ERNIE 4.5 VL 424B-A47B is het vision-language-chatmodel van Baidu, ontwikkeld vanuit het overeenkomstige ERNIE 4.5 VL Base-model. Het combineert tekstuele instructies met visueel materiaal en genereert een tekstantwoord. Het mixture-of-experts-netwerk heeft in totaal 424 miljard parameters, waarvan er 47 miljard per token worden geactiveerd, en de fabrikant publiceert een contextlengte van 131.072 tokens.
Belangrijkste kenmerken van ERNIE 4.5. De familie gebruikt een heterogeen mixture-of-experts-ontwerp dat een deel van de kennis tussen taal en beeld deelt, terwijl verwerking per modaliteit behouden blijft. Baidu beschrijft gezamenlijke multimodale voortraining, efficiënte infrastructuur voor training en inferentie, en natraining die is afgestemd op de beoogde modaliteit. Bij het VL-model ligt de nadruk op beeldbegrip, taakspecifieke visuele instructies en redeneren dat visueel bewijs met taal verbindt. De training omvat supervised fine-tuning en reinforcement learning met verifieerbare beloningen.
Modeloverzicht. De configuratie vermeldt 54 lagen, 64 query-attention-heads en 8 key/value-heads, met afzonderlijke expertgroepen voor tekst en beeld. Elke groep vermeldt 64 experts en 8 geactiveerde experts. De modeltabel van de fabrikant noemt tekst, afbeeldingen en video als invoermodaliteiten voor deze editie en tekst als uitvoer. Zie de uitvoer als een interpretatie van de aangeleverde inhoud: een beschrijving, een antwoord op een visuele vraag of een beredeneerde uitleg van wat het materiaal onderbouwt.
Beeldbegrip. Lever de oorspronkelijke afbeelding en een expliciete vraag aan. Behoud bij een documentpagina labels, kolomkoppen en de tekst rond een betwiste waarde en vraag vervolgens om geselecteerde velden met de paginalocatie die ze onderbouwt. Geef bij een diagram aan of het doel is de onderdelen uit te leggen, een proces te volgen of het te vergelijken met een geschreven specificatie. Vraag het model eerst de zichtbare labels te vermelden voordat het een conclusie trekt, zodat je de waarnemingen los van de interpretatie kunt beoordelen.
Multimodaal redeneren. Wanneer meerdere afbeeldingen bijdragen aan dezelfde taak, label dan hun rollen en leg uit welke details moeten worden vergeleken. Een bruikbaar verzoek kan een productfoto combineren met een aangeleverde specificatie en vragen om een lijst met zichtbare overeenkomsten, verschillen en zaken die de foto niet kan vaststellen. Benoem bij tijdsgebonden materiaal de gebeurtenis of verandering die je wilt begrijpen en vraag om een reeks waarnemingen gekoppeld aan de aangeleverde frames of fragmenten. Het eindresultaat moet het bewijs achter een beweerde verandering gemakkelijk controleerbaar maken.
Redenerende en directe antwoorden. Baidu beschrijft denkende en niet-denkende modi voor zijn vision-language-modellen. De denkmodus dient voor taken die analyse van visuele en tekstuele informatie vereisen; een direct antwoord kan geschikt zijn voor een eenvoudige beschrijving of een eenvoudige visuele vraag. Geef het benodigde resultaat duidelijk aan, zoals een beknopt antwoord, een vergelijkingstabel of een uitleg met ondersteunende waarnemingen. De keuze van de modus hoort bij de generatie-instellingen en niet bij de gewone formulering van een afbeeldingsverzoek.
Bereid het materiaal voor rond de vraag. Gebruik leesbare pagina’s en relevante aanzichten, houd afbeeldingslabels consistent en reserveer binnen de context ruimte voor het gevraagde tekstantwoord. Vraag het model onleesbare tekst te markeren en afgeleide eigenschappen te onderscheiden van zichtbare details. Een afbeelding kan een label, vorm of opstelling tonen, terwijl het antwoord ook een aangeleverde regel of specificatie nodig heeft. Controleer kritieke geëxtraheerde waarden aan de hand van het origineel en gebruik een aanvullend aanzicht wanneer het bewijs een belangrijk detail onopgelost laat.
