tools-only Siliconflow - Models
Pages: 23
这里选择代理模型类依赖安装
URL: llms-txt#这里选择代理模型类依赖安装
Contents:
- 3.3 配置基础的环境变量
pip install -e ".[proxy]" bash theme={null}
Examples:
Example 1 (unknown):
### 3.3 配置基础的环境变量
使用 SiliconFlow 的代理模型
URL: llms-txt#使用-siliconflow-的代理模型
LLM_MODEL=siliconflow_proxyllm
配置具体使用的模型名称
URL: llms-txt#配置具体使用的模型名称
SILICONFLOW_MODEL_VERSION=Qwen/Qwen2.5-Coder-32B-Instruct SILICONFLOW_API_BASE=https://api.siliconflow.cn/v1
配置使用 SiliconFlow 的 Embedding 模型
URL: llms-txt#配置使用-siliconflow-的-embedding-模型
EMBEDDING_MODEL=proxy_http_openapi PROXY_HTTP_OPENAPI_PROXY_SERVER_URL=https://api.siliconflow.cn/v1/embeddings
配置具体的 Embedding 模型名称
URL: llms-txt#配置具体的-embedding-模型名称
PROXY_HTTP_OPENAPI_PROXY_BACKEND=BAAI/bge-large-zh-v1.5
配置使用 SiliconFlow 的 rerank 模型
URL: llms-txt#配置使用-siliconflow-的-rerank-模型
RERANK_MODEL=rerank_proxy_siliconflow RERANK_PROXY_SILICONFLOW_PROXY_SERVER_URL=https://api.siliconflow.cn/v1/rerank
配置具体的 rerank 模型名称
URL: llms-txt#配置具体的-rerank-模型名称
Contents:
- 3.5 启动 DB-GPT 服务
- 4.通过 DB-GPT Python SDK 使用 SiliconFlow 的模型
- 4.1 安装 DB-GPT Python 包
- 4.2. 使用 SiliconFlow 的大语言模型
- 4.3 使用 SiliconFlow 的 Embedding 模型
- 4.4 使用 SiliconFlow 的 rerank 模型
- 上手指南
- 添加数据源
- 选择对话类型
- 开始数据对话
RERANK_PROXY_SILICONFLOW_PROXY_BACKEND=BAAI/bge-reranker-v2-m3 bash theme={null} dbgpt start webserver --port 5670 bash theme={null} pip install "dbgpt>=0.6.3rc2" openai requests numpy python theme={null} import asyncio import os from dbgpt.core import ModelRequest from dbgpt.model.proxy import SiliconFlowLLMClient
model = "Qwen/Qwen2.5-Coder-32B-Instruct" client = SiliconFlowLLMClient( api_key=os.getenv("SILICONFLOW_API_KEY"), model_alias=model )
res = asyncio.run( client.generate( ModelRequest( model=model, messages=[ {"role": "system", "content": "你是一个乐于助人的 AI 助手。"}, {"role": "human", "content": "你好"}, ] ) ) ) print(res) python theme={null} import os from dbgpt.rag.embedding import OpenAPIEmbeddings
openai_embeddings = OpenAPIEmbeddings( api_url="https://api.siliconflow.cn/v1/embeddings", api_key=os.getenv("SILICONFLOW_API_KEY"), model_name="BAAI/bge-large-zh-v1.5", )
texts = ["Hello, world!", "How are you?"] res = openai_embeddings.embed_documents(texts) print(res) python theme={null} import os from dbgpt.rag.embedding import SiliconFlowRerankEmbeddings
embedding = SiliconFlowRerankEmbeddings( api_key=os.getenv("SILICONFLOW_API_KEY"), model_name="BAAI/bge-reranker-v2-m3", ) res = embedding.predict("Apple", candidates=["苹果", "香蕉", "水果", "蔬菜"]) print(res)
以数据对话案例为例，数据对话能力是通过自然语言与数据进行对话，目前主要是结构化与半结构化数据的对话，可以辅助做数据分析与洞察。以下为具体操作流程：
首先选择左侧数据源添加，添加数据库，目前DB-GPT支持多种数据库类型。选择对应的数据库类型添加即可。这里我们选择的是MySQL作为演示，演示的测试数据参见测试样例（[https://github.com/eosphoros-ai/DB-GPT/tree/main/docker/examples/sqls）。](https://github.com/eosphoros-ai/DB-GPT/tree/main/docker/examples/sqls）。)
<Frame>
<img src="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=5b6392f41c8cead1dd4fff26c708124d" data-og-width="1080" width="1080" data-og-height="898" height="898" data-path="images/usercases/db-gpt/image_1.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?w=280&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=e27c445a08f746daa58478eb1e0d5546 280w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?w=560&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=bd3da2b01beedea0b6aff80d6ecae524 560w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?w=840&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=cf043949cd7dc84054d104c31a2ab9be 840w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?w=1100&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=2f00641f6f476200afc616a559ded492 1100w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?w=1650&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=f810211af996130727703850a2159c27 1650w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_1.png?w=2500&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=dfdb60313546156c7ff4cbd2e42468f9 2500w" />
</Frame>
<Frame>
