hunyuan-vision

hunyuan-vision техникалық сипаттамалары

hunyuan-vision деген не?

hunyuan-vision — Tencent Hunyuan ұсынған, OpenAI-үйлесімді API арқылы қолжетімді суреттерді түсінуге арналған мультимодальды модель. Tencent-тің ресми мысалдарында ол пайдаланушы сұрауын суретпен бірге жіберіп, суретте не бейнеленгені сияқты сұрақтарға жауап беретін "image-to-text" стиліндегі тапсырмаларда қолданылады.

Практикада бұл чат жұмыс ағынында визуалды пайымдауды қажет ететін қолданбаларға қолайлы: суретке сипаттама беру, көріністі баяндау, UI немесе скриншотты түсіндіру, өнім суреттерін талдау және жалпы визуалды сұрақ-жауап. Интеграция үлгісі OpenAI-стиліндегі клиенттерді қолданатын топтар үшін ыңғайлы, өйткені Tencent әзірлеушілер тек эндпоинт пен API кілт конфигурациясын ауыстыру арқылы көшіре алатынын мәлімдейді.

hunyuan-vision негізгі мүмкіндіктері

• Мультимодальды суретті түсіну: hunyuan-vision бір сұрауда мәтін мен сурет мазмұнын қабылдап, жүктелген визуалға қатысты сұрақтарға жауап беретін диалог жүргізуге мүмкіндік береді.
• OpenAI-үйлесімді интерфейс: Tencent hunyuan-vision қызметін Chat Completions-пішіндес сұрау құрылымымен ұсынады, бұл бар қолданбаларды көшіруді жеңілдетеді.
• Икемді сурет кірістері: Ресми мысалдар ашық сурет URL-дерін де, base64-пен кодталған дерек URL-дерін де қолдайтынын көрсетеді, бұл жария активтермен де, жергілікті файлдармен де жұмыс істеуге ыңғайлы.
• SDK-ге ыңғайлы интеграция: Tencent Python, Node.js, Go және cURL-тәрізді HTTP сұрауларымен OpenAI SDK-ларын қолдануды нақты құжаттайды, сондықтан бэкенд қызметтеріне ендіру оңай.
• Чатқа негізделген жұмыс ағыны: Чат-комплишнс моделі ретінде ұсынылғандықтан, messages құрылымына сүйенетін сұхбаттасу қолданбалары мен құрал тізбектеріне табиғи түрде сай келеді.
• Пайдалануға негізделген сурет токендерін есептеу: Tencent сурет құны өлшемге байланысты екенін атап өтеді; бір сурет бойынша токен тұтыну диапазон ретінде құжатталған және нақты есеп модель жағында жүргізіледі.

hunyuan-vision қызметіне қол жеткізу және интеграциялау жолы

1-қадам: API кілтін алу

hunyuan-vision қызметіне қол жеткізу үшін алдымен провайдердің консолі арқылы API кілтін жасап, қауіпсіз сақтаңыз. Tencent OpenAI-үйлесімді Hunyuan API үшін API кілтіне негізделген аутентификацияны құжаттайды, ал кілт сұрауларда Bearer токені ретінде беріледі. Кілтті HUNYUAN_API_KEY сияқты орта айнымалысында сақтап, оны клиент тарапындағы кодта немесе ашық репозиторийлерде жария етпеңіз.

2-қадам: hunyuan-vision API-не сұрау жіберу

OpenAI-үйлесімді эндпоинтті қолданып, модель атауы ретінде hunyuan-vision көрсетіңіз.

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"
            }
          }
        ]
      }
    ]
  }'

Клиентті Hunyuan базалық URL-іне бағыттап, OpenAI-үйлесімді SDK-ларды да пайдалануға болады:

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)

Бұл сұрау құрылымы hunyuan-vision үшін Tencent-тің ресми OpenAI-үйлесімді мысалдарына сәйкес келеді.

3-қадам: Нәтижелерді алу және тексеру

OpenAI-үйлесімді SDK қолданғанда, әдетте жауапты бірінші нұсқадан, яғни response.choices[0].message.content өрісінен оқыңыз. Өндірістік қолдануда сурет URL-інің қолжетімді екенін немесе base64 жүгінің валидтілігін растаңыз, содан кейін қайтарылған сипаттаманы қолданба талаптарына сай дәлдік, қауіпсіздік және пішім үйлесімділігі тұрғысынан тексеріңіз. Tencent мысалдары чат-комплишнс жауаптарын өңдеудің стандартты тәсілдерін көрсетеді, сондықтан қолданыстағы валидация және лог жүргізу конвейерлерін әдетте ең аз өзгеріспен қайта қолдануға болады.