కంటెంట్‌కు వెళ్లండి
చిత్రాలు మరియు ఫైళ్లు

చిత్రాలు మరియు ఫైళ్లు

మెసేజ్‌తో చిత్రాలను పంపండి: ఏ మోడల్స్ వాటిని తీసుకుంటాయి, అంగీకరించే రూపాలు మరియు వాటి పరిమితులు.

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

చిత్రం user మెసేజ్ లోపల, దాని content లోని ఒక భాగంగా ప్రయాణిస్తుంది. నమూనా ఒక లోకల్ ఫైల్‌ను చదివి దాన్ని data URL గా పంపుతుంది.

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
  }
}

ఏ మోడల్స్ చిత్రాలను తీసుకుంటాయి

మోడల్స్ చదివేవి
shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro చిత్రాలు, మరియు డాక్యుమెంట్‌లు: PDF, Word, PowerPoint, Excel మరియు సాదా-టెక్స్ట్ ఫైళ్లు.
shannon-1.6-lite, shannon-1.6-pro చిత్రాలు.
shannon-2-lite, shannon-2-pro tools లేదా response_format కూడా పంపే రిక్వెస్ట్‌లలో చిత్రాలు.
Kimi-K3-3BIT-REAP, MiniMax-M3-3BIT-REAP, Kimi-K2.6-W4A16-AUTOROUND-REAP, inkling-W4A16-AUTOROUND-REAP, MiMo-V2.5-W8A16 చిత్రాలు.
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 టెక్స్ట్. చిత్రం ఉన్న రిక్వెస్ట్‌కు స్టేటస్ 400 తో సమాధానం వస్తుంది.
shannon-coder-1 టెక్స్ట్.

GET /v1/models ప్రతి id కి చిత్ర ఇన్‌పుట్‌ను capabilities.vision గా నివేదిస్తుంది. మోడల్స్ & ధరలు

  • Shannon మోడల్స్ చివరి user మెసేజ్‌లోని ఫైళ్లను చదువుతాయి. చిత్రాన్ని దాని గురించి అడిగే మెసేజ్‌లో ఉంచండి.
  • Shannon 3 ఫ్యామిలీ ఇన్‌లైన్‌గా పంపిన మునుపటి user మెసేజ్‌ల కొన్ని చిత్రాలు మరియు డాక్యుమెంట్‌లను కూడా పరిశీలనలో ఉంచుతుంది, మరియు ప్రతి రిక్వెస్ట్‌కు మొదటి నుండి లెక్కించి నిర్ణీత గరిష్ట సంఖ్యలో చిత్రాలను చదువుతుంది.
  • హోస్ట్ చేసిన ఓపెన్-వెయిట్ మోడల్స్ సంభాషణలోని ప్రతి మెసేజ్ చిత్రాలను చదువుతాయి.

అంగీకరించే రూపాలు

ఫైల్ రెండు విధాలలో ఒకదానిలో పంపబడుతుంది: రిక్వెస్ట్ లోపల base64 గా, లేదా API తీసుకువచ్చే చిరునామాగా. ప్రతి ఫైల్ రిక్వెస్ట్‌తోనే ప్రయాణిస్తుంది; APIకి అప్‌లోడ్ ఎండ్‌పాయింట్ లేదు.

ఎండ్‌పాయింట్ రిక్వెస్ట్‌లో (base64) చిరునామా ద్వారా
/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://…"}}

ప్రతి ఫార్మాట్‌లో అదే user మెసేజ్:

{
  "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 రూపం data:<media type>;base64,<data>. ;base64 భాగం తప్పనిసరి.
  • /v1/chat/completions మరియు /v1/responses లో, image_url string అయినా కావచ్చు లేదా ఆబ్జెక్ట్ {"url": "…"} అయినా కావచ్చు.
  • ఫైల్ రకం data URL నుండి లేదా media_type నుండి వస్తుంది. అది లేకపోతే, చిత్రం image/png గా చదవబడుతుంది.
  • ఇన్‌లైన్ ఫైళ్లు రిక్వెస్ట్ బాడీ పరిమాణంలో లెక్కించబడతాయి, అది 32 MiB వరకు ఉండవచ్చు.
  • అనుకూలత కోసం అంగీకరించబడేది: image_url.detail.

రిమోట్ ఫైళ్ల పరిమితులు

మీరు చిరునామాను పంపినప్పుడు, మోడల్ నడిచే ముందు API ఈ పరిమితులలో ఫైల్‌ను తీసుకువస్తుంది:

పరిమితి నియమం
పరిమాణం ఫైల్‌కు 8 MiB వరకు.
సమయం సమాధానం ఇవ్వడానికి 20 సెకన్లు.
రీడైరెక్ట్‌లు గరిష్ఠంగా 5.
చిరునామా http:// లేదా https://, చిరునామాలో యూజర్ పేరు లేదా పాస్‌వర్డ్ లేకుండా, పబ్లిక్ చిరునామా ఉన్న హోస్ట్‌లో.
హోస్ట్ సమాధానం 200 శ్రేణిలో స్టేటస్ మరియు ఖాళీ కాని బాడీ. ఫైల్ రకం Content-Type నుండి చదవబడుతుంది.
ఇలా అభ్యర్థించబడుతుంది User-Agent: ShannonBot/1.0 (+https://shannon-ai.com)

tokens లో చిత్రాలు ఎలా లెక్కించబడతాయి

హోస్ట్ చేసిన ఓపెన్-వెయిట్ మోడల్స్‌లో చిత్రం ప్రతి 28 × 28 పిక్సెల్ ప్యాచ్‌కు ఒక token గా లెక్కించబడుతుంది: వెడల్పును 28 తో భాగించి పైకి పూర్తి చేయాలి, ఎత్తును 28 తో భాగించి పైకి పూర్తి చేయాలి, రెండింటినీ గుణించాలి. ఫలితం usage.prompt_tokens లో భాగం మరియు ఇన్‌పుట్‌గా బిల్ చేయబడుతుంది.

