Doubao 1.5 Thinking Vision Pro 250428 é a identidade alojada exata indicada pela ByteDance para Seed1.5-VL. É um modelo de visão e linguagem para compreensão multimodal geral e raciocínio. As capacidades descritas pelo fabricante incluem OCR, compreensão de diagramas, localização de referências visuais, compreensão espacial 3D, compreensão de vídeo e raciocínio visual. Estas tarefas devolvem interpretações e decisões baseadas em material visual e numa pergunta escrita.
Forneça a imagem e identifique a informação a extrair ou explicar. Para uma imagem de documento, indique o texto ou os campos importantes. Para um diagrama, pergunte por rótulos e relações específicas. Para um problema visual, apresente a pergunta e peça uma conclusão sustentada pelas pistas pertinentes.
Mantenha claro o resultado pedido: texto transcrito, uma descrição de uma relação ou a explicação de uma resposta. Se a imagem contiver letras pouco claras ou pormenores ocultos, peça que a resposta identifique a incerteza. Guarde a imagem original juntamente com o resultado para poder verificar as palavras extraídas e as relações interpretadas.
A localização de referências visuais liga uma referência escrita ao objeto ou à região pertinente numa imagem. Uma tarefa útil pode indicar o objeto, explicar o que o distingue dos objetos próximos e pedir a informação de localização esperada pela aplicação. O formato de saída da aplicação deve definir a forma de representar essa localização.
Para compreensão espacial, descreva quais as relações importantes: posição relativa, orientação ou disposição dos objetos na cena. Peça as evidências visíveis antes da interpretação final. Mantenha uma distinção entre as características observáveis da imagem e uma relação tridimensional inferida.
O fabricante também enumera a compreensão de vídeo e disponibiliza um guia prático dedicado a vídeo. Uma pergunta sobre vídeo deve identificar o evento, o objeto ou a sequência de interesse e o resultado a produzir. Utilize referências temporais na pergunta e guarde o excerto de origem juntamente com a resposta ao verificar uma sequência de eventos.
As suas demonstrações interativas incluem controlo de interfaces gráficas e jogos. Numa aplicação de utilização do computador, a compreensão visual do modelo apoia uma decisão sobre o ecrã, enquanto a aplicação que o integra executa ações e fornece a observação seguinte. Descrever um controlo ou decidir uma ação seguinte não demonstra, por si só, que um ficheiro foi guardado ou que uma operação no ecrã foi concluída.
A ByteDance identifica o modelo como tendo um codificador de visão com 532M parâmetros e um modelo de linguagem de mistura de especialistas com 20B parâmetros ativos. O seu guia prático apresenta separadamente os controlos de cadeias de raciocínio longas, a localização de referências visuais, a compreensão espacial e os exemplos de vídeo e interfaces gráficas. Utilize o contrato exato da interface para as entradas e a representação da saída exigidas por uma tarefa.
Esta entrada preserva o lançamento 250428 indicado no repositório do fabricante. O perfil anterior Thinking Pro Vision 250415 é uma identidade separada. Guarde o modelo pedido, as fontes visuais e as definições da tarefa com cada resultado, para que uma revisão posterior possa ser comparada com o mesmo lançamento e as mesmas evidências.
", "aboutText": "Doubao 1.5 Thinking Vision Pro 250428 é a identidade alojada exata indicada pela ByteDance para Seed1.5-VL. É um modelo de visão e linguagem para compreensão multimodal geral e raciocínio. As capacidades descritas pelo fabricante incluem OCR, compreensão de diagramas, localização de referências visuais, compreensão espacial 3D, compreensão de vídeo e raciocínio visual. Estas tarefas devolvem interpretações e decisões baseadas em material visual e numa pergunta escrita.\n\n### Leia e interprete a fonte visual\n\nForneça a imagem e identifique a informação a extrair ou explicar. Para uma imagem de documento, indique o texto ou os campos importantes. Para um diagrama, pergunte por rótulos e relações específicas. Para um problema visual, apresente a pergunta e peça uma conclusão sustentada pelas pistas pertinentes.\n\nMantenha claro o resultado pedido: texto transcrito, uma descrição de uma relação ou a explicação de uma resposta. Se a imagem contiver letras pouco claras ou pormenores ocultos, peça que a resposta identifique a incerteza. Guarde a imagem original juntamente com o resultado para poder verificar as palavras extraídas e as relações interpretadas.\n\n### Relacione uma pergunta com os objetos e o espaço\n\nA localização de referências visuais liga uma referência escrita ao objeto ou à região pertinente numa imagem. Uma tarefa útil pode indicar o objeto, explicar o que o distingue dos objetos próximos e pedir a informação de localização esperada pela aplicação. O formato de saída da aplicação deve definir a forma de representar essa localização.\n\nPara compreensão espacial, descreva quais as relações importantes: posição relativa, orientação ou disposição dos objetos na cena. Peça as evidências visíveis antes da interpretação final. Mantenha uma distinção entre as características observáveis da imagem e uma relação tridimensional inferida.