ಚಿತ್ರಗಳು ಮತ್ತು ಫೈಲ್ಗಳು
ಸಂದೇಶದೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ಕಳುಹಿಸಿ: ಯಾವ ಮಾಡೆಲ್ಗಳು ಅವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ, ಸ್ವೀಕೃತ ರೂಪಗಳು ಮತ್ತು ಅವುಗಳ ಮಿತಿಗಳು.
POST https://api.shannon-ai.com/v1/chat/completions
ಚಿತ್ರ user ಸಂದೇಶದೊಳಗೆ, ಅದರ content ನ ಒಂದು ಭಾಗವಾಗಿ ಪ್ರಯಾಣಿಸುತ್ತದೆ. ಮಾದರಿ ಸ್ಥಳೀಯ ಫೈಲ್ ಅನ್ನು ಓದಿ data URL ಆಗಿ ಕಳುಹಿಸುತ್ತದೆ.
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) import fs from "node:fs";
import OpenAI from "openai";
const client = new OpenAI({ apiKey: "YOUR_API_KEY", baseURL: "https://api.shannon-ai.com/v1" });
const image = fs.readFileSync("photo.jpg").toString("base64");
const response = await 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 } },
],
}],
});
console.log(response.choices[0].message.content); # Linux: base64 -w0 photo.jpg macOS: base64 -i photo.jpg
IMAGE=$(base64 -w0 photo.jpg)
curl https://api.shannon-ai.com/v1/chat/completions \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d @- <<EOF
{
"model": "shannon-3",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "What is in this picture?"},
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,${IMAGE}"}}
]
}]
}
EOF {
"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
}
} ಯಾವ ಮಾಡೆಲ್ಗಳು ಚಿತ್ರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ
| ಮಾಡೆಲ್ಗಳು | ಓದುತ್ತದೆ |
|---|---|
shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro | ಚಿತ್ರಗಳು, ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟ್ಗಳು: PDF, Word, PowerPoint, Excel ಮತ್ತು ಸರಳ ಪಠ್ಯ ಫೈಲ್ಗಳು. |
shannon-1.6-lite, shannon-1.6-pro | ಚಿತ್ರಗಳು. |
shannon-2-lite, shannon-2-pro | tools ಅಥವಾ response_format ಕೂಡ ಕಳುಹಿಸುವ ವಿನಂತಿಗಳಲ್ಲಿ ಚಿತ್ರಗಳು. |
Kimi-K3-3BIT-REAP, MiniMax-M3-3BIT-REAP, Kimi-K2.6-W4A16-AUTOROUND-REAP, inkling-W4A16-AUTOROUND-REAP, MiMo-V2.5-W8A16 | ಚಿತ್ರಗಳು. |
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 | ಪಠ್ಯ. ಚಿತ್ರವಿರುವ ವಿನಂತಿಗೆ ಸ್ಥಿತಿ 400 ನೊಂದಿಗೆ ಉತ್ತರಿಸಲಾಗುತ್ತದೆ. |
shannon-coder-1 | ಪಠ್ಯ. |
GET /v1/models ಚಿತ್ರ ಇನ್ಪುಟ್ ಅನ್ನು ಪ್ರತಿ id ಗೆ capabilities.vision ಎಂದು ವರದಿ ಮಾಡುತ್ತದೆ. ಮಾಡೆಲ್ಗಳು ಮತ್ತು ಬೆಲೆ
- Shannon ಮಾಡೆಲ್ಗಳು ಕೊನೆಯ user ಸಂದೇಶದ ಫೈಲ್ಗಳನ್ನು ಓದುತ್ತವೆ. ಚಿತ್ರದ ಬಗ್ಗೆ ಕೇಳುವ ಸಂದೇಶದಲ್ಲೇ ಚಿತ್ರವನ್ನು ಇಡಿ.
- Shannon 3 ಕುಟುಂಬ, ಇನ್ಲೈನ್ ಆಗಿ ಕಳುಹಿಸಿದ್ದರೆ, ಹಿಂದಿನ user ಸಂದೇಶಗಳ ಕೆಲವು ಚಿತ್ರಗಳು ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟ್ಗಳನ್ನೂ ನೋಟದಲ್ಲಿ ಇಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ಮತ್ತು ಪ್ರತಿ ವಿನಂತಿಗೆ ಮೊದಲಿನಿಂದ ಎಣಿಸಿ ನಿಗದಿತ ಗರಿಷ್ಠ ಸಂಖ್ಯೆಯ ಚಿತ್ರಗಳನ್ನು ಓದುತ್ತದೆ.
