ERNIE-4.5-VL-28B-A3B is de verder getrainde visuele taalvariant van Baidu binnen de ERNIE 4.5-familie. De basis combineert tekstuele en visuele pretraining met een heterogene mixture of experts. Routing die modaliteiten gescheiden houdt en evenwichtige trainingsdoelstellingen ondersteunen de wisselwerking tussen taal en beeld, terwijl hun representaties onderscheiden blijven. Het resulterende model accepteert tekst en afbeeldingen en produceert een tekstantwoord op basis van het aangeleverde visuele materiaal. De officiële modeltabel van Baidu vermeldt voor deze VL-editie ook video naast tekst- en beeldinvoer; de uitvoer blijft tekst.
De natraining legt de nadruk op beeldbegrip, taakspecifieke aanpassing en multimodaal redeneren. De familie gebruikt supervised fine-tuning en optimalisatie op basis van voorkeuren, terwijl deze VL-editie ook reinforcement learning met verifieerbare beloningen omvat. Modi met en zonder redenering bieden verschillende manieren om de visuele taak te verwerken. De modus behoort tot de visuele taalversie en vervangt het afzonderlijk benoemde tekstmodel Thinking niet.
De configuratie heeft in totaal 28 miljard parameters, waarvan voor elk token 3 miljard worden geactiveerd. Ze bevat 28 lagen, 20 query-heads en vier key/value-heads. De expertconfiguraties voor tekst en beeld vermelden elk 64 experts waarvan er zes worden geselecteerd, samen met twee gedeelde experts. De gepubliceerde modelconfiguratie geeft een contextvenster van 131.072 tokens. De afzonderlijk geconfigureerde gehoste vermelding van Baidu beschrijft een context van 32K voor dezelfde benoemde VL-lijn, zodat de modelconfiguratie en de limieten van de gehoste dienst afzonderlijke numerieke specificaties blijven.
Definieer bij een documentafbeelding welke informatie gezocht moet worden: de relevante kop, een tabelwaarde, een uitleg van een diagram of een vergelijking van zichtbare secties. Vermeld bij een interfaceschermafbeelding het doel van de gebruiker en vraag om uitleg van de zichtbare componenten of hun relatie met de vereiste. Vraag bij een productfoto om een beschrijving van de voorwerpen en kenmerken die daadwerkelijk worden getoond. Als meerdere afbeeldingen één taak vormen, label dan hun volgorde en gebruik dezelfde criteria, zodat het antwoord ze consistent kan vergelijken.
Koppel het visuele materiaal voor een visuele taaltaak aan een concrete geschreven doelstelling. Kies vóór de analyse het tekstuele resultaat: een uitleg, een kenmerkentabel, een beschrijving of een lijst met waarnemingen. Vraag om de zichtbare details die elke conclusie ondersteunen en onderscheid die van interpretatie. Wanneer een klein label of gebied van belang is, geef dan een leesbare bronafbeelding mee en identificeer het aandachtsgebied. Zo blijft het antwoord verbonden met het materiaal dat kan worden nagekeken.
Het gebruiksvoorbeeld van Baidu combineert tekst met een afbeelding en selecteert de modus zonder redenering in de processor. De producent verspreidt afzonderlijke gewichtsformaten voor uitvoeringsframeworks en brengt de ERNIE 4.5-collectie uit onder Apache 2.0. De VL-28B-A3B-identiteit behoudt haar doel als visueel taalmodel, modi en configuratie afzonderlijk van ERNIE-versies die alleen tekst verwerken. De geverifieerde modelkaart stelt geen afzonderlijke limiet voor het maximale aantal uitvoertokens of een native limiet voor videoduur vast.