1024 × 1024
1,369 tokens
1920 × 1080
2,691 tokens
512 × 512
361 tokens
  • రిమోట్ చిత్రం ముందుగా తీసుకురాబడుతుంది, కాబట్టి దాని నిజమైన పరిమాణం లెక్కించబడుతుంది.
  • పరిమాణం చదవలేని చిత్రం 1,024 tokens గా లెక్కించబడుతుంది.
  • లెక్కింపు ఎండ్‌పాయింట్‌లు data URL లకు అదే నియమాన్ని ఉపయోగిస్తాయి. అవి రిమోట్ చిరునామాను తీసుకురావు మరియు దాన్ని 1,024 tokens గా లెక్కిస్తాయి. Token లెక్కింపు
  • Shannon మోడల్‌కు, చిత్రాలతో కూడిన రిక్వెస్ట్ ఎంత ఖర్చైందో సమాధానంలోని usage నుండి చదవండి.

డాక్యుమెంట్‌లు మరియు ఇతర ఫైళ్లు

Shannon 3 ఫ్యామిలీ (shannon-3, shannon-3-pro, shannon-3.1, shannon-3.1-pro) డాక్యుమెంట్‌లను కూడా చదువుతుంది. డాక్యుమెంట్ టెక్స్ట్ బయటకు తీయబడి మీ మెసేజ్‌తో పాటు మోడల్‌కు ఇవ్వబడుతుంది.

డాక్యుమెంట్ మీడియా రకం
PDF application/pdf
Word application/vnd.openxmlformats-officedocument.wordprocessingml.document
PowerPoint application/vnd.openxmlformats-officedocument.presentationml.presentation
Excel application/vnd.openxmlformats-officedocument.spreadsheetml.sheet

డాక్యుమెంట్ అనేది చిత్రంలాగే user మెసేజ్‌లోని ఒక భాగం:

ఎండ్‌పాయింట్ రిక్వెస్ట్‌లో (base64) చిరునామా ద్వారా
/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."}
      ]
    }
  ]
}
  • ఫైల్ యొక్క నిజమైన మీడియా రకాన్ని ఇవ్వండి. అది లేకపోతే, డాక్యుమెంట్ application/pdf గా చదవబడుతుంది.
  • CSV వంటి సాదా-టెక్స్ట్ ఫైల్ టెక్స్ట్‌గా చదవబడి అదే విధంగా జతచేయబడుతుంది.
  • డాక్యుమెంట్‌ను చదవలేనప్పుడు, లేదా ఫైల్ మరో రకానికి చెందినదైనప్పుడు, మోడల్‌కు ఆ విషయం చెప్పబడుతుంది మరియు అది తన సమాధానంలో చెప్పగలదు. స్టేటస్ ఇంకా 200.
  • ఇతర ప్రతి మోడల్‌లో డాక్యుమెంట్ భాగం మోడల్ చదివే దాని నుండి వదిలివేయబడుతుంది, మరియు మిగిలిన దాని ఆధారంగా రిక్వెస్ట్‌కు సమాధానం వస్తుంది.
  • చిరునామా ద్వారా పంపిన డాక్యుమెంట్ పైన ఉన్న రిమోట్ ఫైళ్ల పరిమితుల ప్రకారం తీసుకురాబడుతుంది.

ఎరర్‌లు

స్టేటస్ రకం మెసేజ్ ఎప్పుడు
400 invalid_request_error <id> does not accept image input టెక్స్ట్ మాత్రమే తీసుకునే హోస్ట్ చేసిన ఓపెన్-వెయిట్ మోడల్‌కు చిత్రం పంపబడింది. మీ బ్యాలెన్స్ నుండి ఏదీ తీసుకోబడదు.
400 invalid_request_error audio and video input are not supported by any hosted model హోస్ట్ చేసిన ఓపెన్-వెయిట్ మోడల్‌కు ఆడియో లేదా వీడియో భాగం పంపబడింది.
413 invalid_request_error Failed to buffer the request body: … ఇన్‌లైన్ ఫైళ్లతో కలిపి రిక్వెస్ట్ బాడీ 32 MiB కంటే పెద్దది. ఎరర్‌లో code: "request_too_large" ఉంటుంది.

రిక్వెస్ట్ ఏ ఫైళ్లు తీసుకువచ్చినా Shannon మోడల్ స్టేటస్ 200 తో సమాధానం ఇస్తుంది: అది చదవని భాగం వదిలివేయబడుతుంది. ఎరర్ హ్యాండ్లింగ్