ERNIE 4.5 VL 424B-A47B är Baidus chattmodell för bild och språk, utvecklad från motsvarande ERNIE 4.5 VL Base-modell. Den kombinerar textinstruktioner med visuellt material och genererar ett textsvar. Dess mixture-of-experts-nätverk har totalt 424 miljarder parametrar, med 47 miljarder aktiverade för varje token, och tillverkaren publicerar en kontextlängd på 131 072 token.
Huvuddrag i ERNIE 4.5. Familjen använder en heterogen mixture-of-experts-design som delar viss kunskap mellan språk och bild samtidigt som den behåller modalitetsspecifik bearbetning. Baidu beskriver gemensam multimodal förträning, effektiv infrastruktur för träning och inferens samt efterträning anpassad till den avsedda modaliteten. För VL-modellen ligger tyngdpunkten på bildförståelse, uppgiftsspecifika visuella instruktioner och resonemang som kopplar visuella belägg till språk. Träningen omfattar övervakad finjustering och förstärkningsinlärning med verifierbara belöningar.
Modellöversikt. Konfigurationen anger 54 lager, 64 query-huvuden för attention och 8 key/value-huvuden, med separata expertgrupper för text och bild. Varje grupp anger 64 experter och 8 aktiverade experter. Tillverkarens modelltabell anger text, bild och video som indatamodaliteter för denna utgåva och text som utdata. Betrakta utdata som en tolkning av det tillhandahållna innehållet: en beskrivning, ett svar på en visuell fråga eller en resonerad förklaring av vad materialet stödjer.
Bildförståelse. Tillhandahåll originalbilden och en uttrycklig fråga. För en dokumentsida, behåll etiketter, kolumnrubriker och texten kring ett omtvistat värde och begär sedan utvalda fält med den plats på sidan som stöder dem. För ett diagram, ange om målet är att förklara dess delar, följa en process eller jämföra det med en skriftlig specifikation. Be modellen redovisa de synliga etiketterna innan den drar en slutsats så att observationerna kan granskas separat från tolkningen.
Multimodalt resonemang. När flera bilder bidrar till samma uppgift, märk deras roller och förklara vilka detaljer som ska jämföras. En användbar begäran kan kombinera ett produktfoto med en tillhandahållen specifikation och be om en lista över synliga överensstämmelser, skillnader och sådant bilden inte kan fastställa. För tidsbaserat material, identifiera händelsen eller förändringen du vill förstå och begär en följd av observationer knutna till de tillhandahållna bildrutorna eller segmenten. Den slutliga artefakten ska göra det lätt att granska beläggen bakom en påstådd förändring.
Svar med tänkande och direkta svar. Baidu beskriver tänkande och icke-tänkande lägen för sina modeller för bild och språk. Tänkande tjänar uppgifter som kräver analys av visuell och textuell information; ett direkt svar kan användas för en enkel beskrivning eller en enkel visuell fråga. Ange det nödvändiga resultatet tydligt, exempelvis ett kortfattat svar, en jämförelsetabell eller en förklaring med stödjande observationer. Val av läge hör till genereringsinställningarna snarare än den vanliga formuleringen av en bildbegäran.
Förbered materialet utifrån frågan. Använd läsbara sidor och relevanta vyer, håll bildetiketterna konsekventa och reservera utrymme för det begärda textsvaret inom kontexten. Be modellen markera oläslig text och skilja härledda egenskaper från synliga detaljer. En bild kan visa en etikett, en form eller ett arrangemang samtidigt som svaret också behöver en tillhandahållen regel eller specifikation. Bekräfta kritiska extraherade värden mot originalet och använd ytterligare en vy när beläggen lämnar en viktig detalj olöst.
