ഉള്ളടക്കത്തിലേക്ക് പോകുക
ചിത്രങ്ങളും ഫയലുകളും

ചിത്രങ്ങളും ഫയലുകളും

ഒരു മെസേജിനൊപ്പം ചിത്രങ്ങൾ അയയ്ക്കുക: ഏതൊക്കെ മോഡലുകൾ സ്വീകരിക്കുന്നു, സ്വീകരിക്കുന്ന രൂപങ്ങൾ, അവയുടെ പരിധികൾ.

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

ചിത്രം ഒരു യൂസർ മെസേജിനുള്ളിൽ, അതിന്റെ content-ന്റെ ഒരു ഭാഗമായി സഞ്ചരിക്കുന്നു. സാമ്പിൾ ഒരു ലോക്കൽ ഫയൽ വായിച്ച് ഡാറ്റ URL ആയി അയയ്ക്കുന്നു.

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
  }
}

ഏതൊക്കെ മോഡലുകൾ ചിത്രങ്ങൾ സ്വീകരിക്കുന്നു

മോഡലുകൾ വായിക്കുന്നത്
shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro ചിത്രങ്ങളും ഡോക്യുമെന്റുകളും: PDF, Word, PowerPoint, Excel, പ്ലെയിൻ-ടെക്സ്റ്റ് ഫയലുകൾ.
shannon-1.6-lite, shannon-1.6-pro ചിത്രങ്ങൾ.
shannon-2-lite, shannon-2-pro ചിത്രങ്ങൾ, tools അല്ലെങ്കിൽ response_format കൂടി അയയ്ക്കുന്ന റിക്വസ്റ്റുകളിൽ.
Kimi-K3-3BIT-REAP, MiniMax-M3-3BIT-REAP, Kimi-K2.6-W4A16-AUTOROUND-REAP, inkling-W4A16-AUTOROUND-REAP, MiMo-V2.5-W8A16 ചിത്രങ്ങൾ.
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 ടെക്സ്റ്റ്. ചിത്രമുള്ള റിക്വസ്റ്റിന് സ്റ്റാറ്റസ് 400 ഓടെ മറുപടി ലഭിക്കും.
shannon-coder-1 ടെക്സ്റ്റ്.

GET /v1/models ഓരോ ഐഡിക്കും ചിത്രം ഇൻപുട്ട് capabilities.vision ആയി റിപ്പോർട്ട് ചെയ്യുന്നു. മോഡലുകളും വിലയും

  • Shannon മോഡലുകൾ അവസാനത്തെ യൂസർ മെസേജിലെ ഫയലുകൾ വായിക്കുന്നു. ചിത്രത്തെക്കുറിച്ച് ചോദിക്കുന്ന മെസേജിൽ തന്നെ ചിത്രം വയ്ക്കുക.
  • Shannon 3 കുടുംബം ഇൻലൈനായി അയച്ച മുൻ യൂസർ മെസേജുകളിലെ ചില ചിത്രങ്ങളും ഡോക്യുമെന്റുകളും കൂടി കാഴ്ചയിൽ നിലനിർത്തുന്നു, ഒരു റിക്വസ്റ്റിൽ ആദ്യം മുതൽ എണ്ണി നിശ്ചിത പരമാവധി ചിത്രങ്ങൾ വായിക്കുന്നു.
  • ഹോസ്റ്റ് ചെയ്ത ഓപ്പൺ-വെയിറ്റ് മോഡലുകൾ സംഭാഷണത്തിലെ എല്ലാ മെസേജുകളിലെയും ചിത്രങ്ങൾ വായിക്കുന്നു.

സ്വീകരിക്കുന്ന രൂപങ്ങൾ

ഫയൽ രണ്ട് വഴികളിൽ ഒന്നിൽ അയയ്ക്കുന്നു: റിക്വസ്റ്റിനുള്ളിൽ base64 ആയി, അല്ലെങ്കിൽ API എടുക്കുന്ന ഒരു വിലാസമായി. ഓരോ ഫയലും റിക്വസ്റ്റിനൊപ്പം സഞ്ചരിക്കുന്നു; API-ക്ക് അപ്‌ലോഡ് എൻഡ്‌പോയിന്റ് ഇല്ല.

