You need to enable JavaScript to run this app.
文档中心
火山方舟

火山方舟

复制全文
下载 pdf
使用 Responses API
多模态理解
复制全文
下载 pdf
多模态理解
视觉模型支持传入图片、视频和文档,完成图像描述、视觉问答、内容审核等视觉相关任务。​
支持模型​
250615及之后版本的视觉模型,如无特殊说明,默认支持 Responses API,具体请参见:视觉理解能力。​
API文档​
完整教程​
Responses API 支持多种文件输入方式:Files API 上传文件、Base64 编码输入和文件 URL 传入。​
本文重点介绍 Files API 上传文件方式。如需了解其他文件输入方式,以及图片/视频/文档格式要求、文件大小限制、视频抽帧策略等详情,请查看以下教程:​
图片理解​
模型支持理解图片的信息,并结合这些信息完成如描述其中的物体等视觉相关任务。关于图片理解支持的图片输入方式及示例,请参见图片理解。​
建议优先使用 Files API 上传本地文件,适用于图片文件较大,或者需要在多个请求中重复使用图片的场景。​
该方式支持最大 512MB 的文件,默认存储 7 天,存储有效期取值范围为1-30天。​
示例中用到的图片文件及提示词如下:​
​
图片文件​
提示词​
​​​
根据图片,表格中列出了多少颗行星,地球位于哪一行?​
​
代码示例:​
​
Curl
Python SDK
Go SDK
Java SDK
兼容 OpenAI SDK
​
  1. 上传图片文件获取File ID。​
  • ​
    curl https://ark.cn-beijing.volces.com/api/v3/files \​
    -H "Authorization: Bearer $ARK_API_KEY" \​
    -F "purpose=user_data" \​
    -F "file=@/path/to/your/image.png"​
    ​
  1. 在Responses API中引用File ID。​
  • ​
    curl https://ark.cn-beijing.volces.com/api/v3/responses \​
    -H "Authorization: Bearer $ARK_API_KEY" \​
    -H "Content-Type: application/json" \​
    -d '{​
    "model": "doubao-seed-2-1-pro-260915",​
    "input": [​
    {​
    "role": "user",​
    "content": [​
    {​
    "type": "input_image",​
    "file_id": "file-20251018****"​
    },​
    {​
    "type": "input_text",​
    "text": "根据图片,表格中列出了多少颗行星,地球位于哪一行?"​
    }​
    ]​
    }​
    ]​
    }'​
    ​
​
输出示例:​
​
表格中列出了 8 颗行星。地球位于第 3 个数据行;如果把表头算作第 1 行,则地球位于第 4 行。​
​
视频理解​
模型可理解视频中的视觉信息,可以完成如描述其中的物体、分析动作逻辑等视觉相关任务。关于视频理解支持的文件输入方式及示例,请参见视频理解。​
建议优先使用 Files API 上传本地视频文件,适用于视频文件较大,或者需要在多个请求中重复使用视频的场景。​
该方式支持最大 512MB 的文件,默认存储 7 天,存储有效期取值范围为1-30天。​
示例中用到的视频文件及提示词如下:​
​
视频文件​
提示词​
​
Replay
Play
00:00 / 00:12 Live
00:00
Fullscreen
Cssfullscreen
1x
  • 2x
  • 1.5x
  • 1x
  • 0.75x
  • 0.5x
Click and hold to drag
​
​
请你描述下视频中的人物的一系列动作,以JSON格式输出开始时间(start_time)、结束时间(end_time)、事件(event)、是否危险(danger),请使用HH:mm:ss表示时间戳。​
​
示例代码:​
​
Curl
Python SDK
Go SDK
Java SDK
兼容 OpenAI SDK
​
  1. 上传视频文件获取File ID。​
  • ​
    curl https://ark.cn-beijing.volces.com/api/v3/files \​
    -H "Authorization: Bearer $ARK_API_KEY" \​
    -F "purpose=user_data" \​
    -F "file=@/Users/doc/demo.mp4" \​
    -F "preprocess_configs[video][fps]=0.3"​
    ​
  1. 在Responses API中引用File ID。​
  • ​
    curl https://ark.cn-beijing.volces.com/api/v3/responses \​
    -H "Authorization: Bearer $ARK_API_KEY" \​
    -H 'Content-Type: application/json' \​
    -d '{​
    "model": "doubao-seed-2-1-pro-260915",​
    "input": [​
    {​
    "role": "user",​
    "content": [​
    {​
    "type": "input_video",​
    "file_id": "file-20251018****"​
    },​
    {​
    "type": "input_text",​
    "text": "请你描述下视频中的人物的一系列动作,以JSON格式输出开始时间(start_time)、结束时间(end_time)、事件(event)、是否危险(danger),请使用HH:mm:ss表示时间戳。"​
    }​
    ]​
    }​
    ]​
    }'​
    ​
