ERNIE 4.5 VL 424B-A47B er Baidus chatmodell for bilde og språk, utviklet fra den tilsvarende ERNIE 4.5 VL Base-modellen. Den kombinerer tekstinstruksjoner med visuelt materiale og genererer et tekstsvar. Mixture-of-experts-nettverket har 424 milliarder parametere totalt, med 47 milliarder aktivert for hvert token, og produsenten oppgir en kontekstlengde på 131 072 tokener.
Hovedtrekk ved ERNIE 4.5. Familien bruker en heterogen mixture-of-experts-utforming som deler noe kunnskap mellom språk og syn, samtidig som den beholder modalitetsspesifikk behandling. Baidu beskriver felles multimodal førtrening, effektiv infrastruktur for trening og inferens og ettertrening tilpasset den tiltenkte modaliteten. For VL-modellen ligger vekten på bildeforståelse, oppgavespesifikke visuelle instruksjoner og resonnering som knytter visuelt belegg til språk. Treningen omfatter veiledet finjustering og forsterkningslæring med verifiserbare belønninger.
Modelloversikt. Konfigurasjonen oppgir 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder, med separate ekspertgrupper for tekst og syn. Hver gruppe oppgir 64 eksperter og 8 aktiverte eksperter. Produsentens modelltabell oppgir tekst, bilder og video som inndatamodaliteter for denne utgaven og tekst som utdata. Tenk på resultatet som en tolkning av innholdet som er lagt ved: en beskrivelse, et svar på et visuelt spørsmål eller en begrunnet forklaring av hva materialet underbygger.
Bildeforståelse. Oppgi originalbildet og et eksplisitt spørsmål. For en dokumentside bør du beholde etiketter, kolonneoverskrifter og teksten rundt en omstridt verdi, og deretter be om utvalgte felter med plasseringen på siden som underbygger dem. For en figur bør du angi om målet er å forklare komponentene, følge en prosess eller sammenligne den med en skriftlig spesifikasjon. Be modellen oppgi de synlige etikettene før den trekker en konklusjon, slik at du kan gjennomgå observasjonene separat fra tolkningen.
Multimodal resonnering. Når flere bilder inngår i samme oppgave, bør du merke rollene deres og forklare hvilke detaljer som skal sammenlignes. En nyttig forespørsel kan kombinere et produktbilde med en vedlagt spesifikasjon og be om en liste over synlige samsvar, forskjeller og forhold bildet ikke kan fastslå. For tidsbasert materiale bør du identifisere hendelsen eller endringen du vil forstå, og be om en rekke observasjoner knyttet til de vedlagte bildene eller segmentene. Sluttleveransen bør gjøre det enkelt å undersøke belegget bak en påstått endring.
Resonnering og direkte svar. Baidu beskriver moduser med og uten resonnering for sine bilde- og språkmodeller. Resonnering er egnet for oppgaver som krever analyse på tvers av visuell og tekstlig informasjon; et direkte svar kan passe for en enkel beskrivelse eller et enkelt visuelt spørsmål. Angi tydelig hvilket resultat du trenger, for eksempel et kortfattet svar, en sammenligningstabell eller en forklaring med støttende observasjoner. Modusvalg hører til genereringsoppsettet, fremfor den vanlige ordlyden i en bildeforespørsel.
Klargjør materialet rundt spørsmålet. Bruk lesbare sider og relevante visninger, hold bildemerkingen konsekvent og sett av plass til det ønskede tekstsvaret i konteksten. Be modellen merke uleselig tekst og skille mellom utledede egenskaper og synlige detaljer. Et bilde kan vise en etikett, en form eller en oppstilling, mens svaret også trenger en vedlagt regel eller spesifikasjon. Kontroller viktige uthentede verdier mot originalen, og bruk en ekstra visning når belegget lar en viktig detalj stå uavklart.
