ವಿಷಯಕ್ಕೆ ಹೋಗಿ
ಚಿತ್ರಗಳು ಮತ್ತು ಫೈಲ್‌ಗಳು

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)
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
  }
}

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…"
      }
    }
  ]
}
  • data URL data:<media type>;base64,<data> ರೂಪದಲ್ಲಿರುತ್ತದೆ. ;base64 ಭಾಗ ಕಡ್ಡಾಯ.
  • /v1/chat/completions ಮತ್ತು /v1/responses ನಲ್ಲಿ, image_url ಸ್ವತಃ string ಆಗಿರಬಹುದು ಅಥವಾ {"url": "…"} ಆಬ್ಜೆಕ್ಟ್ ಆಗಿರಬಹುದು.
  • ಫೈಲ್ ವಿಧ data URL ನಿಂದ ಅಥವಾ media_type ನಿಂದ ಬರುತ್ತದೆ. ಅದಿಲ್ಲದಿದ್ದರೆ, ಚಿತ್ರವನ್ನು image/png ಎಂದು 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 usage ನಿಂದ 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
PDF 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."}
      ]
    }
  ]
}
  • ಫೈಲ್‌ನ ನಿಜವಾದ ಮೀಡಿಯಾ ವಿಧವನ್ನು ನೀಡಿ. ಅದಿಲ್ಲದಿದ್ದರೆ, ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು application/pdf ಎಂದು 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