Úvod: edice 3B doladěná pro plnění instrukcí
Qwen2.5-VL-3B-Instruct je člen rodiny Qwen2.5-VL o velikosti 3B. Přijímá textové instrukce s obrázky nebo videem a generuje textové odpovědi včetně strukturovaných dat. Vyberte jej pro jasně definovanou vizuální otázku, extrakci z dokumentu nebo vysvětlení propojující viditelný obsah s požadavkem uživatele. Tato přesná velikost a vydání si zachovávají vlastní identitu; nelze předpokládat, že funkce přidané výslovně jiným velikostem nebo pozdějším generacím Qwen platí i pro tento checkpoint.
Vizuální porozumění a postupy agentů
Qwen popisuje rozpoznávání běžných objektů a analýzu písma, grafů, ikon, grafiky a rozvržení stránek. U formuláře určete povinná pole a význam prázdné hodnoty. U grafu požadujte osy, jednotky a viditelné hodnoty podporující závěr. Cílený požadavek usnadňuje porovnání výstupu s původním obrázkem více než široký požadavek popsat vše.
Rodina také podporuje uvažování vizuálních agentů a řízení nástrojů pro postupy na počítači nebo telefonu. Model může vyložit rozhraní a pomoci rozhodnout o akci; připojené nástroje aplikace tuto akci provedou. Kontrola snímku obrazovky se může ptát, který ovládací prvek odpovídá úloze a jaké viditelné informace výběr podporují. Takové využití vizuálního uvažování samo o sobě neuděluje kontrolu nad zařízením.
Dlouhé video a lokalizace událostí
Výrobce popisuje porozumění videím delším než jedna hodina a určení úseků relevantních pro požadovanou událost. Jde o schopnost rodiny, nikoli nepodmíněný limit nahrávání médií nebo záruku zachování každého snímku. Připravte příslušný klip, zachovejte jeho časové údaje a položte přesnou otázku na událost, posloupnost nebo změnu. Způsob zpracování videa v modelu používá snímkovou frekvenci ke sladění vizuálních pozorování s absolutním časem.
Lokalizace a strukturované dokumenty
Qwen2.5-VL může vracet polohy objektů jako ohraničující rámečky nebo body se souřadnicemi a atributy v JSON. Při lokalizační úloze pojmenujte cílový objekt a určete, zda má být výsledkem bod nebo rámeček. Konvenci souřadnic výslovně určete v aplikaci využívající výsledek, místo abyste z libovolné fotografie odvozovali fyzické měření.
Výrobce také dokumentuje strukturovanou extrakci z naskenovaných faktur, formulářů a tabulek. Dodejte čitelnou stránku a schéma výstupu: například název pole, extrahovaný text a viditelnou oblast, která jej podporuje. Ve zdroji zachovejte jednotky, desetinné oddělovače a záhlaví tabulek. Nejistý nebo nečitelný obsah považujte za případ ke kontrole, místo abyste model žádali o vymyšlení chybějící hodnoty. Tyto příklady přípravy využívají dokumentované schopnosti; nezaručují přesnou extrakci.
Změny architektury
Dynamické rozlišení obrázků se prostřednictvím trénování s proměnlivou snímkovou frekvencí rozšiřuje na video. Aktualizované multimodální poziční kódování reprezentuje časovou posloupnost a absolutní čas a pomáhá určovat konkrétní okamžiky a změny rychlosti. Vizuální enkodér používá okenní pozornost spolu se SwiGLU a RMSNorm. Tyto změny popisují, jak model zpracovává obrazové materiály; neurčují pevnou latenci konkrétní aplikace.
Příprava obrázků a videa
Oficiální příklady zahrnují jednotlivé obrázky, více obrázků, čistě textové konverzace, videosoubory a uspořádané seznamy snímků. Označte jednotlivé obrazové vstupy, aby na ně otázka mohla odkazovat. Při porovnání obrázků požadujte tabulku uspořádanou podle označení a omezte výsledek na viditelné rozdíly. U časové osy videa zachovejte pořadí snímků a časové údaje, místo abyste předkládali nespojené obrázky, jako by měly známé trvání.
