输出

概述

决策的 output 属性声明其回答携带的媒体。没有 output 的决策以文本回答。 声明 output: {kind: image, action: generate} 的决策以生成的图像回答：当请求只包含文本， 例如“画一座黄昏时的灯塔”，Router 会在选择模型之前为请求加上托管的 image_generation 操作，因此请求只会到达能够生成该图像的模型。

输出是决策属性，不是信号、算法或插件。它取代了过去由模型的 modality 关键字（ar、 diffusion、omni）和 image_gen 插件隐含的输出；仍然使用这两者的配置无法加载， vllm-sr config migrate 会改写其中可以机械改写的部分。

它解决什么问题？

把“画一只猫”的请求路由到图像模型还不够：纯文本请求中没有图像 API 可以编码的内容，因此只指定图像模型的路由 会选中一个随后失败的后端。输出契约把回答的媒体纳入决策，在加载时检查它引用的每个模型都能产生该媒体， 并为请求加上产生该媒体的操作。

何时使用

• 决策以生成的图像回答：output: {kind: image}。
• 同一个模型在同一个响应中既以文本回答又生成图像：output: {kind: [text, image]}。

文本回答无需声明，每个决策默认都以文本回答。根据请求自身图像的内容进行路由属于信号，而不是输出契约 （参见图像输入）。

配置

providers:
  models:
    - name: painter
      api_format: images
      capabilities: [image_generation]
      modalities: {input: [text], output: [image]}
      backend_refs:
        - {name: omni-server, provider: vllm, endpoint: vllm-omni:8000}
    - name: omni
      api_format: responses
      capabilities: [chat, image_generation]
      modalities: {input: [text, image], output: [text, image]}
      backend_refs:
        - {name: omni-model, provider: vllm, endpoint: omni:8000}
recipes:
  - name: default
    signals:
      modality:
        - {name: wants_image, labels: [image]}
        - {name: wants_text_image, labels: [text_image]}
    decisions:
      - name: image
        rules: {operator: AND, conditions: [{type: modality, name: wants_image}]}
        output: {kind: image, action: generate}
        modelRefs: [{model: painter}]
      - name: text-and-image
        rules: {operator: AND, conditions: [{type: modality, name: wants_text_image}]}
        output: {kind: [text, image], action: generate}
        modelRefs: [{model: omni}]

等价的 DSL：

ROUTE image {
  WHEN modality("wants_image")
  MODEL "painter"
  OUTPUT {
    kind: "image"
    action: "generate"
  }
}

kind 取 text（默认）、image、audio 或 video，也可以是由一个模型同时写出的多个类型组成的列表。 action 取 generate（默认）或 edit，后者编辑请求提供的图像或视频。

加载检查

决策引用的每个模型都必须在其 providers.models[] 条目中声明输出所需的事实：

输出	模型声明
text（默认）	modalities.output 中的 text；除非模型的 modalities 另有说明，每个模型都满足
image，generate	capabilities 中的 image_generation
image，edit	image_generation 和 image_input
audio	audio_output
video	video_output，编辑时还需要 video_input
列表	同一个模型声明每种类型所需的全部事实

缺少其中任何一项的模型会以 output_capability_missing 加载失败，错误会指出模型和需要声明的事实。 本版本执行文本、图像生成，以及由一个模型写出的文本加生成图像；图像编辑、音频和视频会以 output_not_executable 失败，并指出所需的编解码器，直到该编解码器发布为止。生成的图像还需要一个能携带它的 API：图像 API（api_format: images）上的模型返回图像，Responses API（api_format: responses）上的模型 返回图像和文本。执行器类算法（例如 escalate）只以文本回答，因此不能提供图像。

运行时效果

• 托管的 image_generation 操作会加入请求的能力需求，因此候选过滤会跳过其 API 或声明的能力无法承载该操作的模型， candidate_requirements 也会看到它。
• image 决策强制执行该操作；[text, image] 决策只提供该操作，由模型决定是否调用。
• Responses API 客户端会收到带有图像的 image_generation_call 项，以及模型写出文本时的消息项。
• Images API 客户端（POST /v1/images/generations）以该 API 的格式收到图像。 其请求按提示词路由，并且必须到达输出为图像的决策；否则会在调用任何模型之前收到 image_route_required。
• Chat Completions 或 Anthropic Messages 客户端无法接收图像：Router 会在调用模型之前以 unsupported_capability 拒绝其请求。tool_choice 为 none 的请求同样会被拒绝。
• 在调试响应中，x-vsr-trace 的 modality 成员给出所选决策的输出类型。

图像输入

根据请求中图像的内容进行路由，使用 input.image: true 的 systemone 问题，由能够读取图像的决策模型回答。 问题字段以及能够回答图像问题的模型，请参阅 System One。