan bersama pemerhatian sokongan. Pemilihan mod menjadi sebahagian daripada persediaan penjanaan, bukannya kata-kata biasa permintaan imej.
Sediakan bahan berdasarkan soalan. Gunakan halaman boleh baca dan pandangan berkaitan, kekalkan label imej konsisten dan peruntukkan ruang untuk jawapan teks diminta dalam konteks. Minta model menandakan teks tidak boleh dibaca serta memisahkan sifat disimpulkan daripada butiran kelihatan. Gambar mungkin menunjukkan label, bentuk atau susunan, sementara jawapan juga memerlukan peraturan atau spesifikasi dibekalkan. Sahkan nilai diekstrak kritikal dengan bahan asal dan gunakan pandangan tambahan apabila bukti membiarkan butiran penting belum selesai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had baidu/ernie-4.5-vl-424b-a47b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000858 / 1K token Output · Token output $0.00258 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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-424b-a47b", "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-424b-a47b',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-424b-a47b',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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra baidu/ernie-4.5-vl-424b-a47b
Gunakan laluan kaedah yang dipaparkan di atas.
baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B ialah model campuran pakar penglihatan-bahasa Baidu untuk pemahaman imej dan penaakulan multimodal. Konfigurasi terbitannya mempunyai 424 bilion jumlah parameter, 47 bilion aktif bagi setiap token dan konteks 131,072 token; jawapan dijana sebagai teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
ERNIE 4.5 VL 424B-A47B ialah model sembang penglihatan-bahasa Baidu, dibangunkan daripada model ERNIE 4.5 VL Base sepadan. Ia menggabungkan arahan teks dengan bahan visual dan menjana jawapan teks. Rangkaian campuran pakarnya mempunyai jumlah 424 bilion parameter, dengan 47 bilion diaktifkan bagi setiap token, dan pengeluar menerbitkan panjang konteks 131,072 token.
Sorotan ERNIE 4.5. Keluarga ini menggunakan reka bentuk campuran pakar heterogen yang berkongsi sebahagian pengetahuan merentas bahasa dan penglihatan sambil mengekalkan pemprosesan khusus modaliti. Baidu menerangkan pralatihan multimodal bersama, infrastruktur latihan serta inferens cekap, dan pascalatihan disesuaikan kepada modaliti dimaksudkan. Untuk model VL, penekanan ialah pemahaman imej, arahan visual khusus tugasan dan penaakulan yang menghubungkan bukti visual dengan bahasa. Latihannya merangkumi penalaan halus terselia dan pembelajaran pengukuhan dengan ganjaran boleh disahkan.
Gambaran model. Konfigurasi menyenaraikan 54 lapisan, 64 kepala perhatian query dan 8 kepala key/value, dengan kumpulan pakar teks serta penglihatan berasingan. Setiap kumpulan menyenaraikan 64 pakar dan 8 pakar diaktifkan. Jadual model pengeluar mengenal pasti teks, imej dan video sebagai modaliti input edisi ini serta teks sebagai output. Anggap output sebagai tafsiran kandungan dibekalkan: huraian, jawapan kepada soalan visual atau penjelasan beralasan tentang perkara yang disokong bahan.
Pemahaman imej. Berikan imej asal dan soalan jelas. Untuk halaman dokumen, kekalkan label, tajuk lajur dan teks di sekitar nilai dipertikaikan, kemudian minta medan terpilih bersama lokasi halaman yang menyokongnya. Untuk rajah, nyatakan sama ada matlamatnya menjelaskan komponen, mengikuti proses atau membandingkannya dengan spesifikasi bertulis. Minta model melaporkan label yang kelihatan sebelum membuat kesimpulan supaya pemerhatian boleh disemak berasingan daripada tafsiran.
Penaakulan multimodal. Apabila beberapa imej menyumbang kepada tugasan sama, labelkan peranannya dan jelaskan butiran yang perlu dibandingkan. Permintaan berguna boleh memasangkan foto produk dengan spesifikasi dibekalkan serta meminta senarai padanan yang kelihatan, perbezaan dan perkara yang tidak boleh dibuktikan gambar. Untuk bahan berasaskan masa, kenal pasti peristiwa atau perubahan yang ingin difahami dan minta urutan pemerhatian yang terikat pada bingkai atau segmen dibekalkan. Artifak akhir perlu memudahkan pemeriksaan bukti di sebalik perubahan yang didakwa.
Respons berfikir dan langsung. Baidu menerangkan mod berfikir dan tanpa berfikir untuk model penglihatan-bahasanya. Pemikiran sesuai untuk tugasan yang memerlukan analisis merentas maklumat visual serta teks; respons langsung boleh digunakan bagi huraian mudah atau soalan visual ringkas. Nyatakan hasil diperlukan dengan jelas, seperti jawapan ringkas, jadual perbandingan atau penjelasan bersama pemerhatian sokongan. Pemilihan mod menjadi sebahagian daripada persediaan penjanaan, bukannya kata-kata biasa permintaan imej.
Sediakan bahan berdasarkan soalan. Gunakan halaman boleh baca dan pandangan berkaitan, kekalkan label imej konsisten dan peruntukkan ruang untuk jawapan teks diminta dalam konteks. Minta model menandakan teks tidak boleh dibaca serta memisahkan sifat disimpulkan daripada butiran kelihatan. Gambar mungkin menunjukkan label, bentuk atau susunan, sementara jawapan juga memerlukan peraturan atau spesifikasi dibekalkan. Sahkan nilai diekstrak kritikal dengan bahan asal dan gunakan pandangan tambahan apabila bukti membiarkan butiran penting belum selesai.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had baidu/ernie-4.5-vl-424b-a47b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000858 / 1K token Output · Token output $0.00258 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "baidu/ernie-4.5-vl-424b-a47b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-424b-a47b', '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-424b-a47b', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra baidu/ernie-4.5-vl-424b-a47b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.