hunyuan-vision

Tekniske specifikationer for hunyuan-vision

Hvad er hunyuan-vision?

hunyuan-vision er Tencent Hunyuan’s multimodale model til billedforståelse, eksponeret via en OpenAI-kompatibel API. I Tencents officielle eksempler bruges den til opgaver i “billede-til-tekst”-stil, hvor en bruger sender en prompt sammen med et billede, og modellen besvarer spørgsmål som f.eks. hvad der vises på billedet.

I praksis gør dette hunyuan-vision velegnet til applikationer, der har brug for visuel ræsonnering i et chat-workflow, såsom billedtekstgenerering, scenebeskrivelser, UI- eller skærmbilledefortolkning, produktbilledanalyse og generel visuel spørgsmålsbesvarelse. Dens integrationsmønster er særligt bekvemt for teams, der allerede bruger OpenAI-lignende klienter, fordi Tencent angiver, at udviklere kan skifte ved kun at udskifte endpoint og API-nøglekonfiguration.

Hovedfunktioner i hunyuan-vision

• Multimodal billedforståelse: hunyuan-vision accepterer både tekst- og billedindhold i samme anmodning, hvilket muliggør billedbevidste samtaler og spørgsmål/svar om uploadede visuelle input.
• OpenAI-kompatibel grænseflade: Tencent leverer hunyuan-vision gennem den samme generelle anmodningsstruktur som Chat Completions, hvilket reducerer migreringsindsatsen for eksisterende AI-applikationer.
• Fleksible metoder til billedinput: Officielle eksempler viser støtte for standard eksterne billed-URL'er såvel som base64-kodede data-URL'er, hvilket hjælper ved arbejde med både offentlige aktiver og lokalt forarbejdede filer.
• SDK-venlig integration: Tencent dokumenterer eksplicit brug med OpenAI-SDK'er i Python, Node.js, Go og cURL-lignende HTTP-anmodninger, hvilket gør det let at indlejre i eksisterende backend-tjenester.
• Chat-baseret arbejdsgang: Fordi den eksponeres som en chat completion-model, passer hunyuan-vision naturligt ind i konversationelle apps, assistenter og toolchains, der allerede strukturerer anmodninger omkring messages.
• Forbrugsbaseret afregning af billedtokens: Tencent bemærker, at omkostningen for billeder afhænger af billedstørrelse, med et angivet interval for forbrug pr. billede i stedet for et fast beløb.

Sådan får du adgang til og integrerer hunyuan-vision

Trin 1: Opret og sikr en API-nøgle

For at få adgang til hunyuan-vision skal du først oprette og sikre din API-nøgle via udbyderens konsol. Tencent dokumenterer adgang baseret på API-nøgle for deres OpenAI-kompatible Hunyuan-API, og nøglen sendes som en Bearer-token i anmodninger. Opbevar nøglen i en miljøvariabel som HUNYUAN_API_KEY, og undgå at eksponere den i klientkode eller offentlige repositories.

Trin 2: Send forespørgsler til hunyuan-vision-API'en

Brug det OpenAI-kompatible endpoint og angiv hunyuan-vision som modelnavn.

curl --location 'https://api.hunyuan.cloud.tencent.com/v1/chat/completions' \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $HUNYUAN_API_KEY" \
  --data '{
    "model": "hunyuan-vision",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "What is in this image?"
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "https://example.com/image.jpg"
            }
          }
        ]
      }
    ]
  }'

Du kan også bruge OpenAI-kompatible SDK'er ved at pege klienten mod Hunyuan-base-URL'en:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get("HUNYUAN_API_KEY"),
    base_url="https://api.hunyuan.cloud.tencent.com/v1",
)

response = client.chat.completions.create(
    model="hunyuan-vision",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe this image."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/image.jpg"
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

Denne forespørgselsstruktur følger Tencents officielle OpenAI-kompatible eksempler for hunyuan-vision.

Trin 3: Hent og verificer resultater

Læs det genererede svar fra det første completion-valg, typisk response.choices[0].message.content, når du bruger et OpenAI-kompatibelt SDK. Til produktion bør du verificere, at billed-URL'en er tilgængelig, eller at din base64-payload er gyldig, og derefter tjekke den returnerede beskrivelse op imod dine applikationskrav for nøjagtighed, sikkerhed og konsistent formatering. Tencents eksempler viser standardhåndtering af chat-completions-svar, så eksisterende validerings- og logningspipelines kan normalt genbruges med minimale ændringer.