Perceptron Mk1.5 to multimodalny model firmy Perceptron do rozumienia obrazu, osadzania informacji w czasie i zadań agentów działających w środowisku. Przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst, adnotacje przestrzenne lub czasowe, odpowiedzi strukturalne i treści wywołań funkcji. Aktualna specyfikacja producenta podaje kontekst 36 864 tokenów i maksymalny wynik 8 192 tokenów; te dokładne limity są bardziej precyzyjne niż zaokrąglony opis 32K w artykule premierowym.
Istotnym dodatkiem jest śledzenie obiektów w wideo w postaci geometrii ze znacznikami czasu. Jasno opisz obiekt docelowy i określ, co ma ustalić wynik, na przykład kiedy przedmiot pojawia się w scenie, dokąd się przemieszcza lub w którym przedziale występuje dana czynność. W materiałach z perspektywy pierwszej osoby producent podkreśla śledzenie dłoni i podział na podzadania, co pomaga analizować czynności operatora w czasie.
Udokumentowane wyniki obejmują punkty, prostokąty i wielokąty do wskazywania lokalizacji w przestrzeni, klipy do przedziałów czasowych i kontenery track do ruchu obiektów. Track jest kontenerem w generowanym języku znaczników adnotacji, a nie osobną wartością formatu adnotacji. Punkty ścieżki mogą być rozmieszczone rzadko: zwrócona ścieżka nie gwarantuje prostokąta dla każdej klatki źródłowej ani ciągłej widoczności obiektu. Zachowuj oryginalne media oraz powiązanie ze współrzędnymi lub znacznikami czasu, aby wyniki można było sprawdzić w rzeczywistej scenie.
Mk1.5 dodaje natywne rozumienie dźwięku, w tym transkrypcję, wykrywanie zdarzeń dźwiękowych, podsumowania i pytania o nagranie. Producent przyjmuje WAV, MP3 i FLAC. Limit dźwięku dla pojedynczego elementu wynosi 16 384 tokeny audio, czyli około 21,8 minuty przy udokumentowanym tempie około 750 tokenów na minutę. Dźwięk współdzieli kontekst z pozostałymi wejściami i budżetem odpowiedzi, więc żądanie może wypełnić kontekst przed osiągnięciem limitu pojedynczego elementu.
Dla wideo, w którym istotna jest ścieżka dźwiękowa, proces producenta wprost włącza dźwięk w wideo. Określ, czy zadanie dotyczy mowy, zdarzenia dźwiękowego, widocznej sceny czy ich powiązania. Wynikiem jest tekst i treść strukturalna; Mk1.5 nie generuje dźwięku mowy. Przy transkrypcji zachowaj wymagany język i powiązanie z czasem, zamiast traktować opis obrazu jako transkrypcję.
Producent obsługuje porównania między wejściowymi mediami. Oznacz elementy i zachowaj powiązania z materiałami. Opcjonalne asset_idx identyfikuje wystąpienie medium dostępne w danym momencie rozmowy, a nie trwały identyfikator pliku. Jeśli nie ma jawnego ani odziedziczonego selektora, adnotacja odnosi się do ostatniego materiału dostępnego w chwili generowania. Te konwencje mają znaczenie przy porównywaniu dwóch kamer, stron lub nagrań. Limit żądania producenta wynosi 256 jednostek mediów. Każda klatka w grupie video_frames wlicza się do tego limitu, choć grupa zajmuje jeden indeks materiału; włączenie ścieżki dźwiękowej wideo nie dodaje kolejnego materiału.
Producent obsługuje odpowiedzi końcowe ograniczone przez JSON Schema lub wyrażenie regularne. Zdefiniuj pola lub wzorzec i porównaj zwrócone wartości ze źródłem. Dokumentuje również Multilook do niezależnych promptów korzystających ze wspólnego kontekstu — osobny proces producenta, odrębny od zwykłego czatu z pojedynczym generowaniem odpowiedzi.