<img src="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=62ad4e41f80b6aa593a58d43eef01caf" data-og-width="1080" width="1080" data-og-height="868" height="868" data-path="images/usercases/db-gpt/image_2.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?w=280&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=ad432cccd09ca0e12bda5da6a9936e24 280w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?w=560&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=64ae008d0e9e055e2e374971b2244c56 560w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?w=840&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=5d51c25177a40ee7ab75b105e6bf674b 840w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?w=1100&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=1f382ea48eaf7844e88eaf13d979d813 1100w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?w=1650&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=ad29bdf13ffc6b80c0f88f91c3316d1e 1650w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_2.png?w=2500&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=d97fb20171b1e3d1702cc0b4a71ccee0 2500w" />
</Frame>
注意：在对话时，选择对应的模型与数据库。同时DB-GPT也提供了预览模式与编辑模式。
<Frame>
<img src="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=77a3a291ed5f02c2cb7cf61d06605bfd" data-og-width="1080" width="1080" data-og-height="765" height="765" data-path="images/usercases/db-gpt/image_3.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?w=280&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=53f2fd91cc07b38d96d70f80f1cae484 280w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?w=560&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=3e6b86380eb1ac532e043dab96ab2222 560w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?w=840&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=15ba2ecd26cada58464a40e91292f088 840w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?w=1100&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=17c75f07f9689c79cbc20ed2c36c4ae1 1100w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?w=1650&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=98b8372097f84d88cb42f9f6e794f249 1650w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_3.png?w=2500&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=0ae9248d0da8c139bf2133f12dcc5f26 2500w" />
</Frame>
<Frame>
<img src="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=0e1ba1cc08b14644f931d219e67039f4" data-og-width="1080" width="1080" data-og-height="521" height="521" data-path="images/usercases/db-gpt/image_4.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?w=280&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=cda9ba01de955da9d2a7ed2990f7e489 280w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?w=560&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=12d538b4563c0c6d100be8ee72987848 560w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?w=840&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=d84a8e288e821dcb851e1ee059b7e931 840w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?w=1100&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=1c8c475c29d8701e8b46f705f62c50ea 1100w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?w=1650&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=f1f2deb90353a841633c0cf4adb91178 1650w, https://mintcdn.com/siliconflow-37161621/U5A4_TpbD-AXNY4h/images/usercases/db-gpt/image_4.png?w=2500&fit=max&auto=format&n=U5A4_TpbD-AXNY4h&q=85&s=343538dfc7060f05f50709a5b52c4de4 2500w" />
</Frame>
**Examples:**
Example 1 (unknown):
```unknown
注意，上述的 `SILICONFLOW_API_KEY`、 `PROXY_HTTP_OPENAPI_PROXY_SERVER_URL` 和`RERANK_PROXY_SILICONFLOW_PROXY_API_KEY`环境变量是您在步骤 2 中获取的 SiliconFlow 的 Api Key。语言模型（`SILICONFLOW_MODEL_VERSION`)、 Embedding 模型（`PROXY_HTTP_OPENAPI_PROXY_BACKEND`）和 rerank 模型(`RERANK_PROXY_SILICONFLOW_PROXY_BACKEND`) 可以从 [获取用户模型列表 - SiliconFlow](https://docs.siliconflow.cn/api-reference/models/get-model-list) 中获取。
### 3.5 启动 DB-GPT 服务
Example 2 (unknown):
在浏览器打开地址 [http://127.0.0.1:5670/](http://127.0.0.1:5670/) 即可访问部署好的 DB-GPT
## 4.通过 DB-GPT Python SDK 使用 SiliconFlow 的模型
### 4.1 安装 DB-GPT Python 包
Example 3 (unknown):
为了后续验证，额外安装相关依赖包。
### 4.2. 使用 SiliconFlow 的大语言模型
Example 4 (unknown):
### 4.3 使用 SiliconFlow 的 Embedding 模型
FastGPT
URL: llms-txt#fastgpt
Contents:
- 修改 FastGPT 环境变量
Source: https://docs.siliconflow.cn/cn/usercases/use-siliconcloud-in-fastgpt
SiliconFlow 是一个以提供开源模型调用为主的平台，并拥有自己的加速引擎。帮助用户低成本、快速的进行开源模型的测试和使用。实际体验下来，他们家模型的速度和稳定性都非常不错，并且种类丰富，覆盖语言、向量、重排、TTS、STT、绘图、视频生成模型，可以满足 FastGPT 中所有模型需求。
如果你想部分模型使用 SiliconFlow 的模型，可额外参考OneAPI接入硅基流动。
本文会介绍完全使用 SiliconFlow SiliconFlow 账号
- 点击注册硅基流动账号
- 进入控制台，获取 API key: https://cloud.siliconflow.cn/account/ak
2. 修改 FastGPT 环境变量
OPENAI_BASE_URL=https://api.siliconflow.cn/v1
---
## MindSearch
**URL:** llms-txt#mindsearch
**Contents:**
- 1. 获取 API Key
- 2. 部署MindSearch
Source: https://docs.siliconflow.cn/cn/usercases/use-siliconcloud-in-mindsearch
