Reka Edge ialah model penglihatan-bahasa kompak Reka AI untuk aplikasi fizikal dan visual. Edisi 2603 yang diterbitkan menerima imej atau video bersama arahan bertulis dan menjana teks; model ini juga menyokong soalan teks sahaja. Tugasan utamanya ialah pemahaman adegan, analisis video, pengesanan objek dan interaksi berorientasikan alat berdasarkan input visual.
Model ini menggabungkan pengekod penglihatan dengan 657 juta parameter dan teras bahasa dengan 6.4 bilion parameter. Pengekod visual konvolusinya menghasilkan 64 token bagi setiap jubin imej. Konfigurasi teks yang diterbitkan menetapkan bilangan kedudukan maksimum 16,384, dengan penskalaan panjang daripada asas 8192 kedudukan. Ini ialah sifat konfigurasi titik semak pengeluar; input visual dan perbualan masih perlu dimuatkan dalam konteks yang digunakan untuk tugasan.
Untuk menjawab soalan visual, bekalkan imej dan tanyakan tentang objek, hubungan atau peristiwa yang khusus. Arahan pemeriksaan yang berguna mengenal pasti perkara yang perlu dibezakan: kedudukan item, keadaan yang kelihatan atau perubahan antara bingkai. Untuk video, sertakan urutan dan huraikan peristiwa yang hendak dicari. Contoh aplikasi pengeluar merangkumi kapsyen media, pengesanan logo, sorotan dan metadata, serta robotik, kamera kenderaan dan bantuan visual.
Pengesanan objek mempunyai arahan pengeluar yang khusus: Detect: diikuti huraian objek. Huraian itu boleh menamakan satu atau beberapa sasaran. Hasil terdokumen mengaitkan label objek dengan koordinat kotak pembatas, menggunakan penanda ref dan bbox. Dalam aplikasi, kekalkan hubungan antara setiap label dengan koordinatnya supaya kawasan yang dikesan dapat diperiksa atau dipaparkan pada imej asal.
Tugasan semakan media yang praktikal boleh meminta peristiwa yang kelihatan, objek yang terlibat dan kapsyen ringkas untuk arkib. Untuk pemeriksaan adegan, takrifkan objek sasaran dan keadaan yang berkaitan sebelum meminta huraian. Bezakan perkara yang diperhatikan model daripada tindakan seterusnya yang dipilih aplikasi. Model membekalkan tafsiran visual atau interaksi alat yang dicadangkan; aplikasi yang mengelilinginya melaksanakan tindakan luaran.
Reka menerbitkan arahan pelaksanaan setempat untuk titik semak ini, termasuk contoh imej, video, pengesanan dan teks sahaja. Kad ini menggunakan templat perbualan model sendiri dan penanda akhir giliran. Contoh setempatnya secara nyata mematikan mod penaakulan yang berasingan: tafsiran visual ialah suatu keupayaan, manakala peringkat pemikiran yang diperlihatkan ialah ciri yang berbeza. Model ini direka untuk penggunaan pada peranti pinggir, di premis dan dalam awan; pelaksanaan terkuantum ialah konfigurasi berasingan, bukannya identiti yang tersirat dalam nama model.
Untuk penilaian setempat, pengeluar mengesyorkan supaya lebihan memori ditinggalkan untuk penjanaan: kadnya menetapkan minimum 24 GB memori bagi Mac, dan sekurang-kurangnya 24 GB memori GPU serta 24 GB memori sistem bagi persediaan PC. Pengeluar mengesyorkan 32 GB atau lebih dalam kategori memori berkenaan, dengan kira-kira 14 GB untuk model float16 pada Mac. Angka pelaksanaan ini menerangkan persediaan setempat yang diterbitkan. Angka tersebut membantu membezakan saiz kompak model daripada sumber yang diperlukan oleh aplikasi yang mengendalikan input visual.
