Doubao 1.5 Thinking Vision Pro 250428 är den exakta driftade identitet som ByteDance anger för Seed1.5-VL. Det är en modell för bild och språk för allmän multimodal förståelse och resonemang. De förmågor tillverkaren beskriver omfattar OCR, diagramförståelse, visuell lokalisering, rumslig förståelse i 3D, videoförståelse och visuellt resonemang. Dessa uppgifter returnerar tolkningar och beslut baserade på visuellt material och en skriftlig fråga.
Tillhandahåll bilden och identifiera informationen som ska extraheras eller förklaras. För en dokumentbild, namnge texten eller fälten som är viktiga. För ett diagram, fråga om specifika etiketter och relationer. För en visuell gåta, ange frågan och begär en slutsats som stöds av de relevanta ledtrådarna.
Håll den begärda artefakten tydlig: transkriberad text, en beskrivning av en relation eller en förklaring av ett svar. Om bilden innehåller otydlig text eller skymda detaljer, be modellen ange osäkerheten i svaret. Behåll originalbilden tillsammans med resultatet så att extraherade ord och tolkade relationer kan kontrolleras.
Visuell lokalisering kopplar en skriftlig referens till det relevanta föremålet eller området i en bild. En användbar uppgift kan namnge föremålet, förklara skillnaden mot närliggande föremål och begära den platsinformation som applikationen förväntar sig. Applikationens utdataformat ska definiera hur en sådan plats representeras.
För rumslig förståelse, beskriv vilka relationer som är viktiga: relativ position, orientering eller föremålens placering i scenen. Be om de synliga beläggen före den slutliga tolkningen. Behåll en skillnad mellan bildens observerbara egenskaper och en härledd tredimensionell relation.
Tillverkaren listar också videoförståelse och tillhandahåller en särskild exempelsamling för video. En videofråga ska namnge händelsen, föremålet eller sekvensen av intresse och resultatet som ska produceras. Använd tidsreferenser i frågan och behåll källklippet tillsammans med svaret när en händelseföljd kontrolleras.
De interaktiva demonstrationerna omfattar GUI-styrning och spelande. I en applikation för datoranvändning stödjer modellens visuella förståelse ett beslut om skärmen, medan den omgivande applikationen utför åtgärder och tillhandahåller nästa observation. Att beskriva en kontroll eller besluta om nästa åtgärd fastställer inte i sig att en fil har sparats eller en skärmåtgärd slutförts.
ByteDance identifierar modellen med en bildkodare med 532M parametrar och en mixture-of-experts-språkmodell med 20B aktiva parametrar. Dess exempelsamling separerar reglage för långa tankekedjor, visuell lokalisering, rumslig förståelse, video och GUI-exempel. Använd det exakta gränssnittskontraktet för de indata och den utdatarepresentation som en uppgift behöver.
Denna post behåller versionen 250428 som anges i tillverkarens kodarkiv. Den tidigare profilen 250415 Thinking Pro Vision är en separat identitet. Behåll den begärda modellen, de visuella källorna och uppgiftsinställningarna med varje resultat så att en senare revidering kan jämföras med samma version och belägg.
", "aboutText": "Doubao 1.5 Thinking Vision Pro 250428 är den exakta driftade identitet som ByteDance anger för Seed1.5-VL. Det är en modell för bild och språk för allmän multimodal förståelse och resonemang. De förmågor tillverkaren beskriver omfattar OCR, diagramförståelse, visuell lokalisering, rumslig förståelse i 3D, videoförståelse och visuellt resonemang. Dessa uppgifter returnerar tolkningar och beslut baserade på visuellt material och en skriftlig fråga.\n\n### Läs och tolka den visuella källan\n\nTillhandahåll bilden och identifiera informationen som ska extraheras eller förklaras. För en dokumentbild, namnge texten eller fälten som är viktiga. För ett diagram, fråga om specifika etiketter och relationer. För en visuell gåta, ange frågan och begär en slutsats som stöds av de relevanta ledtrådarna.\n\nHåll den begärda artefakten tydlig: transkriberad text, en beskrivning av en relation eller en förklaring av ett svar. Om bilden innehåller otydlig text eller skymda detaljer, be modellen ange osäkerheten i svaret. Behåll originalbilden tillsammans med resultatet så att extraherade ord och tolkade relationer kan kontrolleras.\n\n### Förankra en fråga i föremål och rum\n\nVisuell lokalisering kopplar en skriftlig referens till det relevanta föremålet eller området i en bild. En användbar uppgift kan namnge föremålet, förklara skillnaden mot närliggande föremål och begära den platsinformation som applikationen förväntar sig. Applikationens utdataformat ska definiera hur en sådan plats representeras.