HY-Vision-1.5-Thinking

Mis on HY-Vision-1.5-Thinking?

HY-Vision-1.5-Thinking on Tencent Hunyuan multimodaalne visioon-keelemudel ülesannete jaoks, mille vastus sõltub visuaalsest teabest. Praktikas suudab see uurida pilti, ekraanipilti, graafikut, diagrammi, dokumenti või muud toetatud visuaalset sisendit ning koostada tekstilise selgituse või vastuse. Selle fookus ei ole pelgalt objektide äratundmisel, vaid visuaalse sisu põhjalikul analüüsimisel ja järelduste tegemisel.

Mudel on saadaval Tencent Cloud TokenHubi kaudu. Selle katalooginimi on HY-Vision-1.5-Thinking, samas kui kanooniline API-mudeli identifikaator on hunyuan-t1-vision-20250916. Mudel kuulutati välja Hunyuan Vision 1.5 tooteseeria osana ning Tencenti praeguses kataloogis on see märgitud TokenHubis veebis kättesaadavaks.

See eristab mudelit pildigeneratsioonisüsteemidest. HY-Vision-1.5-Thinking analüüsib visuaalset sisendit ja tagastab teksti. Seda ei ole dokumenteeritud piltide, video, heli, kõne, muusika ega embedding'ute genereerimiseks mõeldud mudelina.

HY-Vision-1.5-Thinking Tencenti praeguses kataloogis

HY-Vision-1.5-Thinking kuulub Tencenti Hunyuan Visioni mudeliperre ning on mõeldud visuaalseks arutlemiseks ja visuaalse sisu mõistmiseks. Tähis „Thinking” viitab kasutusviisidele, mis nõuavad enamat kui lühikest visuaalset kirjeldust, näiteks graafiku tõlgendamist, pildil oleva objekti asukoha leidmist, dokumendist teabe eraldamist või pildil kujutatud õppeülesande lahendamist.

Tencentilt pärinevates materjalides kirjeldatakse põhikasutusena piltide mõistmist, samas kui HunyuanVisioni materjalides mainitakse ka piltide ja video mõistmise võimekust. Rakendusele kättesaadav täpne käitumine sõltub TokenHubi teenuse konfiguratsioonist ja iga päringuga kaasatud visuaalsest sisendist. Seetõttu tuleks mudelit valida visuaalse analüüsi, mitte üldotstarbelise meediamudelina.

Peamised võimekused ja näited

Mudeli peamine tugevus on visuaalsete tõendite sidumine põhjendatud tekstilise vastusega. Uuringumaterjalides kirjeldatud kasutusviisid hõlmavad järgmist:

• Visuaalne küsimustele vastamine: pildi sisu, selles olevate seoste ja tähenduse kohta küsimustele vastamine.
• OCR ja dokumentide mõistmine: piltidesse manustatud teksti lugemine ning selle kasutamine selgituses või andmete eraldamise töövoos.
• Graafikute ja diagrammide analüüs: graafikutel või diagrammidel kujutatud väärtuste, siltide, paigutuste ja seoste tõlgendamine.
• Visuaalne lokaliseerimine: asjakohase objekti, piirkonna või detaili asukoha tuvastamine pildil.
• Õppeülesannete lahendamine: pildistatud või ekraanipildina esitatud ülesannete analüüsimine ja lahenduse tekstiline selgitamine.
• Visuaalsel sisendil põhinev dialoog: sama visuaalse konteksti kohta esitatud jätkuküsimuste toetamine.
• Loovülesannete visuaalne mõistmine: visuaalse sisu kirjeldamine või selle üle arutlemine pildipõhiste loovülesannete jaoks, ilma uut pilti genereerimata.
• Mitmekeelne visuaalne arutlemine: pildipõhistele küsimustele vastamine ja seotud analüüsi tegemine eri keeltes; raporteeritud paranemist on täheldatud inglise keele ja väiksema kasutajaskonnaga keelte puhul.

Näiteks võib rakendus saata juhtpaneeli ekraanipildi ja küsida, millise kategooria muutus on kõige suurem, laadida üles skannitud vormi ja paluda väljadest andmed eraldada või esitada diagrammi ning küsida selgitust selle komponentide omavaheliste seoste kohta. Need näited illustreerivad mudeli kavandatud rolli: visuaalne sisend annab tõendid ja mudel koostab nende põhjal tekstilise vastuse.

Kontekstiaken, sisendi- ja väljundipiirangud

Tencenti praeguses mudelikataloogis on määratud 40 000 märgi suurune kontekstiaken. Kataloogis on eraldi välja toodud ka maksimaalne sisendi pikkus 16 000 märki ja maksimaalne väljundi pikkus 24 000 märki.