Mk1.5 może wybierać dostarczone funkcje opisane nazwami, przeznaczeniem i schematami JSON. Aplikacja wykonuje proponowane wywołania i zwraca obserwacje. Zdefiniuj dozwolone działania i kryterium ukończenia zadania w środowisku lub interfejsie, a następnie wykorzystuj nowy stan wizualny lub wynik narzędzia jako podstawę kolejnego kroku. Nakład rozumowania można konfigurować w profilu producenta.
Narzędzi funkcyjnych nie można zadeklarować w tym samym żądaniu co wynik ograniczony przez JSON Schema lub wyrażenie regularne; producent zaleca żądanie ograniczonej odpowiedzi końcowej po pętli narzędziowej. Przed wykorzystaniem wyniku sprawdź powód zakończenia, ponieważ przerwanie z powodu długości może oznaczać niekompletny wynik.
Użytecznym rezultatem jest wyjaśnienie sceny oparte na materiale, transkrypcja ze znacznikami czasu, adnotacja obiektu lub propozycja działania poparta dowodami. Sprawdzaj geometrię względem mediów, odróżniaj obserwowane szczegóły od interpretacji i zachowuj dokładne możliwości Mk1.5 dotyczące dźwięku, śledzenia i narzędzi jako odrębne od wcześniejszej edycji Mk1.
", "aboutText": "Perceptron Mk1.5 to multimodalny model firmy Perceptron do rozumienia obrazu, osadzania informacji w czasie i zadań agentów działających w środowisku. Przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst, adnotacje przestrzenne lub czasowe, odpowiedzi strukturalne i treści wywołań funkcji. Aktualna specyfikacja producenta podaje kontekst 36 864 tokenów i maksymalny wynik 8 192 tokenów; te dokładne limity są bardziej precyzyjne niż zaokrąglony opis 32K w artykule premierowym.\n\n### Wideo i śledzenie obiektów\n\nIstotnym dodatkiem jest śledzenie obiektów w wideo w postaci geometrii ze znacznikami czasu. Jasno opisz obiekt docelowy i określ, co ma ustalić wynik, na przykład kiedy przedmiot pojawia się w scenie, dokąd się przemieszcza lub w którym przedziale występuje dana czynność. W materiałach z perspektywy pierwszej osoby producent podkreśla śledzenie dłoni i podział na podzadania, co pomaga analizować czynności operatora w czasie.\n\nUdokumentowane wyniki obejmują punkty, prostokąty i wielokąty do wskazywania lokalizacji w przestrzeni, klipy do przedziałów czasowych i kontenery track do ruchu obiektów. Track jest kontenerem w generowanym języku znaczników adnotacji, a nie osobną wartością formatu adnotacji. Punkty ścieżki mogą być rozmieszczone rzadko: zwrócona ścieżka nie gwarantuje prostokąta dla każdej klatki źródłowej ani ciągłej widoczności obiektu. Zachowuj oryginalne media oraz powiązanie ze współrzędnymi lub znacznikami czasu, aby wyniki można było sprawdzić w rzeczywistej scenie.\n\n### Dźwięk i łączenie dowodów\n\nMk1.5 dodaje natywne rozumienie dźwięku, w tym transkrypcję, wykrywanie zdarzeń dźwiękowych, podsumowania i pytania o nagranie. Producent przyjmuje WAV, MP3 i FLAC. Limit dźwięku dla pojedynczego elementu wynosi 16 384 tokeny audio, czyli około 21,8 minuty przy udokumentowanym tempie około 750 tokenów na minutę. Dźwięk współdzieli kontekst z pozostałymi wejściami i budżetem odpowiedzi, więc żądanie może wypełnić kontekst przed osiągnięciem limitu pojedynczego elementu.\n\nDla wideo, w którym istotna jest ścieżka dźwiękowa, proces producenta wprost włącza dźwięk w wideo. Określ, czy zadanie dotyczy mowy, zdarzenia dźwiękowego, widocznej sceny czy ich powiązania. Wynikiem jest tekst i treść strukturalna; Mk1.5 nie generuje dźwięku mowy. Przy transkrypcji zachowaj wymagany język i powiązanie z czasem, zamiast traktować opis obrazu jako transkrypcję.