Przejdź do treści

Nemotron Diffusion Vlm

Integracja

Identyfikator modelu nemotron-diffusion-vlm
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/nemotron-diffusion-vlm?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

To żądanie: ≈0,005 $ 5 kredytów API Uruchom na tej stronie

Uzyskaj klucz API
NVIDIA Wizja #utility#editing

Model wizyjno-językowy, który odpowiada na prompty dotyczące obrazu, używając opartego na dyfuzji dekodowania tekstu

NVIDIA · Tekst

Tutaj pojawi się pierwszy wynik

Zbuduj poniżej żądanie i uruchom je za pomocą klucza API. Wyniki są kopiowane do naszej przestrzeni dyskowej i przechowywane bezterminowo lub 7 dni bezpłatnie.

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane

Prompt określający, na co odpowiedzieć w związku z obrazem.

•wymagane image_url
Upuść plik lub

URL obrazu do przetworzenia.

Zaawansowane max_tokens · num_inference_steps · block_length · threshold · enable_safety_checker
domyślnie 512

Górny limit wygenerowanych tokenów.

domyślnie 256

Wybierz liczbę kroków dekodowania dyfuzyjnego będącą wielokrotnością max_tokens / block_length, gdy podajesz ją jawnie; liczba ta nie może być również mniejsza od tego ilorazu.

domyślnie 32

Długość każdego bloku dekodowania dyfuzyjnego.

domyślnie 0.9

Próg pewności dekodowania dyfuzyjnego.

POST /run/nemotron-diffusion-vlm?wait=20 wycena → 0,005 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/nemotron-diffusion-vlm?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o Nemotron Diffusion Vlm

Przyjmuje obraz w `image_url` i pytanie w `prompt`, a następnie zwraca odpowiedź tekstową. Dekodowanie można dostosować za pomocą `max_tokens` (1 do 8192), `num_inference_steps` (1 do 1024), `block_length` (8 do 128) oraz `threshold` ufności od 0 do 1. Wynik zawiera również informacje o czasie i użyciu.

Parametry

Wyślij nazwę kanoniczną albo natywną, nie obie. Nazwy kanoniczne

NazwaTyp DomyślneDozwolone Opis
image_urlwymagane image
Typurl · image
URL obrazu do przetworzenia.
promptwymagane
Typstring
Prompt określający, na co odpowiedzieć w związku z obrazem.
max_tokensopcjonalne
Typinteger
Domyślne512
1 – 8192
Górny limit wygenerowanych tokenów.
num_inference_stepsopcjonalne
Typinteger | null
Domyślne256
1 – 1024
Wybierz liczbę kroków dekodowania dyfuzyjnego będącą wielokrotnością max_tokens / block_length, gdy podajesz ją jawnie; liczba ta nie może być również mniejsza od tego ilorazu.
block_lengthopcjonalne
Typinteger
Domyślne32
8 – 128
Długość każdego bloku dekodowania dyfuzyjnego.
thresholdopcjonalne
Typnumber
Domyślne0.9
0 – 1
Próg pewności dekodowania dyfuzyjnego.
enable_safety_checkeropcjonalne
Typboolean
Domyślnetrue
Filtrowanie można złagodzić, ustawiając false, jeśli wywołujący ma odpowiednie uprawnienia.
wymagane Nazwa kanoniczna, również akceptowana

Parametry plików przyjmują publiczny URL https://, identyfikator URI data: do 10 MB albo file_url przesłanego pliku. Pliki

Wynik

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "nemotron-diffusion-vlm",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 5,
    "usd": "0.005",
    "charged": 5,
    "refunded": 0
  },
  "input": {
    "image_url": "https://content.doitong.com/images/showcase/v3/gen_fox_cartoon.jpg",
    "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field"
  },
  "output": {
    "output": "The image shows a dog sitting outdoors.",
    "usage": {
      "prompt_tokens": 1,
      "completion_tokens": 1,
      "num_function_evals": 1
    },
    "timings": {
      "total_time": 1.0,
      "image_validation_time": 1.0,
      "preprocessing_time": 1.0,
      "gpu_transfer_time": 1.0,
      "generation_time": 1.0,
      "decode_time": 1.0
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
output
stringOdpowiedź wygenerowana przez model.
usage
object {prompt_tokens, completion_tokens, num_function_evals}Szczegóły wykorzystania tokenów i dekodowania dyfuzyjnego.
timings
object {total_time, image_validation_time, preprocessing_time, gpu_transfer_time, generation_time, decode_time}Podział czasów przetwarzania żądania, mierzonych w sekundach.

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/nemotron-diffusion-vlm.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt