Reka Edge är Reka AI:s kompakta modell för bild och språk för fysiska och visuella tillämpningar. Den publicerade utgåvan 2603 tar emot bilder eller video tillsammans med en skriftlig prompt och genererar text; den stöder även frågor med enbart text. Huvuduppgifterna är scenförståelse, videoanalys, objektdetektering och verktygsinriktad interaktion som bygger på visuella indata.
Modellen kombinerar en bildkodare med 657 miljoner parametrar med en språkmodell med 6,4 miljarder parametrar som grund. Dess konvolutionella bildkodare producerar 64 token per bildsegment. Den publicerade textkonfigurationen anger högst 16 384 positioner, med längdskalning från en bas på 8192 positioner. Dessa är egenskaper hos tillverkarens modellkonfiguration; visuella indata och konversationen måste fortfarande rymmas i den kontext som används för uppgiften.
För frågor om bilder tillhandahåller du bilden och frågar om ett konkret objekt, samband eller händelse. En användbar granskningsprompt anger vad som måste urskiljas: föremålets position, ett synligt tillstånd eller en förändring mellan bildrutor. För video tar du med sekvensen och beskriver händelsen som ska hittas. Tillverkarens tillämpningsexempel omfattar mediebeskrivningar, logotypdetektering, höjdpunkter och metadata samt robotik, fordonskameror och visuell assistans.
Objektdetektering har en särskild prompt från tillverkaren: Detect: följt av objektbeskrivningen. Beskrivningen kan ange ett eller flera mål. Det dokumenterade resultatet kopplar objektetiketter till koordinater för avgränsningsrutor med markörerna ref och bbox. Behåll i applikationen sambandet mellan varje etikett och dess koordinater så att det detekterade området kan granskas eller visas på originalbilden.
En praktisk uppgift för mediegranskning kan efterfråga den synliga händelsen, de inblandade objekten och en kort beskrivning för ett arkiv. För en scengranskning definierar du målobjektet och det relevanta tillståndet innan du ber om en beskrivning. Håll modellens observationer åtskilda från nästa åtgärd som applikationen väljer. Modellen ger den visuella tolkningen eller föreslår en verktygsinteraktion; den omgivande applikationen utför externa åtgärder.
Reka publicerar anvisningar för lokal driftsättning av modellen, med exempel för bilder, video, detektering och enbart text. Modellkortet använder modellens egen konversationsmall och markör för turens slut. Det stänger uttryckligen av ett separat resonemangsläge i det lokala exemplet: visuell tolkning är en förmåga, medan en synlig tankefas är en annan funktion. Modellen är utformad för användning på lokala enheter, i egen drift och i molnet; kvantiserad driftsättning är en separat konfiguration, inte en identitet som följer av modellnamnet.
För lokal utvärdering rekommenderar tillverkaren att lämna minnesmarginal för generering: modellkortet anger minst 24 GB minne för en Mac och minst 24 GB GPU-minne plus 24 GB systemminne för en PC-konfiguration. Det rekommenderar 32 GB eller mer i respektive minneskategori, med ungefär 14 GB för float16-modellen på en Mac. Dessa driftuppgifter beskriver den publicerade lokala konfigurationen. De hjälper till att skilja modellens kompakta storlek från de resurser som en applikation som hanterar visuella indata behöver.
", "aboutText": "Reka Edge är Reka AI:s kompakta modell för bild och språk för fysiska och visuella tillämpningar. Den publicerade utgåvan 2603 tar emot bilder eller video tillsammans med en skriftlig prompt och genererar text; den stöder även frågor med enbart text. Huvuduppgifterna är scenförståelse, videoanalys, objektdetektering och verktygsinriktad interaktion som bygger på visuella indata.\n\nModellen kombinerar en bildkodare med 657 miljoner parametrar med en språkmodell med 6,4 miljarder parametrar som grund. Dess konvolutionella bildkodare producerar 64 token per bildsegment. Den publicerade textkonfigurationen anger högst 16 384 positioner, med längdskalning från en bas på 8192 positioner. Dessa är egenskaper hos tillverkarens modellkonfiguration; visuella indata och konversationen måste fortfarande rymmas i den kontext som används för uppgiften.\n\nFör frågor om bilder tillhandahåller du bilden och frågar om ett konkret objekt, samband eller händelse. En användbar granskningsprompt anger vad som måste urskiljas: föremålets position, ett synligt tillstånd eller en förändring mellan bildrutor. För video tar du med sekvensen och beskriver händelsen som ska hittas. Tillverkarens tillämpningsexempel omfattar mediebeskrivningar, logotypdetektering, höjdpunkter och metadata samt robotik, fordonskameror och visuell assistans.\n\nObjektdetektering har en särskild prompt från tillverkaren: Detect: följt av objektbeskrivningen. Beskrivningen kan ange ett eller flera mål. Det dokumenterade resultatet kopplar objektetiketter till koordinater för avgränsningsrutor med markörerna ref och bbox. Behåll i applikationen sambandet mellan varje etikett och dess koordinater så att det detekterade området kan granskas eller visas på originalbilden.