Doubao 1.5 Vision Pro to model wizyjno-językowy ByteDance odpowiadający na pytania łączące obraz z instrukcją tekstową. Jego zaktualizowane możliwości skupiają się na wnioskowaniu wizualnym, rozpoznawaniu tekstu w dokumentach, szczegółowych informacjach i wykonywaniu złożonych instrukcji. Wynikiem jest odpowiedź tekstowa: objaśnienie sceny, wyodrębnione informacje lub analiza odnosząca się do dostarczonego materiału wizualnego.
Szczegóły i układ obrazu. Model wykorzystuje natywną architekturę dynamicznej rozdzielczości do przetwarzania obrazów o różnych rozdzielczościach i kształtach. Producent wyraźnie opisuje obrazy wysokiej rozdzielczości, małe obrazy niskiej rozdzielczości i skrajne proporcje boków. Jest to przydatne, gdy źródłem jest wysoka strona dokumentu, szeroki zrzut ekranu lub fotografia zawierająca drobne szczegóły. Dostarcz najwyraźniejszy dostępny oryginał, zachowaj obszar istotny dla pytania i wskaż, którą stronę lub część obrazu model ma zbadać. Powiększone rozmycie nadal nie zawiera brakujących informacji; poproś o wyraźne zaznaczenie niepewności, gdy nie da się odczytać etykiety lub liczby.
Instrukcje wizualne. W opisie wydania wskazano poprawę wykonywania instrukcji dzięki większej różnorodności zadań wizualnych podczas dotrenowania. Żądanie może określać obiekt do zbadania, szczegóły do przedstawienia i kolejność odpowiedzi. Porównując opakowania, oznacz obrazy jako A i B i poproś o tabelę widocznych różnic w treści, układzie i elementach. Przy analizie zrzutu ekranu wskaż zamierzone działanie i poproś o opis widocznych elementów sterujących oraz informacji potrzebnych do jego wykonania. Użytecznym wynikiem jest porównanie lub objaśnienie oparte na tym, co rzeczywiście przedstawia obraz.
Rozpoznawanie dokumentów. Do czytelnej strony dodaj nazwy pól potrzebnych w Twoim procesie: tytuł dokumentu, datę, strony, nazwy pozycji lub kwoty. Poproś model, aby oddzielił wyodrębniony tekst od interpretacji i zachował oryginalną pisownię ważnych identyfikatorów. W przypadku dokumentu wielostronicowego podaj oznaczenia stron i poproś o odwołania do stron obok każdej wyodrębnionej wartości. Następnie możesz porównać tekst ze źródłem, rozstrzygnąć nieczytelne znaki i przygotować wybrane pola dla dalszej aplikacji.
Aktualizacja techniczna tej wersji obejmuje syntezę danych multimodalnych, dynamiczną rozdzielczość, dopasowanie informacji wizualnych i tekstowych oraz trening mieszany. Zmiany te służą rozumieniu obrazów i wnioskowaniu; producent opisuje także bardziej zwięzły i przystępny styl odpowiedzi. Aby uzyskać użyteczny materiał, wskaż odbiorców i oczekiwaną formę, taką jak notatka z oględzin, opis obrazu lub lista pytań do właściciela dokumentu.
Dobierz zadanie do widocznych informacji. Zdjęcie produktu może stanowić podstawę opisu kształtu, koloru, etykiet i widocznych elementów; dostarcz osobno specyfikację, jeśli odpowiedź wymaga również wymiarów lub materiałów. Obraz dokumentu może służyć do wyodrębnienia informacji i ich objaśnienia; dołącz odpowiednie otoczenie na stronie, jeśli wykadrowane zdanie zależy od wcześniejszych definicji. Poproś model o rozróżnienie obserwacji i wniosku oraz sprawdź drobny tekst i rozstrzygające wartości przed wykorzystaniem wyniku.