- ಹೋಸ್ಟ್ ಮಾಡಿದ ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್ಗಳು ಸಂಭಾಷಣೆಯ ಪ್ರತಿ ಸಂದೇಶದ ಚಿತ್ರಗಳನ್ನು ಓದುತ್ತವೆ.
ಸ್ವೀಕೃತ ರೂಪಗಳು
ಫೈಲ್ ಅನ್ನು ಎರಡು ವಿಧಾನಗಳಲ್ಲಿ ಒಂದರಿಂದ ಕಳುಹಿಸಲಾಗುತ್ತದೆ: ವಿನಂತಿಯೊಳಗೆ base64 ಆಗಿ, ಅಥವಾ API ತರುವ ವಿಳಾಸವಾಗಿ. ಪ್ರತಿ ಫೈಲ್ ವಿನಂತಿಯೊಂದಿಗೇ ಪ್ರಯಾಣಿಸುತ್ತದೆ; API ಗೆ ಅಪ್ಲೋಡ್ ಎಂಡ್ಪಾಯಿಂಟ್ ಇಲ್ಲ.
| ಎಂಡ್ಪಾಯಿಂಟ್ | ವಿನಂತಿಯೊಳಗೆ (base64) | ವಿಳಾಸದ ಮೂಲಕ |
|---|---|---|
/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://…"}} |
ಪ್ರತಿ ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ ಅದೇ user ಸಂದೇಶ:
{
"role": "user",
"content": [
{"type": "text", "text": "What is in this picture?"},
{
"type": "image_url",
"image_url": {
"url": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD…"
}
}
]
} {
"role": "user",
"content": [
{"type": "input_text", "text": "What is in this picture?"},
{
"type": "input_image",
"image_url": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD…"
}
]
} {
"role": "user",
"content": [
{"type": "text", "text": "What is in this picture?"},
{
"type": "image",
"source": {
"type": "base64",
"media_type": "image/jpeg",
"data": "/9j/4AAQSkZJRgABAQAAAQABAAD…"
}
}
]
} - data URL
data:<media type>;base64,<data>ರೂಪದಲ್ಲಿರುತ್ತದೆ.;base64ಭಾಗ ಕಡ್ಡಾಯ. /v1/chat/completionsಮತ್ತು/v1/responsesನಲ್ಲಿ,image_urlಸ್ವತಃ string ಆಗಿರಬಹುದು ಅಥವಾ{"url": "…"}ಆಬ್ಜೆಕ್ಟ್ ಆಗಿರಬಹುದು.- ಫೈಲ್ ವಿಧ data URL ನಿಂದ ಅಥವಾ
media_typeನಿಂದ ಬರುತ್ತದೆ. ಅದಿಲ್ಲದಿದ್ದರೆ, ಚಿತ್ರವನ್ನುimage/pngಎಂದು ಓದಲಾಗುತ್ತದೆ. - ಇನ್ಲೈನ್ ಫೈಲ್ಗಳು ವಿನಂತಿ ಬಾಡಿಯ ಗಾತ್ರಕ್ಕೆ ಎಣಿಕೆಯಾಗುತ್ತವೆ, ಅದು 32 MiB ವರೆಗೆ ಇರಬಹುದು.
- ಹೊಂದಾಣಿಕೆಗಾಗಿ ಸ್ವೀಕರಿಸಲಾಗುತ್ತದೆ:
image_url.detail.