", "aboutText": "ERNIE-4.5-VL-28B-A3B is de verder getrainde visuele taalvariant van Baidu binnen de ERNIE 4.5-familie. De basis combineert tekstuele en visuele pretraining met een heterogene mixture of experts. Routing die modaliteiten gescheiden houdt en evenwichtige trainingsdoelstellingen ondersteunen de wisselwerking tussen taal en beeld, terwijl hun representaties onderscheiden blijven. Het resulterende model accepteert tekst en afbeeldingen en produceert een tekstantwoord op basis van het aangeleverde visuele materiaal. De officiële modeltabel van Baidu vermeldt voor deze VL-editie ook video naast tekst- en beeldinvoer; de uitvoer blijft tekst.\n\nDe natraining legt de nadruk op beeldbegrip, taakspecifieke aanpassing en multimodaal redeneren. De familie gebruikt supervised fine-tuning en optimalisatie op basis van voorkeuren, terwijl deze VL-editie ook reinforcement learning met verifieerbare beloningen omvat. Modi met en zonder redenering bieden verschillende manieren om de visuele taak te verwerken. De modus behoort tot de visuele taalversie en vervangt het afzonderlijk benoemde tekstmodel Thinking niet.\n\nDe configuratie heeft in totaal 28 miljard parameters, waarvan voor elk token 3 miljard worden geactiveerd. Ze bevat 28 lagen, 20 query-heads en vier key/value-heads. De expertconfiguraties voor tekst en beeld vermelden elk 64 experts waarvan er zes worden geselecteerd, samen met twee gedeelde experts. De gepubliceerde modelconfiguratie geeft een contextvenster van 131.072 tokens. De afzonderlijk geconfigureerde gehoste vermelding van Baidu beschrijft een context van 32K voor dezelfde benoemde VL-lijn, zodat de modelconfiguratie en de limieten van de gehoste dienst afzonderlijke numerieke specificaties blijven.\n\nDefinieer bij een documentafbeelding welke informatie gezocht moet worden: de relevante kop, een tabelwaarde, een uitleg van een diagram of een vergelijking van zichtbare secties. Vermeld bij een interfaceschermafbeelding het doel van de gebruiker en vraag om uitleg van de zichtbare componenten of hun relatie met de vereiste. Vraag bij een productfoto om een beschrijving van de voorwerpen en kenmerken die daadwerkelijk worden getoond. Als meerdere afbeeldingen één taak vormen, label dan hun volgorde en gebruik dezelfde criteria, zodat het antwoord ze consistent kan vergelijken.\n\nKoppel het visuele materiaal voor een visuele taaltaak aan een concrete geschreven doelstelling. Kies vóór de analyse het tekstuele resultaat: een uitleg, een kenmerkentabel, een beschrijving of een lijst met waarnemingen. Vraag om de zichtbare details die elke conclusie ondersteunen en onderscheid die van interpretatie. Wanneer een klein label of gebied van belang is, geef dan een leesbare bronafbeelding mee en identificeer het aandachtsgebied. Zo blijft het antwoord verbonden met het materiaal dat kan worden nagekeken.\n\nHet gebruiksvoorbeeld van Baidu combineert tekst met een afbeelding en selecteert de modus zonder redenering in de processor. De producent verspreidt afzonderlijke gewichtsformaten voor uitvoeringsframeworks en brengt de ERNIE 4.5-collectie uit onder Apache 2.0. De VL-28B-A3B-identiteit behoudt haar doel als visueel taalmodel, modi en configuratie afzonderlijk van ERNIE-versies die alleen tekst verwerken. De geverifieerde modelkaart stelt geen afzonderlijke limiet voor het maximale aantal uitvoertokens of een native limiet voor videoduur vast.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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-a3bHet visuele taalmodel ERNIE 4.5 van Baidu verbindt tekstvragen met beeldinhoud en geeft tekst terug. Het gebruikt een mixture of experts van 28B/3B en ondersteunt modi met en zonder redenering, met editiespecifieke contextlimieten voor het model en de gehoste dienst.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
ERNIE-4.5-VL-28B-A3B is de verder getrainde visuele taalvariant van Baidu binnen de ERNIE 4.5-familie. De basis combineert tekstuele en visuele pretraining met een heterogene mixture of experts. Routing die modaliteiten gescheiden houdt en evenwichtige trainingsdoelstellingen ondersteunen de wisselwerking tussen taal en beeld, terwijl hun representaties onderscheiden blijven. Het resulterende model accepteert tekst en afbeeldingen en produceert een tekstantwoord op basis van het aangeleverde visuele materiaal. De officiële modeltabel van Baidu vermeldt voor deze VL-editie ook video naast tekst- en beeldinvoer; de uitvoer blijft tekst.