1. 打开 SiliconFlow [官网](https://cloud.siliconflow.cn/) 并注册账号（如果注册过，直接登录即可）。
2. 完成注册后，打开[API密钥](https://cloud.siliconflow.cn/account/ak) ，创建新的 API Key，点击密钥进行复制，以备后续使用。
1. 复制 MindSearch 到本地并安装相关依赖后（参考 [https://github.com/InternLM/MindSearch/blob/main/README.md）](https://github.com/InternLM/MindSearch/blob/main/README.md）) ，
2. 修改：
`/path/to/MindSearch/mindsearch/models.py`
3. 加上调用硅基流动 API 的相关配置。配置如下：
加入这段配置后，可以执行相关指令来启动 MindSearch。
**Examples:**
Example 1 (unknown):
```unknown
internlm_silicon = dict(type=GPTAPI,
model_type='internlm/internlm2_5-7b-chat',
key=os.environ.get('SILICON_API_KEY', 'YOUR SILICON API KEY'),
openai_api_base='https://api.siliconflow.cn/v1/chat/completions',
meta_template=[
dict(role='system', api_role='system'),
dict(role='user', api_role='user'),
dict(role='assistant', api_role='assistant'),
dict(role='environment', api_role='system')
],
top_p=0.8,
top_k=1,
temperature=0,
max_new_tokens=8192,
repetition_penalty=1.02,
stop_words=['<|im_end|>'])
Global LLM configuration
URL: llms-txt#global-llm-configuration
[llm] model = "Qwen/QwQ-32B" # 或者平台中的其他支持 function calling 模型，参见Function Calling base_url = "https://api.siliconflow.cn/v1" api_key = "your_api_key_from_siliconcloud" max_tokens = 16384 temperature = 0.6
Optional configuration for specific LLM models
URL: llms-txt#optional-configuration-for-specific-llm-models
Contents:
- 使用 OpenManus
- 3.1 下面是某次运行的大致流程：
- 3.2 执行日志
[llm.vision] model = "Qwen/Qwen2-VL-72B-Instruct" # 或者平台中的其他视觉语言模型，参见vision base_url = "https://api.siliconflow.cn/v1" api_key = "your_api_key_from_siliconcloud" shell theme={null} python main.py
如需查看详细结果，请参见此处链接
Examples:
Example 1 (unknown):
## 3. 使用 OpenManus
通过命令行
Example 2 (unknown):
### 3.1 下面是某次运行的大致流程：
| 步骤 | 工作内容 | 使用工具 | 输入/参数 | 输出/结果 |
| -- | ------------------- | --------------- | -------------------------------------------------- | ------------- |
| 1 | 分析用户需求，确定搜索策略 | google\_search | "global soybean market analysis 2025 report" | 搜索结果链接列表 |
| 2 | 分析搜索结果，决定使用中文搜索 | google\_search | "全球大豆市场 2025 年分析报告" | 搜索结果链接列表 |
| 3 | 分析中文搜索结果，决定访问USDA网站 | browser\_use | action: "navigate", url: USDA网站链接 | 成功导航到USDA网站 |
| 4 | 获取USDA网站HTML内容 | browser\_use | action: "get\_html" | 网页HTML内容 |
| 5 | 分析HTML内容，决定保存数据 | file\_saver | 保存HTML内容到文件 | 成功保存HTML文件 |
| 6 | 分析如何处理HTML数据 | - | - | 思考处理HTML的策略 |
| 7 | 编写Python脚本解析HTML数据 | python\_execute | 解析HTML的Python代码 | 解析结果（大豆产量数据） |
| 8 | 分析解析结果，决定获取更多数据 | browser\_use | action: "navigate", url: FAO网站链接 | 成功导航到FAO网站 |
| 9 | 获取FAO网站HTML内容 | browser\_use | action: "get\_html" | 网页HTML内容 |
| 10 | 编写Python脚本解析FAO数据 | python\_execute | 解析FAO数据的Python代码 | 解析结果（FAO大豆数据） |
| 11 | 编写Python脚本合并数据 | python\_execute | 合并USDA和FAO数据的代码 | 合并后的数据集 |
| 12 | 编写Python脚本生成图表 | python\_execute | 生成图表的Python代码 | 生成的图表数据 |
| 13 | 保存生成的图表 | file\_saver | 保存图表数据到文件 | 成功保存图表文件 |
| 14 | 搜索气候变化对大豆影响 | google\_search | "climate change impact on soybean production 2025" | 搜索结果链接列表 |
| 15 | 访问气候变化研究网站 | browser\_use | action: "navigate", url: 气候研究网站链接 | 成功导航到气候研究网站 |
| 16 | 获取气候研究网站HTML | browser\_use | action: "get\_html" | 网页HTML内容 |
| 17 | 编写Python脚本分析气候数据 | python\_execute | 分析气候数据的Python代码 | 气候影响分析结果 |
| 18 | 编写Python脚本整合所有数据 | python\_execute | 整合所有数据的Python代码 | 整合后的完整数据集 |
| 19 | 编写Python脚本生成报告框架 | python\_execute | 生成报告框架的Python代码 | 报告HTML框架 |
| 20 | 编写Python脚本添加数据到报告 | python\_execute | 添加数据到报告的Python代码 | 带数据的报告HTML |
| 21 | 编写Python脚本添加图表到报告 | python\_execute | 添加图表到报告的Python代码 | 带图表的报告HTML |
| 22 | 编写Python脚本添加气候分析到报告 | python\_execute | 添加气候分析的Python代码 | 带气候分析的报告HTML |
| 23 | 编写Python脚本添加结论到报告 | python\_execute | 添加结论的Python代码 | 带结论的完整报告HTML |
| 24 | 保存完整报告HTML | file\_saver | 保存报告HTML到文件 | 成功保存报告HTML文件 |
| 25 | 编写Python脚本将报告转为PDF | python\_execute | HTML转PDF的Python代码 | 报告PDF数据 |
| 26 | 保存报告PDF | file\_saver | 保存PDF数据到文件 | 成功保存报告PDF文件 |
| 27 | 编写Python脚本创建报告摘要 | python\_execute | 创建摘要的Python代码 | 报告摘要文本 |
| 28 | 保存报告摘要 | file\_saver | 保存摘要到文件 | 成功保存摘要文件 |
| 29 | 编写Python脚本发送报告邮件 | python\_execute | 发送邮件的Python代码 | 邮件发送结果 |
| 30 | 总结完成的工作，等待下一步指示 | - | - | 最终总结和下一步建议 |
### 3.2 执行日志
<Accordion title="部分执行日志">
INFO \[browser\_use] BrowserUse logging setup complete with level info
INFO \[root] Anonymized telemetry enabled. See [https://docs.browser-use.com/development/telemetry](https://docs.browser-use.com/development/telemetry) for more information.
Enter your prompt (or 'exit' to quit): 全球大豆市场 2025 年分析报告
2025-03-08 18:08:00.304 | WARNING | **main**:main:15 - Processing your request...
