Ling-3.0-flash-VL är inclusionAI:s inbyggt multimodala utökning av Ling-3.0-flash. Den kombinerar basmodellens språkförmåga, resonemang och långa kontext med bild- och videoförståelse. Tillverkaren delar in dess visuella uppgifter i förståelse, resonemang och agerande: att läsa komplex visuell information, använda den som belägg och omsätta observationer i åtgärder i en stödjande applikation. Modellens svar är text eller den representation av verktygsanrop som applikationen använder.
Den publicerade arkitekturen har totalt 124B parametrar och 5,5B aktiverade parametrar per token. En vision transformer extraherar visuella särdrag ur bilder och videor, och en projektor med två lager anpassar dem till språkrepresentationen. VideoRoPE bär både rumsliga positioner och tidsordning. Den hybrida grundarkitekturen med 42 lager växlar mellan Kimi Delta Attention och gated Multi-head Latent Attention i mönstret 5:1, med gles expertdirigering. Tillverkaren beskriver upp till 256K token kontext och publicerar en metod för utökad kontext på 262 144 token.
För visuell förståelse tillhandahåller du en läsbar bild och anger den observation som behövs. Tillverkaren listar objekträkning, komplexa layouter, diagram och dokumentinnehåll bland uppgifterna. En användbar dokumentbegäran kan be om en fälttabell med stödjande sida eller synligt område, medan en diagrambegäran kan fråga vilken serie som stöder en angiven jämförelse. Bevara det ursprungliga visuella materialet så att tal, etiketter och små detaljer kan kontrolleras. Ett otydligt område bör förbli otydligt i resultatet i stället för att bli ett gissat värde.
För resonemang med visuella belägg tillhandahåller du frågan, relevanta antaganden och den precision som behövs i det slutliga svaret. Modellen kan koppla ett diagram, en skiss eller en skärmbild till beräkning och resonemang i flera steg. Be om en slutsats som anger de observationer den bygger på. Om arbetsflödet omfattar beräknings- eller informationssökningsverktyg bevarar du deras faktiska resultat och skiljer dem från modellens tolkning. En visuell relation och en kalibrerad mätning är olika slags belägg.
För video bevarar du materialets ordning och fokuserar frågan på en händelse, förändring eller ett intervall. Tillverkaren anger händelselokalisering, frågor om lång video och klippredigeringsflöden som användningar av dess tidsrepresentation. Ett praktiskt redaktionellt resultat kan vara en föreslagen klipplista som förklarar vilka ögonblick som ska behållas och varför. Håll förslaget kopplat till källans tidslinje; den omgivande redigeringsapplikationen genomför ändringarna och producerar det redigerade mediet. Videoförståelse gör inte i sig modellens textsvar till en ny videofil.
För gränssnittsuppgifter tar du med den aktuella skärmbilden, målet och de åtgärder som applikationen har tillgång till. Ling-3.0-flash-VL kan tolka webb- eller programgränssnitt och föreslå åtgärdssekvenser utifrån visuell information. Återför det observerade tillståndet efter varje operation när nästa steg beror på det. En användbar slutförandepost visar vad som ändrades i gränssnittet och om det begärda resultatet är synligt, i stället för att behandla ett föreslaget klick som en utförd åtgärd.
Tänkande är aktiverat som standard i tillverkarens chattmall och kan inaktiveras per begäran i dess dokumenterade implementation med enable_thinking satt till false. Klient- och genereringsreceptet rekommenderar temperature 1.0, top_p 0.95 och top_k 20; separata utvärderingsanteckningar använder egna inställningar. Välj det slutliga svarets form uttryckligen och lämna utrymme för både relevant mediekontext och genererad text. Dessa tillverkarinställningar beskriver den publicerade modellens recept, inte ett löfte om vilka kontroller varje applikation exponerar.