De natraining legt de nadruk op beeldbegrip, taakspecifieke aanpassing en multimodaal redeneren. De familie gebruikt supervised fine-tuning en optimalisatie op basis van voorkeuren, terwijl deze VL-editie ook reinforcement learning met verifieerbare beloningen omvat. Modi met en zonder redenering bieden verschillende manieren om de visuele taak te verwerken. De modus behoort tot de visuele taalversie en vervangt het afzonderlijk benoemde tekstmodel Thinking niet.
De configuratie heeft in totaal 28 miljard parameters, waarvan voor elk token 3 miljard worden geactiveerd. Ze bevat 28 lagen, 20 query-heads en vier key/value-heads. De expertconfiguraties voor tekst en beeld vermelden elk 64 experts waarvan er zes worden geselecteerd, samen met twee gedeelde experts. De gepubliceerde modelconfiguratie geeft een contextvenster van 131.072 tokens. De afzonderlijk geconfigureerde gehoste vermelding van Baidu beschrijft een context van 32K voor dezelfde benoemde VL-lijn, zodat de modelconfiguratie en de limieten van de gehoste dienst afzonderlijke numerieke specificaties blijven.
Definieer bij een documentafbeelding welke informatie gezocht moet worden: de relevante kop, een tabelwaarde, een uitleg van een diagram of een vergelijking van zichtbare secties. Vermeld bij een interfaceschermafbeelding het doel van de gebruiker en vraag om uitleg van de zichtbare componenten of hun relatie met de vereiste. Vraag bij een productfoto om een beschrijving van de voorwerpen en kenmerken die daadwerkelijk worden getoond. Als meerdere afbeeldingen één taak vormen, label dan hun volgorde en gebruik dezelfde criteria, zodat het antwoord ze consistent kan vergelijken.
Koppel het visuele materiaal voor een visuele taaltaak aan een concrete geschreven doelstelling. Kies vóór de analyse het tekstuele resultaat: een uitleg, een kenmerkentabel, een beschrijving of een lijst met waarnemingen. Vraag om de zichtbare details die elke conclusie ondersteunen en onderscheid die van interpretatie. Wanneer een klein label of gebied van belang is, geef dan een leesbare bronafbeelding mee en identificeer het aandachtsgebied. Zo blijft het antwoord verbonden met het materiaal dat kan worden nagekeken.
Het gebruiksvoorbeeld van Baidu combineert tekst met een afbeelding en selecteert de modus zonder redenering in de processor. De producent verspreidt afzonderlijke gewichtsformaten voor uitvoeringsframeworks en brengt de ERNIE 4.5-collectie uit onder Apache 2.0. De VL-28B-A3B-identiteit behoudt haar doel als visueel taalmodel, modi en configuratie afzonderlijk van ERNIE-versies die alleen tekst verwerken. De geverifieerde modelkaart stelt geen afzonderlijke limiet voor het maximale aantal uitvoertokens of een native limiet voor videoduur vast.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten baidu/ernie-4.5-vl-28b-a3b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.001144 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Gebruik de hierboven getoonde methodepaden.