2025-03-08 18:08:00.305 | INFO | app.agent.base:run:137 - Executing step 1/30
2025-03-08 18:08:25.067 | INFO | app.agent.toolcall:think:53 - ✨ Manus's thoughts: 好的，我现在需要处理用户关于“全球大豆市场2025年分析报告”的请求。首先，用户想要一份分析报告，这可能包括市场趋势、产量、价格、主要生产国、消费国以及未来预测等方面的信息。由于报告涉及未来数据，可能需要最新的行业数据和预测，而这些信息通常来自市场研究公司或权威机构的报告。
接下来，我需要考虑如何获取这些信息。用户提供的工具包括Google搜索、浏览器使用、Python执行和文件保存。首先，我应该使用Google搜索来查找相关的分析报告或数据来源。可能需要搜索关键词如“global soybean market analysis 2025 report”或者“大豆市场预测2025”，看看是否有权威机构如美国农业部（USDA）、国际粮食政策研究所（IFPRI）或市场研究公司如Frost & Sullivan、Mordor Intelligence等发布的报告。
使用Google搜索工具时，我需要构造合适的查询词，并可能需要多个关键词组合来确保找到最新的信息。搜索结果返回的链接可能包括PDF报告、行业分析文章或新闻稿。之后，可能需要使用浏览器工具访问这些链接，查看具体内容，提取关键数据。如果某些报告需要付费或注册，可能需要寻找免费摘要或通过其他途径获取。
另外，用户可能希望报告以结构化的方式呈现，比如图表或数据表格。这时候可能需要使用Python来处理数据，例如从网页中抓取数据，或者生成图表。但首先需要确保有可用的数据源。如果搜索到的数据是文本形式，可能需要手动整理或使用Python的解析库如BeautifulSoup或Pandas来处理。
保存最终的报告或分析结果可能需要使用文件保存工具，将整理好的数据、图表或总结文本保存为文档或代码文件。例如，将分析结果写入Markdown或PDF文件，或者生成一个HTML页面展示图表。
现在，第一步应该是执行Google搜索，收集相关链接。然后根据搜索结果决定下一步行动，可能是访问具体网页提取数据，或者发现需要进一步处理的数据。如果搜索结果中有直接可下载的PDF报告，可能需要使用浏览器工具下载文件，但可能需要处理文件内容，比如使用Python读取PDF内容。如果报告需要付费，可能需要寻找替代资源或建议用户购买。
另外，可能需要考虑时间因素，2025年的预测数据可能在2023或2024年的报告中已经存在，因此搜索时可能需要限定时间范围。不过Google搜索工具的参数中没有时间选项，可能需要在查询词中加入年份，如“2023 global soybean market forecast 2025”。
总结步骤：
1. 使用Google搜索查找相关报告链接。
2. 分析搜索结果，访问相关网页，提取关键数据。
3. 使用Python处理和整理数据，生成图表或分析结果。
4. 将最终报告保存为文件。
现在，首先执行Google搜索，看看能找到哪些资源。可能需要多次调整关键词以确保找到足够的信息。如果搜索结果不够，可能需要进一步细化查询，例如按地区、主要公司或特定方面（如价格趋势、产量预测）来搜索。
使用哪个大模型。比如你这里可以填写 Qwen/Qwen3-32B ， 具体模型可以通过 https://cloud.siliconflow.cn/models 获得
URL: llms-txt#使用哪个大模型。比如你这里可以填写-qwen/qwen3-32b-，-具体模型可以通过-https://cloud.siliconflow.cn/models-获得
translate.service.openai.model=Qwen/Qwen3-32B
生图模型
URL: llms-txt#生图模型
Contents:
- 1.生图模型简介
- 2.体验地址
- 3.支持模型列表
Source: https://docs.siliconflow.cn/cn/userguide/capabilities/images
平台提供的生图模型主要有以下两种使用方式：一种是根据prompt输入直接生成图像；一种是根据现有图像，加上prompt输入，生成图像变体。
在使用文生图的大模型时，为了生成更高质量的图像，输入的prompt（提示词）需要精心设计。以下是一些有助于提高生成图像质量的提示词输入技巧：
具体描述：尽量详细地描述你想要生成的图像内容。比如，如果你想生成一幅日落的海滩风景，不要仅仅输入“海滩日落”，而是可以尝试输入“一个宁静的海滩上，夕阳西下，天空呈现出橙红色，海浪轻轻拍打着沙滩，远处有一艘小船”。
情感和氛围：除了描述图像的内容，还可以加入对情感或氛围的描述，比如“温馨的”、“神秘的”、“充满活力的”等，这样可以帮助模型更好地理解你想要的风格。
风格指定：如果你有特定的艺术风格偏好，比如“印象派”、“超现实主义”等，可以在prompt中明确指出，这样生成的图像更有可能符合你的期待。
避免模糊不清的词汇：尽量避免使用过于抽象或模糊不清的词汇，比如“美”、“好”等，这些词汇对于模型来说难以具体化，可能会导致生成的图像与预期相差较大。
使用否定词：如果你不希望图像中出现某些元素，可以使用否定词来排除。例如，“生成一幅海滩日落的图片，但不要有船”。
分步骤输入：对于复杂场景，可以尝试分步骤输入提示词，先生成基础图像，再根据需要调整或添加细节。
尝试不同的描述方式：有时候，即使描述的是同一个场景，不同的描述方式也会得到不同的结果。可以尝试从不同的角度或使用不同的词汇来描述，看看哪种方式能得到更满意的结果。
利用模型的特定功能：一些模型可能提供了特定的功能或参数调整选项，比如调整生成图像的分辨率、风格强度等，合理利用这些功能也可以帮助提高生成图像的质量。
通过上述方法，可以有效地提高使用文生图大模型时生成图像的质量。不过，由于不同的模型可能有不同的特点和偏好，实际操作中可能还需要根据具体模型的特性和反馈进行适当的调整。
A futuristic eco-friendly skyscraper in central Tokyo. The building incorporates lush vertical gardens on every floor, with cascading plants and trees lining glass terraces. Solar panels and wind turbines are integrated into the structure's design, reflecting a sustainable future. The Tokyo Tower is visible in the background, contrasting the modern eco-architecture with traditional city landmarks.
An elegant snow leopard perched on a cliff in the Himalayan mountains, surrounded by swirling snow. The animal’s fur is intricately detailed with distinctive patterns and a thick winter coat. The scene captures the majesty and isolation of the leopard's habitat, with mist and mountain peaks fading into the background.