", "aboutText": "Reka Edge ialah model penglihatan-bahasa kompak Reka AI untuk aplikasi fizikal dan visual. Edisi 2603 yang diterbitkan menerima imej atau video bersama arahan bertulis dan menjana teks; model ini juga menyokong soalan teks sahaja. Tugasan utamanya ialah pemahaman adegan, analisis video, pengesanan objek dan interaksi berorientasikan alat berdasarkan input visual.\n\nModel ini menggabungkan pengekod penglihatan dengan 657 juta parameter dan teras bahasa dengan 6.4 bilion parameter. Pengekod visual konvolusinya menghasilkan 64 token bagi setiap jubin imej. Konfigurasi teks yang diterbitkan menetapkan bilangan kedudukan maksimum 16,384, dengan penskalaan panjang daripada asas 8192 kedudukan. Ini ialah sifat konfigurasi titik semak pengeluar; input visual dan perbualan masih perlu dimuatkan dalam konteks yang digunakan untuk tugasan.\n\nUntuk menjawab soalan visual, bekalkan imej dan tanyakan tentang objek, hubungan atau peristiwa yang khusus. Arahan pemeriksaan yang berguna mengenal pasti perkara yang perlu dibezakan: kedudukan item, keadaan yang kelihatan atau perubahan antara bingkai. Untuk video, sertakan urutan dan huraikan peristiwa yang hendak dicari. Contoh aplikasi pengeluar merangkumi kapsyen media, pengesanan logo, sorotan dan metadata, serta robotik, kamera kenderaan dan bantuan visual.\n\nPengesanan objek mempunyai arahan pengeluar yang khusus: Detect: diikuti huraian objek. Huraian itu boleh menamakan satu atau beberapa sasaran. Hasil terdokumen mengaitkan label objek dengan koordinat kotak pembatas, menggunakan penanda ref dan bbox. Dalam aplikasi, kekalkan hubungan antara setiap label dengan koordinatnya supaya kawasan yang dikesan dapat diperiksa atau dipaparkan pada imej asal.\n\nTugasan semakan media yang praktikal boleh meminta peristiwa yang kelihatan, objek yang terlibat dan kapsyen ringkas untuk arkib. Untuk pemeriksaan adegan, takrifkan objek sasaran dan keadaan yang berkaitan sebelum meminta huraian. Bezakan perkara yang diperhatikan model daripada tindakan seterusnya yang dipilih aplikasi. Model membekalkan tafsiran visual atau interaksi alat yang dicadangkan; aplikasi yang mengelilinginya melaksanakan tindakan luaran.\n\nReka menerbitkan arahan pelaksanaan setempat untuk titik semak ini, termasuk contoh imej, video, pengesanan dan teks sahaja. Kad ini menggunakan templat perbualan model sendiri dan penanda akhir giliran. Contoh setempatnya secara nyata mematikan mod penaakulan yang berasingan: tafsiran visual ialah suatu keupayaan, manakala peringkat pemikiran yang diperlihatkan ialah ciri yang berbeza. Model ini direka untuk penggunaan pada peranti pinggir, di premis dan dalam awan; pelaksanaan terkuantum ialah konfigurasi berasingan, bukannya identiti yang tersirat dalam nama model.\n\nUntuk penilaian setempat, pengeluar mengesyorkan supaya lebihan memori ditinggalkan untuk penjanaan: kadnya menetapkan minimum 24 GB memori bagi Mac, dan sekurang-kurangnya 24 GB memori GPU serta 24 GB memori sistem bagi persediaan PC. Pengeluar mengesyorkan 32 GB atau lebih dalam kategori memori berkenaan, dengan kira-kira 14 GB untuk model float16 pada Mac. Angka pelaksanaan ini menerangkan persediaan setempat yang diterbitkan. Angka tersebut membantu membezakan saiz kompak model daripada sumber yang diperlukan oleh aplikasi yang mengendalikan input visual.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model penglihatan-bahasa 7B untuk pemahaman imej dan video, pengesanan objek serta aliran kerja alat berpandukan visual. Model ini menerima bahan visual dan teks, menghasilkan teks serta menyediakan format arahan khusus untuk pengesanan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Reka Edge ialah model penglihatan-bahasa kompak Reka AI untuk aplikasi fizikal dan visual. Edisi 2603 yang diterbitkan menerima imej atau video bersama arahan bertulis dan menjana teks; model ini juga menyokong soalan teks sahaja. Tugasan utamanya ialah pemahaman adegan, analisis video, pengesanan objek dan interaksi berorientasikan alat berdasarkan input visual.