baidu/ernie-4.5-vl-28b-a3bHet visuele taalmodel ERNIE 4.5 van Baidu verbindt tekstvragen met beeldinhoud en geeft tekst terug. Het gebruikt een mixture of experts van 28B/3B en ondersteunt modi met en zonder redenering, met editiespecifieke contextlimieten voor het model en de gehoste dienst.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
ERNIE-4.5-VL-28B-A3B is de verder getrainde visuele taalvariant van Baidu binnen de ERNIE 4.5-familie. De basis combineert tekstuele en visuele pretraining met een heterogene mixture of experts. Routing die modaliteiten gescheiden houdt en evenwichtige trainingsdoelstellingen ondersteunen de wisselwerking tussen taal en beeld, terwijl hun representaties onderscheiden blijven. Het resulterende model accepteert tekst en afbeeldingen en produceert een tekstantwoord op basis van het aangeleverde visuele materiaal. De officiële modeltabel van Baidu vermeldt voor deze VL-editie ook video naast tekst- en beeldinvoer; de uitvoer blijft tekst.
De natraining legt de nadruk op beeldbegrip, taakspecifieke aanpassing en multimodaal redeneren. De familie gebruikt supervised fine-tuning en optimalisatie op basis van voorkeuren, terwijl deze VL-editie ook reinforcement learning met verifieerbare beloningen omvat. Modi met en zonder redenering bieden verschillende manieren om de visuele taak te verwerken. De modus behoort tot de visuele taalversie en vervangt het afzonderlijk benoemde tekstmodel Thinking niet.
De configuratie heeft in totaal 28 miljard parameters, waarvan voor elk token 3 miljard worden geactiveerd. Ze bevat 28 lagen, 20 query-heads en vier key/value-heads. De expertconfiguraties voor tekst en beeld vermelden elk 64 experts waarvan er zes worden geselecteerd, samen met twee gedeelde experts. De gepubliceerde modelconfiguratie geeft een contextvenster van 131.072 tokens. De afzonderlijk geconfigureerde gehoste vermelding van Baidu beschrijft een context van 32K voor dezelfde benoemde VL-lijn, zodat de modelconfiguratie en de limieten van de gehoste dienst afzonderlijke numerieke specificaties blijven.
Definieer bij een documentafbeelding welke informatie gezocht moet worden: de relevante kop, een tabelwaarde, een uitleg van een diagram of een vergelijking van zichtbare secties. Vermeld bij een interfaceschermafbeelding het doel van de gebruiker en vraag om uitleg van de zichtbare componenten of hun relatie met de vereiste. Vraag bij een productfoto om een beschrijving van de voorwerpen en kenmerken die daadwerkelijk worden getoond. Als meerdere afbeeldingen één taak vormen, label dan hun volgorde en gebruik dezelfde criteria, zodat het antwoord ze consistent kan vergelijken.
Koppel het visuele materiaal voor een visuele taaltaak aan een concrete geschreven doelstelling. Kies vóór de analyse het tekstuele resultaat: een uitleg, een kenmerkentabel, een beschrijving of een lijst met waarnemingen. Vraag om de zichtbare details die elke conclusie ondersteunen en onderscheid die van interpretatie. Wanneer een klein label of gebied van belang is, geef dan een leesbare bronafbeelding mee en identificeer het aandachtsgebied. Zo blijft het antwoord verbonden met het materiaal dat kan worden nagekeken.
Het gebruiksvoorbeeld van Baidu combineert tekst met een afbeelding en selecteert de modus zonder redenering in de processor. De producent verspreidt afzonderlijke gewichtsformaten voor uitvoeringsframeworks en brengt de ERNIE 4.5-collectie uit onder Apache 2.0. De VL-28B-A3B-identiteit behoudt haar doel als visueel taalmodel, modi en configuratie afzonderlijk van ERNIE-versies die alleen tekst verwerken. De geverifieerde modelkaart stelt geen afzonderlijke limiet voor het maximale aantal uitvoertokens of een native limiet voor videoduur vast.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten baidu/ernie-4.5-vl-28b-a3b | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.001144 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "baidu/ernie-4.5-vl-28b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra baidu/ernie-4.5-vl-28b-a3b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.