Doubao 1.5 Thinking Vision Pro 250428 er den nøyaktige tjenesteidentiteten ByteDance oppgir for Seed1.5-VL. Det er en modell for bilde og språk for generell multimodal forståelse og resonnering. Funksjonene produsenten beskriver, omfatter OCR, figurforståelse, visuell forankring, romlig 3D-forståelse, videoforståelse og visuell resonnering. Disse oppgavene returnerer tolkninger og beslutninger basert på visuelt materiale og et skriftlig spørsmål.
Oppgi bildet og identifiser informasjonen som skal trekkes ut eller forklares. For et dokumentbilde bør du angi teksten eller feltene som er viktige. For en figur bør du spørre om konkrete etiketter og sammenhenger. For en visuell gåte bør du angi spørsmålet og be om en konklusjon støttet av de relevante ledetrådene.
Hold den forespurte leveransen tydelig: transkribert tekst, en beskrivelse av en sammenheng eller en forklaring av et svar. Hvis bildet inneholder utydelig skrift eller skjulte detaljer, bør du be svaret identifisere usikkerheten. Behold originalbildet sammen med resultatet, slik at uthentede ord og tolkede sammenhenger kan kontrolleres.
Visuell forankring knytter en skriftlig referanse til det relevante objektet eller området i et bilde. En nyttig oppgave kan navngi objektet, forklare skillet fra objekter i nærheten og be om stedsinformasjonen applikasjonen forventer. Applikasjonens utdataformat bør definere hvordan en slik plassering representeres.
For romlig forståelse bør du beskrive hvilke sammenhenger som er viktige: relativ posisjon, orientering eller oppstillingen av objekter i scenen. Be om det synlige belegget før den endelige tolkningen. Behold et skille mellom bildets observerbare egenskaper og en utledet tredimensjonal sammenheng.
Produsenten oppgir også videoforståelse og gir en dedikert oppskriftsveiledning for video. Et videospørsmål bør angi den aktuelle hendelsen, objektet eller sekvensen og resultatet som skal produseres. Bruk tidsreferanser i spørsmålet og behold kildeklippet sammen med svaret når du kontrollerer et hendelsesforløp.
De interaktive demonstrasjonene omfatter GUI-styring og spilling. I en applikasjon for datamaskinbruk støtter modellens visuelle forståelse en beslutning om skjermen, mens applikasjonen rundt modellen utfører handlinger og oppgir neste observasjon. Å beskrive en kontroll eller bestemme neste handling fastslår ikke i seg selv at en fil er lagret eller en skjermoperasjon er fullført.
ByteDance identifiserer modellen med en bildekoder på 532M parametere og en mixture-of-experts-språkmodell med 20B aktive parametere. Oppskriftsveiledningen skiller mellom kontroller for lang tankekjede, forankring, romlig forståelse, video og GUI-eksempler. Bruk den nøyaktige grensesnittkontrakten for inndataene og utdatarepresentasjonen en oppgave trenger.
Denne oppføringen beholder 250428-utgaven som er navngitt i produsentens kodebase. Den tidligere 250415 Thinking Pro Vision-profilen er en separat identitet. Behold den forespurte modellen, de visuelle kildene og oppgaveinnstillingene sammen med hvert resultat, slik at en senere revisjon kan sammenlignes med den samme utgaven og det samme belegget.
", "aboutText": "Doubao 1.5 Thinking Vision Pro 250428 er den nøyaktige tjenesteidentiteten ByteDance oppgir for Seed1.5-VL. Det er en modell for bilde og språk for generell multimodal forståelse og resonnering. Funksjonene produsenten beskriver, omfatter OCR, figurforståelse, visuell forankring, romlig 3D-forståelse, videoforståelse og visuell resonnering. Disse oppgavene returnerer tolkninger og beslutninger basert på visuelt materiale og et skriftlig spørsmål.\n\n### Les og tolk den visuelle kilden\n\nOppgi bildet og identifiser informasjonen som skal trekkes ut eller forklares. For et dokumentbilde bør du angi teksten eller feltene som er viktige. For en figur bør du spørre om konkrete etiketter og sammenhenger. For en visuell gåte bør du angi spørsmålet og be om en konklusjon støttet av de relevante ledetrådene.\n\nHold den forespurte leveransen tydelig: transkribert tekst, en beskrivelse av en sammenheng eller en forklaring av et svar. Hvis bildet inneholder utydelig skrift eller skjulte detaljer, bør du be svaret identifisere usikkerheten. Behold originalbildet sammen med resultatet, slik at uthentede ord og tolkede sammenhenger kan kontrolleres.\n\n### Forankre et spørsmål i objekter og rom\n\nVisuell forankring knytter en skriftlig referanse til det relevante objektet eller området i et bilde. En nyttig oppgave kan navngi objektet, forklare skillet fra objekter i nærheten og be om stedsinformasjonen applikasjonen forventer. Applikasjonens utdataformat bør definere hvordan en slik plassering representeres.