ರಿಮೋಟ್ ಫೈಲ್ಗಳ ಮಿತಿಗಳು
ನೀವು ವಿಳಾಸ ಕಳುಹಿಸಿದಾಗ, ಮಾಡೆಲ್ ಚಲಿಸುವ ಮೊದಲು API ಈ ಮಿತಿಗಳೊಳಗೆ ಫೈಲ್ ಅನ್ನು ತರುತ್ತದೆ:
| ಮಿತಿ | ನಿಯಮ |
|---|---|
| ಗಾತ್ರ | ಪ್ರತಿ ಫೈಲ್ಗೆ 8 MiB ವರೆಗೆ. |
| ಸಮಯ | ಉತ್ತರಿಸಲು 20 ಸೆಕೆಂಡ್. |
| ರೀಡೈರೆಕ್ಟ್ಗಳು | ಗರಿಷ್ಠ 5. |
| ವಿಳಾಸ | http:// ಅಥವಾ https://, ವಿಳಾಸದಲ್ಲಿ ಬಳಕೆದಾರ ಹೆಸರು ಅಥವಾ ಪಾಸ್ವರ್ಡ್ ಇಲ್ಲದೆ, ಸಾರ್ವಜನಿಕ ವಿಳಾಸವಿರುವ ಹೋಸ್ಟ್ನಲ್ಲಿ. |
| ಹೋಸ್ಟ್ನ ಉತ್ತರ | 200 ಶ್ರೇಣಿಯ ಸ್ಥಿತಿ ಮತ್ತು ಖಾಲಿಯಲ್ಲದ ಬಾಡಿ. ಫೈಲ್ ವಿಧವನ್ನು Content-Type ನಿಂದ ಓದಲಾಗುತ್ತದೆ. |
| ಹೀಗೆ ವಿನಂತಿಸಲಾಗುತ್ತದೆ | User-Agent: ShannonBot/1.0 (+https://shannon-ai.com) |
ಚಿತ್ರಗಳು ಟೋಕನ್ಗಳಲ್ಲಿ ಹೇಗೆ ಎಣಿಕೆಯಾಗುತ್ತವೆ
ಹೋಸ್ಟ್ ಮಾಡಿದ ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್ಗಳಲ್ಲಿ ಚಿತ್ರವು ಪ್ರತಿ 28 × 28 ಪಿಕ್ಸೆಲ್ ಪ್ಯಾಚ್ಗೆ ಒಂದು ಟೋಕನ್ ಎಂದು ಎಣಿಕೆಯಾಗುತ್ತದೆ: ಅಗಲವನ್ನು 28 ರಿಂದ ಭಾಗಿಸಿ ಮೇಲಕ್ಕೆ ಪೂರ್ಣಗೊಳಿಸಿದ್ದು, ಗುಣಿಸು ಎತ್ತರವನ್ನು 28 ರಿಂದ ಭಾಗಿಸಿ ಮೇಲಕ್ಕೆ ಪೂರ್ಣಗೊಳಿಸಿದ್ದು. ಫಲಿತಾಂಶ usage.prompt_tokens ನ ಭಾಗವಾಗಿದ್ದು ಇನ್ಪುಟ್ ಆಗಿ ಬಿಲ್ ಮಾಡಲಾಗುತ್ತದೆ.
- 1024 × 1024
- 1,369 ಟೋಕನ್ಗಳು
- 1920 × 1080
- 2,691 ಟೋಕನ್ಗಳು
- 512 × 512
- 361 ಟೋಕನ್ಗಳು
- ರಿಮೋಟ್ ಚಿತ್ರವನ್ನು ಮೊದಲು ತರಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಅದರ ನಿಜವಾದ ಗಾತ್ರವನ್ನು ಎಣಿಸಲಾಗುತ್ತದೆ.
- ಗಾತ್ರ ಓದಲಾಗದ ಚಿತ್ರ 1,024 ಟೋಕನ್ಗಳೆಂದು ಎಣಿಕೆಯಾಗುತ್ತದೆ.
- ಎಣಿಕೆ ಎಂಡ್ಪಾಯಿಂಟ್ಗಳು data URL ಗಳಿಗೆ ಅದೇ ನಿಯಮವನ್ನು ಬಳಸುತ್ತವೆ. ಅವು ರಿಮೋಟ್ ವಿಳಾಸವನ್ನು ತರುವುದಿಲ್ಲ ಮತ್ತು ಅದನ್ನು 1,024 ಟೋಕನ್ಗಳೆಂದು ಎಣಿಸುತ್ತವೆ. ಟೋಕನ್ ಎಣಿಕೆ
- Shannon ಮಾಡೆಲ್ಗೆ, ಚಿತ್ರಗಳಿರುವ ವಿನಂತಿಯ ವೆಚ್ಚವನ್ನು ಉತ್ತರದ
usageನಿಂದ ಓದಿ.
ಡಾಕ್ಯುಮೆಂಟ್ಗಳು ಮತ್ತು ಇತರ ಫೈಲ್ಗಳು
Shannon 3 ಕುಟುಂಬ (shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro) ಡಾಕ್ಯುಮೆಂಟ್ಗಳನ್ನೂ ಓದುತ್ತದೆ. ಡಾಕ್ಯುಮೆಂಟ್ನ ಪಠ್ಯವನ್ನು ಹೊರತೆಗೆದು ನಿಮ್ಮ ಸಂದೇಶದ ಜೊತೆ ಮಾಡೆಲ್ಗೆ ನೀಡಲಾಗುತ್ತದೆ.
| ಡಾಕ್ಯುಮೆಂಟ್ | ಮೀಡಿಯಾ ವಿಧ |
|---|---|
application/pdf | |
| Word | application/vnd.openxmlformats-officedocument.wordprocessingml.document |
| PowerPoint | application/vnd.openxmlformats-officedocument.presentationml.presentation |
| Excel | application/vnd.openxmlformats-officedocument.spreadsheetml.sheet |
ಡಾಕ್ಯುಮೆಂಟ್ ಚಿತ್ರದಂತೆಯೇ user ಸಂದೇಶದ ಒಂದು ಭಾಗ:
| ಎಂಡ್ಪಾಯಿಂಟ್ | ವಿನಂತಿಯೊಳಗೆ (base64) | ವಿಳಾಸದ ಮೂಲಕ |
|---|---|---|
/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."}
]
}
]
} {
"model": "shannon-3",
"input": [
{
"role": "user",
"content": [
{
"type": "input_file",
"file_data": "data:application/pdf;base64,JVBERi0xLjcKJeLjz9MK…"
},
{
"type": "input_text",
"text": "Summarise this report in five points."
