ERNIE-4.5-VL-28B-A3B er Baidus ettertrente modell for bilde og språk i ERNIE 4.5-familien. Grunnlaget kombinerer tekstlig og visuell førtrening med en heterogen mixture-of-experts-arkitektur. Modalitetsisolert ruting og balanserte treningsmål støtter samspillet mellom språk og syn, samtidig som representasjonene deres holdes atskilt. Den resulterende modellen tar imot tekst og bilder og produserer et tekstsvar forankret i det visuelle materialet som er lagt ved. Baidus offisielle modelltabell oppgir også video sammen med tekst og bilder som inndata for denne VL-utgaven; utdataene er fortsatt tekst.
Ettertreningen legger vekt på bildeforståelse, oppgavespesifikk tilpasning og multimodal resonnering. Familien bruker veiledet finjustering og preferansebasert optimalisering, mens denne VL-utgaven også bruker forsterkningslæring med verifiserbare belønninger. Moduser med og uten resonnering gir ulike måter å behandle den visuelle oppgaven på. Modusen tilhører bilde- og språkutgaven og erstatter ikke den separat navngitte tekstmodellen Thinking.
Konfigurasjonen har 28 milliarder parametere totalt og 3 milliarder aktivert for hvert token. Den omfatter 28 lag, 20 spørringshoder og fire nøkkel-/verdihoder. Ekspertkonfigurasjonene for tekst og syn oppgir hver 64 eksperter med seks valgte, sammen med to delte eksperter. Den publiserte modellkonfigurasjonen oppgir et kontekstvindu på 131 072 tokener. Baidus separat konfigurerte tjenesteoppføring beskriver en kontekst på 32K for den samme navngitte VL-linjen, så modellkonfigurasjonen og grensene for den driftede tjenesten er forskjellige numeriske spesifikasjoner.
For et dokumentbilde bør du definere informasjonen som skal finnes: den relevante overskriften, en tabelloppføring, en forklaring av en figur eller en sammenligning av synlige seksjoner. For et grensesnittskjermbilde bør du angi brukerens mål og be om en forklaring av de synlige komponentene eller forholdet deres til kravet. For et produktbilde bør du be om en beskrivelse av objektene og egenskapene som faktisk vises. Hvis flere bilder utgjør én oppgave, bør du merke rekkefølgen og bruke de samme kriteriene, slik at svaret kan sammenligne dem konsekvent.
Ved en oppgave som kombinerer bilde og språk, bør du kombinere det visuelle materialet med et konkret skriftlig mål. Velg tekstleveransen før analysen: en forklaring, en egenskapstabell, en beskrivelse eller en liste med observasjoner. Be om de synlige detaljene som støtter hver konklusjon, og skill dem fra tolkningen. Når en liten etikett eller et område er viktig, bør du oppgi et lesbart kildebilde og identifisere det aktuelle området. Dette knytter svaret til materialet som kan gjennomgås.
Baidus brukseksempel kombinerer tekst med et bilde og velger modusen uten resonnering i prosessoren. Produsenten distribuerer egne vektformater for ulike kjørerammeverk og utgir ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten beholder sitt bilde- og språkformål, sine moduser og sin konfigurasjon separat fra ERNIE-utgaver som bare bruker tekst. Det verifiserte modellkortet fastslår verken en separat maksimal grense for utdata-tokener eller en innebygd grense for videovarighet.
", "aboutText": "ERNIE-4.5-VL-28B-A3B er Baidus ettertrente modell for bilde og språk i ERNIE 4.5-familien. Grunnlaget kombinerer tekstlig og visuell førtrening med en heterogen mixture-of-experts-arkitektur. Modalitetsisolert ruting og balanserte treningsmål støtter samspillet mellom språk og syn, samtidig som representasjonene deres holdes atskilt. Den resulterende modellen tar imot tekst og bilder og produserer et tekstsvar forankret i det visuelle materialet som er lagt ved. Baidus offisielle modelltabell oppgir også video sammen med tekst og bilder som inndata for denne VL-utgaven; utdataene er fortsatt tekst.\n\nEttertreningen legger vekt på bildeforståelse, oppgavespesifikk tilpasning og multimodal resonnering. Familien bruker veiledet finjustering og preferansebasert optimalisering, mens denne VL-utgaven også bruker forsterkningslæring med verifiserbare belønninger. Moduser med og uten resonnering gir ulike måter å behandle den visuelle oppgaven på. Modusen tilhører bilde- og språkutgaven og erstatter ikke den separat navngitte tekstmodellen Thinking.\n\nKonfigurasjonen har 28 milliarder parametere totalt og 3 milliarder aktivert for hvert token. Den omfatter 28 lag, 20 spørringshoder og fire nøkkel-/verdihoder. Ekspertkonfigurasjonene for tekst og syn oppgir hver 64 eksperter med seks valgte, sammen med to delte eksperter. Den publiserte modellkonfigurasjonen oppgir et kontekstvindu på 131 072 tokener. Baidus separat konfigurerte tjenesteoppføring beskriver en kontekst på 32K for den samme navngitte VL-linjen, så modellkonfigurasjonen og grensene for den driftede tjenesten er forskjellige numeriske spesifikasjoner.