\n\n### Trabalhe com vídeo e tarefas interativas\n\nO fabricante também enumera a compreensão de vídeo e disponibiliza um guia prático dedicado a vídeo. Uma pergunta sobre vídeo deve identificar o evento, o objeto ou a sequência de interesse e o resultado a produzir. Utilize referências temporais na pergunta e guarde o excerto de origem juntamente com a resposta ao verificar uma sequência de eventos.\n\nAs suas demonstrações interativas incluem controlo de interfaces gráficas e jogos. Numa aplicação de utilização do computador, a compreensão visual do modelo apoia uma decisão sobre o ecrã, enquanto a aplicação que o integra executa ações e fornece a observação seguinte. Descrever um controlo ou decidir uma ação seguinte não demonstra, por si só, que um ficheiro foi guardado ou que uma operação no ecrã foi concluída.\n\n### Preserve o lançamento e as definições da interface\n\nA ByteDance identifica o modelo como tendo um codificador de visão com 532M parâmetros e um modelo de linguagem de mistura de especialistas com 20B parâmetros ativos. O seu guia prático apresenta separadamente os controlos de cadeias de raciocínio longas, a localização de referências visuais, a compreensão espacial e os exemplos de vídeo e interfaces gráficas. Utilize o contrato exato da interface para as entradas e a representação da saída exigidas por uma tarefa.\n\nEsta entrada preserva o lançamento 250428 indicado no repositório do fabricante. O perfil anterior Thinking Pro Vision 250415 é uma identidade separada. Guarde o modelo pedido, as fontes visuais e as definições da tarefa com cada resultado, para que uma revisão posterior possa ser comparada com o mesmo lançamento e as mesmas evidências.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 é o lançamento de visão e linguagem identificado como Seed1.5-VL para imagens, vídeo e perguntas escritas. O fabricante descreve OCR, interpretação de diagramas, localização de referências visuais, compreensão espacial e raciocínio com base em evidências visuais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Doubao 1.5 Thinking Vision Pro 250428 é a identidade alojada exata indicada pela ByteDance para Seed1.5-VL. É um modelo de visão e linguagem para compreensão multimodal geral e raciocínio. As capacidades descritas pelo fabricante incluem OCR, compreensão de diagramas, localização de referências visuais, compreensão espacial 3D, compreensão de vídeo e raciocínio visual. Estas tarefas devolvem interpretações e decisões baseadas em material visual e numa pergunta escrita.
Forneça a imagem e identifique a informação a extrair ou explicar. Para uma imagem de documento, indique o texto ou os campos importantes. Para um diagrama, pergunte por rótulos e relações específicas. Para um problema visual, apresente a pergunta e peça uma conclusão sustentada pelas pistas pertinentes.
Mantenha claro o resultado pedido: texto transcrito, uma descrição de uma relação ou a explicação de uma resposta. Se a imagem contiver letras pouco claras ou pormenores ocultos, peça que a resposta identifique a incerteza. Guarde a imagem original juntamente com o resultado para poder verificar as palavras extraídas e as relações interpretadas.
A localização de referências visuais liga uma referência escrita ao objeto ou à região pertinente numa imagem. Uma tarefa útil pode indicar o objeto, explicar o que o distingue dos objetos próximos e pedir a informação de localização esperada pela aplicação. O formato de saída da aplicação deve definir a forma de representar essa localização.
Para compreensão espacial, descreva quais as relações importantes: posição relativa, orientação ou disposição dos objetos na cena. Peça as evidências visíveis antes da interpretação final. Mantenha uma distinção entre as características observáveis da imagem e uma relação tridimensional inferida.
O fabricante também enumera a compreensão de vídeo e disponibiliza um guia prático dedicado a vídeo. Uma pergunta sobre vídeo deve identificar o evento, o objeto ou a sequência de interesse e o resultado a produzir. Utilize referências temporais na pergunta e guarde o excerto de origem juntamente com a resposta ao verificar uma sequência de eventos.
As suas demonstrações interativas incluem controlo de interfaces gráficas e jogos. Numa aplicação de utilização do computador, a compreensão visual do modelo apoia uma decisão sobre o ecrã, enquanto a aplicação que o integra executa ações e fornece a observação seguinte. Descrever um controlo ou decidir uma ação seguinte não demonstra, por si só, que um ficheiro foi guardado ou que uma operação no ecrã foi concluída.
A ByteDance identifica o modelo como tendo um codificador de visão com 532M parâmetros e um modelo de linguagem de mistura de especialistas com 20B parâmetros ativos. O seu guia prático apresenta separadamente os controlos de cadeias de raciocínio longas, a localização de referências visuais, a compreensão espacial e os exemplos de vídeo e interfaces gráficas. Utilize o contrato exato da interface para as entradas e a representação da saída exigidas por uma tarefa.