", "aboutText": "ERNIE 4.5 VL 424B-A47B er Baidus chatmodell for bilde og språk, utviklet fra den tilsvarende ERNIE 4.5 VL Base-modellen. Den kombinerer tekstinstruksjoner med visuelt materiale og genererer et tekstsvar. Mixture-of-experts-nettverket har 424 milliarder parametere totalt, med 47 milliarder aktivert for hvert token, og produsenten oppgir en kontekstlengde på 131 072 tokener.\n\nHovedtrekk ved ERNIE 4.5. Familien bruker en heterogen mixture-of-experts-utforming som deler noe kunnskap mellom språk og syn, samtidig som den beholder modalitetsspesifikk behandling. Baidu beskriver felles multimodal førtrening, effektiv infrastruktur for trening og inferens og ettertrening tilpasset den tiltenkte modaliteten. For VL-modellen ligger vekten på bildeforståelse, oppgavespesifikke visuelle instruksjoner og resonnering som knytter visuelt belegg til språk. Treningen omfatter veiledet finjustering og forsterkningslæring med verifiserbare belønninger.\n\nModelloversikt. Konfigurasjonen oppgir 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder, med separate ekspertgrupper for tekst og syn. Hver gruppe oppgir 64 eksperter og 8 aktiverte eksperter. Produsentens modelltabell oppgir tekst, bilder og video som inndatamodaliteter for denne utgaven og tekst som utdata. Tenk på resultatet som en tolkning av innholdet som er lagt ved: en beskrivelse, et svar på et visuelt spørsmål eller en begrunnet forklaring av hva materialet underbygger.\n\nBildeforståelse. Oppgi originalbildet og et eksplisitt spørsmål. For en dokumentside bør du beholde etiketter, kolonneoverskrifter og teksten rundt en omstridt verdi, og deretter be om utvalgte felter med plasseringen på siden som underbygger dem. For en figur bør du angi om målet er å forklare komponentene, følge en prosess eller sammenligne den med en skriftlig spesifikasjon. Be modellen oppgi de synlige etikettene før den trekker en konklusjon, slik at du kan gjennomgå observasjonene separat fra tolkningen.\n\nMultimodal resonnering. Når flere bilder inngår i samme oppgave, bør du merke rollene deres og forklare hvilke detaljer som skal sammenlignes. En nyttig forespørsel kan kombinere et produktbilde med en vedlagt spesifikasjon og be om en liste over synlige samsvar, forskjeller og forhold bildet ikke kan fastslå. For tidsbasert materiale bør du identifisere hendelsen eller endringen du vil forstå, og be om en rekke observasjoner knyttet til de vedlagte bildene eller segmentene. Sluttleveransen bør gjøre det enkelt å undersøke belegget bak en påstått endring.\n\nResonnering og direkte svar. Baidu beskriver moduser med og uten resonnering for sine bilde- og språkmodeller. Resonnering er egnet for oppgaver som krever analyse på tvers av visuell og tekstlig informasjon; et direkte svar kan passe for en enkel beskrivelse eller et enkelt visuelt spørsmål. Angi tydelig hvilket resultat du trenger, for eksempel et kortfattet svar, en sammenligningstabell eller en forklaring med støttende observasjoner. Modusvalg hører til genereringsoppsettet, fremfor den vanlige ordlyden i en bildeforespørsel.\n\nKlargjør materialet rundt spørsmålet. Bruk lesbare sider og relevante visninger, hold bildemerkingen konsekvent og sett av plass til det ønskede tekstsvaret i konteksten. Be modellen merke uleselig tekst og skille mellom utledede egenskaper og synlige detaljer. Et bilde kan vise en etikett, en form eller en oppstilling, mens svaret også trenger en vedlagt regel eller spesifikasjon. Kontroller viktige uthentede verdier mot originalen, og bruk en ekstra visning når belegget lar en viktig detalj stå uavklart.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Baidus mixture-of-experts-modell for bilde- og språkforståelse og multimodal resonnering. Den publiserte konfigurasjonen har 424 milliarder parametere totalt, 47 milliarder aktive per token og en kontekst på 131 072 tokener; svarene genereres som tekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
ERNIE 4.5 VL 424B-A47B er Baidus chatmodell for bilde og språk, utviklet fra den tilsvarende ERNIE 4.5 VL Base-modellen. Den kombinerer tekstinstruksjoner med visuelt materiale og genererer et tekstsvar. Mixture-of-experts-nettverket har 424 milliarder parametere totalt, med 47 milliarder aktivert for hvert token, og produsenten oppgir en kontekstlengde på 131 072 tokener.