Bevara VL-identiteten när ett resultat registreras: dess bild- och videoindata skiljer den från textinriktade Ling-3.0-flash och den finansspecialiserade Fin-utgåvan. Granska extraherad ordalydelse, antal, tidspositioner och föreslagna gränssnittsåtgärder mot källmaterialet. Det användbara slutresultatet är en visuell analys eller ett åtgärdsförslag som håller belägg och olösta detaljer granskningsbara.
", "aboutText": "Ling-3.0-flash-VL är inclusionAI:s inbyggt multimodala utökning av Ling-3.0-flash. Den kombinerar basmodellens språkförmåga, resonemang och långa kontext med bild- och videoförståelse. Tillverkaren delar in dess visuella uppgifter i förståelse, resonemang och agerande: att läsa komplex visuell information, använda den som belägg och omsätta observationer i åtgärder i en stödjande applikation. Modellens svar är text eller den representation av verktygsanrop som applikationen använder.\n\nDen publicerade arkitekturen har totalt 124B parametrar och 5,5B aktiverade parametrar per token. En vision transformer extraherar visuella särdrag ur bilder och videor, och en projektor med två lager anpassar dem till språkrepresentationen. VideoRoPE bär både rumsliga positioner och tidsordning. Den hybrida grundarkitekturen med 42 lager växlar mellan Kimi Delta Attention och gated Multi-head Latent Attention i mönstret 5:1, med gles expertdirigering. Tillverkaren beskriver upp till 256K token kontext och publicerar en metod för utökad kontext på 262 144 token.\n\nFör visuell förståelse tillhandahåller du en läsbar bild och anger den observation som behövs. Tillverkaren listar objekträkning, komplexa layouter, diagram och dokumentinnehåll bland uppgifterna. En användbar dokumentbegäran kan be om en fälttabell med stödjande sida eller synligt område, medan en diagrambegäran kan fråga vilken serie som stöder en angiven jämförelse. Bevara det ursprungliga visuella materialet så att tal, etiketter och små detaljer kan kontrolleras. Ett otydligt område bör förbli otydligt i resultatet i stället för att bli ett gissat värde.\n\nFör resonemang med visuella belägg tillhandahåller du frågan, relevanta antaganden och den precision som behövs i det slutliga svaret. Modellen kan koppla ett diagram, en skiss eller en skärmbild till beräkning och resonemang i flera steg. Be om en slutsats som anger de observationer den bygger på. Om arbetsflödet omfattar beräknings- eller informationssökningsverktyg bevarar du deras faktiska resultat och skiljer dem från modellens tolkning. En visuell relation och en kalibrerad mätning är olika slags belägg.\n\nFör video bevarar du materialets ordning och fokuserar frågan på en händelse, förändring eller ett intervall. Tillverkaren anger händelselokalisering, frågor om lång video och klippredigeringsflöden som användningar av dess tidsrepresentation. Ett praktiskt redaktionellt resultat kan vara en föreslagen klipplista som förklarar vilka ögonblick som ska behållas och varför. Håll förslaget kopplat till källans tidslinje; den omgivande redigeringsapplikationen genomför ändringarna och producerar det redigerade mediet. Videoförståelse gör inte i sig modellens textsvar till en ny videofil.\n\nFör gränssnittsuppgifter tar du med den aktuella skärmbilden, målet och de åtgärder som applikationen har tillgång till. Ling-3.0-flash-VL kan tolka webb- eller programgränssnitt och föreslå åtgärdssekvenser utifrån visuell information. Återför det observerade tillståndet efter varje operation när nästa steg beror på det. En användbar slutförandepost visar vad som ändrades i gränssnittet och om det begärda resultatet är synligt, i stället för att behandla ett föreslaget klick som en utförd åtgärd.