Qwen2.5-VL-7B-Instruct je edice 7B modelu Qwen2.5-VL doladěná pro plnění instrukcí. Propojuje textovou instrukci s obrázky nebo videem a vrací textový výsledek. Hlavní vylepšení výrobce zahrnují rozpoznávání objektů a vizuálních detailů, analýzu textu a rozvržení, úlohy vizuálních agentů, porozumění událostem v dlouhých videích, lokalizaci objektů a strukturovanou extrakci z dokumentů.
Porozumění obrazovému obsahu
Rodina přesahuje rozpoznání hlavního námětu fotografie. Mezi dokumentované úlohy patří analýza textu, grafů, ikon, grafiky a uspořádání prvků v obrázku. U grafu určete datovou řadu nebo vztah k prozkoumání a zachovejte osy, legendu a jednotky. U diagramu se ptejte, jak se propojují označené součásti a co viditelné uspořádání vypovídá o procesu.
Pro užitečné porovnání můžete dodat původní a upravený návrh, označit, který je který, a požadovat viditelné změny vzhledem ke krátkému seznamu požadavků. Požadujte společně pozorování a příslušnou oblast obrázku. Odpověď tím získá konkrétní účel namísto obecného popisu dvou nesouvisejících obrázků.
Postupy vizuálních agentů
Výrobce představuje Qwen2.5-VL jako vizuálního agenta schopného uvažovat nad obrazovkou a řídit nástroje při úlohách na počítači nebo telefonu. Model poskytuje výklad a navrženou operaci; okolní aplikace agenta poskytuje ovládání, provádí operaci a vrací nový stav. Textová odpověď nebo předpovězená souřadnice je tedy jednou částí tohoto integrovaného postupu.
U otázky týkající se rozhraní dodejte snímek obrazovky a skutečný cíl a poté se ptejte, který viditelný ovládací prvek je relevantní a co se má provést dál. Požadovaný výstup udržujte konkrétní: označení ovládacího prvku, jeho poloha a zamýšlená akce. Pokud aplikace tuto akci provede, další snímek obrazovky poskytne aktualizovaný obrazový vstup pro následné rozhodnutí.
Dlouhá videa a lokalizace událostí
Výrobce popisuje porozumění videím delším než jedna hodina a určení úseku obsahujícího požadovanou událost. Tím se popis videa rozšiřuje o časovou lokalizaci. Úloha se může ptát, kdy se objekt poprvé objeví, kde ukázka dospěje ke konkrétnímu kroku nebo která viditelná událost předchází jiné. Uveďte, zda má být výsledkem shrnutí, uspořádaný seznam událostí nebo čas začátku a konce s popisem události.
Modely této rodiny se trénují s dynamickým vzorkováním snímkové frekvence a slaďuje časové poziční informace s absolutním časem. Údaj o snímkové frekvenci proto patří k přípravě videa a není libovolným označením, které lze zahodit, pokud záleží na časových značkách. Dokumentovaná schopnost práce s dlouhým videem není univerzální specifikací velikosti souboru nebo maximální délky pro každý způsob vstupu.
Lokalizace objektů a strukturované dokumenty
Qwen2.5-VL může vracet ohraničující rámečky nebo body a uspořádávat souřadnice a atributy jako JSON. Vydání používá souřadnice v měřítku skutečné velikosti obrázku místo tradičních normalizovaných souřadnic. Určete, zda úloha potřebuje ohraničující rámeček, konkrétní bod nebo popis objektu, a zachovejte rozměry obrázku a údaje o případné změně velikosti potřebné k výkladu vrácené polohy.
Například požadavek na vizuální inventuru může požadovat každý cílový objekt, jeho rámeček a viditelný atribut. Bodová úloha se může ptát na polohu označeného ovládacího prvku nebo určené části objektu. Jde o navržené podoby výstupu, nikoli pevné názvy polí povinné pro každý požadavek. Pokud dodáváte více obrázků, uchovejte vazbu každé souřadnice na její zdrojový obrázek.
