跳到主要内容
版本：最新版（未发布）

输入模态信号

概览​

input_modality 确定性匹配已解析请求中存在哪些输入种类——text、image、audio 或 video。检测纯属结构：Router 检查用户消息中的 content-part 类型，从不运行分类器、嵌入模型或任何其他机器学习推理。

输入模态独立于预期输出模态（modality 信号区分 AR 与 DIFFUSION 生成），也独立于为语义匹配嵌入的载荷（嵌入的 query_modality）。一个请求可同时包含多种输入模态，每条已配置规则独立匹配。

主要优势​

  • 以零推理成本，把任何包含图像（或音频/视频）的请求路由到有能力的模型
  • 暴露请求的完整模态集合，供 AND/OR 决策规则、投影与追踪组合
  • 适用于 Chat Completions、Anthropic Messages、Response API 以及 classify/eval HTTP API（各协议覆盖见检测规则）

解决什么问题？​

常见拓扑是：任何包含图像的请求走向视觉能力模型，纯文本请求继续走正常语义路由。在该信号出现前，图像是否存在只能通过 conversation 信号的 image_content 源到达，既难发现又只覆盖图像。input_modality 直接命名这一概念，并覆盖全部四种模态。

注意 NOT image_input 并不等于「仅文本」：没有图像的请求仍可能是仅音频或空请求。将 text 模态规则与媒体规则的否定组合，才能精确表达仅文本。

何时使用​

当路由决策取决于存在哪些输入种类——而不是媒体内容是什么——时，使用 input_modality。要按图像的语义内容路由，请改用带 query_modality: image 的 embedding 信号。

配置​

routing:
  signals:
    input_modality:
      - name: image_input
        description: Request contains at least one image content part.
        modality: image
      - name: audio_input
        description: Request contains at least one audio content part.
        modality: audio

  decisions:
    - name: vision-request
      description: Send image-bearing requests to the vision pool.
      priority: 1000
      rules:
        operator: AND
        conditions:
          - type: input_modality
            name: image_input
      modelRefs:
        - model: vision-model

modality 必须是 text、image、audio 或 video 之一。规则名必须唯一且已去空白。

检测规则​

计数只覆盖用户消息，因此系统提示与 assistant 历史永远不会满足规则。每个入口协议都会先解码一次到 Router 的中性请求，计数来自其中的内容种类，因此无论请求由哪种协议携带，规则匹配方式相同：

  • Chat Completions：纯字符串内容或 text 部分计为文本，image_url 部分计为图像，input_audio 部分计为音频。
  • Anthropic Messages：text 与 image 块；该协议没有音频或视频块类型。
  • Response API：input_text 计为文本，input_image 计为图像。Response API 解码器目前不接受音频内容类型。
  • Classify/eval API：messages[].content 上的相同部分类型，外加音频的 input_audio / audio_url，以及视频的 video_url / input_video。

配置接受 video，walker 也能识别中性视频内容，但目前没有入口协议解码器接受视频内容部分，因此在数据平面上 video 规则尚不能匹配。它可以通过 classify/eval API 匹配。

可观测性​

匹配规则暴露在 x-vsr-matched-input-modality 响应头、classify/eval 响应的 input_modality 字段、router-回放记录，以及标准的每信号 Prometheus 指标（llm_signal_match_total{signal_type="input_modality"}）中。

  • modality — 预期输出模态（AR、DIFFUSION、BOTH）。
  • 带 query_modality: image 的 embedding — 图像内容的语义分类。
  • conversation — 请求形态事实；其 image_content 源仍受支持，并共享同一底层图像计数。