\n\nFor et dokumentbilde bør du definere informasjonen som skal finnes: den relevante overskriften, en tabelloppføring, en forklaring av en figur eller en sammenligning av synlige seksjoner. For et grensesnittskjermbilde bør du angi brukerens mål og be om en forklaring av de synlige komponentene eller forholdet deres til kravet. For et produktbilde bør du be om en beskrivelse av objektene og egenskapene som faktisk vises. Hvis flere bilder utgjør én oppgave, bør du merke rekkefølgen og bruke de samme kriteriene, slik at svaret kan sammenligne dem konsekvent.\n\nVed en oppgave som kombinerer bilde og språk, bør du kombinere det visuelle materialet med et konkret skriftlig mål. Velg tekstleveransen før analysen: en forklaring, en egenskapstabell, en beskrivelse eller en liste med observasjoner. Be om de synlige detaljene som støtter hver konklusjon, og skill dem fra tolkningen. Når en liten etikett eller et område er viktig, bør du oppgi et lesbart kildebilde og identifisere det aktuelle området. Dette knytter svaret til materialet som kan gjennomgås.\n\nBaidus brukseksempel kombinerer tekst med et bilde og velger modusen uten resonnering i prosessoren. Produsenten distribuerer egne vektformater for ulike kjørerammeverk og utgir ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten beholder sitt bilde- og språkformål, sine moduser og sin konfigurasjon separat fra ERNIE-utgaver som bare bruker tekst. Det verifiserte modellkortet fastslår verken en separat maksimal grense for utdata-tokener eller en innebygd grense for videovarighet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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-a3bBaidus ERNIE 4.5-modell for bilde og språk knytter tekstspørsmål til bildeinnhold og returnerer tekst. Den bruker en mixture-of-experts-arkitektur på 28B/3B og støtter moduser med og uten resonnering, med egne kontekstgrenser for modellutgaven og den driftede tjenesten.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
ERNIE-4.5-VL-28B-A3B er Baidus ettertrente modell for bilde og språk i ERNIE 4.5-familien. Grunnlaget kombinerer tekstlig og visuell førtrening med en heterogen mixture-of-experts-arkitektur. Modalitetsisolert ruting og balanserte treningsmål støtter samspillet mellom språk og syn, samtidig som representasjonene deres holdes atskilt. Den resulterende modellen tar imot tekst og bilder og produserer et tekstsvar forankret i det visuelle materialet som er lagt ved. Baidus offisielle modelltabell oppgir også video sammen med tekst og bilder som inndata for denne VL-utgaven; utdataene er fortsatt tekst.
Ettertreningen legger vekt på bildeforståelse, oppgavespesifikk tilpasning og multimodal resonnering. Familien bruker veiledet finjustering og preferansebasert optimalisering, mens denne VL-utgaven også bruker forsterkningslæring med verifiserbare belønninger. Moduser med og uten resonnering gir ulike måter å behandle den visuelle oppgaven på. Modusen tilhører bilde- og språkutgaven og erstatter ikke den separat navngitte tekstmodellen Thinking.
Konfigurasjonen har 28 milliarder parametere totalt og 3 milliarder aktivert for hvert token. Den omfatter 28 lag, 20 spørringshoder og fire nøkkel-/verdihoder. Ekspertkonfigurasjonene for tekst og syn oppgir hver 64 eksperter med seks valgte, sammen med to delte eksperter. Den publiserte modellkonfigurasjonen oppgir et kontekstvindu på 131 072 tokener. Baidus separat konfigurerte tjenesteoppføring beskriver en kontekst på 32K for den samme navngitte VL-linjen, så modellkonfigurasjonen og grensene for den driftede tjenesten er forskjellige numeriske spesifikasjoner.
For et dokumentbilde bør du definere informasjonen som skal finnes: den relevante overskriften, en tabelloppføring, en forklaring av en figur eller en sammenligning av synlige seksjoner. For et grensesnittskjermbilde bør du angi brukerens mål og be om en forklaring av de synlige komponentene eller forholdet deres til kravet. For et produktbilde bør du be om en beskrivelse av objektene og egenskapene som faktisk vises. Hvis flere bilder utgjør én oppgave, bør du merke rekkefølgen og bruke de samme kriteriene, slik at svaret kan sammenligne dem konsekvent.
Ved en oppgave som kombinerer bilde og språk, bør du kombinere det visuelle materialet med et konkret skriftlig mål. Velg tekstleveransen før analysen: en forklaring, en egenskapstabell, en beskrivelse eller en liste med observasjoner. Be om de synlige detaljene som støtter hver konklusjon, og skill dem fra tolkningen. Når en liten etikett eller et område er viktig, bør du oppgi et lesbart kildebilde og identifisere det aktuelle området. Dette knytter svaret til materialet som kan gjennomgås.