", "aboutText": "Doubao 1.5 Vision Pro to model wizyjno-językowy ByteDance odpowiadający na pytania łączące obraz z instrukcją tekstową. Jego zaktualizowane możliwości skupiają się na wnioskowaniu wizualnym, rozpoznawaniu tekstu w dokumentach, szczegółowych informacjach i wykonywaniu złożonych instrukcji. Wynikiem jest odpowiedź tekstowa: objaśnienie sceny, wyodrębnione informacje lub analiza odnosząca się do dostarczonego materiału wizualnego.\n\nSzczegóły i układ obrazu. Model wykorzystuje natywną architekturę dynamicznej rozdzielczości do przetwarzania obrazów o różnych rozdzielczościach i kształtach. Producent wyraźnie opisuje obrazy wysokiej rozdzielczości, małe obrazy niskiej rozdzielczości i skrajne proporcje boków. Jest to przydatne, gdy źródłem jest wysoka strona dokumentu, szeroki zrzut ekranu lub fotografia zawierająca drobne szczegóły. Dostarcz najwyraźniejszy dostępny oryginał, zachowaj obszar istotny dla pytania i wskaż, którą stronę lub część obrazu model ma zbadać. Powiększone rozmycie nadal nie zawiera brakujących informacji; poproś o wyraźne zaznaczenie niepewności, gdy nie da się odczytać etykiety lub liczby.\n\nInstrukcje wizualne. W opisie wydania wskazano poprawę wykonywania instrukcji dzięki większej różnorodności zadań wizualnych podczas dotrenowania. Żądanie może określać obiekt do zbadania, szczegóły do przedstawienia i kolejność odpowiedzi. Porównując opakowania, oznacz obrazy jako A i B i poproś o tabelę widocznych różnic w treści, układzie i elementach. Przy analizie zrzutu ekranu wskaż zamierzone działanie i poproś o opis widocznych elementów sterujących oraz informacji potrzebnych do jego wykonania. Użytecznym wynikiem jest porównanie lub objaśnienie oparte na tym, co rzeczywiście przedstawia obraz.\n\nRozpoznawanie dokumentów. Do czytelnej strony dodaj nazwy pól potrzebnych w Twoim procesie: tytuł dokumentu, datę, strony, nazwy pozycji lub kwoty. Poproś model, aby oddzielił wyodrębniony tekst od interpretacji i zachował oryginalną pisownię ważnych identyfikatorów. W przypadku dokumentu wielostronicowego podaj oznaczenia stron i poproś o odwołania do stron obok każdej wyodrębnionej wartości. Następnie możesz porównać tekst ze źródłem, rozstrzygnąć nieczytelne znaki i przygotować wybrane pola dla dalszej aplikacji.\n\nAktualizacja techniczna tej wersji obejmuje syntezę danych multimodalnych, dynamiczną rozdzielczość, dopasowanie informacji wizualnych i tekstowych oraz trening mieszany. Zmiany te służą rozumieniu obrazów i wnioskowaniu; producent opisuje także bardziej zwięzły i przystępny styl odpowiedzi. Aby uzyskać użyteczny materiał, wskaż odbiorców i oczekiwaną formę, taką jak notatka z oględzin, opis obrazu lub lista pytań do właściciela dokumentu.\n\nDobierz zadanie do widocznych informacji. Zdjęcie produktu może stanowić podstawę opisu kształtu, koloru, etykiet i widocznych elementów; dostarcz osobno specyfikację, jeśli odpowiedź wymaga również wymiarów lub materiałów. Obraz dokumentu może służyć do wyodrębnienia informacji i ich objaśnienia; dołącz odpowiednie otoczenie na stronie, jeśli wykadrowane zdanie zależy od wcześniejszych definicji. Poproś model o rozróżnienie obserwacji i wniosku oraz sprawdź drobny tekst i rozstrzygające wartości przed wykorzystaniem wyniku.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Extract fields from a page transcription\n\nExtract fields from this document transcription, keeping literal values separate from interpretation: Page 1, Delivery note DN-82. Recipient: Lumen Studio. Items: Desk lamp, quantity 4. Delivery date: unclear. Return document_id, recipient, item, quantity and delivery_date, with the page label beside each value. Use unknown for the unclear date.A field table with value and source-page columns, retaining unknown for the delivery date.Compare every populated value to the supplied transcription and confirm that no date is invented.Doubao-1.5-vision-pro-32kDoubao 1.5 Vision Pro 32K to model wizyjno-językowy ByteDance do rozumienia obrazów, odczytywania stron dokumentów i wnioskowania o drobnych szczegółach wizualnych. Połącz obraz z precyzyjnymi instrukcjami, aby uzyskać objaśnienie tekstowe lub uporządkowane dane wyodrębnione ze źródła.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Doubao 1.5 Vision Pro to model wizyjno-językowy ByteDance odpowiadający na pytania łączące obraz z instrukcją tekstową. Jego zaktualizowane możliwości skupiają się na wnioskowaniu wizualnym, rozpoznawaniu tekstu w dokumentach, szczegółowych informacjach i wykonywaniu złożonych instrukcji. Wynikiem jest odpowiedź tekstowa: objaśnienie sceny, wyodrębnione informacje lub analiza odnosząca się do dostarczonego materiału wizualnego.