Esta entrada preserva o lançamento 250428 indicado no repositório do fabricante. O perfil anterior Thinking Pro Vision 250415 é uma identidade separada. Guarde o modelo pedido, as fontes visuais e as definições da tarefa com cada resultado, para que uma revisão posterior possa ser comparada com o mesmo lançamento e as mesmas evidências.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites doubao-1-5-thinking-vision-pro-250428 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0011 / 1K tokens Saída · Tokens de saída $0.00286 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "doubao-1-5-thinking-vision-pro-250428", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='doubao-1-5-thinking-vision-pro-250428',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='doubao-1-5-thinking-vision-pro-250428',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra doubao-1-5-thinking-vision-pro-250428
Use os caminhos dos métodos indicados acima.
doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 é o lançamento de visão e linguagem identificado como Seed1.5-VL para imagens, vídeo e perguntas escritas. O fabricante descreve OCR, interpretação de diagramas, localização de referências visuais, compreensão espacial e raciocínio com base em evidências visuais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Doubao 1.5 Thinking Vision Pro 250428 é a identidade alojada exata indicada pela ByteDance para Seed1.5-VL. É um modelo de visão e linguagem para compreensão multimodal geral e raciocínio. As capacidades descritas pelo fabricante incluem OCR, compreensão de diagramas, localização de referências visuais, compreensão espacial 3D, compreensão de vídeo e raciocínio visual. Estas tarefas devolvem interpretações e decisões baseadas em material visual e numa pergunta escrita.
Forneça a imagem e identifique a informação a extrair ou explicar. Para uma imagem de documento, indique o texto ou os campos importantes. Para um diagrama, pergunte por rótulos e relações específicas. Para um problema visual, apresente a pergunta e peça uma conclusão sustentada pelas pistas pertinentes.
Mantenha claro o resultado pedido: texto transcrito, uma descrição de uma relação ou a explicação de uma resposta. Se a imagem contiver letras pouco claras ou pormenores ocultos, peça que a resposta identifique a incerteza. Guarde a imagem original juntamente com o resultado para poder verificar as palavras extraídas e as relações interpretadas.
A localização de referências visuais liga uma referência escrita ao objeto ou à região pertinente numa imagem. Uma tarefa útil pode indicar o objeto, explicar o que o distingue dos objetos próximos e pedir a informação de localização esperada pela aplicação. O formato de saída da aplicação deve definir a forma de representar essa localização.
Para compreensão espacial, descreva quais as relações importantes: posição relativa, orientação ou disposição dos objetos na cena. Peça as evidências visíveis antes da interpretação final. Mantenha uma distinção entre as características observáveis da imagem e uma relação tridimensional inferida.
O fabricante também enumera a compreensão de vídeo e disponibiliza um guia prático dedicado a vídeo. Uma pergunta sobre vídeo deve identificar o evento, o objeto ou a sequência de interesse e o resultado a produzir. Utilize referências temporais na pergunta e guarde o excerto de origem juntamente com a resposta ao verificar uma sequência de eventos.
As suas demonstrações interativas incluem controlo de interfaces gráficas e jogos. Numa aplicação de utilização do computador, a compreensão visual do modelo apoia uma decisão sobre o ecrã, enquanto a aplicação que o integra executa ações e fornece a observação seguinte. Descrever um controlo ou decidir uma ação seguinte não demonstra, por si só, que um ficheiro foi guardado ou que uma operação no ecrã foi concluída.
A ByteDance identifica o modelo como tendo um codificador de visão com 532M parâmetros e um modelo de linguagem de mistura de especialistas com 20B parâmetros ativos. O seu guia prático apresenta separadamente os controlos de cadeias de raciocínio longas, a localização de referências visuais, a compreensão espacial e os exemplos de vídeo e interfaces gráficas. Utilize o contrato exato da interface para as entradas e a representação da saída exigidas por uma tarefa.
Esta entrada preserva o lançamento 250428 indicado no repositório do fabricante. O perfil anterior Thinking Pro Vision 250415 é uma identidade separada. Guarde o modelo pedido, as fontes visuais e as definições da tarefa com cada resultado, para que uma revisão posterior possa ser comparada com o mesmo lançamento e as mesmas evidências.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites doubao-1-5-thinking-vision-pro-250428 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0011 / 1K tokens Saída · Tokens de saída $0.00286 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'doubao-1-5-thinking-vision-pro-250428', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'doubao-1-5-thinking-vision-pro-250428', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra doubao-1-5-thinking-vision-pro-250428
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Reason from a diagram transcript\n\nUse this textual transcription of a process diagram: Start → Inspect; Inspect(pass) → Pack; Inspect(fail) → Rework; Rework → Inspect. Explain whether a failed item can reach Pack without another inspection. Give the path that justifies your answer and suggest one label that would make the reinspection loop clearer. Do not invent unseen diagram details.A yes/no conclusion, the relevant node sequence and one proposed label clarification.The path includes Rework → Inspect before Pack and uses only the supplied transcription.