\n\nTänkande är aktiverat som standard i tillverkarens chattmall och kan inaktiveras per begäran i dess dokumenterade implementation med enable_thinking satt till false. Klient- och genereringsreceptet rekommenderar temperature 1.0, top_p 0.95 och top_k 20; separata utvärderingsanteckningar använder egna inställningar. Välj det slutliga svarets form uttryckligen och lämna utrymme för både relevant mediekontext och genererad text. Dessa tillverkarinställningar beskriver den publicerade modellens recept, inte ett löfte om vilka kontroller varje applikation exponerar.\n\nBevara VL-identiteten när ett resultat registreras: dess bild- och videoindata skiljer den från textinriktade Ling-3.0-flash och den finansspecialiserade Fin-utgåvan. Granska extraherad ordalydelse, antal, tidspositioner och föreslagna gränssnittsåtgärder mot källmaterialet. Det användbara slutresultatet är en visuell analys eller ett åtgärdsförslag som håller belägg och olösta detaljer granskningsbara.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Create a cut list from scene notes\n\nUse these transcribed scene notes: 00:00–00:06 unopened package; 00:06–00:18 hands assemble the stand; 00:18–00:25 stand holds a tablet; 00:25–00:35 repeated assembly close-up. Propose a 15-second instructional cut using only these intervals. Preserve the assembly-to-use order and explain any shortened or omitted segment.An ordered cut list with source intervals, chosen durations and a short editorial rationale.Check that selected durations total 15 seconds and that tablet use follows the retained assembly step.inclusionai/ling-3.0-flash-vlLing-3.0-flash-VL lägger bild- och videoförståelse till inclusionAI:s hybrida resonemangsmodell. Den stöder visuell analys, resonemang grundat i belägg och gränssnittsflöden, med totalt 124B parametrar, 5,5B aktiva parametrar och upp till 256K token kontext.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ling-3.0-flash-VL är inclusionAI:s inbyggt multimodala utökning av Ling-3.0-flash. Den kombinerar basmodellens språkförmåga, resonemang och långa kontext med bild- och videoförståelse. Tillverkaren delar in dess visuella uppgifter i förståelse, resonemang och agerande: att läsa komplex visuell information, använda den som belägg och omsätta observationer i åtgärder i en stödjande applikation. Modellens svar är text eller den representation av verktygsanrop som applikationen använder.
Den publicerade arkitekturen har totalt 124B parametrar och 5,5B aktiverade parametrar per token. En vision transformer extraherar visuella särdrag ur bilder och videor, och en projektor med två lager anpassar dem till språkrepresentationen. VideoRoPE bär både rumsliga positioner och tidsordning. Den hybrida grundarkitekturen med 42 lager växlar mellan Kimi Delta Attention och gated Multi-head Latent Attention i mönstret 5:1, med gles expertdirigering. Tillverkaren beskriver upp till 256K token kontext och publicerar en metod för utökad kontext på 262 144 token.
För visuell förståelse tillhandahåller du en läsbar bild och anger den observation som behövs. Tillverkaren listar objekträkning, komplexa layouter, diagram och dokumentinnehåll bland uppgifterna. En användbar dokumentbegäran kan be om en fälttabell med stödjande sida eller synligt område, medan en diagrambegäran kan fråga vilken serie som stöder en angiven jämförelse. Bevara det ursprungliga visuella materialet så att tal, etiketter och små detaljer kan kontrolleras. Ett otydligt område bör förbli otydligt i resultatet i stället för att bli ett gissat värde.
För resonemang med visuella belägg tillhandahåller du frågan, relevanta antaganden och den precision som behövs i det slutliga svaret. Modellen kan koppla ett diagram, en skiss eller en skärmbild till beräkning och resonemang i flera steg. Be om en slutsats som anger de observationer den bygger på. Om arbetsflödet omfattar beräknings- eller informationssökningsverktyg bevarar du deras faktiska resultat och skiljer dem från modellens tolkning. En visuell relation och en kalibrerad mätning är olika slags belägg.