有部分生图模型支持通过已有图像生成图像变体，这种情况下，仍然需要输入适当的prompt，才能达到预期的效果，具体prompt输入，可以参考上面内容。
可以通过 图像生成 体验生图的功能，也可以通过 API文档 介绍，通过API进行调用。
image_size：控制参数的图像分辨率，API请求时候，可以自定义多种分辨率。
num_inference_steps：控制图像生成的步长。
batch_size：一次生成图像的个数，默认值是1，最大值可以设置为4
negative_prompt：这里可以输入图像中不想出现的某些元素，消除一些影响影响因素。
seed：如果想要每次都生成固定的图片，可以把seed设置为固定值。
目前已支持的生图模型，可以通过模型广场查看。
注意：支持的生图模型可能发生调整，请在「模型广场」筛选“生图”标签，了解支持的模型列表。
多模态模型（视觉/音频/视频）
URL: llms-txt#多模态模型（视觉/音频/视频）
Contents:
- 概述
- 支持模型概览
- 使用方式
- 3.1 基本消息格式
- 3.2 通用参数说明
- 使用示例
- 4.1 视觉理解
- 4.2 视频理解
- 4.3 音频理解
- 4.4 全模态分析
Source: https://docs.siliconflow.cn/cn/userguide/capabilities/multimodal-vision
多模态模型是能够同时处理多种模态信息（文本、图像、音频、视频）的大语言模型。SiliconFlow 提供了多个支持不同模态组合的强大模型，能够：
- 视觉理解：理解图片内容、OCR、图像描述
- 视频分析：提取视频帧、理解视频内容、动作识别
- 音频处理：语音识别、音频内容分析
- 多模态融合：同时处理多种媒体类型的综合分析
| 模型系列 | 视觉输入 | 音频输入 | 视频输入 | 主要特点 |
|---|---|---|---|---|
| Qwen3-Omni 系列 | ✅ | ✅ | ✅ | 全面多模态支持，音视频同时处理 |
| Qwen3-VL 系列 | ✅ | ❌ | ✅ | 视觉+视频理解，无音频支持 |
| GLM 系列 | ✅ | ❌ | ❌ | 仅视觉理解 |
| Qwen2-VL 系列 | ✅ | ❌ | ❌ | 仅视觉理解 |
| DeepseekVL2 系列 | ✅ | ❌ | ❌ | 仅视觉理解 |
| Step3 | ✅ | ❌ | ❌ | 仅视觉理解 |
| DeepSeek-OCR | ✅ | ❌ | ❌ | 仅视觉理解，支持pdf输入 |
所有多模态模型都通过 /chat/completions 接口调用，使用标准化的 messages 格式，其中 content 可以包含不同类型的内容部分。
图像参数 (image_url)
url: 图像 URL 或 base64 编码数据，DeepSeek-OCR 还支持 PDF URL 或 base64 编码数据detail: 细节级别 (auto,low,high)
视频参数 (video_url)
url: 视频 URL 或 base64 编码数据detail: 细节级别 (auto,low,high)max_frames: 最大提取帧数fps: 每秒提取帧数，最终帧数为min(fps × T, max_frames)
音频参数 (audio_url)
url: 音频 URL 或 base64 编码数据
DeepSeek-OCR 还支持 PDF URL 或 base64 编码数据。
DeepSeek-OCR 支持多种场景的提示词：
5. Python SDK 使用示例
response = client.chat.completions.create(
model="Qwen/Qwen3-Omni-30B-A3B-Instruct",
messages=[
{
"role": "user",
"content": [
{
"type": "video_url",
"video_url": {
"url": "https://example.com/product-demo.mp4",
"detail": "high",
"max_frames": 16,
"fps": 1
}
},
{
"type": "text",
"text": "这个产品演示视频展示了哪些核心功能？目标用户群体可能是什么？"
}
]
}
],
stream=True
)
**Examples:**
Example 1 (unknown):
```unknown
### 3.2 通用参数说明
#### 图像参数 (`image_url`)
* `url`: 图像 URL 或 base64 编码数据，DeepSeek-OCR 还支持 PDF URL 或 base64 编码数据
* `detail`: 细节级别 (`auto`, `low`, `high`)
#### 视频参数 (`video_url`)
* `url`: 视频 URL 或 base64 编码数据
* `detail`: 细节级别 (`auto`, `low`, `high`)
* `max_frames`: 最大提取帧数
* `fps`: 每秒提取帧数，最终帧数为 `min(fps × T, max_frames)`
#### 音频参数 (`audio_url`)
* `url`: 音频 URL 或 base64 编码数据
## 4. 使用示例
### 4.1 视觉理解
#### 图像分析
Example 2 (unknown):
#### 多图对比
Example 3 (unknown):
#### PDF OCR
DeepSeek-OCR 还支持 PDF URL 或 base64 编码数据。
DeepSeek-OCR 支持多种场景的提示词：
Example 4 (unknown):
推理模型
URL: llms-txt#推理模型
Contents:
- 概述
- 平台支持推理模型
- 使用建议
- 3.1 API 参数
- 3.2 DeepSeek-R1 使用建议
- OpenAI 请求示例
- 4.1 流式输出请求
Source: https://docs.siliconflow.cn/cn/userguide/capabilities/reasoning
推理模型是基于深度学习的AI系统，通过逻辑推演、知识关联和上下文分析解决复杂任务，典型应用包括数学解题、代码生成、逻辑判断和多步推理场景。这类模型通常具备以下特性：
- 结构化思维：采用思维链（Chain-of-Thought）等技术分解复杂问题
- 知识融合：整合领域知识库与常识推理能力
- 自修正机制：通过验证反馈回路提升结果可靠性
- 多模态处理：部分先进模型支持文本/代码/公式混合输入
平台支持的推理模型，可以通过模型广场查询。
最大思维链长度（thinking_budget）：模型用于内部推理的 token 数，合理设置 thinking_budget ，可以控制回答的思维链长度。
最大回复长度（max_tokens）：用于限制模型最终输出给用户的回复 token 数，控制回复的最大长度。
最大上下文长度（context_length）：非请求参数，不需要用户自己设置。不同模型支持的最大上下文长度可通过模型广场页面进行查看。
若“思考阶段”生成的
token数达到thinking_budget，因Qwen3系列推理模型原生支持该参数模型将强制停止思维链推理，其他推理模型有可能会继续输出思考内容。若最大回复长度超过
max_tokens或上下文长度超过context_length限制，回复内容将进行截断，响应中的finish_reason字段将标记为length，表示因长度限制终止输出。返回参数:
- reasoning_content：思维链内容，与 content 同级。
- content：最终回答内容
3.2 DeepSeek-R1 使用建议
将 temperature 设置在 0.5-0.7 范围内（推荐值为 0.6），以防止无限循环或不连贯的输出。
将 top_p 的值设置在 0.95。
避免添加系统提示,所有指令应包含在用户提示中。
对于数学问题，建议在提示中包含一个指令，例如：“请逐步推理，并将最终答案写在 \boxed{} 中。”
在评估模型性能时，建议进行多次测试并平均结果。
from openai import OpenAI
url = 'https://api.siliconflow.cn/v1/'
api_key = 'your api_key'
client = OpenAI(
base_url=url,
api_key=api_key
)
---