", "aboutText": "ERNIE 4.5 VL 424B-A47B är Baidus chattmodell för bild och språk, utvecklad från motsvarande ERNIE 4.5 VL Base-modell. Den kombinerar textinstruktioner med visuellt material och genererar ett textsvar. Dess mixture-of-experts-nätverk har totalt 424 miljarder parametrar, med 47 miljarder aktiverade för varje token, och tillverkaren publicerar en kontextlängd på 131 072 token.\n\nHuvuddrag i ERNIE 4.5. Familjen använder en heterogen mixture-of-experts-design som delar viss kunskap mellan språk och bild samtidigt som den behåller modalitetsspecifik bearbetning. Baidu beskriver gemensam multimodal förträning, effektiv infrastruktur för träning och inferens samt efterträning anpassad till den avsedda modaliteten. För VL-modellen ligger tyngdpunkten på bildförståelse, uppgiftsspecifika visuella instruktioner och resonemang som kopplar visuella belägg till språk. Träningen omfattar övervakad finjustering och förstärkningsinlärning med verifierbara belöningar.\n\nModellöversikt. Konfigurationen anger 54 lager, 64 query-huvuden för attention och 8 key/value-huvuden, med separata expertgrupper för text och bild. Varje grupp anger 64 experter och 8 aktiverade experter. Tillverkarens modelltabell anger text, bild och video som indatamodaliteter för denna utgåva och text som utdata. Betrakta utdata som en tolkning av det tillhandahållna innehållet: en beskrivning, ett svar på en visuell fråga eller en resonerad förklaring av vad materialet stödjer.\n\nBildförståelse. Tillhandahåll originalbilden och en uttrycklig fråga. För en dokumentsida, behåll etiketter, kolumnrubriker och texten kring ett omtvistat värde och begär sedan utvalda fält med den plats på sidan som stöder dem. För ett diagram, ange om målet är att förklara dess delar, följa en process eller jämföra det med en skriftlig specifikation. Be modellen redovisa de synliga etiketterna innan den drar en slutsats så att observationerna kan granskas separat från tolkningen.\n\nMultimodalt resonemang. När flera bilder bidrar till samma uppgift, märk deras roller och förklara vilka detaljer som ska jämföras. En användbar begäran kan kombinera ett produktfoto med en tillhandahållen specifikation och be om en lista över synliga överensstämmelser, skillnader och sådant bilden inte kan fastställa. För tidsbaserat material, identifiera händelsen eller förändringen du vill förstå och begär en följd av observationer knutna till de tillhandahållna bildrutorna eller segmenten. Den slutliga artefakten ska göra det lätt att granska beläggen bakom en påstådd förändring.\n\nSvar med tänkande och direkta svar. Baidu beskriver tänkande och icke-tänkande lägen för sina modeller för bild och språk. Tänkande tjänar uppgifter som kräver analys av visuell och textuell information; ett direkt svar kan användas för en enkel beskrivning eller en enkel visuell fråga. Ange det nödvändiga resultatet tydligt, exempelvis ett kortfattat svar, en jämförelsetabell eller en förklaring med stödjande observationer. Val av läge hör till genereringsinställningarna snarare än den vanliga formuleringen av en bildbegäran.\n\nFörbered materialet utifrån frågan. Använd läsbara sidor och relevanta vyer, håll bildetiketterna konsekventa och reservera utrymme för det begärda textsvaret inom kontexten. Be modellen markera oläslig text och skilja härledda egenskaper från synliga detaljer. En bild kan visa en etikett, en form eller ett arrangemang samtidigt som svaret också behöver en tillhandahållen regel eller specifikation. Bekräfta kritiska extraherade värden mot originalet och använd ytterligare en vy när beläggen lämnar en viktig detalj olöst.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B är Baidus mixture-of-experts-modell för bild och språk, avsedd för bildförståelse och multimodalt resonemang. Dess publicerade konfiguration har totalt 424 miljarder parametrar, 47 miljarder aktiva per token och en kontext på 131 072 token; svar genereras som text.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
ERNIE 4.5 VL 424B-A47B är Baidus chattmodell för bild och språk, utvecklad från motsvarande ERNIE 4.5 VL Base-modell. Den kombinerar textinstruktioner med visuellt material och genererar ett textsvar. Dess mixture-of-experts-nätverk har totalt 424 miljarder parametrar, med 47 miljarder aktiverade för varje token, och tillverkaren publicerar en kontextlängd på 131 072 token.