എൻഡ്‌പോയിന്റ് റിക്വസ്റ്റിൽ (base64) വിലാസം വഴി
/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://…"}}

ഓരോ ഫോർമാറ്റിലും ഒരേ യൂസർ മെസേജ്:

{
  "role": "user",
  "content": [
    {"type": "text", "text": "What is in this picture?"},
    {
      "type": "image_url",
      "image_url": {
        "url": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD…"
      }
    }
  ]
}
  • ഡാറ്റ URL-ന്റെ രൂപം data:<media type>;base64,<data> ആണ്. ;base64 ഭാഗം നിർബന്ധമാണ്.
  • /v1/chat/completions-ലും /v1/responses-ലും image_url സ്ട്രിംഗ് തന്നെ ആകാം, അല്ലെങ്കിൽ {"url": "…"} ഒബ്ജക്റ്റ് ആകാം.
  • ഫയൽ തരം ഡാറ്റ URL-ൽ നിന്നോ media_type-ൽ നിന്നോ എടുക്കുന്നു. ഇല്ലെങ്കിൽ ചിത്രം image/png ആയി വായിക്കും.
  • ഇൻലൈൻ ഫയലുകൾ റിക്വസ്റ്റ് ബോഡിയുടെ വലിപ്പത്തിൽ കണക്കാക്കും, അത് 32 MiB വരെ ആകാം.
  • അനുയോജ്യതയ്ക്കായി സ്വീകരിക്കുന്നു: image_url.detail.

റിമോട്ട് ഫയലുകളുടെ പരിധികൾ

നിങ്ങൾ ഒരു വിലാസം അയയ്ക്കുമ്പോൾ, മോഡൽ പ്രവർത്തിക്കുന്നതിന് മുമ്പ് API ഈ പരിധികൾക്കുള്ളിൽ ഫയൽ എടുക്കുന്നു:

പരിധി നിയമം
വലിപ്പം ഓരോ ഫയലിനും 8 MiB വരെ.
സമയം മറുപടിക്ക് 20 സെക്കൻഡ്.
റീഡയറക്റ്റുകൾ പരമാവധി 5.
വിലാസം http:// അല്ലെങ്കിൽ https://, വിലാസത്തിൽ യൂസർ നാമമോ പാസ്‌വേഡോ ഇല്ലാതെ, പൊതു വിലാസമുള്ള ഹോസ്റ്റിൽ.
ഹോസ്റ്റിന്റെ മറുപടി 200 ശ്രേണിയിലെ ഒരു സ്റ്റാറ്റസും ശൂന്യമല്ലാത്ത ബോഡിയും. ഫയൽ തരം Content-Type-ൽ നിന്ന് വായിക്കുന്നു.
അഭ്യർത്ഥിക്കുന്നത് User-Agent: ShannonBot/1.0 (+https://shannon-ai.com)

ചിത്രങ്ങൾ ടോക്കണുകളിൽ എങ്ങനെ കണക്കാക്കുന്നു

ഹോസ്റ്റ് ചെയ്ത ഓപ്പൺ-വെയിറ്റ് മോഡലുകളിൽ ചിത്രം ഓരോ 28 × 28 പിക്സൽ പാച്ചിനും ഒരു ടോക്കൺ എന്ന് കണക്കാക്കുന്നു: വീതി 28 കൊണ്ട് ഹരിച്ച് മുകളിലേക്ക് റൗണ്ട് ചെയ്തതിനെ, ഉയരം 28 കൊണ്ട് ഹരിച്ച് മുകളിലേക്ക് റൗണ്ട് ചെയ്തത് കൊണ്ട് ഗുണിക്കുക. ഫലം usage.prompt_tokens-ന്റെ ഭാഗമാണ്, ഇൻപുട്ടായി ബിൽ ചെയ്യുന്നു.

1024 × 1024
1,369 ടോക്കണുകൾ
1920 × 1080
2,691 ടോക്കണുകൾ
512 × 512
361 ടോക്കണുകൾ
  • റിമോട്ട് ചിത്രം ആദ്യം എടുക്കുന്നു, അതിനാൽ അതിന്റെ യഥാർത്ഥ വലിപ്പം കണക്കാക്കും.
  • വലിപ്പം വായിക്കാൻ കഴിയാത്ത ചിത്രം 1,024 ടോക്കണുകളായി കണക്കാക്കും.
  • എണ്ണൽ എൻഡ്‌പോയിന്റുകൾ ഡാറ്റ URL-കൾക്ക് ഇതേ നിയമം ഉപയോഗിക്കുന്നു. അവ റിമോട്ട് വിലാസം എടുക്കുന്നില്ല, അതിനെ 1,024 ടോക്കണുകളായി കണക്കാക്കുന്നു. ടോക്കൺ എണ്ണൽ
  • Shannon മോഡലിൽ, ചിത്രങ്ങളുള്ള റിക്വസ്റ്റിന് എത്ര ചെലവായി എന്ന് മറുപടിയിലെ usage-ൽ നിന്ന് വായിക്കുക.