Výrobce samostatně zdůrazňuje strukturovanou extrakci ze skenů faktur, formulářů a tabulek. Definujte pole, zachovejte původní popisky a požadujte výslovnou reprezentaci pro nečitelné hodnoty. U tabulky ponechte záhlaví sloupců a jednotky s požadovanými řádky. Praktický záznam může obsahovat identifikátor dokumentu, označení pole, extrahovanou hodnotu a polohu, aby byl výstup použitelný pro následné porovnání nebo lidskou kontrolu.
Architektura a příprava vstupu
Model kombinuje dynamické rozlišení obrázků a dynamické vzorkování videa s aktualizovanými multimodálními rotačními pozičními informacemi. Jeho vizuální enkodér používá okenní pozornost, SwiGLU a RMSNorm. Jde o změny architektury podporující vizuální a časové zpracování; nepřidávají zvukový vstup ani generování obrázků do dokumentovaného postupu s textovým výsledkem.
Karta předvádí jeden obrázek, více obrázků, sekvenci snímků videa, videosoubor nebo odkaz a dávkové konverzace. Procesor obrázků dokumentuje výchozí rozsah 4 až 16,384 vizuálních tokenů na obrázek. Nastavení minimálního a maximálního počtu pixelů zachovávají poměr stran; požadované přesné rozměry se zaokrouhlují na násobek 28. Příkladový rozsah 256 až 1,280 vizuálních tokenů je nastavitelnou ukázkou, nikoli samostatným pevným limitem obrázku. Při volbě změny velikosti zachovejte detail potřebný pro otázku.
Kontext a nastavení citlivá na lokalizaci
Vydaná konfigurace nastavuje maximální počet pozic na 128,000. Oddíl o dlouhém textu na kartě modelu samostatně popisuje základ 32,768 tokenů a příklad rozšíření YaRN. Výslovně varuje, že toto rozšíření výrazně ovlivňuje časovou a prostorovou lokalizaci, a nedoporučuje je. Příručka také pojednává o změně maximálního počtu pozic pro dlouhá videa; jde o konfigurační poznámky, nikoli jeden nepodmíněný limit vstupu pro každou úlohu.
Zachovejte soulad konfigurace přesného vydání a vizuálního předzpracování s úlohou, zejména pokud záleží na souřadnicích nebo časech událostí. Příklad generování 128 tokenů na kartě neurčuje samostatnou maximální kapacitu výstupu. Qwen2.5-VL-7B-Instruct vytváří text, souřadnice a strukturovaná zjištění; vnější akce, vykreslený obrázek, video nebo mluvená odpověď vyžadují další součást aplikace.
", "aboutText": "Qwen2.5-VL-7B-Instruct je edice 7B modelu Qwen2.5-VL doladěná pro plnění instrukcí. Propojuje textovou instrukci s obrázky nebo videem a vrací textový výsledek. Hlavní vylepšení výrobce zahrnují rozpoznávání objektů a vizuálních detailů, analýzu textu a rozvržení, úlohy vizuálních agentů, porozumění událostem v dlouhých videích, lokalizaci objektů a strukturovanou extrakci z dokumentů.\n\nPorozumění obrazovému obsahu\n\nRodina přesahuje rozpoznání hlavního námětu fotografie. Mezi dokumentované úlohy patří analýza textu, grafů, ikon, grafiky a uspořádání prvků v obrázku. U grafu určete datovou řadu nebo vztah k prozkoumání a zachovejte osy, legendu a jednotky. U diagramu se ptejte, jak se propojují označené součásti a co viditelné uspořádání vypovídá o procesu.\n\nPro užitečné porovnání můžete dodat původní a upravený návrh, označit, který je který, a požadovat viditelné změny vzhledem ke krátkému seznamu požadavků. Požadujte společně pozorování a příslušnou oblast obrázku. Odpověď tím získá konkrétní účel namísto obecného popisu dvou nesouvisejících obrázků.