\n\nEn praktisk uppgift för mediegranskning kan efterfråga den synliga händelsen, de inblandade objekten och en kort beskrivning för ett arkiv. För en scengranskning definierar du målobjektet och det relevanta tillståndet innan du ber om en beskrivning. Håll modellens observationer åtskilda från nästa åtgärd som applikationen väljer. Modellen ger den visuella tolkningen eller föreslår en verktygsinteraktion; den omgivande applikationen utför externa åtgärder.\n\nReka publicerar anvisningar för lokal driftsättning av modellen, med exempel för bilder, video, detektering och enbart text. Modellkortet använder modellens egen konversationsmall och markör för turens slut. Det stänger uttryckligen av ett separat resonemangsläge i det lokala exemplet: visuell tolkning är en förmåga, medan en synlig tankefas är en annan funktion. Modellen är utformad för användning på lokala enheter, i egen drift och i molnet; kvantiserad driftsättning är en separat konfiguration, inte en identitet som följer av modellnamnet.\n\nFör lokal utvärdering rekommenderar tillverkaren att lämna minnesmarginal för generering: modellkortet anger minst 24 GB minne för en Mac och minst 24 GB GPU-minne plus 24 GB systemminne för en PC-konfiguration. Det rekommenderar 32 GB eller mer i respektive minneskategori, med ungefär 14 GB för float16-modellen på en Mac. Dessa driftuppgifter beskriver den publicerade lokala konfigurationen. De hjälper till att skilja modellens kompakta storlek från de resurser som en applikation som hanterar visuella indata behöver.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Caption a described loading scene\n\nWrite a concise archive caption from this textual scene description: a worker stands beside a parked van; two sealed boxes are on a trolley; no loading movement is described. Include the objects and their relationship, and add a short uncertainty note about whether loading has begun. Do not infer motion from proximity.A neutral scene caption and a separate uncertainty note.Check that the caption distinguishes observed positions from an unobserved loading action.rekaai/reka-edgeReka Edge är en modell på 7B för bild och språk, avsedd för bild- och videoförståelse, objektdetektering och visuellt styrda verktygsflöden. Den tar emot bildmaterial och text, producerar text och har ett särskilt promptformat för detektering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Reka Edge är Reka AI:s kompakta modell för bild och språk för fysiska och visuella tillämpningar. Den publicerade utgåvan 2603 tar emot bilder eller video tillsammans med en skriftlig prompt och genererar text; den stöder även frågor med enbart text. Huvuduppgifterna är scenförståelse, videoanalys, objektdetektering och verktygsinriktad interaktion som bygger på visuella indata.
Modellen kombinerar en bildkodare med 657 miljoner parametrar med en språkmodell med 6,4 miljarder parametrar som grund. Dess konvolutionella bildkodare producerar 64 token per bildsegment. Den publicerade textkonfigurationen anger högst 16 384 positioner, med längdskalning från en bas på 8192 positioner. Dessa är egenskaper hos tillverkarens modellkonfiguration; visuella indata och konversationen måste fortfarande rymmas i den kontext som används för uppgiften.
För frågor om bilder tillhandahåller du bilden och frågar om ett konkret objekt, samband eller händelse. En användbar granskningsprompt anger vad som måste urskiljas: föremålets position, ett synligt tillstånd eller en förändring mellan bildrutor. För video tar du med sekvensen och beskriver händelsen som ska hittas. Tillverkarens tillämpningsexempel omfattar mediebeskrivningar, logotypdetektering, höjdpunkter och metadata samt robotik, fordonskameror och visuell assistans.
Objektdetektering har en särskild prompt från tillverkaren: Detect: följt av objektbeskrivningen. Beskrivningen kan ange ett eller flera mål. Det dokumenterade resultatet kopplar objektetiketter till koordinater för avgränsningsrutor med markörerna ref och bbox. Behåll i applikationen sambandet mellan varje etikett och dess koordinater så att det detekterade området kan granskas eller visas på originalbilden.
En praktisk uppgift för mediegranskning kan efterfråga den synliga händelsen, de inblandade objekten och en kort beskrivning för ett arkiv. För en scengranskning definierar du målobjektet och det relevanta tillståndet innan du ber om en beskrivning. Håll modellens observationer åtskilda från nästa åtgärd som applikationen väljer. Modellen ger den visuella tolkningen eller föreslår en verktygsinteraktion; den omgivande applikationen utför externa åtgärder.
Reka publicerar anvisningar för lokal driftsättning av modellen, med exempel för bilder, video, detektering och enbart text. Modellkortet använder modellens egen konversationsmall och markör för turens slut. Det stänger uttryckligen av ett separat resonemangsläge i det lokala exemplet: visuell tolkning är en förmåga, medan en synlig tankefas är en annan funktion. Modellen är utformad för användning på lokala enheter, i egen drift och i molnet; kvantiserad driftsättning är en separat konfiguration, inte en identitet som följer av modellnamnet.