", "aboutText": "ERNIE 4.5 VL 424B-A47B is het vision-language-chatmodel van Baidu, ontwikkeld vanuit het overeenkomstige ERNIE 4.5 VL Base-model. Het combineert tekstuele instructies met visueel materiaal en genereert een tekstantwoord. Het mixture-of-experts-netwerk heeft in totaal 424 miljard parameters, waarvan er 47 miljard per token worden geactiveerd, en de fabrikant publiceert een contextlengte van 131.072 tokens.\n\nBelangrijkste kenmerken van ERNIE 4.5. De familie gebruikt een heterogeen mixture-of-experts-ontwerp dat een deel van de kennis tussen taal en beeld deelt, terwijl verwerking per modaliteit behouden blijft. Baidu beschrijft gezamenlijke multimodale voortraining, efficiënte infrastructuur voor training en inferentie, en natraining die is afgestemd op de beoogde modaliteit. Bij het VL-model ligt de nadruk op beeldbegrip, taakspecifieke visuele instructies en redeneren dat visueel bewijs met taal verbindt. De training omvat supervised fine-tuning en reinforcement learning met verifieerbare beloningen.\n\nModeloverzicht. De configuratie vermeldt 54 lagen, 64 query-attention-heads en 8 key/value-heads, met afzonderlijke expertgroepen voor tekst en beeld. Elke groep vermeldt 64 experts en 8 geactiveerde experts. De modeltabel van de fabrikant noemt tekst, afbeeldingen en video als invoermodaliteiten voor deze editie en tekst als uitvoer. Zie de uitvoer als een interpretatie van de aangeleverde inhoud: een beschrijving, een antwoord op een visuele vraag of een beredeneerde uitleg van wat het materiaal onderbouwt.\n\nBeeldbegrip. Lever de oorspronkelijke afbeelding en een expliciete vraag aan. Behoud bij een documentpagina labels, kolomkoppen en de tekst rond een betwiste waarde en vraag vervolgens om geselecteerde velden met de paginalocatie die ze onderbouwt. Geef bij een diagram aan of het doel is de onderdelen uit te leggen, een proces te volgen of het te vergelijken met een geschreven specificatie. Vraag het model eerst de zichtbare labels te vermelden voordat het een conclusie trekt, zodat je de waarnemingen los van de interpretatie kunt beoordelen.\n\nMultimodaal redeneren. Wanneer meerdere afbeeldingen bijdragen aan dezelfde taak, label dan hun rollen en leg uit welke details moeten worden vergeleken. Een bruikbaar verzoek kan een productfoto combineren met een aangeleverde specificatie en vragen om een lijst met zichtbare overeenkomsten, verschillen en zaken die de foto niet kan vaststellen. Benoem bij tijdsgebonden materiaal de gebeurtenis of verandering die je wilt begrijpen en vraag om een reeks waarnemingen gekoppeld aan de aangeleverde frames of fragmenten. Het eindresultaat moet het bewijs achter een beweerde verandering gemakkelijk controleerbaar maken.\n\nRedenerende en directe antwoorden. Baidu beschrijft denkende en niet-denkende modi voor zijn vision-language-modellen. De denkmodus dient voor taken die analyse van visuele en tekstuele informatie vereisen; een direct antwoord kan geschikt zijn voor een eenvoudige beschrijving of een eenvoudige visuele vraag. Geef het benodigde resultaat duidelijk aan, zoals een beknopt antwoord, een vergelijkingstabel of een uitleg met ondersteunende waarnemingen. De keuze van de modus hoort bij de generatie-instellingen en niet bij de gewone formulering van een afbeeldingsverzoek.\n\nBereid het materiaal voor rond de vraag. Gebruik leesbare pagina’s en relevante aanzichten, houd afbeeldingslabels consistent en reserveer binnen de context ruimte voor het gevraagde tekstantwoord. Vraag het model onleesbare tekst te markeren en afgeleide eigenschappen te onderscheiden van zichtbare details. Een afbeelding kan een label, vorm of opstelling tonen, terwijl het antwoord ook een aangeleverde regel of specificatie nodig heeft. Controleer kritieke geëxtraheerde waarden aan de hand van het origineel en gebruik een aanvullend aanzicht wanneer het bewijs een belangrijk detail onopgelost laat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het vision-language mixture-of-experts-model van Baidu voor beeldbegrip en multimodaal redeneren. De gepubliceerde configuratie heeft in totaal 424 miljard parameters, 47 miljard actieve parameters per token en een context van 131.072 tokens; antwoorden worden als tekst gegenereerd.