\n\nPostupy vizuálních agentů\n\nVýrobce představuje Qwen2.5-VL jako vizuálního agenta schopného uvažovat nad obrazovkou a řídit nástroje při úlohách na počítači nebo telefonu. Model poskytuje výklad a navrženou operaci; okolní aplikace agenta poskytuje ovládání, provádí operaci a vrací nový stav. Textová odpověď nebo předpovězená souřadnice je tedy jednou částí tohoto integrovaného postupu.\n\nU otázky týkající se rozhraní dodejte snímek obrazovky a skutečný cíl a poté se ptejte, který viditelný ovládací prvek je relevantní a co se má provést dál. Požadovaný výstup udržujte konkrétní: označení ovládacího prvku, jeho poloha a zamýšlená akce. Pokud aplikace tuto akci provede, další snímek obrazovky poskytne aktualizovaný obrazový vstup pro následné rozhodnutí.\n\nDlouhá videa a lokalizace událostí\n\nVýrobce popisuje porozumění videím delším než jedna hodina a určení úseku obsahujícího požadovanou událost. Tím se popis videa rozšiřuje o časovou lokalizaci. Úloha se může ptát, kdy se objekt poprvé objeví, kde ukázka dospěje ke konkrétnímu kroku nebo která viditelná událost předchází jiné. Uveďte, zda má být výsledkem shrnutí, uspořádaný seznam událostí nebo čas začátku a konce s popisem události.\n\nModely této rodiny se trénují s dynamickým vzorkováním snímkové frekvence a slaďuje časové poziční informace s absolutním časem. Údaj o snímkové frekvenci proto patří k přípravě videa a není libovolným označením, které lze zahodit, pokud záleží na časových značkách. Dokumentovaná schopnost práce s dlouhým videem není univerzální specifikací velikosti souboru nebo maximální délky pro každý způsob vstupu.\n\nLokalizace objektů a strukturované dokumenty\n\nQwen2.5-VL může vracet ohraničující rámečky nebo body a uspořádávat souřadnice a atributy jako JSON. Vydání používá souřadnice v měřítku skutečné velikosti obrázku místo tradičních normalizovaných souřadnic. Určete, zda úloha potřebuje ohraničující rámeček, konkrétní bod nebo popis objektu, a zachovejte rozměry obrázku a údaje o případné změně velikosti potřebné k výkladu vrácené polohy.\n\nNapříklad požadavek na vizuální inventuru může požadovat každý cílový objekt, jeho rámeček a viditelný atribut. Bodová úloha se může ptát na polohu označeného ovládacího prvku nebo určené části objektu. Jde o navržené podoby výstupu, nikoli pevné názvy polí povinné pro každý požadavek. Pokud dodáváte více obrázků, uchovejte vazbu každé souřadnice na její zdrojový obrázek.\n\nVýrobce samostatně zdůrazňuje strukturovanou extrakci ze skenů faktur, formulářů a tabulek. Definujte pole, zachovejte původní popisky a požadujte výslovnou reprezentaci pro nečitelné hodnoty. U tabulky ponechte záhlaví sloupců a jednotky s požadovanými řádky. Praktický záznam může obsahovat identifikátor dokumentu, označení pole, extrahovanou hodnotu a polohu, aby byl výstup použitelný pro následné porovnání nebo lidskou kontrolu.\n\nArchitektura a příprava vstupu\n\nModel kombinuje dynamické rozlišení obrázků a dynamické vzorkování videa s aktualizovanými multimodálními rotačními pozičními informacemi. Jeho vizuální enkodér používá okenní pozornost, SwiGLU a RMSNorm. Jde o změny architektury podporující vizuální a časové zpracování; nepřidávají zvukový vstup ani generování obrázků do dokumentovaného postupu s textovým výsledkem.