Dokumentovaný výchozí rozsah procesoru obrázků je od čtyř do 16,384 vizuálních tokenů na obrázek. Jeho příklad může nastavením pixelových mezí cílit na 256–1,280 tokenů. V těchto mezích zachovává poměr stran, zatímco výslovně zadané změněné rozměry zarovnává na násobky 28. Více detailů spotřebuje více výpočtů a prostoru sekvence, takže malé textové pole může vyžadovat výřez s vyšším rozlišením, zatímco obecné shrnutí scény nikoli. Jde o ovládání zpracování od výrobce; možnosti nahrávání aplikace se mohou lišit.
Kontext a věcné limity
Zveřejněná konfigurace checkpointu nastavuje maximální počet pozic na 128,000, zatímco doprovodný oddíl o dlouhém textu stále pojednává o počáteční konfiguraci 32,768 tokenů. Příručka popisuje extrapolaci YaRN, ale varuje, že může výrazně ovlivnit časovou a prostorovou lokalizaci, a pro tyto úlohy tuto metodu nedoporučuje. Samostatně uvádí, že poziční kódování videa může umožnit větší nastavení počtu pozic, a jako příklad uvádí 64K. Tyto odlišné popisy konfigurace nelze sloučit do jediného univerzálně ověřeného stropu vstupu.
Text, obrazové materiály a odpověď sdílejí konečný rozpočet sekvence. Zachovejte čitelnost relevantního obsahu, ponechte prostor pro výsledek a ověřte extrahovaný text, souřadnice a časy událostí podle originálu. Příklad generování 128 tokenů na kartě je ilustrativní a neurčuje samostatné pevné maximum výstupu. Tento model vrací textovou analýzu nebo strukturované informace; jeho vizuálně jazykové schopnosti neznamenají, že generuje obrázky nebo video.
", "aboutText": "Úvod: edice 3B doladěná pro plnění instrukcí\n\nQwen2.5-VL-3B-Instruct je člen rodiny Qwen2.5-VL o velikosti 3B. Přijímá textové instrukce s obrázky nebo videem a generuje textové odpovědi včetně strukturovaných dat. Vyberte jej pro jasně definovanou vizuální otázku, extrakci z dokumentu nebo vysvětlení propojující viditelný obsah s požadavkem uživatele. Tato přesná velikost a vydání si zachovávají vlastní identitu; nelze předpokládat, že funkce přidané výslovně jiným velikostem nebo pozdějším generacím Qwen platí i pro tento checkpoint.\n\nVizuální porozumění a postupy agentů\n\nQwen popisuje rozpoznávání běžných objektů a analýzu písma, grafů, ikon, grafiky a rozvržení stránek. U formuláře určete povinná pole a význam prázdné hodnoty. U grafu požadujte osy, jednotky a viditelné hodnoty podporující závěr. Cílený požadavek usnadňuje porovnání výstupu s původním obrázkem více než široký požadavek popsat vše.\n\nRodina také podporuje uvažování vizuálních agentů a řízení nástrojů pro postupy na počítači nebo telefonu. Model může vyložit rozhraní a pomoci rozhodnout o akci; připojené nástroje aplikace tuto akci provedou. Kontrola snímku obrazovky se může ptát, který ovládací prvek odpovídá úloze a jaké viditelné informace výběr podporují. Takové využití vizuálního uvažování samo o sobě neuděluje kontrolu nad zařízením.\n\nDlouhé video a lokalizace událostí\n\nVýrobce popisuje porozumění videím delším než jedna hodina a určení úseků relevantních pro požadovanou událost. Jde o schopnost rodiny, nikoli nepodmíněný limit nahrávání médií nebo záruku zachování každého snímku. Připravte příslušný klip, zachovejte jeho časové údaje a položte přesnou otázku na událost, posloupnost nebo změnu. Způsob zpracování videa v modelu používá snímkovou frekvenci ke sladění vizuálních pozorování s absolutním časem.\n\nLokalizace a strukturované dokumenty\n\nQwen2.5-VL může vracet polohy objektů jako ohraničující rámečky nebo body se souřadnicemi a atributy v JSON. Při lokalizační úloze pojmenujte cílový objekt a určete, zda má být výsledkem bod nebo rámeček. Konvenci souřadnic výslovně určete v aplikaci využívající výsledek, místo abyste z libovolné fotografie odvozovali fyzické měření.