För lokal utvärdering rekommenderar tillverkaren att lämna minnesmarginal för generering: modellkortet anger minst 24 GB minne för en Mac och minst 24 GB GPU-minne plus 24 GB systemminne för en PC-konfiguration. Det rekommenderar 32 GB eller mer i respektive minneskategori, med ungefär 14 GB för float16-modellen på en Mac. Dessa driftuppgifter beskriver den publicerade lokala konfigurationen. De hjälper till att skilja modellens kompakta storlek från de resurser som en applikation som hanterar visuella indata behöver.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser rekaai/reka-edge | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "rekaai/reka-edge", "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='rekaai/reka-edge',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='rekaai/reka-edge',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 rekaai/reka-edge
Använd metodsökvägarna som visas ovan.
rekaai/reka-edgeReka Edge är en modell på 7B för bild och språk, avsedd för bild- och videoförståelse, objektdetektering och visuellt styrda verktygsflöden. Den tar emot bildmaterial och text, producerar text och har ett särskilt promptformat för detektering.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Reka Edge är Reka AI:s kompakta modell för bild och språk för fysiska och visuella tillämpningar. Den publicerade utgåvan 2603 tar emot bilder eller video tillsammans med en skriftlig prompt och genererar text; den stöder även frågor med enbart text. Huvuduppgifterna är scenförståelse, videoanalys, objektdetektering och verktygsinriktad interaktion som bygger på visuella indata.
Modellen kombinerar en bildkodare med 657 miljoner parametrar med en språkmodell med 6,4 miljarder parametrar som grund. Dess konvolutionella bildkodare producerar 64 token per bildsegment. Den publicerade textkonfigurationen anger högst 16 384 positioner, med längdskalning från en bas på 8192 positioner. Dessa är egenskaper hos tillverkarens modellkonfiguration; visuella indata och konversationen måste fortfarande rymmas i den kontext som används för uppgiften.
För frågor om bilder tillhandahåller du bilden och frågar om ett konkret objekt, samband eller händelse. En användbar granskningsprompt anger vad som måste urskiljas: föremålets position, ett synligt tillstånd eller en förändring mellan bildrutor. För video tar du med sekvensen och beskriver händelsen som ska hittas. Tillverkarens tillämpningsexempel omfattar mediebeskrivningar, logotypdetektering, höjdpunkter och metadata samt robotik, fordonskameror och visuell assistans.
Objektdetektering har en särskild prompt från tillverkaren: Detect: följt av objektbeskrivningen. Beskrivningen kan ange ett eller flera mål. Det dokumenterade resultatet kopplar objektetiketter till koordinater för avgränsningsrutor med markörerna ref och bbox. Behåll i applikationen sambandet mellan varje etikett och dess koordinater så att det detekterade området kan granskas eller visas på originalbilden.
En praktisk uppgift för mediegranskning kan efterfråga den synliga händelsen, de inblandade objekten och en kort beskrivning för ett arkiv. För en scengranskning definierar du målobjektet och det relevanta tillståndet innan du ber om en beskrivning. Håll modellens observationer åtskilda från nästa åtgärd som applikationen väljer. Modellen ger den visuella tolkningen eller föreslår en verktygsinteraktion; den omgivande applikationen utför externa åtgärder.
Reka publicerar anvisningar för lokal driftsättning av modellen, med exempel för bilder, video, detektering och enbart text. Modellkortet använder modellens egen konversationsmall och markör för turens slut. Det stänger uttryckligen av ett separat resonemangsläge i det lokala exemplet: visuell tolkning är en förmåga, medan en synlig tankefas är en annan funktion. Modellen är utformad för användning på lokala enheter, i egen drift och i molnet; kvantiserad driftsättning är en separat konfiguration, inte en identitet som följer av modellnamnet.
För lokal utvärdering rekommenderar tillverkaren att lämna minnesmarginal för generering: modellkortet anger minst 24 GB minne för en Mac och minst 24 GB GPU-minne plus 24 GB systemminne för en PC-konfiguration. Det rekommenderar 32 GB eller mer i respektive minneskategori, med ungefär 14 GB för float16-modellen på en Mac. Dessa driftuppgifter beskriver den publicerade lokala konfigurationen. De hjälper till att skilja modellens kompakta storlek från de resurser som en applikation som hanterar visuella indata behöver.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser rekaai/reka-edge | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "rekaai/reka-edge",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'rekaai/reka-edge', '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': 'rekaai/reka-edge', '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 rekaai/reka-edge
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Caption a described loading scene\n\nWrite a concise archive caption from this textual scene description: a worker stands beside a parked van; two sealed boxes are on a trolley; no loading movement is described. Include the objects and their relationship, and add a short uncertainty note about whether loading has begun. Do not infer motion from proximity.A neutral scene caption and a separate uncertainty note.Check that the caption distinguishes observed positions from an unobserved loading action.