\n\nKarta předvádí jeden obrázek, více obrázků, sekvenci snímků videa, videosoubor nebo odkaz a dávkové konverzace. Procesor obrázků dokumentuje výchozí rozsah 4 až 16,384 vizuálních tokenů na obrázek. Nastavení minimálního a maximálního počtu pixelů zachovávají poměr stran; požadované přesné rozměry se zaokrouhlují na násobek 28. Příkladový rozsah 256 až 1,280 vizuálních tokenů je nastavitelnou ukázkou, nikoli samostatným pevným limitem obrázku. Při volbě změny velikosti zachovejte detail potřebný pro otázku.\n\nKontext a nastavení citlivá na lokalizaci\n\nVydaná konfigurace nastavuje maximální počet pozic na 128,000. Oddíl o dlouhém textu na kartě modelu samostatně popisuje základ 32,768 tokenů a příklad rozšíření YaRN. Výslovně varuje, že toto rozšíření výrazně ovlivňuje časovou a prostorovou lokalizaci, a nedoporučuje je. Příručka také pojednává o změně maximálního počtu pozic pro dlouhá videa; jde o konfigurační poznámky, nikoli jeden nepodmíněný limit vstupu pro každou úlohu.\n\nZachovejte soulad konfigurace přesného vydání a vizuálního předzpracování s úlohou, zejména pokud záleží na souřadnicích nebo časech událostí. Příklad generování 128 tokenů na kartě neurčuje samostatnou maximální kapacitu výstupu. Qwen2.5-VL-7B-Instruct vytváří text, souřadnice a strukturovaná zjištění; vnější akce, vykreslený obrázek, video nebo mluvená odpověď vyžadují další součást aplikace.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct je vizuálně jazykový model pro obrázky, dokumenty a video. Vytváří text a strukturovaná zjištění včetně ohraničujících rámečků objektů, bodů a atributů a přináší do edice 7B časovou lokalizaci událostí a schopnosti vizuálního agenta.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen2.5-VL-7B-Instruct je edice 7B modelu Qwen2.5-VL doladěná pro plnění instrukcí. Propojuje textovou instrukci s obrázky nebo videem a vrací textový výsledek. Hlavní vylepšení výrobce zahrnují rozpoznávání objektů a vizuálních detailů, analýzu textu a rozvržení, úlohy vizuálních agentů, porozumění událostem v dlouhých videích, lokalizaci objektů a strukturovanou extrakci z dokumentů.
Porozumění obrazovému obsahu
Rodina přesahuje rozpoznání hlavního námětu fotografie. Mezi dokumentované úlohy patří analýza textu, grafů, ikon, grafiky a uspořádání prvků v obrázku. U grafu určete datovou řadu nebo vztah k prozkoumání a zachovejte osy, legendu a jednotky. U diagramu se ptejte, jak se propojují označené součásti a co viditelné uspořádání vypovídá o procesu.
Pro užitečné porovnání můžete dodat původní a upravený návrh, označit, který je který, a požadovat viditelné změny vzhledem ke krátkému seznamu požadavků. Požadujte společně pozorování a příslušnou oblast obrázku. Odpověď tím získá konkrétní účel namísto obecného popisu dvou nesouvisejících obrázků.
Postupy vizuálních agentů
Výrobce představuje Qwen2.5-VL jako vizuálního agenta schopného uvažovat nad obrazovkou a řídit nástroje při úlohách na počítači nebo telefonu. Model poskytuje výklad a navrženou operaci; okolní aplikace agenta poskytuje ovládání, provádí operaci a vrací nový stav. Textová odpověď nebo předpovězená souřadnice je tedy jednou částí tohoto integrovaného postupu.
U otázky týkající se rozhraní dodejte snímek obrazovky a skutečný cíl a poté se ptejte, který viditelný ovládací prvek je relevantní a co se má provést dál. Požadovaný výstup udržujte konkrétní: označení ovládacího prvku, jeho poloha a zamýšlená akce. Pokud aplikace tuto akci provede, další snímek obrazovky poskytne aktualizovaný obrazový vstup pro následné rozhodnutí.