Need näitajad kirjeldavad päringu ja vastuse mahupiiranguid, mitte mudeli teadmiste lõppkuupäeva. Tencent ei määra läbivaadatud dokumentatsioonis selle mudeli konkreetset teadmiste lõppkuupäeva. Rakendused, mis sõltuvad värsketest faktidest, peaksid asjakohase teabe lisama viibasse või kasutama välist otsingupõhist töövoogu, mitte eeldama, et mudelil on ajakohased teadmised.

Toetatud modaalsused ja väljundi tüüp

HY-Vision-1.5-Thinking toetab teksti- ja visuaalset sisendit. Mudeliandmetes on märgitud pildi- ja videosisendi tugi, kuigi kõige tugevamalt ja üksikasjalikumalt dokumenteeritud kasutusviisid on piltide analüüs, OCR, graafikud, dokumendid ja visuaalne küsimustele vastamine.

Väljund on tekst. Mudel ei tagasta natiivselt pilte, videot, heli, kõnet, muusikat ega embedding'uid. Seda tuleb töövoo kavandamisel arvestada: mudel võib fotot või visuaalset dokumenti uurida ja leide selgitada, kuid uue pildi loomiseks või kõneheli tekitamiseks on vaja teist mudelit või teenust.

Arutlemine, programmeerimine ja tööriistade tugi

Visuaalsete tõendite põhjal arutlemine on mudeli peamine võimekus. Tencent positsioneerib seda sügava visuaalse arutlemise, mitme vooruga visuaalse dialoogi, visuaalse lokaliseerimise ja probleemilahenduse jaoks, mitte üksnes piltide pealkirjastamiseks. Seetõttu sobib see paremini küsimustele, mille puhul tuleb pildil ühendada mitu vihjet või selgitada järeldust samm-sammult.

Programmeerimine ei ole mudeli peamine spetsialiseerumisvaldkond. Kaasasolevas toimetuslikus hinnangus on selle programmeerimisskoor 4 punkti 10-st, samas kui arutlemisskoor on 8 punkti 10-st. Need on toimetuslikud võrdlevad hinnangud, mitte Tencenti avaldatud võrdlustesti tulemused. Need viitavad sellele, et HY-Vision-1.5-Thinking sobib paremini koodiga seotud ülesanneteks, mis hõlmavad ekraanipilte, diagramme või visuaalset silumiskonteksti, kui mudeliks, mis valitakse üksnes tarkvaraarenduse jaoks.

Mudeliandmetes on loetletud ka tööriistade kasutamise ja voogedastuse tugi. Tööriistade kasutamine võib võimaldada rakendusel ühendada mudeli vastused väliste tegevuste või teenustega, kuid kaasasolevates uuringumaterjalides ei määratleta täielikku tööriistade skeemi ega loetleta konkreetseid sisseehitatud tööriistu. Struktureeritud väljund on märgitud toetatuks, kuid eraldiseisva JSON-režiimi võimekust ei ole kinnitatud; arendajad peaksid täpse vastuse vormindamise käitumise üle kontrollima TokenHubi praegusest API dokumentatsioonist.

Hinnakujundus ja hinna-kasuteguri kompromissid

TokenHubi praegune hinnakujundus on järgmine:

• Sisend: 3 CNY miljoni märgi kohta.
• Väljund: 9 CNY miljoni märgi kohta.

Väljundmärgid maksavad kolm korda rohkem kui sisendmärgid, mistõttu võivad pikad arutluskäigud kulusid mõjutada rohkem kui lühikesed visuaalsed viibad. Mudeli maksimaalne väljundipikkus 24 000 märki on keerukate selgituste puhul kasulik, kuid rakendused peaksid tavaliselt küsima ainult vajamineva pikkusega vastust.

Kaasasolevas toimetuslikus hinnangus saab HY-Vision-1.5-Thinking kiiruse eest 6 punkti 10-st ja kulude eest 7 punkti 10-st. Need on subjektiivsed võrdlused, mitte teenusepakkuja mõõtmistulemused. Need viitavad keskmisele profiilile: visuaalne arutlusmudel, mille hinnanguline kiirus on mõõdukas ja hinnanguline maksumus suhteliselt soodne, mitte mudel, mis valitakse eelkõige väikseima latentsuse või hinna tõttu.