\n\n### Wiele materiałów i odpowiedzi strukturalne\n\nProducent obsługuje porównania między wejściowymi mediami. Oznacz elementy i zachowaj powiązania z materiałami. Opcjonalne asset_idx identyfikuje wystąpienie medium dostępne w danym momencie rozmowy, a nie trwały identyfikator pliku. Jeśli nie ma jawnego ani odziedziczonego selektora, adnotacja odnosi się do ostatniego materiału dostępnego w chwili generowania. Te konwencje mają znaczenie przy porównywaniu dwóch kamer, stron lub nagrań. Limit żądania producenta wynosi 256 jednostek mediów. Każda klatka w grupie video_frames wlicza się do tego limitu, choć grupa zajmuje jeden indeks materiału; włączenie ścieżki dźwiękowej wideo nie dodaje kolejnego materiału.\n\nProducent obsługuje odpowiedzi końcowe ograniczone przez JSON Schema lub wyrażenie regularne. Zdefiniuj pola lub wzorzec i porównaj zwrócone wartości ze źródłem. Dokumentuje również Multilook do niezależnych promptów korzystających ze wspólnego kontekstu — osobny proces producenta, odrębny od zwykłego czatu z pojedynczym generowaniem odpowiedzi.\n\n### Funkcje i rozumowanie\n\nMk1.5 może wybierać dostarczone funkcje opisane nazwami, przeznaczeniem i schematami JSON. Aplikacja wykonuje proponowane wywołania i zwraca obserwacje. Zdefiniuj dozwolone działania i kryterium ukończenia zadania w środowisku lub interfejsie, a następnie wykorzystuj nowy stan wizualny lub wynik narzędzia jako podstawę kolejnego kroku. Nakład rozumowania można konfigurować w profilu producenta.\n\nNarzędzi funkcyjnych nie można zadeklarować w tym samym żądaniu co wynik ograniczony przez JSON Schema lub wyrażenie regularne; producent zaleca żądanie ograniczonej odpowiedzi końcowej po pętli narzędziowej. Przed wykorzystaniem wyniku sprawdź powód zakończenia, ponieważ przerwanie z powodu długości może oznaczać niekompletny wynik.\n\nUżytecznym rezultatem jest wyjaśnienie sceny oparte na materiale, transkrypcja ze znacznikami czasu, adnotacja obiektu lub propozycja działania poparta dowodami. Sprawdzaj geometrię względem mediów, odróżniaj obserwowane szczegóły od interpretacji i zachowuj dokładne możliwości Mk1.5 dotyczące dźwięku, śledzenia i narzędzi jako odrębne od wcześniejszej edycji Mk1.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Summarize a timed handling sequence\n\nUse these written frame notes, not unseen footage: 00:02 operator picks up a red box; 00:05 places it on scale; 00:08 removes it; 00:11 places it on shelf. Return the ordered subtasks and the observed interval when the box is on the scale. State the sampling limitation instead of claiming exact continuous motion between notes.An ordered subtask list and a scale interval explicitly bounded by the supplied observations.Timestamps stay attached to their notes, and the answer does not invent intermediate geometry or continuous visibility.perceptron/perceptron-mk1.5Perceptron Mk1.5 rozumie tekst, obrazy, wideo i dźwięk na potrzeby zadań wizualnych i agentów działających w środowisku. Zwraca tekst, adnotacje przestrzenne lub czasowe, ścieżki obiektów i proponowane wywołania funkcji, przy kontekście producenta 36 864 tokenów i maksymalnym wyniku 8 192 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Perceptron Mk1.5 to multimodalny model firmy Perceptron do rozumienia obrazu, osadzania informacji w czasie i zadań agentów działających w środowisku. Przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst, adnotacje przestrzenne lub czasowe, odpowiedzi strukturalne i treści wywołań funkcji. Aktualna specyfikacja producenta podaje kontekst 36 864 tokenów i maksymalny wynik 8 192 tokenów; te dokładne limity są bardziej precyzyjne niż zaokrąglony opis 32K w artykule premierowym.