Hovedtrekk ved ERNIE 4.5. Familien bruker en heterogen mixture-of-experts-utforming som deler noe kunnskap mellom språk og syn, samtidig som den beholder modalitetsspesifikk behandling. Baidu beskriver felles multimodal førtrening, effektiv infrastruktur for trening og inferens og ettertrening tilpasset den tiltenkte modaliteten. For VL-modellen ligger vekten på bildeforståelse, oppgavespesifikke visuelle instruksjoner og resonnering som knytter visuelt belegg til språk. Treningen omfatter veiledet finjustering og forsterkningslæring med verifiserbare belønninger.
Modelloversikt. Konfigurasjonen oppgir 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder, med separate ekspertgrupper for tekst og syn. Hver gruppe oppgir 64 eksperter og 8 aktiverte eksperter. Produsentens modelltabell oppgir tekst, bilder og video som inndatamodaliteter for denne utgaven og tekst som utdata. Tenk på resultatet som en tolkning av innholdet som er lagt ved: en beskrivelse, et svar på et visuelt spørsmål eller en begrunnet forklaring av hva materialet underbygger.
Bildeforståelse. Oppgi originalbildet og et eksplisitt spørsmål. For en dokumentside bør du beholde etiketter, kolonneoverskrifter og teksten rundt en omstridt verdi, og deretter be om utvalgte felter med plasseringen på siden som underbygger dem. For en figur bør du angi om målet er å forklare komponentene, følge en prosess eller sammenligne den med en skriftlig spesifikasjon. Be modellen oppgi de synlige etikettene før den trekker en konklusjon, slik at du kan gjennomgå observasjonene separat fra tolkningen.
Multimodal resonnering. Når flere bilder inngår i samme oppgave, bør du merke rollene deres og forklare hvilke detaljer som skal sammenlignes. En nyttig forespørsel kan kombinere et produktbilde med en vedlagt spesifikasjon og be om en liste over synlige samsvar, forskjeller og forhold bildet ikke kan fastslå. For tidsbasert materiale bør du identifisere hendelsen eller endringen du vil forstå, og be om en rekke observasjoner knyttet til de vedlagte bildene eller segmentene. Sluttleveransen bør gjøre det enkelt å undersøke belegget bak en påstått endring.
Resonnering og direkte svar. Baidu beskriver moduser med og uten resonnering for sine bilde- og språkmodeller. Resonnering er egnet for oppgaver som krever analyse på tvers av visuell og tekstlig informasjon; et direkte svar kan passe for en enkel beskrivelse eller et enkelt visuelt spørsmål. Angi tydelig hvilket resultat du trenger, for eksempel et kortfattet svar, en sammenligningstabell eller en forklaring med støttende observasjoner. Modusvalg hører til genereringsoppsettet, fremfor den vanlige ordlyden i en bildeforespørsel.
Klargjør materialet rundt spørsmålet. Bruk lesbare sider og relevante visninger, hold bildemerkingen konsekvent og sett av plass til det ønskede tekstsvaret i konteksten. Be modellen merke uleselig tekst og skille mellom utledede egenskaper og synlige detaljer. Et bilde kan vise en etikett, en form eller en oppstilling, mens svaret også trenger en vedlagt regel eller spesifikasjon. Kontroller viktige uthentede verdier mot originalen, og bruk en ekstra visning når belegget lar en viktig detalj stå uavklart.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baidu/ernie-4.5-vl-424b-a47b | 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 $0.000858 / 1K tokener Utdata · Utgående tokener $0.00258 / 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-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 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-424b-a47b
Bruk metodestiene som vises ovenfor.
baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B er Baidus mixture-of-experts-modell for bilde- og språkforståelse og multimodal resonnering. Den publiserte konfigurasjonen har 424 milliarder parametere totalt, 47 milliarder aktive per token og en kontekst på 131 072 tokener; svarene genereres som tekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
ERNIE 4.5 VL 424B-A47B er Baidus chatmodell for bilde og språk, utviklet fra den tilsvarende ERNIE 4.5 VL Base-modellen. Den kombinerer tekstinstruksjoner med visuelt materiale og genererer et tekstsvar. Mixture-of-experts-nettverket har 424 milliarder parametere totalt, med 47 milliarder aktivert for hvert token, og produsenten oppgir en kontekstlengde på 131 072 tokener.