## 语言模型
**URL:** llms-txt#语言模型
**Contents:**
- 1. 模型核心能力
- 1.1 基础功能
- 1.2 进阶能力
- 2. 接口调用规范
- 2.1 基础请求结构
- 2.2 消息体结构说明
- 3. 模型系列选型指南
- 4. 核心参数详解
- 4.1 创造性控制
Source: https://docs.siliconflow.cn/cn/userguide/capabilities/text-generation
文本生成：根据上下文生成连贯的自然语言文本，支持多种文体和风格。
语义理解：深入解析用户意图，支持多轮对话管理，确保对话的连贯性和准确性。
知识问答：覆盖广泛的知识领域，包括科学、技术、文化、历史等，提供准确的知识解答。
代码辅助：支持多种主流编程语言（如Python、Java、C++等）的代码生成、解释和调试。
长文本处理：支持4k至64k tokens的上下文窗口，适用于长篇文档生成和复杂对话场景。
指令跟随：精确理解复杂任务指令，如“用Markdown表格对比A/B方案”。
风格控制：通过系统提示词调整输出风格，支持学术、口语、诗歌等多种风格。
多模态支持：除了文本生成，还支持图像描述、语音转文字等多模态任务。
您可以通过 openai sdk进行端到端接口请求
<AccordionGroup>
<Accordion title="生成对话（点击查看详情）">
</Accordion>
<Accordion title="分析一幅图像（点击查看详情）">
</Accordion>
<Accordion title="生成json数据（点击查看详情）">
</Accordion>
</AccordionGroup>
| 消息类型 | 功能描述 | 示例内容 |
| --------- | ------------------------------- | ------------------ |
| system | 模型指令，设定AI角色，描述模型应一般如何行为和响应 | 例如："你是有10年经验的儿科医生" |
| user | 用户输入，将最终用户的消息传递给模型 | 例如："幼儿持续低烧应如何处理？" |
| assistant | 模型生成的历史回复，为模型提供示例，说明它应该如何回应当前请求 | 例如："建议先测量体温..." |
你想让模型遵循分层指令时，消息角色可以帮助你获得更好的输出。但它们并不是确定性的，所以使用的最佳方式是尝试不同的方法，看看哪种方法能给你带来好的结果。
可以进入[模型广场](https://cloud.siliconflow.cn/models)，根据左侧的筛选功能，筛选支持不同功能的语言模型，根据模型的介绍，了解模型具体的价格、模型参数大小、模型上下文支持的最大长度及模型价格等内容。
支持在[playground](https://cloud.siliconflow.cn/playground/chat)进行体验（playground只进行模型体验，暂时没有历史记录功能，如果您想要保存历史的回话记录内容，请自己保存会话内容），想要了解更多使用方式，可以参考[API文档](https://docs.siliconflow.cn/cn/api-reference/chat-completions/chat-completions)
<Frame>
<img src="https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=02fc8e406ca7af85592cea9669650347" data-og-width="3198" width="3198" data-og-height="1880" height="1880" data-path="images/guides/capabilities/image.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=280&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=3c825d781b12895c87f28637a700889e 280w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=560&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=1adab41906fd72156acd7f1d6ebfab02 560w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=840&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=d676a9ab2ae2a80e188adee7de97e08f 840w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=1100&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=051f9814f583a8fe8b70b315894efc45 1100w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=1650&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=0addd51d3fc8e5f13e254001f5598d80 1650w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=2500&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=3513c59c72f2bbc5011f91d182fdb7ac 2500w" />
</Frame>
```bash theme={null}
**Examples:**
Example 1 (unknown):
```unknown
</Accordion>
<Accordion title="分析一幅图像（点击查看详情）">
Example 2 (unknown):
</Accordion>
<Accordion title="生成json数据（点击查看详情）">
Example 3 (unknown):
</Accordion>
</AccordionGroup>
### 2.2 消息体结构说明
| 消息类型 | 功能描述 | 示例内容 |
| --------- | ------------------------------- | ------------------ |
| system | 模型指令，设定AI角色，描述模型应一般如何行为和响应 | 例如："你是有10年经验的儿科医生" |
| user | 用户输入，将最终用户的消息传递给模型 | 例如："幼儿持续低烧应如何处理？" |
| assistant | 模型生成的历史回复，为模型提供示例，说明它应该如何回应当前请求 | 例如："建议先测量体温..." |
你想让模型遵循分层指令时，消息角色可以帮助你获得更好的输出。但它们并不是确定性的，所以使用的最佳方式是尝试不同的方法，看看哪种方法能给你带来好的结果。
## 3. 模型系列选型指南
可以进入[模型广场](https://cloud.siliconflow.cn/models)，根据左侧的筛选功能，筛选支持不同功能的语言模型，根据模型的介绍，了解模型具体的价格、模型参数大小、模型上下文支持的最大长度及模型价格等内容。
支持在[playground](https://cloud.siliconflow.cn/playground/chat)进行体验（playground只进行模型体验，暂时没有历史记录功能，如果您想要保存历史的回话记录内容，请自己保存会话内容），想要了解更多使用方式，可以参考[API文档](https://docs.siliconflow.cn/cn/api-reference/chat-completions/chat-completions)
<Frame>
