រំលងទៅមាតិកា
រូបភាព និងឯកសារ

រូបភាព និងឯកសារ

ផ្ញើរូបភាពជាមួយសារ៖ ម៉ូដែលណាទទួលវា ទម្រង់ដែលទទួលយក និងដែនកំណត់របស់វា។

POST https://api.shannon-ai.com/v1/chat/completions

រូបភាពធ្វើដំណើរក្នុងសារ user ជាផ្នែកមួយនៃ content របស់វា។ គំរូអានឯកសារក្នុងម៉ាស៊ីន ហើយផ្ញើវាជា data URL។

import base64
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.shannon-ai.com/v1")

with open("photo.jpg", "rb") as f:
    image = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="shannon-3",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "What is in this picture?"},
            {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + image}},
        ],
    }],
)

print(response.choices[0].message.content)
200 JSON
{
  "id": "chatcmpl-8d1f3a5c7e9b4d2f6a8c0e2b4d6f8a1c",
  "object": "chat.completion",
  "created": 1791590400,
  "model": "shannon-3",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "A grey cat asleep on a windowsill, with a potted fern beside it.",
        "reasoning_content": null
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 286,
    "completion_tokens": 19,
    "total_tokens": 305
  }
}

ម៉ូដែលណាទទួលរូបភាព

ម៉ូដែល អាន
shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro រូបភាព និងឯកសារ៖ PDF, Word, PowerPoint, Excel និងឯកសារអត្ថបទធម្មតា។
shannon-1.6-lite, shannon-1.6-pro រូបភាព។
shannon-2-lite, shannon-2-pro រូបភាព ក្នុង request ដែលក៏ផ្ញើ tools ឬ response_format ដែរ។
Kimi-K3-3BIT-REAP, MiniMax-M3-3BIT-REAP, Kimi-K2.6-W4A16-AUTOROUND-REAP, inkling-W4A16-AUTOROUND-REAP, MiMo-V2.5-W8A16 រូបភាព។
DeepSeek-V4-Pro-0813-3BIT-REAP, GLM-5.2-3BIT-REAP, Nemotron3Ultra-3BIT-REAP, DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP, Laguna-S-2.1-W4A16-AUTOROUND-REAP, MiMo-V2.5-Pro-W8A16, Hy3-W8A16 អត្ថបទ។ request ដែលមានរូបភាពត្រូវបានឆ្លើយដោយស្ថានភាព 400។
shannon-coder-1 អត្ថបទ។

GET /v1/models រាយការណ៍ image input តាម id ជា capabilities.vision។ ម៉ូដែល និងតម្លៃ

  • ម៉ូដែល Shannon អានឯកសារនៃសារ user ចុងក្រោយ។ សូមដាក់រូបភាពក្នុងសារដែលសួរអំពីវា។
  • ក្រុម Shannon 3 ក៏រក្សារូបភាព និងឯកសារមួយចំនួនពីសារ user មុនៗក្នុងការមើល នៅពេលពួកវាត្រូវបានផ្ញើជា inline ហើយអានរូបភាពចំនួនអតិបរមាកំណត់មួយក្នុងមួយ request ដោយរាប់ពីរូបភាពដំបូង។
  • ម៉ូដែល open-weight ដែលបង្ហោះអានរូបភាពនៃរាល់សារក្នុងការសន្ទនា។

ទម្រង់ដែលទទួលយក

ឯកសារត្រូវបានផ្ញើតាមវិធីមួយក្នុងចំណោមពីរ៖ ក្នុង request ជា base64 ឬជាអាសយដ្ឋានដែល API ទាញយក។ ឯកសារនីមួយៗធ្វើដំណើរជាមួយ request; API មិនមាន endpoint សម្រាប់ upload ទេ។