​
输出示例:​
​
{​
"text": [​
{​
"start_time": "00:00:00",​
"end_time": "00:00:03",​
"event": "将黄色积木堆叠到红黄绿相间的积木塔顶端",​
"danger": false​
},​
{​
"start_time": "00:00:05",​
"end_time": "00:00:07",​
"event": "拿起蓝色积木放入口中啃咬后取出",​
"danger": false​
},​
{​
"start_time": "00:00:08",​
"end_time": "00:00:12",​
"event": "用手推动黄色和蓝色的玩具卡车在地面移动",​
"danger": false​
},​
{​
"start_time": "00:00:12",​
"end_time": "00:00:24",​
"event": "双手扶着木质抽屉柜边缘,尝试将右脚踩在下方抽屉把手上向上攀爬",​
"danger": true​
}​
]​
}​
​
文档理解​
模型支持处理PDF格式的文档,在预处理时会分页来处理成多图,然后将每页图像输入模型进行处理,以实现对文档内容的理解和分析。 关于文档理解支持的文件输入方式及示例,请参见文档理解。​
建议优先选择 Files API 上传的方式,适用于文件较大,或者需要在多个请求中重复使用文件的场景。​
该方式支持最大 512MB 的文件,默认存储 7 天,存储有效期取值范围为1-30天。​
示例中用到的PDF文件及提示词如下:​
​
PDF文件​
提示词​
​​​
按段落给出文档中的文字内容,以JSON格式输出,包括段落类型(type)、文字内容(content)信息。​
​
代码示例:​
​
Curl
Python SDK
Go SDK
Java SDK
兼容 OpenAI SDK
​
  1. 上传PDF文件获取File ID。​
  • ​
    curl https://ark.cn-beijing.volces.com/api/v3/files \​
    -H "Authorization: Bearer $ARK_API_KEY" \​
    -F "purpose=user_data" \​
    -F "file=@/Users/doc/demo.pdf"​
    ​
  1. 在Responses API中引用File ID。​
  • ​
    curl https://ark.cn-beijing.volces.com/api/v3/responses \​
    -H "Authorization: Bearer $ARK_API_KEY" \​
    -H 'Content-Type: application/json' \​
    -d '{​
    "model": "doubao-seed-2-1-pro-260915",​
    "input": [​
    {​
    "role": "user",​
    "content": [​
    {​
    "type": "input_file",​
    "file_id": "file-20251018****"​
    },​
    {​
    "type": "input_text",​
    "text": "按段落给出文档中的文字内容,以JSON格式输出,包括段落类型(type)、文字内容(content)信息。"​
    }​
    ]​
    }​
    ]​
    }'​
    ​
​
输出示例:​
​
{​
"text": [​
{​
"type": "heading",​
"content": "1 Introduction"​
},​
{​
"type": "paragraph",​
"content": "Diffusion models [3–5] learn to reverse a process that incrementally corrupts data with noise, effectively decomposing a complex distribution into a hierarchy of simplified representations. This coarse-to-fine generative approach has proven remarkably successful across a wide range of applications, including image and video synthesis [6] as well as solving complex challenges in natural sciences [7]."​
},​
...​
{​
"type": "heading",​
"content": "3 Seed Diffusion"​
},​
{​
"type": "paragraph",​
"content": "As the first experimental model in our Seed Diffusion series, Seed Diffusion Preview is specifically focused on code generation, thus adopting the data pipeline (code/code-related data only) and processing methodology of the open-sourced Seed Coder project [20]. The architecture is a standard dense Transformer, and we intentionally omit complex components such as LongCoT reasoning in this initial version to first establish a strong and efficient performance baseline. This section introduces its key components and training strategies."​
}​
]​
}​
​
​
最近更新时间:2026.10.09 14:36:34
这个页面对您有帮助吗?
有用
有用
无用
无用