ഡോക്യുമെന്റുകളും മറ്റ് ഫയലുകളും

Shannon 3 കുടുംബം (shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro) ഡോക്യുമെന്റുകളും വായിക്കുന്നു. ഡോക്യുമെന്റിന്റെ ടെക്സ്റ്റ് വേർതിരിച്ചെടുത്ത് നിങ്ങളുടെ മെസേജിനൊപ്പം മോഡലിന് നൽകുന്നു.

ഡോക്യുമെന്റ് മീഡിയ ടൈപ്പ്
PDF application/pdf
Word application/vnd.openxmlformats-officedocument.wordprocessingml.document
PowerPoint application/vnd.openxmlformats-officedocument.presentationml.presentation
Excel application/vnd.openxmlformats-officedocument.spreadsheetml.sheet

ചിത്രം പോലെ തന്നെ ഡോക്യുമെന്റും യൂസർ മെസേജിന്റെ ഒരു ഭാഗമാണ്:

എൻഡ്‌പോയിന്റ് റിക്വസ്റ്റിൽ (base64) വിലാസം വഴി
/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."}
      ]
    }
  ]
}
  • ഫയലിന്റെ യഥാർത്ഥ മീഡിയ ടൈപ്പ് നൽകുക. ഇല്ലെങ്കിൽ ഡോക്യുമെന്റ് application/pdf ആയി വായിക്കും.
  • CSV പോലുള്ള പ്ലെയിൻ-ടെക്സ്റ്റ് ഫയൽ ടെക്സ്റ്റായി വായിച്ച് ഇതേ രീതിയിൽ ചേർക്കുന്നു.
  • ഡോക്യുമെന്റ് വായിക്കാൻ കഴിയാത്തപ്പോൾ, അല്ലെങ്കിൽ ഫയൽ മറ്റൊരു തരത്തിലുള്ളതാകുമ്പോൾ, മോഡലിനോട് അത് പറയും, മോഡലിന് ഉത്തരത്തിൽ അത് പറയാം. സ്റ്റാറ്റസ് അപ്പോഴും 200 ആണ്.
  • മറ്റെല്ലാ മോഡലുകളിലും ഡോക്യുമെന്റ് ഭാഗം മോഡൽ വായിക്കുന്നതിൽ നിന്ന് ഒഴിവാക്കപ്പെടും, ബാക്കിയുള്ളത് ഉപയോഗിച്ച് റിക്വസ്റ്റിന് ഉത്തരം നൽകും.
  • വിലാസം വഴി അയച്ച ഡോക്യുമെന്റ്, മുകളിലുള്ള റിമോട്ട് ഫയലുകളുടെ പരിധികൾക്ക് കീഴിൽ എടുക്കുന്നു.

പിശകുകൾ

സ്റ്റാറ്റസ് ടൈപ്പ് സന്ദേശം എപ്പോൾ
400 invalid_request_error <id> does not accept image input ടെക്സ്റ്റ് മാത്രം സ്വീകരിക്കുന്ന ഹോസ്റ്റ് ചെയ്ത ഓപ്പൺ-വെയിറ്റ് മോഡലിലേക്ക് ഒരു ചിത്രം അയച്ചു. നിങ്ങളുടെ ബാലൻസിൽ നിന്ന് ഒന്നും എടുക്കില്ല.
400 invalid_request_error audio and video input are not supported by any hosted model ഹോസ്റ്റ് ചെയ്ത ഓപ്പൺ-വെയിറ്റ് മോഡലിലേക്ക് ഓഡിയോ അല്ലെങ്കിൽ വീഡിയോ ഭാഗം അയച്ചു.
413 invalid_request_error Failed to buffer the request body: … ഇൻലൈൻ ഫയലുകൾ ഉൾപ്പെടെ റിക്വസ്റ്റ് ബോഡി 32 MiB-യേക്കാൾ വലുതാണ്. പിശകിൽ code: "request_too_large" ഉണ്ടാകും.

റിക്വസ്റ്റിൽ ഏത് ഫയലുകൾ ഉണ്ടെങ്കിലും Shannon മോഡൽ സ്റ്റാറ്റസ് 200 ഓടെ മറുപടി നൽകുന്നു: വായിക്കാത്ത ഭാഗം ഒഴിവാക്കപ്പെടും. എറർ ഹാൻഡ്ലിംഗ്