\n\nFor romlig forståelse bør du beskrive hvilke sammenhenger som er viktige: relativ posisjon, orientering eller oppstillingen av objekter i scenen. Be om det synlige belegget før den endelige tolkningen. Behold et skille mellom bildets observerbare egenskaper og en utledet tredimensjonal sammenheng.\n\n### Arbeid med video og interaktive oppgaver\n\nProdusenten oppgir også videoforståelse og gir en dedikert oppskriftsveiledning for video. Et videospørsmål bør angi den aktuelle hendelsen, objektet eller sekvensen og resultatet som skal produseres. Bruk tidsreferanser i spørsmålet og behold kildeklippet sammen med svaret når du kontrollerer et hendelsesforløp.\n\nDe interaktive demonstrasjonene omfatter GUI-styring og spilling. I en applikasjon for datamaskinbruk støtter modellens visuelle forståelse en beslutning om skjermen, mens applikasjonen rundt modellen utfører handlinger og oppgir neste observasjon. Å beskrive en kontroll eller bestemme neste handling fastslår ikke i seg selv at en fil er lagret eller en skjermoperasjon er fullført.\n\n### Bevar utgaven og grensesnittinnstillingene\n\nByteDance identifiserer modellen med en bildekoder på 532M parametere og en mixture-of-experts-språkmodell med 20B aktive parametere. Oppskriftsveiledningen skiller mellom kontroller for lang tankekjede, forankring, romlig forståelse, video og GUI-eksempler. Bruk den nøyaktige grensesnittkontrakten for inndataene og utdatarepresentasjonen en oppgave trenger.\n\nDenne oppføringen beholder 250428-utgaven som er navngitt i produsentens kodebase. Den tidligere 250415 Thinking Pro Vision-profilen er en separat identitet. Behold den forespurte modellen, de visuelle kildene og oppgaveinnstillingene sammen med hvert resultat, slik at en senere revisjon kan sammenlignes med den samme utgaven og det samme belegget.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 er den navngitte Seed1.5-VL-utgaven for bilde og språk, beregnet på bilder, video og skriftlige spørsmål. Produsenten beskriver OCR, figurtolkning, visuell forankring, romlig forståelse og resonnering rundt visuelt belegg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Doubao 1.5 Thinking Vision Pro 250428 er den nøyaktige tjenesteidentiteten ByteDance oppgir for Seed1.5-VL. Det er en modell for bilde og språk for generell multimodal forståelse og resonnering. Funksjonene produsenten beskriver, omfatter OCR, figurforståelse, visuell forankring, romlig 3D-forståelse, videoforståelse og visuell resonnering. Disse oppgavene returnerer tolkninger og beslutninger basert på visuelt materiale og et skriftlig spørsmål.
Oppgi bildet og identifiser informasjonen som skal trekkes ut eller forklares. For et dokumentbilde bør du angi teksten eller feltene som er viktige. For en figur bør du spørre om konkrete etiketter og sammenhenger. For en visuell gåte bør du angi spørsmålet og be om en konklusjon støttet av de relevante ledetrådene.
Hold den forespurte leveransen tydelig: transkribert tekst, en beskrivelse av en sammenheng eller en forklaring av et svar. Hvis bildet inneholder utydelig skrift eller skjulte detaljer, bør du be svaret identifisere usikkerheten. Behold originalbildet sammen med resultatet, slik at uthentede ord og tolkede sammenhenger kan kontrolleres.
Visuell forankring knytter en skriftlig referanse til det relevante objektet eller området i et bilde. En nyttig oppgave kan navngi objektet, forklare skillet fra objekter i nærheten og be om stedsinformasjonen applikasjonen forventer. Applikasjonens utdataformat bør definere hvordan en slik plassering representeres.
For romlig forståelse bør du beskrive hvilke sammenhenger som er viktige: relativ posisjon, orientering eller oppstillingen av objekter i scenen. Be om det synlige belegget før den endelige tolkningen. Behold et skille mellom bildets observerbare egenskaper og en utledet tredimensjonal sammenheng.
Produsenten oppgir også videoforståelse og gir en dedikert oppskriftsveiledning for video. Et videospørsmål bør angi den aktuelle hendelsen, objektet eller sekvensen og resultatet som skal produseres. Bruk tidsreferanser i spørsmålet og behold kildeklippet sammen med svaret når du kontrollerer et hendelsesforløp.
De interaktive demonstrasjonene omfatter GUI-styring og spilling. I en applikasjon for datamaskinbruk støtter modellens visuelle forståelse en beslutning om skjermen, mens applikasjonen rundt modellen utfører handlinger og oppgir neste observasjon. Å beskrive en kontroll eller bestemme neste handling fastslår ikke i seg selv at en fil er lagret eller en skjermoperasjon er fullført.