Istotnym dodatkiem jest śledzenie obiektów w wideo w postaci geometrii ze znacznikami czasu. Jasno opisz obiekt docelowy i określ, co ma ustalić wynik, na przykład kiedy przedmiot pojawia się w scenie, dokąd się przemieszcza lub w którym przedziale występuje dana czynność. W materiałach z perspektywy pierwszej osoby producent podkreśla śledzenie dłoni i podział na podzadania, co pomaga analizować czynności operatora w czasie.
Udokumentowane wyniki obejmują punkty, prostokąty i wielokąty do wskazywania lokalizacji w przestrzeni, klipy do przedziałów czasowych i kontenery track do ruchu obiektów. Track jest kontenerem w generowanym języku znaczników adnotacji, a nie osobną wartością formatu adnotacji. Punkty ścieżki mogą być rozmieszczone rzadko: zwrócona ścieżka nie gwarantuje prostokąta dla każdej klatki źródłowej ani ciągłej widoczności obiektu. Zachowuj oryginalne media oraz powiązanie ze współrzędnymi lub znacznikami czasu, aby wyniki można było sprawdzić w rzeczywistej scenie.
Mk1.5 dodaje natywne rozumienie dźwięku, w tym transkrypcję, wykrywanie zdarzeń dźwiękowych, podsumowania i pytania o nagranie. Producent przyjmuje WAV, MP3 i FLAC. Limit dźwięku dla pojedynczego elementu wynosi 16 384 tokeny audio, czyli około 21,8 minuty przy udokumentowanym tempie około 750 tokenów na minutę. Dźwięk współdzieli kontekst z pozostałymi wejściami i budżetem odpowiedzi, więc żądanie może wypełnić kontekst przed osiągnięciem limitu pojedynczego elementu.
Dla wideo, w którym istotna jest ścieżka dźwiękowa, proces producenta wprost włącza dźwięk w wideo. Określ, czy zadanie dotyczy mowy, zdarzenia dźwiękowego, widocznej sceny czy ich powiązania. Wynikiem jest tekst i treść strukturalna; Mk1.5 nie generuje dźwięku mowy. Przy transkrypcji zachowaj wymagany język i powiązanie z czasem, zamiast traktować opis obrazu jako transkrypcję.
Producent obsługuje porównania między wejściowymi mediami. Oznacz elementy i zachowaj powiązania z materiałami. Opcjonalne asset_idx identyfikuje wystąpienie medium dostępne w danym momencie rozmowy, a nie trwały identyfikator pliku. Jeśli nie ma jawnego ani odziedziczonego selektora, adnotacja odnosi się do ostatniego materiału dostępnego w chwili generowania. Te konwencje mają znaczenie przy porównywaniu dwóch kamer, stron lub nagrań. Limit żądania producenta wynosi 256 jednostek mediów. Każda klatka w grupie video_frames wlicza się do tego limitu, choć grupa zajmuje jeden indeks materiału; włączenie ścieżki dźwiękowej wideo nie dodaje kolejnego materiału.
Producent obsługuje odpowiedzi końcowe ograniczone przez JSON Schema lub wyrażenie regularne. Zdefiniuj pola lub wzorzec i porównaj zwrócone wartości ze źródłem. Dokumentuje również Multilook do niezależnych promptów korzystających ze wspólnego kontekstu — osobny proces producenta, odrębny od zwykłego czatu z pojedynczym generowaniem odpowiedzi.