<img src="https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=02fc8e406ca7af85592cea9669650347" data-og-width="3198" width="3198" data-og-height="1880" height="1880" data-path="images/guides/capabilities/image.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=280&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=3c825d781b12895c87f28637a700889e 280w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=560&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=1adab41906fd72156acd7f1d6ebfab02 560w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=840&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=d676a9ab2ae2a80e188adee7de97e08f 840w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=1100&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=051f9814f583a8fe8b70b315894efc45 1100w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=1650&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=0addd51d3fc8e5f13e254001f5598d80 1650w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/guides/capabilities/image.png?w=2500&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=3513c59c72f2bbc5011f91d182fdb7ac 2500w" />
</Frame>
## 4. 核心参数详解
### 4.1 创造性控制
核采样（top_p）
URL: llms-txt#核采样（top_p）
Contents:
- 4.2 输出限制
- 4.3 语言模型场景问题汇总
- 计费与配额管理
- 5.1 计费公式
- 5.2 支持模型列表及单价
- 应用案例
- 6.1 技术文档生成
- 6.2 数据分析报告
top_p=0.9 # 仅考虑概率累积90%的词集
json theme={null}
max_tokens=1000 # 单词请求最大生成长度
stop=["\n##", "<|end|>"] # 终止序列，在返回中遇到数组中对应的字符串，就会停止输出
frequency_penalty=0.5 # 抑制重复用词（-2.0~2.0）
stream=true # 控制输出是否是流式输出，对于一些输出内容比较多的模型，建议设置为流式，防止输出过长，导致输出超时
python theme={null}
payload = {
"model": "Qwen/Qwen2.5-Math-72B-Instruct",
"messages": [
{
"role": "user",
"content": "1+1=?",
}
],
"max_tokens": 200, # 按需添加
"temperature": 0.7, # 按需添加
"top_k": 50, # 按需添加
"top_p": 0.7, # 按需添加
"frequency_penalty": 0 # 按需添加
}
python theme={null}
from openai import OpenAI
client = OpenAI(api_key="YOUR_KEY", base_url="https://api.siliconflow.cn/v1")
response = client.chat.completions.create(
model="Qwen/Qwen2.5-Coder-32B-Instruct",
messages=[{
"role": "user",
"content": "编写Python异步爬虫教程，包含代码示例和注意事项"
}],
temperature=0.7,
max_tokens=4096
)
python theme={null}
from openai import OpenAI
client = OpenAI(api_key="YOUR_KEY", base_url="https://api.siliconflow.cn/v1")
response = client.chat.completions.create(
model="Qwen/QVQ-72B-Preview",
messages=[
{"role": "system", "content": "你是数据分析专家，用Markdown输出结果"},
{"role": "user", "content": "分析2023年新能源汽车销售数据趋势"}
],
temperature=0.7,
max_tokens=4096
)
<Note> 模型能力持续更新中，建议定期访问[模型广场](https://cloud.siliconflow.cn/models)获取最新信息。 </Note>
**Examples:**
Example 1 (unknown):
```unknown
### 4.2 输出限制
Example 2 (unknown):
### 4.3 语言模型场景问题汇总
**1. 模型输出乱码**
目前看到部分模型在不设置参数的情况下，容易出现乱码，遇到上述情况，可以尝试设置`temperature`，`top_k`，`top_p`，`frequency_penalty`这些参数。
对应的 payload 修改为如下形式，不同语言酌情调整
Example 3 (unknown):
**2. 关于`max_tokens`说明**
max\_tokens 与`上下文长度`相等，由于部分模型推理服务尚在更新中，请不要在请求时将 max\_tokens 设置为最大值（上下文长度），建议留出 10k 左右作为输入内容的空间。
**3. 关于`context_length`说明**
不同的LLM模型，`context_length`是有差别的，具体可以在[模型广场](https://cloud.siliconflow.cn/models)上搜索对应的模型，
查看模型具体信息。
**4. 模型输出截断问题**
可以从以下几方面进行问题的排查：
* 通过API请求时候，输出截断问题排查：
* max\_tokens设置：max\_token设置到合适值，输出大于max\_token的情况下，会被截断。
* 设置流式输出请求：非流式请求时候，输出内容比较长的情况下，容易出现504超时。
* 设置客户端超时时间：把客户端超时时间设置大一些，防止未输出完成，达到客户端超时时间被截断。
* 通过第三方客户端请求，输出截断问题排查：
* CherryStdio 默认的 max\_tokens 是 4096，用户可以通过设置，打开“开启消息长度限制”的开关，将max\_token设置到合适值
<Frame>