\n\nVýrobce také dokumentuje strukturovanou extrakci z naskenovaných faktur, formulářů a tabulek. Dodejte čitelnou stránku a schéma výstupu: například název pole, extrahovaný text a viditelnou oblast, která jej podporuje. Ve zdroji zachovejte jednotky, desetinné oddělovače a záhlaví tabulek. Nejistý nebo nečitelný obsah považujte za případ ke kontrole, místo abyste model žádali o vymyšlení chybějící hodnoty. Tyto příklady přípravy využívají dokumentované schopnosti; nezaručují přesnou extrakci.\n\nZměny architektury\n\nDynamické rozlišení obrázků se prostřednictvím trénování s proměnlivou snímkovou frekvencí rozšiřuje na video. Aktualizované multimodální poziční kódování reprezentuje časovou posloupnost a absolutní čas a pomáhá určovat konkrétní okamžiky a změny rychlosti. Vizuální enkodér používá okenní pozornost spolu se SwiGLU a RMSNorm. Tyto změny popisují, jak model zpracovává obrazové materiály; neurčují pevnou latenci konkrétní aplikace.\n\nPříprava obrázků a videa\n\nOficiální příklady zahrnují jednotlivé obrázky, více obrázků, čistě textové konverzace, videosoubory a uspořádané seznamy snímků. Označte jednotlivé obrazové vstupy, aby na ně otázka mohla odkazovat. Při porovnání obrázků požadujte tabulku uspořádanou podle označení a omezte výsledek na viditelné rozdíly. U časové osy videa zachovejte pořadí snímků a časové údaje, místo abyste předkládali nespojené obrázky, jako by měly známé trvání.\n\nDokumentovaný výchozí rozsah procesoru obrázků je od čtyř do 16,384 vizuálních tokenů na obrázek. Jeho příklad může nastavením pixelových mezí cílit na 256–1,280 tokenů. V těchto mezích zachovává poměr stran, zatímco výslovně zadané změněné rozměry zarovnává na násobky 28. Více detailů spotřebuje více výpočtů a prostoru sekvence, takže malé textové pole může vyžadovat výřez s vyšším rozlišením, zatímco obecné shrnutí scény nikoli. Jde o ovládání zpracování od výrobce; možnosti nahrávání aplikace se mohou lišit.\n\nKontext a věcné limity\n\nZveřejněná konfigurace checkpointu nastavuje maximální počet pozic na 128,000, zatímco doprovodný oddíl o dlouhém textu stále pojednává o počáteční konfiguraci 32,768 tokenů. Příručka popisuje extrapolaci YaRN, ale varuje, že může výrazně ovlivnit časovou a prostorovou lokalizaci, a pro tyto úlohy tuto metodu nedoporučuje. Samostatně uvádí, že poziční kódování videa může umožnit větší nastavení počtu pozic, a jako příklad uvádí 64K. Tyto odlišné popisy konfigurace nelze sloučit do jediného univerzálně ověřeného stropu vstupu.\n\nText, obrazové materiály a odpověď sdílejí konečný rozpočet sekvence. Zachovejte čitelnost relevantního obsahu, ponechte prostor pro výsledek a ověřte extrahovaný text, souřadnice a časy událostí podle originálu. Příklad generování 128 tokenů na kartě je ilustrativní a neurčuje samostatné pevné maximum výstupu. Tento model vrací textovou analýzu nebo strukturované informace; jeho vizuálně jazykové schopnosti neznamenají, že generuje obrázky nebo video.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct je kompaktní vizuálně jazykový model Qwen doladěný pro plnění instrukcí při práci s textem, obrázky a videem. Vrací text a strukturované vizuální informace včetně polí dokumentů, souřadnic objektů a popisů událostí, s dynamickým rozlišením a zpracováním videa zohledňujícím čas.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Úvod: edice 3B doladěná pro plnění instrukcí
Qwen2.5-VL-3B-Instruct je člen rodiny Qwen2.5-VL o velikosti 3B. Přijímá textové instrukce s obrázky nebo videem a generuje textové odpovědi včetně strukturovaných dat. Vyberte jej pro jasně definovanou vizuální otázku, extrakci z dokumentu nebo vysvětlení propojující viditelný obsah s požadavkem uživatele. Tato přesná velikost a vydání si zachovávají vlastní identitu; nelze předpokládat, že funkce přidané výslovně jiným velikostem nebo pozdějším generacím Qwen platí i pro tento checkpoint.