Dlouhá videa a lokalizace událostí
Výrobce popisuje porozumění videím delším než jedna hodina a určení úseku obsahujícího požadovanou událost. Tím se popis videa rozšiřuje o časovou lokalizaci. Úloha se může ptát, kdy se objekt poprvé objeví, kde ukázka dospěje ke konkrétnímu kroku nebo která viditelná událost předchází jiné. Uveďte, zda má být výsledkem shrnutí, uspořádaný seznam událostí nebo čas začátku a konce s popisem události.
Modely této rodiny se trénují s dynamickým vzorkováním snímkové frekvence a slaďuje časové poziční informace s absolutním časem. Údaj o snímkové frekvenci proto patří k přípravě videa a není libovolným označením, které lze zahodit, pokud záleží na časových značkách. Dokumentovaná schopnost práce s dlouhým videem není univerzální specifikací velikosti souboru nebo maximální délky pro každý způsob vstupu.
Lokalizace objektů a strukturované dokumenty
Qwen2.5-VL může vracet ohraničující rámečky nebo body a uspořádávat souřadnice a atributy jako JSON. Vydání používá souřadnice v měřítku skutečné velikosti obrázku místo tradičních normalizovaných souřadnic. Určete, zda úloha potřebuje ohraničující rámeček, konkrétní bod nebo popis objektu, a zachovejte rozměry obrázku a údaje o případné změně velikosti potřebné k výkladu vrácené polohy.
Například požadavek na vizuální inventuru může požadovat každý cílový objekt, jeho rámeček a viditelný atribut. Bodová úloha se může ptát na polohu označeného ovládacího prvku nebo určené části objektu. Jde o navržené podoby výstupu, nikoli pevné názvy polí povinné pro každý požadavek. Pokud dodáváte více obrázků, uchovejte vazbu každé souřadnice na její zdrojový obrázek.
Výrobce samostatně zdůrazňuje strukturovanou extrakci ze skenů faktur, formulářů a tabulek. Definujte pole, zachovejte původní popisky a požadujte výslovnou reprezentaci pro nečitelné hodnoty. U tabulky ponechte záhlaví sloupců a jednotky s požadovanými řádky. Praktický záznam může obsahovat identifikátor dokumentu, označení pole, extrahovanou hodnotu a polohu, aby byl výstup použitelný pro následné porovnání nebo lidskou kontrolu.
Architektura a příprava vstupu
Model kombinuje dynamické rozlišení obrázků a dynamické vzorkování videa s aktualizovanými multimodálními rotačními pozičními informacemi. Jeho vizuální enkodér používá okenní pozornost, SwiGLU a RMSNorm. Jde o změny architektury podporující vizuální a časové zpracování; nepřidávají zvukový vstup ani generování obrázků do dokumentovaného postupu s textovým výsledkem.
Karta předvádí jeden obrázek, více obrázků, sekvenci snímků videa, videosoubor nebo odkaz a dávkové konverzace. Procesor obrázků dokumentuje výchozí rozsah 4 až 16,384 vizuálních tokenů na obrázek. Nastavení minimálního a maximálního počtu pixelů zachovávají poměr stran; požadované přesné rozměry se zaokrouhlují na násobek 28. Příkladový rozsah 256 až 1,280 vizuálních tokenů je nastavitelnou ukázkou, nikoli samostatným pevným limitem obrázku. Při volbě změny velikosti zachovejte detail potřebný pro otázku.
Kontext a nastavení citlivá na lokalizaci
Vydaná konfigurace nastavuje maximální počet pozic na 128,000. Oddíl o dlouhém textu na kartě modelu samostatně popisuje základ 32,768 tokenů a příklad rozšíření YaRN. Výslovně varuje, že toto rozšíření výrazně ovlivňuje časovou a prostorovou lokalizaci, a nedoporučuje je. Příručka také pojednává o změně maximálního počtu pozic pro dlouhá videa; jde o konfigurační poznámky, nikoli jeden nepodmíněný limit vstupu pro každou úlohu.