Endpoint ក្នុងខ្លួន request (base64) តាមអាសយដ្ឋាន
/v1/chat/completions {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,…"}} {"type": "image_url", "image_url": {"url": "https://…"}}
/v1/responses {"type": "input_image", "image_url": "data:image/jpeg;base64,…"} {"type": "input_image", "image_url": "https://…"}
/v1/messages {"type": "image", "source": {"type": "base64", "media_type": "image/jpeg", "data": "…"}} {"type": "image", "source": {"type": "url", "url": "https://…"}}

សារ user ដូចគ្នាក្នុងទ្រង់ទ្រាយនីមួយៗ៖

{
  "role": "user",
  "content": [
    {"type": "text", "text": "What is in this picture?"},
    {
      "type": "image_url",
      "image_url": {
        "url": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD…"
      }
    }
  ]
}
  • data URL មានទម្រង់ data:<media type>;base64,<data>។ ផ្នែក ;base64 ត្រូវការ។
  • លើ /v1/chat/completions និង /v1/responses image_url អាចជា string ខ្លួនឯង ឬ object {"url": "…"}។
  • ប្រភេទឯកសារមកពី data URL ឬពី media_type។ បើគ្មានវា រូបភាពត្រូវបានអានជា image/png។
  • ឯកសារក្នុងខ្លួនរាប់ចូលក្នុងទំហំខ្លឹមសារ request ដែលអាចមានរហូតដល់ 32 MiB។
  • ទទួលយកដើម្បីភាពត្រូវគ្នា៖ image_url.detail។

ដែនកំណត់សម្រាប់ឯកសារពីចម្ងាយ

នៅពេលអ្នកផ្ញើអាសយដ្ឋាន API ទាញយកឯកសារមុនម៉ូដែលដំណើរការ ក្នុងដែនកំណត់ទាំងនេះ៖

ដែនកំណត់ ច្បាប់
ទំហំ រហូតដល់ 8 MiB ក្នុងមួយឯកសារ។
ពេលវេលា 20 វិនាទីដើម្បីឆ្លើយ។
ការបញ្ជូនបន្ត ច្រើនបំផុត 5។
អាសយដ្ឋាន http:// ឬ https:// ដោយគ្មានឈ្មោះអ្នកប្រើ ឬពាក្យសម្ងាត់ក្នុងអាសយដ្ឋាន នៅលើ host ដែលមានអាសយដ្ឋានសាធារណៈ។
ចម្លើយរបស់ host ស្ថានភាពក្នុងចន្លោះ 200 និងខ្លឹមសារដែលមិនទទេ។ ប្រភេទឯកសារត្រូវបានអានពី Content-Type។
ស្នើជា User-Agent: ShannonBot/1.0 (+https://shannon-ai.com)

របៀបដែលរូបភាពត្រូវបានរាប់ជា token

លើម៉ូដែល open-weight ដែលបង្ហោះ រូបភាពរាប់មួយ token សម្រាប់រាល់ patch ទំហំ 28 × 28 pixel៖ ទទឹងចែកនឹង 28 ក្រលេខឡើង គុណនឹងកម្ពស់ចែកនឹង 28 ក្រលេខឡើង។ លទ្ធផលជាផ្នែកមួយនៃ usage.prompt_tokens ហើយត្រូវគិតថ្លៃជា input។

1024 × 1024
1,369 token
1920 × 1080
2,691 token
512 × 512
361 token
  • រូបភាពពីចម្ងាយត្រូវបានទាញយកជាមុនសិន ដូច្នេះទំហំពិតរបស់វាត្រូវបានរាប់។
  • រូបភាពដែលមិនអាចអានទំហំបានរាប់ជា 1,024 token។
  • endpoint រាប់ប្រើច្បាប់ដូចគ្នាសម្រាប់ data URL។ ពួកវាមិនទាញយកអាសយដ្ឋានពីចម្ងាយទេ ហើយរាប់វាជា 1,024 token។ ការរាប់ token
  • សម្រាប់ម៉ូដែល Shannon សូមអានថ្លៃនៃ request ដែលមានរូបភាពពី usage ក្នុងចម្លើយ។