Vizuální porozumění a postupy agentů
Qwen popisuje rozpoznávání běžných objektů a analýzu písma, grafů, ikon, grafiky a rozvržení stránek. U formuláře určete povinná pole a význam prázdné hodnoty. U grafu požadujte osy, jednotky a viditelné hodnoty podporující závěr. Cílený požadavek usnadňuje porovnání výstupu s původním obrázkem více než široký požadavek popsat vše.
Rodina také podporuje uvažování vizuálních agentů a řízení nástrojů pro postupy na počítači nebo telefonu. Model může vyložit rozhraní a pomoci rozhodnout o akci; připojené nástroje aplikace tuto akci provedou. Kontrola snímku obrazovky se může ptát, který ovládací prvek odpovídá úloze a jaké viditelné informace výběr podporují. Takové využití vizuálního uvažování samo o sobě neuděluje kontrolu nad zařízením.
Dlouhé video a lokalizace událostí
Výrobce popisuje porozumění videím delším než jedna hodina a určení úseků relevantních pro požadovanou událost. Jde o schopnost rodiny, nikoli nepodmíněný limit nahrávání médií nebo záruku zachování každého snímku. Připravte příslušný klip, zachovejte jeho časové údaje a položte přesnou otázku na událost, posloupnost nebo změnu. Způsob zpracování videa v modelu používá snímkovou frekvenci ke sladění vizuálních pozorování s absolutním časem.
Lokalizace a strukturované dokumenty
Qwen2.5-VL může vracet polohy objektů jako ohraničující rámečky nebo body se souřadnicemi a atributy v JSON. Při lokalizační úloze pojmenujte cílový objekt a určete, zda má být výsledkem bod nebo rámeček. Konvenci souřadnic výslovně určete v aplikaci využívající výsledek, místo abyste z libovolné fotografie odvozovali fyzické měření.
Výrobce také dokumentuje strukturovanou extrakci z naskenovaných faktur, formulářů a tabulek. Dodejte čitelnou stránku a schéma výstupu: například název pole, extrahovaný text a viditelnou oblast, která jej podporuje. Ve zdroji zachovejte jednotky, desetinné oddělovače a záhlaví tabulek. Nejistý nebo nečitelný obsah považujte za případ ke kontrole, místo abyste model žádali o vymyšlení chybějící hodnoty. Tyto příklady přípravy využívají dokumentované schopnosti; nezaručují přesnou extrakci.
Změny architektury
Dynamické rozlišení obrázků se prostřednictvím trénování s proměnlivou snímkovou frekvencí rozšiřuje na video. Aktualizované multimodální poziční kódování reprezentuje časovou posloupnost a absolutní čas a pomáhá určovat konkrétní okamžiky a změny rychlosti. Vizuální enkodér používá okenní pozornost spolu se SwiGLU a RMSNorm. Tyto změny popisují, jak model zpracovává obrazové materiály; neurčují pevnou latenci konkrétní aplikace.
Příprava obrázků a videa
Oficiální příklady zahrnují jednotlivé obrázky, více obrázků, čistě textové konverzace, videosoubory a uspořádané seznamy snímků. Označte jednotlivé obrazové vstupy, aby na ně otázka mohla odkazovat. Při porovnání obrázků požadujte tabulku uspořádanou podle označení a omezte výsledek na viditelné rozdíly. U časové osy videa zachovejte pořadí snímků a časové údaje, místo abyste předkládali nespojené obrázky, jako by měly známé trvání.