För video bevarar du materialets ordning och fokuserar frågan på en händelse, förändring eller ett intervall. Tillverkaren anger händelselokalisering, frågor om lång video och klippredigeringsflöden som användningar av dess tidsrepresentation. Ett praktiskt redaktionellt resultat kan vara en föreslagen klipplista som förklarar vilka ögonblick som ska behållas och varför. Håll förslaget kopplat till källans tidslinje; den omgivande redigeringsapplikationen genomför ändringarna och producerar det redigerade mediet. Videoförståelse gör inte i sig modellens textsvar till en ny videofil.
För gränssnittsuppgifter tar du med den aktuella skärmbilden, målet och de åtgärder som applikationen har tillgång till. Ling-3.0-flash-VL kan tolka webb- eller programgränssnitt och föreslå åtgärdssekvenser utifrån visuell information. Återför det observerade tillståndet efter varje operation när nästa steg beror på det. En användbar slutförandepost visar vad som ändrades i gränssnittet och om det begärda resultatet är synligt, i stället för att behandla ett föreslaget klick som en utförd åtgärd.
Tänkande är aktiverat som standard i tillverkarens chattmall och kan inaktiveras per begäran i dess dokumenterade implementation med enable_thinking satt till false. Klient- och genereringsreceptet rekommenderar temperature 1.0, top_p 0.95 och top_k 20; separata utvärderingsanteckningar använder egna inställningar. Välj det slutliga svarets form uttryckligen och lämna utrymme för både relevant mediekontext och genererad text. Dessa tillverkarinställningar beskriver den publicerade modellens recept, inte ett löfte om vilka kontroller varje applikation exponerar.
Bevara VL-identiteten när ett resultat registreras: dess bild- och videoindata skiljer den från textinriktade Ling-3.0-flash och den finansspecialiserade Fin-utgåvan. Granska extraherad ordalydelse, antal, tidspositioner och föreslagna gränssnittsåtgärder mot källmaterialet. Det användbara slutresultatet är en visuell analys eller ett åtgärdsförslag som håller belägg och olösta detaljer granskningsbara.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inclusionai/ling-3.0-flash-vl | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00012 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning $0.000024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00012 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning $0.000024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "inclusionai/ling-3.0-flash-vl", "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='inclusionai/ling-3.0-flash-vl',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='inclusionai/ling-3.0-flash-vl',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 inclusionai/ling-3.0-flash-vl
Använd metodsökvägarna som visas ovan.
inclusionai/ling-3.0-flash-vlLing-3.0-flash-VL lägger bild- och videoförståelse till inclusionAI:s hybrida resonemangsmodell. Den stöder visuell analys, resonemang grundat i belägg och gränssnittsflöden, med totalt 124B parametrar, 5,5B aktiva parametrar och upp till 256K token kontext.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ling-3.0-flash-VL är inclusionAI:s inbyggt multimodala utökning av Ling-3.0-flash. Den kombinerar basmodellens språkförmåga, resonemang och långa kontext med bild- och videoförståelse. Tillverkaren delar in dess visuella uppgifter i förståelse, resonemang och agerande: att läsa komplex visuell information, använda den som belägg och omsätta observationer i åtgärder i en stödjande applikation. Modellens svar är text eller den representation av verktygsanrop som applikationen använder.
Den publicerade arkitekturen har totalt 124B parametrar och 5,5B aktiverade parametrar per token. En vision transformer extraherar visuella särdrag ur bilder och videor, och en projektor med två lager anpassar dem till språkrepresentationen. VideoRoPE bär både rumsliga positioner och tidsordning. Den hybrida grundarkitekturen med 42 lager växlar mellan Kimi Delta Attention och gated Multi-head Latent Attention i mönstret 5:1, med gles expertdirigering. Tillverkaren beskriver upp till 256K token kontext och publicerar en metod för utökad kontext på 262 144 token.