}
]
}
]
} {
"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."}
]
}
]
} - ಫೈಲ್ನ ನಿಜವಾದ ಮೀಡಿಯಾ ವಿಧವನ್ನು ನೀಡಿ. ಅದಿಲ್ಲದಿದ್ದರೆ, ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು
application/pdfಎಂದು ಓದಲಾಗುತ್ತದೆ. - CSV ಯಂತಹ ಸರಳ ಪಠ್ಯ ಫೈಲ್ ಅನ್ನು ಪಠ್ಯವಾಗಿ ಓದಿ ಅದೇ ರೀತಿ ಜೋಡಿಸಲಾಗುತ್ತದೆ.
- ಡಾಕ್ಯುಮೆಂಟ್ ಓದಲಾಗದಿದ್ದರೆ, ಅಥವಾ ಫೈಲ್ ಬೇರೆ ವಿಧದ್ದಾಗಿದ್ದರೆ, ಮಾಡೆಲ್ಗೆ ಅದನ್ನು ತಿಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅದು ತನ್ನ ಉತ್ತರದಲ್ಲಿ ಹೇಳಬಹುದು. ಸ್ಥಿತಿ ಆಗಲೂ
200. - ಉಳಿದ ಪ್ರತಿ ಮಾಡೆಲ್ನಲ್ಲಿ ಡಾಕ್ಯುಮೆಂಟ್ ಭಾಗವನ್ನು ಮಾಡೆಲ್ ಓದುವುದರಿಂದ ಬಿಡಲಾಗುತ್ತದೆ, ಮತ್ತು ವಿನಂತಿಗೆ ಉಳಿದ ಭಾಗದಿಂದ ಉತ್ತರಿಸಲಾಗುತ್ತದೆ.
- ವಿಳಾಸದ ಮೂಲಕ ಕಳುಹಿಸಿದ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಮೇಲಿನ ರಿಮೋಟ್ ಫೈಲ್ಗಳ ಮಿತಿಗಳೊಳಗೆ ತರಲಾಗುತ್ತದೆ.
ದೋಷಗಳು
| ಸ್ಥಿತಿ | ವಿಧ | ಸಂದೇಶ | ಯಾವಾಗ |
|---|---|---|---|
400 | invalid_request_error | <id> does not accept image input | ಪಠ್ಯ ಮಾತ್ರ ತೆಗೆದುಕೊಳ್ಳುವ ಹೋಸ್ಟ್ ಮಾಡಿದ ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್ಗೆ ಚಿತ್ರವನ್ನು ಕಳುಹಿಸಲಾಗಿದೆ. ನಿಮ್ಮ ಬ್ಯಾಲೆನ್ಸ್ನಿಂದ ಏನನ್ನೂ ಕಡಿತಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ. |
400 | invalid_request_error | audio and video input are not supported by any hosted model | ಹೋಸ್ಟ್ ಮಾಡಿದ ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್ಗೆ ಆಡಿಯೋ ಅಥವಾ ವೀಡಿಯೋ ಭಾಗವನ್ನು ಕಳುಹಿಸಲಾಗಿದೆ. |
413 | invalid_request_error | Failed to buffer the request body: … | ಇನ್ಲೈನ್ ಫೈಲ್ಗಳೊಂದಿಗಿನ ವಿನಂತಿ ಬಾಡಿ 32 MiB ಗಿಂತ ದೊಡ್ಡದಾಗಿದೆ. ದೋಷವು code: "request_too_large" ಹೊತ್ತಿರುತ್ತದೆ. |
ವಿನಂತಿ ಯಾವ ಫೈಲ್ಗಳನ್ನು ಹೊತ್ತಿದ್ದರೂ Shannon ಮಾಡೆಲ್ ಸ್ಥಿತಿ 200 ನೊಂದಿಗೆ ಉತ್ತರಿಸುತ್ತದೆ: ಅದು ಓದದ ಭಾಗವನ್ನು ಬಿಡಲಾಗುತ್ತದೆ. ದೋಷ ನಿರ್ವಹಣೆ