Dokumentovaný výchozí rozsah procesoru obrázků je od čtyř do 16,384 vizuálních tokenů na obrázek. Jeho příklad může nastavením pixelových mezí cílit na 256–1,280 tokenů. V těchto mezích zachovává poměr stran, zatímco výslovně zadané změněné rozměry zarovnává na násobky 28. Více detailů spotřebuje více výpočtů a prostoru sekvence, takže malé textové pole může vyžadovat výřez s vyšším rozlišením, zatímco obecné shrnutí scény nikoli. Jde o ovládání zpracování od výrobce; možnosti nahrávání aplikace se mohou lišit.
Kontext a věcné limity
Zveřejněná konfigurace checkpointu nastavuje maximální počet pozic na 128,000, zatímco doprovodný oddíl o dlouhém textu stále pojednává o počáteční konfiguraci 32,768 tokenů. Příručka popisuje extrapolaci YaRN, ale varuje, že může výrazně ovlivnit časovou a prostorovou lokalizaci, a pro tyto úlohy tuto metodu nedoporučuje. Samostatně uvádí, že poziční kódování videa může umožnit větší nastavení počtu pozic, a jako příklad uvádí 64K. Tyto odlišné popisy konfigurace nelze sloučit do jediného univerzálně ověřeného stropu vstupu.
Text, obrazové materiály a odpověď sdílejí konečný rozpočet sekvence. Zachovejte čitelnost relevantního obsahu, ponechte prostor pro výsledek a ověřte extrahovaný text, souřadnice a časy událostí podle originálu. Příklad generování 128 tokenů na kartě je ilustrativní a neurčuje samostatné pevné maximum výstupu. Tento model vrací textovou analýzu nebo strukturované informace; jeho vizuálně jazykové schopnosti neznamenají, že generuje obrázky nebo video.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen2.5-vl-3b-instruct | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0004 / 1K tokenů Výstup · Výstupní tokeny $0.0012 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2.5-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Použijte cesty metod uvedené výše.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct je kompaktní vizuálně jazykový model Qwen doladěný pro plnění instrukcí při práci s textem, obrázky a videem. Vrací text a strukturované vizuální informace včetně polí dokumentů, souřadnic objektů a popisů událostí, s dynamickým rozlišením a zpracováním videa zohledňujícím čas.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Úvod: edice 3B doladěná pro plnění instrukcí
Qwen2.5-VL-3B-Instruct je člen rodiny Qwen2.5-VL o velikosti 3B. Přijímá textové instrukce s obrázky nebo videem a generuje textové odpovědi včetně strukturovaných dat. Vyberte jej pro jasně definovanou vizuální otázku, extrakci z dokumentu nebo vysvětlení propojující viditelný obsah s požadavkem uživatele. Tato přesná velikost a vydání si zachovávají vlastní identitu; nelze předpokládat, že funkce přidané výslovně jiným velikostem nebo pozdějším generacím Qwen platí i pro tento checkpoint.
Vizuální porozumění a postupy agentů
Qwen popisuje rozpoznávání běžných objektů a analýzu písma, grafů, ikon, grafiky a rozvržení stránek. U formuláře určete povinná pole a význam prázdné hodnoty. U grafu požadujte osy, jednotky a viditelné hodnoty podporující závěr. Cílený požadavek usnadňuje porovnání výstupu s původním obrázkem více než široký požadavek popsat vše.
Rodina také podporuje uvažování vizuálních agentů a řízení nástrojů pro postupy na počítači nebo telefonu. Model může vyložit rozhraní a pomoci rozhodnout o akci; připojené nástroje aplikace tuto akci provedou. Kontrola snímku obrazovky se může ptát, který ovládací prvek odpovídá úloze a jaké viditelné informace výběr podporují. Takové využití vizuálního uvažování samo o sobě neuděluje kontrolu nad zařízením.
Dlouhé video a lokalizace událostí
Výrobce popisuje porozumění videím delším než jedna hodina a určení úseků relevantních pro požadovanou událost. Jde o schopnost rodiny, nikoli nepodmíněný limit nahrávání médií nebo záruku zachování každého snímku. Připravte příslušný klip, zachovejte jeho časové údaje a položte přesnou otázku na událost, posloupnost nebo změnu. Způsob zpracování videa v modelu používá snímkovou frekvenci ke sladění vizuálních pozorování s absolutním časem.