För visuell förståelse tillhandahåller du en läsbar bild och anger den observation som behövs. Tillverkaren listar objekträkning, komplexa layouter, diagram och dokumentinnehåll bland uppgifterna. En användbar dokumentbegäran kan be om en fälttabell med stödjande sida eller synligt område, medan en diagrambegäran kan fråga vilken serie som stöder en angiven jämförelse. Bevara det ursprungliga visuella materialet så att tal, etiketter och små detaljer kan kontrolleras. Ett otydligt område bör förbli otydligt i resultatet i stället för att bli ett gissat värde.
För resonemang med visuella belägg tillhandahåller du frågan, relevanta antaganden och den precision som behövs i det slutliga svaret. Modellen kan koppla ett diagram, en skiss eller en skärmbild till beräkning och resonemang i flera steg. Be om en slutsats som anger de observationer den bygger på. Om arbetsflödet omfattar beräknings- eller informationssökningsverktyg bevarar du deras faktiska resultat och skiljer dem från modellens tolkning. En visuell relation och en kalibrerad mätning är olika slags belägg.
För video bevarar du materialets ordning och fokuserar frågan på en händelse, förändring eller ett intervall. Tillverkaren anger händelselokalisering, frågor om lång video och klippredigeringsflöden som användningar av dess tidsrepresentation. Ett praktiskt redaktionellt resultat kan vara en föreslagen klipplista som förklarar vilka ögonblick som ska behållas och varför. Håll förslaget kopplat till källans tidslinje; den omgivande redigeringsapplikationen genomför ändringarna och producerar det redigerade mediet. Videoförståelse gör inte i sig modellens textsvar till en ny videofil.
För gränssnittsuppgifter tar du med den aktuella skärmbilden, målet och de åtgärder som applikationen har tillgång till. Ling-3.0-flash-VL kan tolka webb- eller programgränssnitt och föreslå åtgärdssekvenser utifrån visuell information. Återför det observerade tillståndet efter varje operation när nästa steg beror på det. En användbar slutförandepost visar vad som ändrades i gränssnittet och om det begärda resultatet är synligt, i stället för att behandla ett föreslaget klick som en utförd åtgärd.
Tänkande är aktiverat som standard i tillverkarens chattmall och kan inaktiveras per begäran i dess dokumenterade implementation med enable_thinking satt till false. Klient- och genereringsreceptet rekommenderar temperature 1.0, top_p 0.95 och top_k 20; separata utvärderingsanteckningar använder egna inställningar. Välj det slutliga svarets form uttryckligen och lämna utrymme för både relevant mediekontext och genererad text. Dessa tillverkarinställningar beskriver den publicerade modellens recept, inte ett löfte om vilka kontroller varje applikation exponerar.
Bevara VL-identiteten när ett resultat registreras: dess bild- och videoindata skiljer den från textinriktade Ling-3.0-flash och den finansspecialiserade Fin-utgåvan. Granska extraherad ordalydelse, antal, tidspositioner och föreslagna gränssnittsåtgärder mot källmaterialet. Det användbara slutresultatet är en visuell analys eller ett åtgärdsförslag som håller belägg och olösta detaljer granskningsbara.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser inclusionai/ling-3.0-flash-vl | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00012 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning $0.000024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00012 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning $0.000024 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "inclusionai/ling-3.0-flash-vl",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'inclusionai/ling-3.0-flash-vl', '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': 'inclusionai/ling-3.0-flash-vl', '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 inclusionai/ling-3.0-flash-vl
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Create a cut list from scene notes\n\nUse these transcribed scene notes: 00:00–00:06 unopened package; 00:06–00:18 hands assemble the stand; 00:18–00:25 stand holds a tablet; 00:25–00:35 repeated assembly close-up. Propose a 15-second instructional cut using only these intervals. Preserve the assembly-to-use order and explain any shortened or omitted segment.An ordered cut list with source intervals, chosen durations and a short editorial rationale.Check that selected durations total 15 seconds and that tablet use follows the retained assembly step.