\n\nFör rumslig förståelse, beskriv vilka relationer som är viktiga: relativ position, orientering eller föremålens placering i scenen. Be om de synliga beläggen före den slutliga tolkningen. Behåll en skillnad mellan bildens observerbara egenskaper och en härledd tredimensionell relation.\n\n### Arbeta med video och interaktiva uppgifter\n\nTillverkaren listar också videoförståelse och tillhandahåller en särskild exempelsamling för video. En videofråga ska namnge händelsen, föremålet eller sekvensen av intresse och resultatet som ska produceras. Använd tidsreferenser i frågan och behåll källklippet tillsammans med svaret när en händelseföljd kontrolleras.\n\nDe interaktiva demonstrationerna omfattar GUI-styrning och spelande. I en applikation för datoranvändning stödjer modellens visuella förståelse ett beslut om skärmen, medan den omgivande applikationen utför åtgärder och tillhandahåller nästa observation. Att beskriva en kontroll eller besluta om nästa åtgärd fastställer inte i sig att en fil har sparats eller en skärmåtgärd slutförts.\n\n### Bevara versionen och gränssnittsinställningarna\n\nByteDance identifierar modellen med en bildkodare med 532M parametrar och en mixture-of-experts-språkmodell med 20B aktiva parametrar. Dess exempelsamling separerar reglage för långa tankekedjor, visuell lokalisering, rumslig förståelse, video och GUI-exempel. Använd det exakta gränssnittskontraktet för de indata och den utdatarepresentation som en uppgift behöver.\n\nDenna post behåller versionen 250428 som anges i tillverkarens kodarkiv. Den tidigare profilen 250415 Thinking Pro Vision är en separat identitet. Behåll den begärda modellen, de visuella källorna och uppgiftsinställningarna med varje resultat så att en senare revidering kan jämföras med samma version och belägg.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är den namngivna Seed1.5-VL-versionen för bild och språk för bilder, video och skriftliga frågor. Tillverkaren beskriver OCR, diagramtolkning, visuell lokalisering, rumslig förståelse och resonemang kring visuella belägg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Doubao 1.5 Thinking Vision Pro 250428 är den exakta driftade identitet som ByteDance anger för Seed1.5-VL. Det är en modell för bild och språk för allmän multimodal förståelse och resonemang. De förmågor tillverkaren beskriver omfattar OCR, diagramförståelse, visuell lokalisering, rumslig förståelse i 3D, videoförståelse och visuellt resonemang. Dessa uppgifter returnerar tolkningar och beslut baserade på visuellt material och en skriftlig fråga.
Tillhandahåll bilden och identifiera informationen som ska extraheras eller förklaras. För en dokumentbild, namnge texten eller fälten som är viktiga. För ett diagram, fråga om specifika etiketter och relationer. För en visuell gåta, ange frågan och begär en slutsats som stöds av de relevanta ledtrådarna.
Håll den begärda artefakten tydlig: transkriberad text, en beskrivning av en relation eller en förklaring av ett svar. Om bilden innehåller otydlig text eller skymda detaljer, be modellen ange osäkerheten i svaret. Behåll originalbilden tillsammans med resultatet så att extraherade ord och tolkade relationer kan kontrolleras.
Visuell lokalisering kopplar en skriftlig referens till det relevanta föremålet eller området i en bild. En användbar uppgift kan namnge föremålet, förklara skillnaden mot närliggande föremål och begära den platsinformation som applikationen förväntar sig. Applikationens utdataformat ska definiera hur en sådan plats representeras.
För rumslig förståelse, beskriv vilka relationer som är viktiga: relativ position, orientering eller föremålens placering i scenen. Be om de synliga beläggen före den slutliga tolkningen. Behåll en skillnad mellan bildens observerbara egenskaper och en härledd tredimensionell relation.
Tillverkaren listar också videoförståelse och tillhandahåller en särskild exempelsamling för video. En videofråga ska namnge händelsen, föremålet eller sekvensen av intresse och resultatet som ska produceras. Använd tidsreferenser i frågan och behåll källklippet tillsammans med svaret när en händelseföljd kontrolleras.
De interaktiva demonstrationerna omfattar GUI-styrning och spelande. I en applikation för datoranvändning stödjer modellens visuella förståelse ett beslut om skärmen, medan den omgivande applikationen utför åtgärder och tillhandahåller nästa observation. Att beskriva en kontroll eller besluta om nästa åtgärd fastställer inte i sig att en fil har sparats eller en skärmåtgärd slutförts.