Zachovejte soulad konfigurace přesného vydání a vizuálního předzpracování s úlohou, zejména pokud záleží na souřadnicích nebo časech událostí. Příklad generování 128 tokenů na kartě neurčuje samostatnou maximální kapacitu výstupu. Qwen2.5-VL-7B-Instruct vytváří text, souřadnice a strukturovaná zjištění; vnější akce, vykreslený obrázek, video nebo mluvená odpověď vyžadují další součást aplikace.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen2.5-vl-7b-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 $0.0001 / 1K tokenů Výstup · Výstupní tokeny $0.0001 / 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-7b-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-7b-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-7b-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-7b-instruct
Použijte cesty metod uvedené výše.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct je vizuálně jazykový model pro obrázky, dokumenty a video. Vytváří text a strukturovaná zjištění včetně ohraničujících rámečků objektů, bodů a atributů a přináší do edice 7B časovou lokalizaci událostí a schopnosti vizuálního agenta.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen2.5-VL-7B-Instruct je edice 7B modelu Qwen2.5-VL doladěná pro plnění instrukcí. Propojuje textovou instrukci s obrázky nebo videem a vrací textový výsledek. Hlavní vylepšení výrobce zahrnují rozpoznávání objektů a vizuálních detailů, analýzu textu a rozvržení, úlohy vizuálních agentů, porozumění událostem v dlouhých videích, lokalizaci objektů a strukturovanou extrakci z dokumentů.
Porozumění obrazovému obsahu
Rodina přesahuje rozpoznání hlavního námětu fotografie. Mezi dokumentované úlohy patří analýza textu, grafů, ikon, grafiky a uspořádání prvků v obrázku. U grafu určete datovou řadu nebo vztah k prozkoumání a zachovejte osy, legendu a jednotky. U diagramu se ptejte, jak se propojují označené součásti a co viditelné uspořádání vypovídá o procesu.
Pro užitečné porovnání můžete dodat původní a upravený návrh, označit, který je který, a požadovat viditelné změny vzhledem ke krátkému seznamu požadavků. Požadujte společně pozorování a příslušnou oblast obrázku. Odpověď tím získá konkrétní účel namísto obecného popisu dvou nesouvisejících obrázků.
Postupy vizuálních agentů
Výrobce představuje Qwen2.5-VL jako vizuálního agenta schopného uvažovat nad obrazovkou a řídit nástroje při úlohách na počítači nebo telefonu. Model poskytuje výklad a navrženou operaci; okolní aplikace agenta poskytuje ovládání, provádí operaci a vrací nový stav. Textová odpověď nebo předpovězená souřadnice je tedy jednou částí tohoto integrovaného postupu.
U otázky týkající se rozhraní dodejte snímek obrazovky a skutečný cíl a poté se ptejte, který viditelný ovládací prvek je relevantní a co se má provést dál. Požadovaný výstup udržujte konkrétní: označení ovládacího prvku, jeho poloha a zamýšlená akce. Pokud aplikace tuto akci provede, další snímek obrazovky poskytne aktualizovaný obrazový vstup pro následné rozhodnutí.
Dlouhá videa a lokalizace událostí
Výrobce popisuje porozumění videím delším než jedna hodina a určení úseku obsahujícího požadovanou událost. Tím se popis videa rozšiřuje o časovou lokalizaci. Úloha se může ptát, kdy se objekt poprvé objeví, kde ukázka dospěje ke konkrétnímu kroku nebo která viditelná událost předchází jiné. Uveďte, zda má být výsledkem shrnutí, uspořádaný seznam událostí nebo čas začátku a konce s popisem události.