Lokalizace a strukturované dokumenty
Qwen2.5-VL může vracet polohy objektů jako ohraničující rámečky nebo body se souřadnicemi a atributy v JSON. Při lokalizační úloze pojmenujte cílový objekt a určete, zda má být výsledkem bod nebo rámeček. Konvenci souřadnic výslovně určete v aplikaci využívající výsledek, místo abyste z libovolné fotografie odvozovali fyzické měření.
Výrobce také dokumentuje strukturovanou extrakci z naskenovaných faktur, formulářů a tabulek. Dodejte čitelnou stránku a schéma výstupu: například název pole, extrahovaný text a viditelnou oblast, která jej podporuje. Ve zdroji zachovejte jednotky, desetinné oddělovače a záhlaví tabulek. Nejistý nebo nečitelný obsah považujte za případ ke kontrole, místo abyste model žádali o vymyšlení chybějící hodnoty. Tyto příklady přípravy využívají dokumentované schopnosti; nezaručují přesnou extrakci.
Změny architektury
Dynamické rozlišení obrázků se prostřednictvím trénování s proměnlivou snímkovou frekvencí rozšiřuje na video. Aktualizované multimodální poziční kódování reprezentuje časovou posloupnost a absolutní čas a pomáhá určovat konkrétní okamžiky a změny rychlosti. Vizuální enkodér používá okenní pozornost spolu se SwiGLU a RMSNorm. Tyto změny popisují, jak model zpracovává obrazové materiály; neurčují pevnou latenci konkrétní aplikace.
Příprava obrázků a videa
Oficiální příklady zahrnují jednotlivé obrázky, více obrázků, čistě textové konverzace, videosoubory a uspořádané seznamy snímků. Označte jednotlivé obrazové vstupy, aby na ně otázka mohla odkazovat. Při porovnání obrázků požadujte tabulku uspořádanou podle označení a omezte výsledek na viditelné rozdíly. U časové osy videa zachovejte pořadí snímků a časové údaje, místo abyste předkládali nespojené obrázky, jako by měly známé trvání.
Dokumentovaný výchozí rozsah procesoru obrázků je od čtyř do 16,384 vizuálních tokenů na obrázek. Jeho příklad může nastavením pixelových mezí cílit na 256–1,280 tokenů. V těchto mezích zachovává poměr stran, zatímco výslovně zadané změněné rozměry zarovnává na násobky 28. Více detailů spotřebuje více výpočtů a prostoru sekvence, takže malé textové pole může vyžadovat výřez s vyšším rozlišením, zatímco obecné shrnutí scény nikoli. Jde o ovládání zpracování od výrobce; možnosti nahrávání aplikace se mohou lišit.
Kontext a věcné limity
Zveřejněná konfigurace checkpointu nastavuje maximální počet pozic na 128,000, zatímco doprovodný oddíl o dlouhém textu stále pojednává o počáteční konfiguraci 32,768 tokenů. Příručka popisuje extrapolaci YaRN, ale varuje, že může výrazně ovlivnit časovou a prostorovou lokalizaci, a pro tyto úlohy tuto metodu nedoporučuje. Samostatně uvádí, že poziční kódování videa může umožnit větší nastavení počtu pozic, a jako příklad uvádí 64K. Tyto odlišné popisy konfigurace nelze sloučit do jediného univerzálně ověřeného stropu vstupu.
Text, obrazové materiály a odpověď sdílejí konečný rozpočet sekvence. Zachovejte čitelnost relevantního obsahu, ponechte prostor pro výsledek a ověřte extrahovaný text, souřadnice a časy událostí podle originálu. Příklad generování 128 tokenů na kartě je ilustrativní a neurčuje samostatné pevné maximum výstupu. Tento model vrací textovou analýzu nebo strukturované informace; jeho vizuálně jazykové schopnosti neznamenají, že generuje obrázky nebo video.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen2.5-vl-3b-instruct | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0004 / 1K tokenů Výstup · Výstupní tokeny $0.0012 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.