ឯកសារ និងឯកសារផ្សេងទៀត

ក្រុម Shannon 3 (shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro) ក៏អានឯកសារដែរ។ អត្ថបទនៃឯកសារត្រូវបានស្រង់ចេញ ហើយផ្តល់ឱ្យម៉ូដែលជាមួយសាររបស់អ្នក។

ឯកសារ ប្រភេទ media
PDF application/pdf
Word application/vnd.openxmlformats-officedocument.wordprocessingml.document
PowerPoint application/vnd.openxmlformats-officedocument.presentationml.presentation
Excel application/vnd.openxmlformats-officedocument.spreadsheetml.sheet

ឯកសារគឺជាផ្នែកមួយនៃសារ user ដូចរូបភាពដែរ៖

Endpoint ក្នុងខ្លួន request (base64) តាមអាសយដ្ឋាន
/v1/chat/completions, /v1/messages {"type": "document", "source": {"type": "base64", "media_type": "application/pdf", "data": "…"}} {"type": "document", "source": {"type": "url", "url": "https://…"}}
/v1/responses {"type": "input_file", "file_data": "data:application/pdf;base64,…"} {"type": "input_file", "file_url": "https://…"}
{
  "model": "shannon-3",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "document",
          "source": {
            "type": "base64",
            "media_type": "application/pdf",
            "data": "JVBERi0xLjcKJeLjz9MK…"
          }
        },
        {"type": "text", "text": "Summarise this report in five points."}
      ]
    }
  ]
}
  • សូមផ្តល់ប្រភេទ media ពិតនៃឯកសារ។ បើគ្មានវា ឯកសារត្រូវបានអានជា application/pdf។
  • ឯកសារអត្ថបទធម្មតា ដូចជា CSV ត្រូវបានអានជាអត្ថបទ ហើយភ្ជាប់តាមរបៀបដូចគ្នា។
  • នៅពេលមិនអាចអានឯកសារបាន ឬឯកសារមានប្រភេទផ្សេង ម៉ូដែលត្រូវបានប្រាប់ពីរឿងនោះ ហើយអាចនិយាយវាក្នុងចម្លើយរបស់វា។ ស្ថានភាពនៅតែជា 200។
  • លើម៉ូដែលផ្សេងទៀតទាំងអស់ ផ្នែកឯកសារត្រូវបានទុកចោលពីអ្វីដែលម៉ូដែលអាន ហើយ request ត្រូវបានឆ្លើយពីផ្នែកដែលនៅសល់។
  • ឯកសារដែលផ្ញើតាមអាសយដ្ឋានត្រូវបានទាញយកក្រោមដែនកំណត់សម្រាប់ឯកសារពីចម្ងាយខាងលើ។

កំហុស

ស្ថានភាព ប្រភេទ សារ ពេលណា
400 invalid_request_error <id> does not accept image input រូបភាពត្រូវបានផ្ញើទៅម៉ូដែល open-weight ដែលបង្ហោះ ដែលទទួលតែអត្ថបទ។ គ្មានអ្វីត្រូវបានកាត់ពីសមតុល្យរបស់អ្នកទេ។
400 invalid_request_error audio and video input are not supported by any hosted model ផ្នែកសំឡេង ឬវីដេអូត្រូវបានផ្ញើទៅម៉ូដែល open-weight ដែលបង្ហោះ។
413 invalid_request_error Failed to buffer the request body: … ខ្លឹមសារ request រួមទាំងឯកសារក្នុងខ្លួន ធំជាង 32 MiB។ កំហុសមាន code: "request_too_large"។

ម៉ូដែល Shannon ឆ្លើយដោយស្ថានភាព 200 ទោះ request មានឯកសារអ្វីក៏ដោយ៖ ផ្នែកដែលវាមិនអានត្រូវបានទុកចោល។ ការគ្រប់គ្រងកំហុស