Modely této rodiny se trénují s dynamickým vzorkováním snímkové frekvence a slaďuje časové poziční informace s absolutním časem. Údaj o snímkové frekvenci proto patří k přípravě videa a není libovolným označením, které lze zahodit, pokud záleží na časových značkách. Dokumentovaná schopnost práce s dlouhým videem není univerzální specifikací velikosti souboru nebo maximální délky pro každý způsob vstupu.
Lokalizace objektů a strukturované dokumenty
Qwen2.5-VL může vracet ohraničující rámečky nebo body a uspořádávat souřadnice a atributy jako JSON. Vydání používá souřadnice v měřítku skutečné velikosti obrázku místo tradičních normalizovaných souřadnic. Určete, zda úloha potřebuje ohraničující rámeček, konkrétní bod nebo popis objektu, a zachovejte rozměry obrázku a údaje o případné změně velikosti potřebné k výkladu vrácené polohy.
Například požadavek na vizuální inventuru může požadovat každý cílový objekt, jeho rámeček a viditelný atribut. Bodová úloha se může ptát na polohu označeného ovládacího prvku nebo určené části objektu. Jde o navržené podoby výstupu, nikoli pevné názvy polí povinné pro každý požadavek. Pokud dodáváte více obrázků, uchovejte vazbu každé souřadnice na její zdrojový obrázek.
Výrobce samostatně zdůrazňuje strukturovanou extrakci ze skenů faktur, formulářů a tabulek. Definujte pole, zachovejte původní popisky a požadujte výslovnou reprezentaci pro nečitelné hodnoty. U tabulky ponechte záhlaví sloupců a jednotky s požadovanými řádky. Praktický záznam může obsahovat identifikátor dokumentu, označení pole, extrahovanou hodnotu a polohu, aby byl výstup použitelný pro následné porovnání nebo lidskou kontrolu.
Architektura a příprava vstupu
Model kombinuje dynamické rozlišení obrázků a dynamické vzorkování videa s aktualizovanými multimodálními rotačními pozičními informacemi. Jeho vizuální enkodér používá okenní pozornost, SwiGLU a RMSNorm. Jde o změny architektury podporující vizuální a časové zpracování; nepřidávají zvukový vstup ani generování obrázků do dokumentovaného postupu s textovým výsledkem.
Karta předvádí jeden obrázek, více obrázků, sekvenci snímků videa, videosoubor nebo odkaz a dávkové konverzace. Procesor obrázků dokumentuje výchozí rozsah 4 až 16,384 vizuálních tokenů na obrázek. Nastavení minimálního a maximálního počtu pixelů zachovávají poměr stran; požadované přesné rozměry se zaokrouhlují na násobek 28. Příkladový rozsah 256 až 1,280 vizuálních tokenů je nastavitelnou ukázkou, nikoli samostatným pevným limitem obrázku. Při volbě změny velikosti zachovejte detail potřebný pro otázku.
Kontext a nastavení citlivá na lokalizaci
Vydaná konfigurace nastavuje maximální počet pozic na 128,000. Oddíl o dlouhém textu na kartě modelu samostatně popisuje základ 32,768 tokenů a příklad rozšíření YaRN. Výslovně varuje, že toto rozšíření výrazně ovlivňuje časovou a prostorovou lokalizaci, a nedoporučuje je. Příručka také pojednává o změně maximálního počtu pozic pro dlouhá videa; jde o konfigurační poznámky, nikoli jeden nepodmíněný limit vstupu pro každou úlohu.
Zachovejte soulad konfigurace přesného vydání a vizuálního předzpracování s úlohou, zejména pokud záleží na souřadnicích nebo časech událostí. Příklad generování 128 tokenů na kartě neurčuje samostatnou maximální kapacitu výstupu. Qwen2.5-VL-7B-Instruct vytváří text, souřadnice a strukturovaná zjištění; vnější akce, vykreslený obrázek, video nebo mluvená odpověď vyžadují další součást aplikace.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen2.5-vl-7b-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 $0.0001 / 1K tokenů Výstup · Výstupní tokeny $0.0001 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-7b-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-7b-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-7b-instruct
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.