Model ini menggabungkan pengekod penglihatan dengan 657 juta parameter dan teras bahasa dengan 6.4 bilion parameter. Pengekod visual konvolusinya menghasilkan 64 token bagi setiap jubin imej. Konfigurasi teks yang diterbitkan menetapkan bilangan kedudukan maksimum 16,384, dengan penskalaan panjang daripada asas 8192 kedudukan. Ini ialah sifat konfigurasi titik semak pengeluar; input visual dan perbualan masih perlu dimuatkan dalam konteks yang digunakan untuk tugasan.
Untuk menjawab soalan visual, bekalkan imej dan tanyakan tentang objek, hubungan atau peristiwa yang khusus. Arahan pemeriksaan yang berguna mengenal pasti perkara yang perlu dibezakan: kedudukan item, keadaan yang kelihatan atau perubahan antara bingkai. Untuk video, sertakan urutan dan huraikan peristiwa yang hendak dicari. Contoh aplikasi pengeluar merangkumi kapsyen media, pengesanan logo, sorotan dan metadata, serta robotik, kamera kenderaan dan bantuan visual.
Pengesanan objek mempunyai arahan pengeluar yang khusus: Detect: diikuti huraian objek. Huraian itu boleh menamakan satu atau beberapa sasaran. Hasil terdokumen mengaitkan label objek dengan koordinat kotak pembatas, menggunakan penanda ref dan bbox. Dalam aplikasi, kekalkan hubungan antara setiap label dengan koordinatnya supaya kawasan yang dikesan dapat diperiksa atau dipaparkan pada imej asal.
Tugasan semakan media yang praktikal boleh meminta peristiwa yang kelihatan, objek yang terlibat dan kapsyen ringkas untuk arkib. Untuk pemeriksaan adegan, takrifkan objek sasaran dan keadaan yang berkaitan sebelum meminta huraian. Bezakan perkara yang diperhatikan model daripada tindakan seterusnya yang dipilih aplikasi. Model membekalkan tafsiran visual atau interaksi alat yang dicadangkan; aplikasi yang mengelilinginya melaksanakan tindakan luaran.
Reka menerbitkan arahan pelaksanaan setempat untuk titik semak ini, termasuk contoh imej, video, pengesanan dan teks sahaja. Kad ini menggunakan templat perbualan model sendiri dan penanda akhir giliran. Contoh setempatnya secara nyata mematikan mod penaakulan yang berasingan: tafsiran visual ialah suatu keupayaan, manakala peringkat pemikiran yang diperlihatkan ialah ciri yang berbeza. Model ini direka untuk penggunaan pada peranti pinggir, di premis dan dalam awan; pelaksanaan terkuantum ialah konfigurasi berasingan, bukannya identiti yang tersirat dalam nama model.
Untuk penilaian setempat, pengeluar mengesyorkan supaya lebihan memori ditinggalkan untuk penjanaan: kadnya menetapkan minimum 24 GB memori bagi Mac, dan sekurang-kurangnya 24 GB memori GPU serta 24 GB memori sistem bagi persediaan PC. Pengeluar mengesyorkan 32 GB atau lebih dalam kategori memori berkenaan, dengan kira-kira 14 GB untuk model float16 pada Mac. Angka pelaksanaan ini menerangkan persediaan setempat yang diterbitkan. Angka tersebut membantu membezakan saiz kompak model daripada sumber yang diperlukan oleh aplikasi yang mengendalikan input visual.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had rekaai/reka-edge | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 rekaai/reka-edge
Gunakan laluan kaedah yang dipaparkan di atas.
rekaai/reka-edgeReka Edge ialah model penglihatan-bahasa 7B untuk pemahaman imej dan video, pengesanan objek serta aliran kerja alat berpandukan visual. Model ini menerima bahan visual dan teks, menghasilkan teks serta menyediakan format arahan khusus untuk pengesanan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Reka Edge ialah model penglihatan-bahasa kompak Reka AI untuk aplikasi fizikal dan visual. Edisi 2603 yang diterbitkan menerima imej atau video bersama arahan bertulis dan menjana teks; model ini juga menyokong soalan teks sahaja. Tugasan utamanya ialah pemahaman adegan, analisis video, pengesanan objek dan interaksi berorientasikan alat berdasarkan input visual.