Parimad kasutusviisid

HY-Vision-1.5-Thinking on hea valik, kui rakendus vajab visuaalsetel tõenditel põhinevat tekstilist arutlemist. Sobivad töökoormused on järgmised:

• Teksti ja väljade eraldamine pildistatud või skannitud dokumentidest.
• Ekraanipiltide, graafikute, diagrammide ja piltide kohta küsimustele vastamine.
• Kaameraga jäädvustatud õppeülesannete selgitamine.
• Visuaalsete klienditoeabiliste loomine, mis tõlgendavad üleslaaditud pilte.
• Objektide või piirkondade asukoha leidmine pildil enne, kui järgmine töövooetapp nendega midagi teeb.
• Visuaalsete otsingutulemuste klassifitseerimine, kirjeldamine või neist teabe eraldamine.
• Mitmekeelse pildisisu analüüsimine olukordades, kus tavalisest tekstipõhisest töötlusest ei piisa.
• Pildi- või videosisu ülevaatamine ning tekstilise kokkuvõtte või tõlgenduse koostamine.

See on eriti kasulik siis, kui vastus eeldab nii tajumist kui ka arutlemist. Lihtsa teksti eraldamise jaoks võib piisata tavalisest OCR-teenusest, samas kui üldotstarbelisest tekstimudelist võib piisata juhul, kui kogu asjakohane teave on juba tekstiks teisendatud. HY-Vision-1.5-Thinking muutub atraktiivsemaks siis, kui vastus sõltub paigutusest, visuaalsetest seostest, graafikutest või pildi kontekstist.

Millal seda mudelit valida?

Vali HY-Vision-1.5-Thinking siis, kui visuaalne mõistmine on ülesande keskne osa ning rakendus saab kasu suhteliselt suurest kontekstist ja pikemast tekstilisest arutluskäigust. 40 000 märgi suurune kontekst ja 24 000 märgi suurune väljundipiir on kasulikud keerukate dokumentide, pikkade selgituste või mitmeastmelise visuaalse analüüsi puhul, arvestades eraldi kehtivat 16 000 märgi suurust sisendipiiri.

See on mõistlik valik ka siis, kui rakendus vajab OpenAI-ga ühilduvat TokenHubi API-liidest, voogedastust, tööriistade integreerimist ja struktureeritud vastuseid. Need funktsioonid võivad integreerimist lihtsustada, kuid täpset päringu- ja vastusekäitumist tuleks kontrollida Tencenti praegusest API dokumentatsioonist.

Mõnes olukorras võib sobivam olla teist tüüpi mudel. Kasuta pildigeneratsioonimudelit siis, kui vajalik tulemus on uus pilt, mitte selgitus. Kõneväljundi jaoks kasuta spetsiaalset kõne- või audiosüsteemi ning siis, kui peamine töökoormus on tarkvaraarendus, tekstile spetsialiseerunud programmeerimismudelit. Väga lihtsate ja suuremahuliste ülesannete puhul, kus sügav visuaalne arutlemine ei ole vajalik ja tähtsam on minimaalne latentsus, võib eelistada kerget OCR- või klassifitseerimisteenust.

Piirangud ja kinnitamata spetsifikatsioonid

Mudeli dokumenteeritud ulatusel on olulised piirid. See on tekstiväljundiga mõistmismudel, mitte natiivne meediageneratsioonisüsteem. Kuigi Tencenti materjalides kirjeldatakse piltide ja video mõistmist, ei anna kaasasolevad uuringumaterjalid üksikasjalikku teavet video kestuse, kaadrite arvu, faili suuruse ega eraldusvõime piirangute kohta. Need töökorralduslikud piirangud tuleks enne tootmiskasutusse võtmist üle kontrollida.

Tencent ei avalda läbivaadatud materjalides selle konkreetse mudeli teadmiste lõppkuupäeva, parameetrite arvu, peenhäälestuse tuge ega partiipäringute API tuge. Seetõttu tuleks peenhäälestuse, vahemällu salvestamise ja partiipäringute API kättesaadavust käsitleda kinnitamata teabena, mitte eeldada, et need on kindlasti toetamata või toetatud. Kaasasoleva spetsifikatsiooni kohaselt ei paku mudel ka embedding'uid.

Lõpuks sõltuvad tegelikud kulud ja jõudlus saadetud visuaalse ja tekstilise sisu mahust, tokeniseerimisest, vastuse pikkusest, päringuparameetritest ja TokenHubi konfiguratsioonist. Toimetuslikud hinnangud arutlemisele, programmeerimisele, kiirusele ja kuludele sobivad üksnes üldiseks positsioneerimiseks; need ei asenda mudeli testimist konkreetse rakenduse jaoks tüüpiliste piltide, dokumentide, graafikute ja keeltega.