Baidus brukseksempel kombinerer tekst med et bilde og velger modusen uten resonnering i prosessoren. Produsenten distribuerer egne vektformater for ulike kjørerammeverk og utgir ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten beholder sitt bilde- og språkformål, sine moduser og sin konfigurasjon separat fra ERNIE-utgaver som bare bruker tekst. Det verifiserte modellkortet fastslår verken en separat maksimal grense for utdata-tokener eller en innebygd grense for videovarighet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baidu/ernie-4.5-vl-28b-a3b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000286 / 1K tokener Utdata · Utgående tokener $0.001144 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Bruk metodestiene som vises ovenfor.
baidu/ernie-4.5-vl-28b-a3bBaidus ERNIE 4.5-modell for bilde og språk knytter tekstspørsmål til bildeinnhold og returnerer tekst. Den bruker en mixture-of-experts-arkitektur på 28B/3B og støtter moduser med og uten resonnering, med egne kontekstgrenser for modellutgaven og den driftede tjenesten.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
ERNIE-4.5-VL-28B-A3B er Baidus ettertrente modell for bilde og språk i ERNIE 4.5-familien. Grunnlaget kombinerer tekstlig og visuell førtrening med en heterogen mixture-of-experts-arkitektur. Modalitetsisolert ruting og balanserte treningsmål støtter samspillet mellom språk og syn, samtidig som representasjonene deres holdes atskilt. Den resulterende modellen tar imot tekst og bilder og produserer et tekstsvar forankret i det visuelle materialet som er lagt ved. Baidus offisielle modelltabell oppgir også video sammen med tekst og bilder som inndata for denne VL-utgaven; utdataene er fortsatt tekst.
Ettertreningen legger vekt på bildeforståelse, oppgavespesifikk tilpasning og multimodal resonnering. Familien bruker veiledet finjustering og preferansebasert optimalisering, mens denne VL-utgaven også bruker forsterkningslæring med verifiserbare belønninger. Moduser med og uten resonnering gir ulike måter å behandle den visuelle oppgaven på. Modusen tilhører bilde- og språkutgaven og erstatter ikke den separat navngitte tekstmodellen Thinking.
Konfigurasjonen har 28 milliarder parametere totalt og 3 milliarder aktivert for hvert token. Den omfatter 28 lag, 20 spørringshoder og fire nøkkel-/verdihoder. Ekspertkonfigurasjonene for tekst og syn oppgir hver 64 eksperter med seks valgte, sammen med to delte eksperter. Den publiserte modellkonfigurasjonen oppgir et kontekstvindu på 131 072 tokener. Baidus separat konfigurerte tjenesteoppføring beskriver en kontekst på 32K for den samme navngitte VL-linjen, så modellkonfigurasjonen og grensene for den driftede tjenesten er forskjellige numeriske spesifikasjoner.
For et dokumentbilde bør du definere informasjonen som skal finnes: den relevante overskriften, en tabelloppføring, en forklaring av en figur eller en sammenligning av synlige seksjoner. For et grensesnittskjermbilde bør du angi brukerens mål og be om en forklaring av de synlige komponentene eller forholdet deres til kravet. For et produktbilde bør du be om en beskrivelse av objektene og egenskapene som faktisk vises. Hvis flere bilder utgjør én oppgave, bør du merke rekkefølgen og bruke de samme kriteriene, slik at svaret kan sammenligne dem konsekvent.
Ved en oppgave som kombinerer bilde og språk, bør du kombinere det visuelle materialet med et konkret skriftlig mål. Velg tekstleveransen før analysen: en forklaring, en egenskapstabell, en beskrivelse eller en liste med observasjoner. Be om de synlige detaljene som støtter hver konklusjon, og skill dem fra tolkningen. Når en liten etikett eller et område er viktig, bør du oppgi et lesbart kildebilde og identifisere det aktuelle området. Dette knytter svaret til materialet som kan gjennomgås.
Baidus brukseksempel kombinerer tekst med et bilde og velger modusen uten resonnering i prosessoren. Produsenten distribuerer egne vektformater for ulike kjørerammeverk og utgir ERNIE 4.5-samlingen under Apache 2.0. VL-28B-A3B-identiteten beholder sitt bilde- og språkformål, sine moduser og sin konfigurasjon separat fra ERNIE-utgaver som bare bruker tekst. Det verifiserte modellkortet fastslår verken en separat maksimal grense for utdata-tokener eller en innebygd grense for videovarighet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baidu/ernie-4.5-vl-28b-a3b | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000286 / 1K tokener Utdata · Utgående tokener $0.001144 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "baidu/ernie-4.5-vl-28b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.