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 424B-A47B is het vision-language-chatmodel van Baidu, ontwikkeld vanuit het overeenkomstige ERNIE 4.5 VL Base-model. Het combineert tekstuele instructies met visueel materiaal en genereert een tekstantwoord. Het mixture-of-experts-netwerk heeft in totaal 424 miljard parameters, waarvan er 47 miljard per token worden geactiveerd, en de fabrikant publiceert een contextlengte van 131.072 tokens.
Belangrijkste kenmerken van ERNIE 4.5. De familie gebruikt een heterogeen mixture-of-experts-ontwerp dat een deel van de kennis tussen taal en beeld deelt, terwijl verwerking per modaliteit behouden blijft. Baidu beschrijft gezamenlijke multimodale voortraining, efficiënte infrastructuur voor training en inferentie, en natraining die is afgestemd op de beoogde modaliteit. Bij het VL-model ligt de nadruk op beeldbegrip, taakspecifieke visuele instructies en redeneren dat visueel bewijs met taal verbindt. De training omvat supervised fine-tuning en reinforcement learning met verifieerbare beloningen.
Modeloverzicht. De configuratie vermeldt 54 lagen, 64 query-attention-heads en 8 key/value-heads, met afzonderlijke expertgroepen voor tekst en beeld. Elke groep vermeldt 64 experts en 8 geactiveerde experts. De modeltabel van de fabrikant noemt tekst, afbeeldingen en video als invoermodaliteiten voor deze editie en tekst als uitvoer. Zie de uitvoer als een interpretatie van de aangeleverde inhoud: een beschrijving, een antwoord op een visuele vraag of een beredeneerde uitleg van wat het materiaal onderbouwt.
Beeldbegrip. Lever de oorspronkelijke afbeelding en een expliciete vraag aan. Behoud bij een documentpagina labels, kolomkoppen en de tekst rond een betwiste waarde en vraag vervolgens om geselecteerde velden met de paginalocatie die ze onderbouwt. Geef bij een diagram aan of het doel is de onderdelen uit te leggen, een proces te volgen of het te vergelijken met een geschreven specificatie. Vraag het model eerst de zichtbare labels te vermelden voordat het een conclusie trekt, zodat je de waarnemingen los van de interpretatie kunt beoordelen.
Multimodaal redeneren. Wanneer meerdere afbeeldingen bijdragen aan dezelfde taak, label dan hun rollen en leg uit welke details moeten worden vergeleken. Een bruikbaar verzoek kan een productfoto combineren met een aangeleverde specificatie en vragen om een lijst met zichtbare overeenkomsten, verschillen en zaken die de foto niet kan vaststellen. Benoem bij tijdsgebonden materiaal de gebeurtenis of verandering die je wilt begrijpen en vraag om een reeks waarnemingen gekoppeld aan de aangeleverde frames of fragmenten. Het eindresultaat moet het bewijs achter een beweerde verandering gemakkelijk controleerbaar maken.
Redenerende en directe antwoorden. Baidu beschrijft denkende en niet-denkende modi voor zijn vision-language-modellen. De denkmodus dient voor taken die analyse van visuele en tekstuele informatie vereisen; een direct antwoord kan geschikt zijn voor een eenvoudige beschrijving of een eenvoudige visuele vraag. Geef het benodigde resultaat duidelijk aan, zoals een beknopt antwoord, een vergelijkingstabel of een uitleg met ondersteunende waarnemingen. De keuze van de modus hoort bij de generatie-instellingen en niet bij de gewone formulering van een afbeeldingsverzoek.
Bereid het materiaal voor rond de vraag. Gebruik leesbare pagina’s en relevante aanzichten, houd afbeeldingslabels consistent en reserveer binnen de context ruimte voor het gevraagde tekstantwoord. Vraag het model onleesbare tekst te markeren en afgeleide eigenschappen te onderscheiden van zichtbare details. Een afbeelding kan een label, vorm of opstelling tonen, terwijl het antwoord ook een aangeleverde regel of specificatie nodig heeft. Controleer kritieke geëxtraheerde waarden aan de hand van het origineel en gebruik een aanvullend aanzicht wanneer het bewijs een belangrijk detail onopgelost laat.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten baidu/ernie-4.5-vl-424b-a47b | 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 $0.000858 / 1K tokens Uitvoer · Uitvoertokens $0.00258 / 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-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 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-424b-a47b
Gebruik de hierboven getoonde methodepaden.
baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B is het vision-language mixture-of-experts-model van Baidu voor beeldbegrip en multimodaal redeneren. De gepubliceerde configuratie heeft in totaal 424 miljard parameters, 47 miljard actieve parameters per token en een context van 131.072 tokens; antwoorden worden als tekst gegenereerd.