Mk1.5 może wybierać dostarczone funkcje opisane nazwami, przeznaczeniem i schematami JSON. Aplikacja wykonuje proponowane wywołania i zwraca obserwacje. Zdefiniuj dozwolone działania i kryterium ukończenia zadania w środowisku lub interfejsie, a następnie wykorzystuj nowy stan wizualny lub wynik narzędzia jako podstawę kolejnego kroku. Nakład rozumowania można konfigurować w profilu producenta.
Narzędzi funkcyjnych nie można zadeklarować w tym samym żądaniu co wynik ograniczony przez JSON Schema lub wyrażenie regularne; producent zaleca żądanie ograniczonej odpowiedzi końcowej po pętli narzędziowej. Przed wykorzystaniem wyniku sprawdź powód zakończenia, ponieważ przerwanie z powodu długości może oznaczać niekompletny wynik.
Użytecznym rezultatem jest wyjaśnienie sceny oparte na materiale, transkrypcja ze znacznikami czasu, adnotacja obiektu lub propozycja działania poparta dowodami. Sprawdzaj geometrię względem mediów, odróżniaj obserwowane szczegóły od interpretacji i zachowuj dokładne możliwości Mk1.5 dotyczące dźwięku, śledzenia i narzędzi jako odrębne od wcześniejszej edycji Mk1.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity perceptron/perceptron-mk1.5 | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.003 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.003 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "perceptron/perceptron-mk1.5", "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='perceptron/perceptron-mk1.5',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='perceptron/perceptron-mk1.5',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 perceptron/perceptron-mk1.5
Użyj ścieżek metod podanych powyżej.
perceptron/perceptron-mk1.5Perceptron Mk1.5 rozumie tekst, obrazy, wideo i dźwięk na potrzeby zadań wizualnych i agentów działających w środowisku. Zwraca tekst, adnotacje przestrzenne lub czasowe, ścieżki obiektów i proponowane wywołania funkcji, przy kontekście producenta 36 864 tokenów i maksymalnym wyniku 8 192 tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Perceptron Mk1.5 to multimodalny model firmy Perceptron do rozumienia obrazu, osadzania informacji w czasie i zadań agentów działających w środowisku. Przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst, adnotacje przestrzenne lub czasowe, odpowiedzi strukturalne i treści wywołań funkcji. Aktualna specyfikacja producenta podaje kontekst 36 864 tokenów i maksymalny wynik 8 192 tokenów; te dokładne limity są bardziej precyzyjne niż zaokrąglony opis 32K w artykule premierowym.
Istotnym dodatkiem jest śledzenie obiektów w wideo w postaci geometrii ze znacznikami czasu. Jasno opisz obiekt docelowy i określ, co ma ustalić wynik, na przykład kiedy przedmiot pojawia się w scenie, dokąd się przemieszcza lub w którym przedziale występuje dana czynność. W materiałach z perspektywy pierwszej osoby producent podkreśla śledzenie dłoni i podział na podzadania, co pomaga analizować czynności operatora w czasie.
Udokumentowane wyniki obejmują punkty, prostokąty i wielokąty do wskazywania lokalizacji w przestrzeni, klipy do przedziałów czasowych i kontenery track do ruchu obiektów. Track jest kontenerem w generowanym języku znaczników adnotacji, a nie osobną wartością formatu adnotacji. Punkty ścieżki mogą być rozmieszczone rzadko: zwrócona ścieżka nie gwarantuje prostokąta dla każdej klatki źródłowej ani ciągłej widoczności obiektu. Zachowuj oryginalne media oraz powiązanie ze współrzędnymi lub znacznikami czasu, aby wyniki można było sprawdzić w rzeczywistej scenie.
Mk1.5 dodaje natywne rozumienie dźwięku, w tym transkrypcję, wykrywanie zdarzeń dźwiękowych, podsumowania i pytania o nagranie. Producent przyjmuje WAV, MP3 i FLAC. Limit dźwięku dla pojedynczego elementu wynosi 16 384 tokeny audio, czyli około 21,8 minuty przy udokumentowanym tempie około 750 tokenów na minutę. Dźwięk współdzieli kontekst z pozostałymi wejściami i budżetem odpowiedzi, więc żądanie może wypełnić kontekst przed osiągnięciem limitu pojedynczego elementu.