Hovedtrekk ved ERNIE 4.5. Familien bruker en heterogen mixture-of-experts-utforming som deler noe kunnskap mellom språk og syn, samtidig som den beholder modalitetsspesifikk behandling. Baidu beskriver felles multimodal førtrening, effektiv infrastruktur for trening og inferens og ettertrening tilpasset den tiltenkte modaliteten. For VL-modellen ligger vekten på bildeforståelse, oppgavespesifikke visuelle instruksjoner og resonnering som knytter visuelt belegg til språk. Treningen omfatter veiledet finjustering og forsterkningslæring med verifiserbare belønninger.
Modelloversikt. Konfigurasjonen oppgir 54 lag, 64 oppmerksomhetshoder for spørringer og 8 nøkkel-/verdihoder, med separate ekspertgrupper for tekst og syn. Hver gruppe oppgir 64 eksperter og 8 aktiverte eksperter. Produsentens modelltabell oppgir tekst, bilder og video som inndatamodaliteter for denne utgaven og tekst som utdata. Tenk på resultatet som en tolkning av innholdet som er lagt ved: en beskrivelse, et svar på et visuelt spørsmål eller en begrunnet forklaring av hva materialet underbygger.
Bildeforståelse. Oppgi originalbildet og et eksplisitt spørsmål. For en dokumentside bør du beholde etiketter, kolonneoverskrifter og teksten rundt en omstridt verdi, og deretter be om utvalgte felter med plasseringen på siden som underbygger dem. For en figur bør du angi om målet er å forklare komponentene, følge en prosess eller sammenligne den med en skriftlig spesifikasjon. Be modellen oppgi de synlige etikettene før den trekker en konklusjon, slik at du kan gjennomgå observasjonene separat fra tolkningen.
Multimodal resonnering. Når flere bilder inngår i samme oppgave, bør du merke rollene deres og forklare hvilke detaljer som skal sammenlignes. En nyttig forespørsel kan kombinere et produktbilde med en vedlagt spesifikasjon og be om en liste over synlige samsvar, forskjeller og forhold bildet ikke kan fastslå. For tidsbasert materiale bør du identifisere hendelsen eller endringen du vil forstå, og be om en rekke observasjoner knyttet til de vedlagte bildene eller segmentene. Sluttleveransen bør gjøre det enkelt å undersøke belegget bak en påstått endring.
Resonnering og direkte svar. Baidu beskriver moduser med og uten resonnering for sine bilde- og språkmodeller. Resonnering er egnet for oppgaver som krever analyse på tvers av visuell og tekstlig informasjon; et direkte svar kan passe for en enkel beskrivelse eller et enkelt visuelt spørsmål. Angi tydelig hvilket resultat du trenger, for eksempel et kortfattet svar, en sammenligningstabell eller en forklaring med støttende observasjoner. Modusvalg hører til genereringsoppsettet, fremfor den vanlige ordlyden i en bildeforespørsel.
Klargjør materialet rundt spørsmålet. Bruk lesbare sider og relevante visninger, hold bildemerkingen konsekvent og sett av plass til det ønskede tekstsvaret i konteksten. Be modellen merke uleselig tekst og skille mellom utledede egenskaper og synlige detaljer. Et bilde kan vise en etikett, en form eller en oppstilling, mens svaret også trenger en vedlagt regel eller spesifikasjon. Kontroller viktige uthentede verdier mot originalen, og bruk en ekstra visning når belegget lar en viktig detalj stå uavklart.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser baidu/ernie-4.5-vl-424b-a47b | 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 $0.000858 / 1K tokener Utdata · Utgående tokener $0.00258 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "baidu/ernie-4.5-vl-424b-a47b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-424b-a47b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.