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 424B-A47B is het vision-language-chatmodel van Baidu, ontwikkeld vanuit het overeenkomstige ERNIE 4.5 VL Base-model. Het combineert tekstuele instructies met visueel materiaal en genereert een tekstantwoord. Het mixture-of-experts-netwerk heeft in totaal 424 miljard parameters, waarvan er 47 miljard per token worden geactiveerd, en de fabrikant publiceert een contextlengte van 131.072 tokens.
Belangrijkste kenmerken van ERNIE 4.5. De familie gebruikt een heterogeen mixture-of-experts-ontwerp dat een deel van de kennis tussen taal en beeld deelt, terwijl verwerking per modaliteit behouden blijft. Baidu beschrijft gezamenlijke multimodale voortraining, efficiënte infrastructuur voor training en inferentie, en natraining die is afgestemd op de beoogde modaliteit. Bij het VL-model ligt de nadruk op beeldbegrip, taakspecifieke visuele instructies en redeneren dat visueel bewijs met taal verbindt. De training omvat supervised fine-tuning en reinforcement learning met verifieerbare beloningen.
Modeloverzicht. De configuratie vermeldt 54 lagen, 64 query-attention-heads en 8 key/value-heads, met afzonderlijke expertgroepen voor tekst en beeld. Elke groep vermeldt 64 experts en 8 geactiveerde experts. De modeltabel van de fabrikant noemt tekst, afbeeldingen en video als invoermodaliteiten voor deze editie en tekst als uitvoer. Zie de uitvoer als een interpretatie van de aangeleverde inhoud: een beschrijving, een antwoord op een visuele vraag of een beredeneerde uitleg van wat het materiaal onderbouwt.
Beeldbegrip. Lever de oorspronkelijke afbeelding en een expliciete vraag aan. Behoud bij een documentpagina labels, kolomkoppen en de tekst rond een betwiste waarde en vraag vervolgens om geselecteerde velden met de paginalocatie die ze onderbouwt. Geef bij een diagram aan of het doel is de onderdelen uit te leggen, een proces te volgen of het te vergelijken met een geschreven specificatie. Vraag het model eerst de zichtbare labels te vermelden voordat het een conclusie trekt, zodat je de waarnemingen los van de interpretatie kunt beoordelen.
Multimodaal redeneren. Wanneer meerdere afbeeldingen bijdragen aan dezelfde taak, label dan hun rollen en leg uit welke details moeten worden vergeleken. Een bruikbaar verzoek kan een productfoto combineren met een aangeleverde specificatie en vragen om een lijst met zichtbare overeenkomsten, verschillen en zaken die de foto niet kan vaststellen. Benoem bij tijdsgebonden materiaal de gebeurtenis of verandering die je wilt begrijpen en vraag om een reeks waarnemingen gekoppeld aan de aangeleverde frames of fragmenten. Het eindresultaat moet het bewijs achter een beweerde verandering gemakkelijk controleerbaar maken.
Redenerende en directe antwoorden. Baidu beschrijft denkende en niet-denkende modi voor zijn vision-language-modellen. De denkmodus dient voor taken die analyse van visuele en tekstuele informatie vereisen; een direct antwoord kan geschikt zijn voor een eenvoudige beschrijving of een eenvoudige visuele vraag. Geef het benodigde resultaat duidelijk aan, zoals een beknopt antwoord, een vergelijkingstabel of een uitleg met ondersteunende waarnemingen. De keuze van de modus hoort bij de generatie-instellingen en niet bij de gewone formulering van een afbeeldingsverzoek.
Bereid het materiaal voor rond de vraag. Gebruik leesbare pagina’s en relevante aanzichten, houd afbeeldingslabels consistent en reserveer binnen de context ruimte voor het gevraagde tekstantwoord. Vraag het model onleesbare tekst te markeren en afgeleide eigenschappen te onderscheiden van zichtbare details. Een afbeelding kan een label, vorm of opstelling tonen, terwijl het antwoord ook een aangeleverde regel of specificatie nodig heeft. Controleer kritieke geëxtraheerde waarden aan de hand van het origineel en gebruik een aanvullend aanzicht wanneer het bewijs een belangrijk detail onopgelost laat.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten baidu/ernie-4.5-vl-424b-a47b | 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 $0.000858 / 1K tokens Uitvoer · Uitvoertokens $0.00258 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "baidu/ernie-4.5-vl-424b-a47b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-424b-a47b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.