Dla wideo, w którym istotna jest ścieżka dźwiękowa, proces producenta wprost włącza dźwięk w wideo. Określ, czy zadanie dotyczy mowy, zdarzenia dźwiękowego, widocznej sceny czy ich powiązania. Wynikiem jest tekst i treść strukturalna; Mk1.5 nie generuje dźwięku mowy. Przy transkrypcji zachowaj wymagany język i powiązanie z czasem, zamiast traktować opis obrazu jako transkrypcję.
Producent obsługuje porównania między wejściowymi mediami. Oznacz elementy i zachowaj powiązania z materiałami. Opcjonalne asset_idx identyfikuje wystąpienie medium dostępne w danym momencie rozmowy, a nie trwały identyfikator pliku. Jeśli nie ma jawnego ani odziedziczonego selektora, adnotacja odnosi się do ostatniego materiału dostępnego w chwili generowania. Te konwencje mają znaczenie przy porównywaniu dwóch kamer, stron lub nagrań. Limit żądania producenta wynosi 256 jednostek mediów. Każda klatka w grupie video_frames wlicza się do tego limitu, choć grupa zajmuje jeden indeks materiału; włączenie ścieżki dźwiękowej wideo nie dodaje kolejnego materiału.
Producent obsługuje odpowiedzi końcowe ograniczone przez JSON Schema lub wyrażenie regularne. Zdefiniuj pola lub wzorzec i porównaj zwrócone wartości ze źródłem. Dokumentuje również Multilook do niezależnych promptów korzystających ze wspólnego kontekstu — osobny proces producenta, odrębny od zwykłego czatu z pojedynczym generowaniem odpowiedzi.
Mk1.5 może wybierać dostarczone funkcje opisane nazwami, przeznaczeniem i schematami JSON. Aplikacja wykonuje proponowane wywołania i zwraca obserwacje. Zdefiniuj dozwolone działania i kryterium ukończenia zadania w środowisku lub interfejsie, a następnie wykorzystuj nowy stan wizualny lub wynik narzędzia jako podstawę kolejnego kroku. Nakład rozumowania można konfigurować w profilu producenta.
Narzędzi funkcyjnych nie można zadeklarować w tym samym żądaniu co wynik ograniczony przez JSON Schema lub wyrażenie regularne; producent zaleca żądanie ograniczonej odpowiedzi końcowej po pętli narzędziowej. Przed wykorzystaniem wyniku sprawdź powód zakończenia, ponieważ przerwanie z powodu długości może oznaczać niekompletny wynik.
Użytecznym rezultatem jest wyjaśnienie sceny oparte na materiale, transkrypcja ze znacznikami czasu, adnotacja obiektu lub propozycja działania poparta dowodami. Sprawdzaj geometrię względem mediów, odróżniaj obserwowane szczegóły od interpretacji i zachowuj dokładne możliwości Mk1.5 dotyczące dźwięku, śledzenia i narzędzi jako odrębne od wcześniejszej edycji Mk1.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity perceptron/perceptron-mk1.5 | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.003 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.003 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "perceptron/perceptron-mk1.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'perceptron/perceptron-mk1.5', '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': 'perceptron/perceptron-mk1.5', '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 perceptron/perceptron-mk1.5
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Summarize a timed handling sequence\n\nUse these written frame notes, not unseen footage: 00:02 operator picks up a red box; 00:05 places it on scale; 00:08 removes it; 00:11 places it on shelf. Return the ordered subtasks and the observed interval when the box is on the scale. State the sampling limitation instead of claiming exact continuous motion between notes.An ordered subtask list and a scale interval explicitly bounded by the supplied observations.Timestamps stay attached to their notes, and the answer does not invent intermediate geometry or continuous visibility.