ByteDance identifiserer modellen med en bildekoder på 532M parametere og en mixture-of-experts-språkmodell med 20B aktive parametere. Oppskriftsveiledningen skiller mellom kontroller for lang tankekjede, forankring, romlig forståelse, video og GUI-eksempler. Bruk den nøyaktige grensesnittkontrakten for inndataene og utdatarepresentasjonen en oppgave trenger.
Denne oppføringen beholder 250428-utgaven som er navngitt i produsentens kodebase. Den tidligere 250415 Thinking Pro Vision-profilen er en separat identitet. Behold den forespurte modellen, de visuelle kildene og oppgaveinnstillingene sammen med hvert resultat, slik at en senere revisjon kan sammenlignes med den samme utgaven og det samme belegget.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K tokener Utdata · Utgående tokener $0.00286 / 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": "doubao-1-5-thinking-vision-pro-250428", "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='doubao-1-5-thinking-vision-pro-250428',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='doubao-1-5-thinking-vision-pro-250428',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 doubao-1-5-thinking-vision-pro-250428
Bruk metodestiene som vises ovenfor.
doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 er den navngitte Seed1.5-VL-utgaven for bilde og språk, beregnet på bilder, video og skriftlige spørsmål. Produsenten beskriver OCR, figurtolkning, visuell forankring, romlig forståelse og resonnering rundt visuelt belegg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Doubao 1.5 Thinking Vision Pro 250428 er den nøyaktige tjenesteidentiteten ByteDance oppgir for Seed1.5-VL. Det er en modell for bilde og språk for generell multimodal forståelse og resonnering. Funksjonene produsenten beskriver, omfatter OCR, figurforståelse, visuell forankring, romlig 3D-forståelse, videoforståelse og visuell resonnering. Disse oppgavene returnerer tolkninger og beslutninger basert på visuelt materiale og et skriftlig spørsmål.
Oppgi bildet og identifiser informasjonen som skal trekkes ut eller forklares. For et dokumentbilde bør du angi teksten eller feltene som er viktige. For en figur bør du spørre om konkrete etiketter og sammenhenger. For en visuell gåte bør du angi spørsmålet og be om en konklusjon støttet av de relevante ledetrådene.
Hold den forespurte leveransen tydelig: transkribert tekst, en beskrivelse av en sammenheng eller en forklaring av et svar. Hvis bildet inneholder utydelig skrift eller skjulte detaljer, bør du be svaret identifisere usikkerheten. Behold originalbildet sammen med resultatet, slik at uthentede ord og tolkede sammenhenger kan kontrolleres.
Visuell forankring knytter en skriftlig referanse til det relevante objektet eller området i et bilde. En nyttig oppgave kan navngi objektet, forklare skillet fra objekter i nærheten og be om stedsinformasjonen applikasjonen forventer. Applikasjonens utdataformat bør definere hvordan en slik plassering representeres.
For romlig forståelse bør du beskrive hvilke sammenhenger som er viktige: relativ posisjon, orientering eller oppstillingen av objekter i scenen. Be om det synlige belegget før den endelige tolkningen. Behold et skille mellom bildets observerbare egenskaper og en utledet tredimensjonal sammenheng.
Produsenten oppgir også videoforståelse og gir en dedikert oppskriftsveiledning for video. Et videospørsmål bør angi den aktuelle hendelsen, objektet eller sekvensen og resultatet som skal produseres. Bruk tidsreferanser i spørsmålet og behold kildeklippet sammen med svaret når du kontrollerer et hendelsesforløp.
De interaktive demonstrasjonene omfatter GUI-styring og spilling. I en applikasjon for datamaskinbruk støtter modellens visuelle forståelse en beslutning om skjermen, mens applikasjonen rundt modellen utfører handlinger og oppgir neste observasjon. Å beskrive en kontroll eller bestemme neste handling fastslår ikke i seg selv at en fil er lagret eller en skjermoperasjon er fullført.
ByteDance identifiserer modellen med en bildekoder på 532M parametere og en mixture-of-experts-språkmodell med 20B aktive parametere. Oppskriftsveiledningen skiller mellom kontroller for lang tankekjede, forankring, romlig forståelse, video og GUI-eksempler. Bruk den nøyaktige grensesnittkontrakten for inndataene og utdatarepresentasjonen en oppgave trenger.
Denne oppføringen beholder 250428-utgaven som er navngitt i produsentens kodebase. Den tidligere 250415 Thinking Pro Vision-profilen er en separat identitet. Behold den forespurte modellen, de visuelle kildene og oppgaveinnstillingene sammen med hvert resultat, slik at en senere revisjon kan sammenlignes med den samme utgaven og det samme belegget.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K tokener Utdata · Utgående tokener $0.00286 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'doubao-1-5-thinking-vision-pro-250428', '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': 'doubao-1-5-thinking-vision-pro-250428', '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 doubao-1-5-thinking-vision-pro-250428
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.