ByteDance identifierar modellen med en bildkodare med 532M parametrar och en mixture-of-experts-språkmodell med 20B aktiva parametrar. Dess exempelsamling separerar reglage för långa tankekedjor, visuell lokalisering, rumslig förståelse, video och GUI-exempel. Använd det exakta gränssnittskontraktet för de indata och den utdatarepresentation som en uppgift behöver.
Denna post behåller versionen 250428 som anges i tillverkarens kodarkiv. Den tidigare profilen 250415 Thinking Pro Vision är en separat identitet. Behåll den begärda modellen, de visuella källorna och uppgiftsinställningarna med varje resultat så att en senare revidering kan jämföras med samma version och belägg.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K token Utdata · Utdatatoken $0.00286 / 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": "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 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 doubao-1-5-thinking-vision-pro-250428
Använd metodsökvägarna som visas ovan.
doubao-1-5-thinking-vision-pro-250428Doubao 1.5 Thinking Vision Pro 250428 är den namngivna Seed1.5-VL-versionen för bild och språk för bilder, video och skriftliga frågor. Tillverkaren beskriver OCR, diagramtolkning, visuell lokalisering, rumslig förståelse och resonemang kring visuella belägg.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Doubao 1.5 Thinking Vision Pro 250428 är den exakta driftade identitet som ByteDance anger för Seed1.5-VL. Det är en modell för bild och språk för allmän multimodal förståelse och resonemang. De förmågor tillverkaren beskriver omfattar OCR, diagramförståelse, visuell lokalisering, rumslig förståelse i 3D, videoförståelse och visuellt resonemang. Dessa uppgifter returnerar tolkningar och beslut baserade på visuellt material och en skriftlig fråga.
Tillhandahåll bilden och identifiera informationen som ska extraheras eller förklaras. För en dokumentbild, namnge texten eller fälten som är viktiga. För ett diagram, fråga om specifika etiketter och relationer. För en visuell gåta, ange frågan och begär en slutsats som stöds av de relevanta ledtrådarna.
Håll den begärda artefakten tydlig: transkriberad text, en beskrivning av en relation eller en förklaring av ett svar. Om bilden innehåller otydlig text eller skymda detaljer, be modellen ange osäkerheten i svaret. Behåll originalbilden tillsammans med resultatet så att extraherade ord och tolkade relationer kan kontrolleras.
Visuell lokalisering kopplar en skriftlig referens till det relevanta föremålet eller området i en bild. En användbar uppgift kan namnge föremålet, förklara skillnaden mot närliggande föremål och begära den platsinformation som applikationen förväntar sig. Applikationens utdataformat ska definiera hur en sådan plats representeras.
För rumslig förståelse, beskriv vilka relationer som är viktiga: relativ position, orientering eller föremålens placering i scenen. Be om de synliga beläggen före den slutliga tolkningen. Behåll en skillnad mellan bildens observerbara egenskaper och en härledd tredimensionell relation.
Tillverkaren listar också videoförståelse och tillhandahåller en särskild exempelsamling för video. En videofråga ska namnge händelsen, föremålet eller sekvensen av intresse och resultatet som ska produceras. Använd tidsreferenser i frågan och behåll källklippet tillsammans med svaret när en händelseföljd kontrolleras.
De interaktiva demonstrationerna omfattar GUI-styrning och spelande. I en applikation för datoranvändning stödjer modellens visuella förståelse ett beslut om skärmen, medan den omgivande applikationen utför åtgärder och tillhandahåller nästa observation. Att beskriva en kontroll eller besluta om nästa åtgärd fastställer inte i sig att en fil har sparats eller en skärmåtgärd slutförts.
ByteDance identifierar modellen med en bildkodare med 532M parametrar och en mixture-of-experts-språkmodell med 20B aktiva parametrar. Dess exempelsamling separerar reglage för långa tankekedjor, visuell lokalisering, rumslig förståelse, video och GUI-exempel. Använd det exakta gränssnittskontraktet för de indata och den utdatarepresentation som en uppgift behöver.
Denna post behåller versionen 250428 som anges i tillverkarens kodarkiv. Den tidigare profilen 250415 Thinking Pro Vision är en separat identitet. Behåll den begärda modellen, de visuella källorna och uppgiftsinställningarna med varje resultat så att en senare revidering kan jämföras med samma version och belägg.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser doubao-1-5-thinking-vision-pro-250428 | 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 $0.0011 / 1K token Utdata · Utdatatoken $0.00286 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "doubao-1-5-thinking-vision-pro-250428",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 doubao-1-5-thinking-vision-pro-250428
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.