Model ini menggabungkan pengekod penglihatan dengan 657 juta parameter dan teras bahasa dengan 6.4 bilion parameter. Pengekod visual konvolusinya menghasilkan 64 token bagi setiap jubin imej. Konfigurasi teks yang diterbitkan menetapkan bilangan kedudukan maksimum 16,384, dengan penskalaan panjang daripada asas 8192 kedudukan. Ini ialah sifat konfigurasi titik semak pengeluar; input visual dan perbualan masih perlu dimuatkan dalam konteks yang digunakan untuk tugasan.
Untuk menjawab soalan visual, bekalkan imej dan tanyakan tentang objek, hubungan atau peristiwa yang khusus. Arahan pemeriksaan yang berguna mengenal pasti perkara yang perlu dibezakan: kedudukan item, keadaan yang kelihatan atau perubahan antara bingkai. Untuk video, sertakan urutan dan huraikan peristiwa yang hendak dicari. Contoh aplikasi pengeluar merangkumi kapsyen media, pengesanan logo, sorotan dan metadata, serta robotik, kamera kenderaan dan bantuan visual.
Pengesanan objek mempunyai arahan pengeluar yang khusus: Detect: diikuti huraian objek. Huraian itu boleh menamakan satu atau beberapa sasaran. Hasil terdokumen mengaitkan label objek dengan koordinat kotak pembatas, menggunakan penanda ref dan bbox. Dalam aplikasi, kekalkan hubungan antara setiap label dengan koordinatnya supaya kawasan yang dikesan dapat diperiksa atau dipaparkan pada imej asal.
Tugasan semakan media yang praktikal boleh meminta peristiwa yang kelihatan, objek yang terlibat dan kapsyen ringkas untuk arkib. Untuk pemeriksaan adegan, takrifkan objek sasaran dan keadaan yang berkaitan sebelum meminta huraian. Bezakan perkara yang diperhatikan model daripada tindakan seterusnya yang dipilih aplikasi. Model membekalkan tafsiran visual atau interaksi alat yang dicadangkan; aplikasi yang mengelilinginya melaksanakan tindakan luaran.
Reka menerbitkan arahan pelaksanaan setempat untuk titik semak ini, termasuk contoh imej, video, pengesanan dan teks sahaja. Kad ini menggunakan templat perbualan model sendiri dan penanda akhir giliran. Contoh setempatnya secara nyata mematikan mod penaakulan yang berasingan: tafsiran visual ialah suatu keupayaan, manakala peringkat pemikiran yang diperlihatkan ialah ciri yang berbeza. Model ini direka untuk penggunaan pada peranti pinggir, di premis dan dalam awan; pelaksanaan terkuantum ialah konfigurasi berasingan, bukannya identiti yang tersirat dalam nama model.
Untuk penilaian setempat, pengeluar mengesyorkan supaya lebihan memori ditinggalkan untuk penjanaan: kadnya menetapkan minimum 24 GB memori bagi Mac, dan sekurang-kurangnya 24 GB memori GPU serta 24 GB memori sistem bagi persediaan PC. Pengeluar mengesyorkan 32 GB atau lebih dalam kategori memori berkenaan, dengan kira-kira 14 GB untuk model float16 pada Mac. Angka pelaksanaan ini menerangkan persediaan setempat yang diterbitkan. Angka tersebut membantu membezakan saiz kompak model daripada sumber yang diperlukan oleh aplikasi yang mengendalikan input visual.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had rekaai/reka-edge | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "rekaai/reka-edge",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 rekaai/reka-edge
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.