Huvuddrag i ERNIE 4.5. Familjen använder en heterogen mixture-of-experts-design som delar viss kunskap mellan språk och bild samtidigt som den behåller modalitetsspecifik bearbetning. Baidu beskriver gemensam multimodal förträning, effektiv infrastruktur för träning och inferens samt efterträning anpassad till den avsedda modaliteten. För VL-modellen ligger tyngdpunkten på bildförståelse, uppgiftsspecifika visuella instruktioner och resonemang som kopplar visuella belägg till språk. Träningen omfattar övervakad finjustering och förstärkningsinlärning med verifierbara belöningar.
Modellöversikt. Konfigurationen anger 54 lager, 64 query-huvuden för attention och 8 key/value-huvuden, med separata expertgrupper för text och bild. Varje grupp anger 64 experter och 8 aktiverade experter. Tillverkarens modelltabell anger text, bild och video som indatamodaliteter för denna utgåva och text som utdata. Betrakta utdata som en tolkning av det tillhandahållna innehållet: en beskrivning, ett svar på en visuell fråga eller en resonerad förklaring av vad materialet stödjer.
Bildförståelse. Tillhandahåll originalbilden och en uttrycklig fråga. För en dokumentsida, behåll etiketter, kolumnrubriker och texten kring ett omtvistat värde och begär sedan utvalda fält med den plats på sidan som stöder dem. För ett diagram, ange om målet är att förklara dess delar, följa en process eller jämföra det med en skriftlig specifikation. Be modellen redovisa de synliga etiketterna innan den drar en slutsats så att observationerna kan granskas separat från tolkningen.
Multimodalt resonemang. När flera bilder bidrar till samma uppgift, märk deras roller och förklara vilka detaljer som ska jämföras. En användbar begäran kan kombinera ett produktfoto med en tillhandahållen specifikation och be om en lista över synliga överensstämmelser, skillnader och sådant bilden inte kan fastställa. För tidsbaserat material, identifiera händelsen eller förändringen du vill förstå och begär en följd av observationer knutna till de tillhandahållna bildrutorna eller segmenten. Den slutliga artefakten ska göra det lätt att granska beläggen bakom en påstådd förändring.
Svar med tänkande och direkta svar. Baidu beskriver tänkande och icke-tänkande lägen för sina modeller för bild och språk. Tänkande tjänar uppgifter som kräver analys av visuell och textuell information; ett direkt svar kan användas för en enkel beskrivning eller en enkel visuell fråga. Ange det nödvändiga resultatet tydligt, exempelvis ett kortfattat svar, en jämförelsetabell eller en förklaring med stödjande observationer. Val av läge hör till genereringsinställningarna snarare än den vanliga formuleringen av en bildbegäran.
Förbered materialet utifrån frågan. Använd läsbara sidor och relevanta vyer, håll bildetiketterna konsekventa och reservera utrymme för det begärda textsvaret inom kontexten. Be modellen markera oläslig text och skilja härledda egenskaper från synliga detaljer. En bild kan visa en etikett, en form eller ett arrangemang samtidigt som svaret också behöver en tillhandahållen regel eller specifikation. Bekräfta kritiska extraherade värden mot originalet och använd ytterligare en vy när beläggen lämnar en viktig detalj olöst.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser baidu/ernie-4.5-vl-424b-a47b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000858 / 1K token Utdata · Utdatatoken $0.00258 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "baidu/ernie-4.5-vl-424b-a47b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='baidu/ernie-4.5-vl-424b-a47b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='baidu/ernie-4.5-vl-424b-a47b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra baidu/ernie-4.5-vl-424b-a47b
Använd metodsökvägarna som visas ovan.
baidu/ernie-4.5-vl-424b-a47bERNIE 4.5 VL 424B-A47B är Baidus mixture-of-experts-modell för bild och språk, avsedd för bildförståelse och multimodalt resonemang. Dess publicerade konfiguration har totalt 424 miljarder parametrar, 47 miljarder aktiva per token och en kontext på 131 072 token; svar genereras som text.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
ERNIE 4.5 VL 424B-A47B är Baidus chattmodell för bild och språk, utvecklad från motsvarande ERNIE 4.5 VL Base-modell. Den kombinerar textinstruktioner med visuellt material och genererar ett textsvar. Dess mixture-of-experts-nätverk har totalt 424 miljarder parametrar, med 47 miljarder aktiverade för varje token, och tillverkaren publicerar en kontextlängd på 131 072 token.