Szczegóły i układ obrazu. Model wykorzystuje natywną architekturę dynamicznej rozdzielczości do przetwarzania obrazów o różnych rozdzielczościach i kształtach. Producent wyraźnie opisuje obrazy wysokiej rozdzielczości, małe obrazy niskiej rozdzielczości i skrajne proporcje boków. Jest to przydatne, gdy źródłem jest wysoka strona dokumentu, szeroki zrzut ekranu lub fotografia zawierająca drobne szczegóły. Dostarcz najwyraźniejszy dostępny oryginał, zachowaj obszar istotny dla pytania i wskaż, którą stronę lub część obrazu model ma zbadać. Powiększone rozmycie nadal nie zawiera brakujących informacji; poproś o wyraźne zaznaczenie niepewności, gdy nie da się odczytać etykiety lub liczby.
Instrukcje wizualne. W opisie wydania wskazano poprawę wykonywania instrukcji dzięki większej różnorodności zadań wizualnych podczas dotrenowania. Żądanie może określać obiekt do zbadania, szczegóły do przedstawienia i kolejność odpowiedzi. Porównując opakowania, oznacz obrazy jako A i B i poproś o tabelę widocznych różnic w treści, układzie i elementach. Przy analizie zrzutu ekranu wskaż zamierzone działanie i poproś o opis widocznych elementów sterujących oraz informacji potrzebnych do jego wykonania. Użytecznym wynikiem jest porównanie lub objaśnienie oparte na tym, co rzeczywiście przedstawia obraz.
Rozpoznawanie dokumentów. Do czytelnej strony dodaj nazwy pól potrzebnych w Twoim procesie: tytuł dokumentu, datę, strony, nazwy pozycji lub kwoty. Poproś model, aby oddzielił wyodrębniony tekst od interpretacji i zachował oryginalną pisownię ważnych identyfikatorów. W przypadku dokumentu wielostronicowego podaj oznaczenia stron i poproś o odwołania do stron obok każdej wyodrębnionej wartości. Następnie możesz porównać tekst ze źródłem, rozstrzygnąć nieczytelne znaki i przygotować wybrane pola dla dalszej aplikacji.
Aktualizacja techniczna tej wersji obejmuje syntezę danych multimodalnych, dynamiczną rozdzielczość, dopasowanie informacji wizualnych i tekstowych oraz trening mieszany. Zmiany te służą rozumieniu obrazów i wnioskowaniu; producent opisuje także bardziej zwięzły i przystępny styl odpowiedzi. Aby uzyskać użyteczny materiał, wskaż odbiorców i oczekiwaną formę, taką jak notatka z oględzin, opis obrazu lub lista pytań do właściciela dokumentu.
Dobierz zadanie do widocznych informacji. Zdjęcie produktu może stanowić podstawę opisu kształtu, koloru, etykiet i widocznych elementów; dostarcz osobno specyfikację, jeśli odpowiedź wymaga również wymiarów lub materiałów. Obraz dokumentu może służyć do wyodrębnienia informacji i ich objaśnienia; dołącz odpowiednie otoczenie na stronie, jeśli wykadrowane zdanie zależy od wcześniejszych definicji. Poproś model o rozróżnienie obserwacji i wniosku oraz sprawdź drobny tekst i rozstrzygające wartości przed wykorzystaniem wyniku.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Doubao-1.5-vision-pro-32k | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00086 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0026 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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-vision-pro-32k", "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-vision-pro-32k',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-vision-pro-32k',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Doubao-1.5-vision-pro-32k
Użyj ścieżek metod podanych powyżej.
Doubao-1.5-vision-pro-32kDoubao 1.5 Vision Pro 32K to model wizyjno-językowy ByteDance do rozumienia obrazów, odczytywania stron dokumentów i wnioskowania o drobnych szczegółach wizualnych. Połącz obraz z precyzyjnymi instrukcjami, aby uzyskać objaśnienie tekstowe lub uporządkowane dane wyodrębnione ze źródła.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Doubao 1.5 Vision Pro to model wizyjno-językowy ByteDance odpowiadający na pytania łączące obraz z instrukcją tekstową. Jego zaktualizowane możliwości skupiają się na wnioskowaniu wizualnym, rozpoznawaniu tekstu w dokumentach, szczegółowych informacjach i wykonywaniu złożonych instrukcji. Wynikiem jest odpowiedź tekstowa: objaśnienie sceny, wyodrębnione informacje lub analiza odnosząca się do dostarczonego materiału wizualnego.