<img width="500" src="https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=b77a496c600c494ff27b8f1c6203bb5d" data-og-width="2126" data-og-height="1324" data-path="images/faqs/mic/image_5.png" data-optimize="true" data-opv="3" srcset="https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?w=280&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=ed7d0698216adf85842b12f357c55053 280w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?w=560&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=64487aefdf2a783e6748ddc6ace9134a 560w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?w=840&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=175aff66b443fec3f909995629e9c4da 840w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?w=1100&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=07de4aecf2d7bc13f0dbeefad8d84beb 1100w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?w=1650&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=c50064e5887225d8e47f593f1c23f09b 1650w, https://mintcdn.com/siliconflow-37161621/lraNstG3w6Lot0Ag/images/faqs/mic/image_5.png?w=2500&fit=max&auto=format&n=lraNstG3w6Lot0Ag&q=85&s=bbf19aa1ef2119ec830c2a0fceeb9a29 2500w" />
</Frame>
**5. 错误码处理**
| 错误码 | 常见原因 | 解决方案 |
| ------- | -------------- | --------------------------- |
| 400 | 参数格式错误 | 检查temperature等请求参数的取值范围 |
| 401 | API Key 没有正确设置 | 检查API Key |
| 403 | 权限不够 | 最常见的原因是该模型需要实名认证，其他情况参考报错信息 |
| 429 | 请求频率超限 | 实施指数退避重试机制 |
| 503/504 | 模型过载 | 切换备用模型节点 |
## 5. 计费与配额管理
### 5.1 计费公式
`总费用 = (输入tokens × 输入单价) + (输出tokens × 输出单价) `
### 5.2 支持模型列表及单价
支持的模型及具体价格可以进入[模型广场](https://cloud.siliconflow.cn/me/models?types=chat)下的模型详情页查看。
## 6. 应用案例
### 6.1 技术文档生成
Example 4 (unknown):
### 6.2 数据分析报告
视频生成模型
URL: llms-txt#视频生成模型
Contents:
- 使用场景
- 使用建议
- 体验地址
- 支持模型
- 4.1 文生视频模型
- 4.2 图生视频模型
Source: https://docs.siliconflow.cn/cn/userguide/capabilities/video
视频生成模型是一种利用文本或图像描述生成动态视频内容的技术，随着技术的不断发展，它的应用场景也越来越广泛。以下是一些潜在的应用领域：
- 动态内容生成：视频生成模型可以生成动态的视觉内容，用于描述和解释信息；
- 多模态智能交互：结合图像和文本输入，视频生成模型可用于更智能、更交互式的应用场景；
- 替代传统视觉技术：视频生成模型可以替代或增强传统的机器视觉技术，解决更复杂的多模态问题； 随着技术的进步，视频生成模型的多模态能力会与视觉语言模型融合，推动其在智能交互、自动化内容生成以及复杂场景模拟等领域的全面应用。此外，视频生成模型还能与图像生成模型（图生视频）结合，进一步拓展其应用范围，实现更加丰富和多样化的视觉内容生成。
在编写提示词时，请关注详细、按时间顺序描述动作和场景。包含具体的动作、外貌、镜头角度以及环境细节，所有内容都应连贯地写在一个段落中，直接从动作开始，描述应具体和精确，将自己想象为在描述镜头脚本的摄影师，提示词保持在200单词以内。
为了获得最佳效果，请按照以下结构构建提示词：
- 从主要动作的一句话开始
- 示例：A woman with light skin, wearing a blue jacket and a black hat with a veil,She first looks down and to her right, then raises her head back up as she speaks.
- 添加关于动作和手势的具体细节
- 示例：She first looks down and to her right, then raises her head back up as she speaks.
- 精确描述角色/物体的外观
- 示例：She has brown hair styled in an updo, light brown eyebrows, and is wearing a white collared shirt under her blue jacket.
- 包括背景和环境的细节
- 示例：The background is out of focus, but shows trees and people in period clothing.
- 指定镜头角度和移动方式
- 示例：The camera remains stationary on her face as she speaks.
- 描述光线和颜色效果
- 示例：The scene is captured in real-life footage, with natural lighting and true-to-life colors.
- 注意任何变化或突发事件
- 示例：A gust of wind blows through the trees, causing the woman's veil to flutter slightly.
Your browser does not support the video tag.
可以点击 playground 进行体验，也可以通过 API文档 查看 api 调用方式。
Wan-AI/Wan2.2-T2V-A14B
Wan-AI/Wan2.2-I2V-A14B
- 图生视频的分辨率 根据用户上传图片的宽高比自动匹配分辨率：
- 16:9 👉 1280×720
- 9:16 👉 720×1280
- 1:1 👉 960×960
为了保证最佳生成效果，建议您使用宽高比为 16:9 / 9:16 / 1:1 的图片生成视频。
注意：支持的文生视频模型可能发生调整，请在「模型广场」筛选“视频”标签，了解支持的模型列表。
模型微调
URL: llms-txt#模型微调
Contents:
- 模型微调简介
- 使用流程
- 2.1 准备数据
- 2.2 新建并配置微调任务
- 2.3 开始训练
- 2.4 调用微调模型
- 参数配置详解
- 基于SiliconFlow微调服务来优化业务实战
- 4.1 在平台上使用“智说新语”的语料按照上述进行微调。
- 4.2 对比微调前后的效果
Source: https://docs.siliconflow.cn/cn/userguide/guides/fine-tune
模型微调是一种在已有预训练模型的基础上，通过使用特定任务的数据集进行进一步训练的技术。这种方法允许模型在保持其在大规模数据集上学到的通用知识的同时，适应特定任务的细微差别。使用微调模型，可以获得以下好处：
- 提高性能：微调可以显著提高模型在特定任务上的性能。
- 减少训练时间：相比于从头开始训练模型，微调通常需要较少的训练时间和计算资源。
- 适应特定领域：微调可以帮助模型更好地适应特定领域的数据和任务。
SiliconFlow 平台提供高效的模型微调能力，目前有以下模型支持微调：
- 对话模型已支持：
- Qwen/Qwen2.5-7B-Instruct
- Qwen/Qwen2.5-14B-Instruct
- Qwen/Qwen2.5-32B-Instruct
- Qwen/Qwen2.5-72B-Instruct
最新支持的模型参考模型微调
仅支持 .jsonl 文件，且需符合以下要求：
- 每行是一个独立的
JSON对象； - 每个对象必须包含键名为
messages的数组，数组不能为空； messages中每个元素必须包含role和content两个字段； 4
…(truncated)