Huvuddrag i ERNIE 4.5. Familjen använder en heterogen mixture-of-experts-design som delar viss kunskap mellan språk och bild samtidigt som den behåller modalitetsspecifik bearbetning. Baidu beskriver gemensam multimodal förträning, effektiv infrastruktur för träning och inferens samt efterträning anpassad till den avsedda modaliteten. För VL-modellen ligger tyngdpunkten på bildförståelse, uppgiftsspecifika visuella instruktioner och resonemang som kopplar visuella belägg till språk. Träningen omfattar övervakad finjustering och förstärkningsinlärning med verifierbara belöningar.
Modellöversikt. Konfigurationen anger 54 lager, 64 query-huvuden för attention och 8 key/value-huvuden, med separata expertgrupper för text och bild. Varje grupp anger 64 experter och 8 aktiverade experter. Tillverkarens modelltabell anger text, bild och video som indatamodaliteter för denna utgåva och text som utdata. Betrakta utdata som en tolkning av det tillhandahållna innehållet: en beskrivning, ett svar på en visuell fråga eller en resonerad förklaring av vad materialet stödjer.
Bildförståelse. Tillhandahåll originalbilden och en uttrycklig fråga. För en dokumentsida, behåll etiketter, kolumnrubriker och texten kring ett omtvistat värde och begär sedan utvalda fält med den plats på sidan som stöder dem. För ett diagram, ange om målet är att förklara dess delar, följa en process eller jämföra det med en skriftlig specifikation. Be modellen redovisa de synliga etiketterna innan den drar en slutsats så att observationerna kan granskas separat från tolkningen.
Multimodalt resonemang. När flera bilder bidrar till samma uppgift, märk deras roller och förklara vilka detaljer som ska jämföras. En användbar begäran kan kombinera ett produktfoto med en tillhandahållen specifikation och be om en lista över synliga överensstämmelser, skillnader och sådant bilden inte kan fastställa. För tidsbaserat material, identifiera händelsen eller förändringen du vill förstå och begär en följd av observationer knutna till de tillhandahållna bildrutorna eller segmenten. Den slutliga artefakten ska göra det lätt att granska beläggen bakom en påstådd förändring.
Svar med tänkande och direkta svar. Baidu beskriver tänkande och icke-tänkande lägen för sina modeller för bild och språk. Tänkande tjänar uppgifter som kräver analys av visuell och textuell information; ett direkt svar kan användas för en enkel beskrivning eller en enkel visuell fråga. Ange det nödvändiga resultatet tydligt, exempelvis ett kortfattat svar, en jämförelsetabell eller en förklaring med stödjande observationer. Val av läge hör till genereringsinställningarna snarare än den vanliga formuleringen av en bildbegäran.
Förbered materialet utifrån frågan. Använd läsbara sidor och relevanta vyer, håll bildetiketterna konsekventa och reservera utrymme för det begärda textsvaret inom kontexten. Be modellen markera oläslig text och skilja härledda egenskaper från synliga detaljer. En bild kan visa en etikett, en form eller ett arrangemang samtidigt som svaret också behöver en tillhandahållen regel eller specifikation. Bekräfta kritiska extraherade värden mot originalet och använd ytterligare en vy när beläggen lämnar en viktig detalj olöst.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser baidu/ernie-4.5-vl-424b-a47b | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000858 / 1K token Utdata · Utdatatoken $0.00258 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "baidu/ernie-4.5-vl-424b-a47b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'baidu/ernie-4.5-vl-424b-a47b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'baidu/ernie-4.5-vl-424b-a47b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra baidu/ernie-4.5-vl-424b-a47b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Check a transcribed approval flow\n\nReview this transcribed process: Draft -> Manager approval -> Publish. A second branch says Draft -> Publish for urgent items. Written rule: every publication needs manager approval, including urgent work. Identify the conflict, cite the relevant labels and propose a revised text sequence that follows the rule.The conflicting branch, a rule-linked explanation and a revised sequence expressed in text.Check that the revision includes manager approval on the urgent path and uses only the supplied transcription.