Ad contentum transili
Imagines et fasciculi

Imagines et fasciculi

Mitte imagines cum nuntio: quae modelli eas accipiant, formae acceptae et limites earum.

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

Imago intra nuntium user it, ut una pars content eius. Exemplum fasciculum localem legit et eum ut data URL mittit.

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
  }
}

Quae modelli imagines accipiant

Modelli Legit
shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro Imagines, et documenta: PDF, Word, PowerPoint, Excel et fasciculi textus simplicis.
shannon-1.6-lite, shannon-1.6-pro Imagines.
shannon-2-lite, shannon-2-pro Imagines, in petitionibus quae etiam tools vel response_format mittunt.
Kimi-K3-3BIT-REAP, MiniMax-M3-3BIT-REAP, Kimi-K2.6-W4A16-AUTOROUND-REAP, inkling-W4A16-AUTOROUND-REAP, MiMo-V2.5-W8A16 Imagines.
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 Textus. Petitio cum imagine statu 400 respondetur.
shannon-coder-1 Textus.

GET /v1/models input imaginis per id ut capabilities.vision nuntiat. Modella et pretia

  • Modelli Shannon fasciculos ultimi nuntii user legunt. Pone imaginem in nuntio qui de ea quaerit.
  • Familia Shannon 3 etiam paucas imagines et documenta nuntiorum user priorum in conspectu tenet cum inline missa erant, et maximum numerum imaginum per petitionem legit, a prima numeratum.
  • Modelli open-weight hosted imagines omnium nuntiorum conversationis legunt.

Formae acceptae

Fasciculus duobus modis mittitur: intra petitionem ut base64, aut ut inscriptio quam API capit. Omnis fasciculus cum petitione it; API nullum endpoint upload habet.

Endpoint In petitione (base64) Per inscriptionem
/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://…"}}

Idem nuntius user in qualibet forma:

{
  "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 formam data:<media type>;base64,<data> habet. Pars ;base64 necessaria est.
  • In /v1/chat/completions et /v1/responses, image_url potest esse ipse string aut objectum {"url": "…"}.
  • Typus fasciculi ex data URL vel ex media_type venit. Sine eo, imago ut image/png legitur.
  • Fasciculi inline ad magnitudinem corporis petitionis computantur, quod ad 32 MiB esse potest.
  • Propter compatibilitatem accepta: image_url.detail.

Limites fasciculorum remotorum

Cum inscriptionem mittis, API fasciculum capit antequam modellum currit, intra hos limites:

Limes Regula
Magnitudo Ad 8 MiB per fasciculum.
Tempus 20 secundae ad respondendum.
Redirectiones Ad summum 5.
Inscriptio http:// vel https://, sine nomine user aut password in inscriptione, in host cum inscriptione publica.
Responsio hosti Status in range 200 et corpus quod vacuum non est. Typus fasciculi ex Content-Type legitur.
Petitur ut User-Agent: ShannonBot/1.0 (+https://shannon-ai.com)

Quomodo imagines in tokens computentur

In modellis open-weight hosted imago unum token pro quolibet patch 28 × 28 pixelorum computat: latitudo per 28 divisa, ad summum rotundata, multiplicata per altitudinem per 28 divisam, ad summum rotundatam. Eventus pars est usage.prompt_tokens et ut input computatur.

1024 × 1024
1,369 tokens
1920 × 1080
2,691 tokens
512 × 512
361 tokens
  • Imago remota primum capitur, itaque magnitudo eius vera computatur.
  • Imago cuius magnitudo legi non potest 1,024 tokens computat.
  • Endpoints computationis eadem regula pro data URL utuntur. Inscriptionem remotam non capiunt et eam ut 1,024 tokens computant. Computatio tokenum
  • Pro modello Shannon, quantum petitio cum imaginibus constiterit ex usage in responsione lege.

Documenta et alii fasciculi

Familia Shannon 3 (shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro) etiam documenta legit. Textus documenti extrahitur et modello cum nuntio tuo datur.

Documentum Typus medii
PDF application/pdf
Word application/vnd.openxmlformats-officedocument.wordprocessingml.document
PowerPoint application/vnd.openxmlformats-officedocument.presentationml.presentation
Excel application/vnd.openxmlformats-officedocument.spreadsheetml.sheet

Documentum est pars nuntii user, sicut imago:

Endpoint In petitione (base64) Per inscriptionem
/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."}
      ]
    }
  ]
}
  • Da verum typum medii fasciculi. Sine eo, documentum ut application/pdf legitur.
  • Fasciculus textus simplicis, ut CSV, ut textus legitur et eodem modo adnectitur.
  • Cum documentum legi non potest, aut fasciculus alterius typi est, modellum de hoc certior fit et in responsione dicere potest. Status tamen est 200.
  • In omni alio modello pars documenti ab eo quod modellum legit omittitur, et petitio ex reliquo respondetur.
  • Documentum per inscriptionem missum sub limitibus pro fasciculis remotis supra capitur.

Errores

Status Genus Nuntius Quando
400 invalid_request_error <id> does not accept image input Imago ad modellum open-weight hosted missa est quod solum textum accipit. Nihil de saldo tuo trahitur.
400 invalid_request_error audio and video input are not supported by any hosted model Pars audio vel video ad modellum open-weight hosted missa est.
413 invalid_request_error Failed to buffer the request body: … Corpus petitionis, cum fasciculis inline, maius est quam 32 MiB. Error fert code: "request_too_large".

Modellum Shannon cum statu 200 respondet quicumque fasciculi petitio fert: pars quam non legit omittitur. Tractatio errorum