Szczegóły i układ obrazu. Model wykorzystuje natywną architekturę dynamicznej rozdzielczości do przetwarzania obrazów o różnych rozdzielczościach i kształtach. Producent wyraźnie opisuje obrazy wysokiej rozdzielczości, małe obrazy niskiej rozdzielczości i skrajne proporcje boków. Jest to przydatne, gdy źródłem jest wysoka strona dokumentu, szeroki zrzut ekranu lub fotografia zawierająca drobne szczegóły. Dostarcz najwyraźniejszy dostępny oryginał, zachowaj obszar istotny dla pytania i wskaż, którą stronę lub część obrazu model ma zbadać. Powiększone rozmycie nadal nie zawiera brakujących informacji; poproś o wyraźne zaznaczenie niepewności, gdy nie da się odczytać etykiety lub liczby.
Instrukcje wizualne. W opisie wydania wskazano poprawę wykonywania instrukcji dzięki większej różnorodności zadań wizualnych podczas dotrenowania. Żądanie może określać obiekt do zbadania, szczegóły do przedstawienia i kolejność odpowiedzi. Porównując opakowania, oznacz obrazy jako A i B i poproś o tabelę widocznych różnic w treści, układzie i elementach. Przy analizie zrzutu ekranu wskaż zamierzone działanie i poproś o opis widocznych elementów sterujących oraz informacji potrzebnych do jego wykonania. Użytecznym wynikiem jest porównanie lub objaśnienie oparte na tym, co rzeczywiście przedstawia obraz.
Rozpoznawanie dokumentów. Do czytelnej strony dodaj nazwy pól potrzebnych w Twoim procesie: tytuł dokumentu, datę, strony, nazwy pozycji lub kwoty. Poproś model, aby oddzielił wyodrębniony tekst od interpretacji i zachował oryginalną pisownię ważnych identyfikatorów. W przypadku dokumentu wielostronicowego podaj oznaczenia stron i poproś o odwołania do stron obok każdej wyodrębnionej wartości. Następnie możesz porównać tekst ze źródłem, rozstrzygnąć nieczytelne znaki i przygotować wybrane pola dla dalszej aplikacji.
Aktualizacja techniczna tej wersji obejmuje syntezę danych multimodalnych, dynamiczną rozdzielczość, dopasowanie informacji wizualnych i tekstowych oraz trening mieszany. Zmiany te służą rozumieniu obrazów i wnioskowaniu; producent opisuje także bardziej zwięzły i przystępny styl odpowiedzi. Aby uzyskać użyteczny materiał, wskaż odbiorców i oczekiwaną formę, taką jak notatka z oględzin, opis obrazu lub lista pytań do właściciela dokumentu.
Dobierz zadanie do widocznych informacji. Zdjęcie produktu może stanowić podstawę opisu kształtu, koloru, etykiet i widocznych elementów; dostarcz osobno specyfikację, jeśli odpowiedź wymaga również wymiarów lub materiałów. Obraz dokumentu może służyć do wyodrębnienia informacji i ich objaśnienia; dołącz odpowiednie otoczenie na stronie, jeśli wykadrowane zdanie zależy od wcześniejszych definicji. Poproś model o rozróżnienie obserwacji i wniosku oraz sprawdź drobny tekst i rozstrzygające wartości przed wykorzystaniem wyniku.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Doubao-1.5-vision-pro-32k | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00086 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0026 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "Doubao-1.5-vision-pro-32k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-vision-pro-32k', '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-vision-pro-32k', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Doubao-1.5-vision-pro-32k
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Extract fields from a page transcription\n\nExtract fields from this document transcription, keeping literal values separate from interpretation: Page 1, Delivery note DN-82. Recipient: Lumen Studio. Items: Desk lamp, quantity 4. Delivery date: unclear. Return document_id, recipient, item, quantity and delivery_date, with the page label beside each value. Use unknown for the unclear date.A field table with value and source-page columns, retaining unknown for the delivery date.Compare every populated value to the supplied transcription and confirm that no date is invented.