Qwen2.5-VL-72B-Instruct er den instruktionstilpassede 72B-udgave af Qwen2.5-VL, udviklet til at forstå visuelt materiale sammen med tekst. Qwen beskriver genkendelse af genstande, produkter og vartegn samt fortolkning af tekst, diagrammer, ikoner, grafik og layout inde i billeder. Input kombinerer et skriftligt spørgsmål med et eller flere billeder eller en video; output er tekst, herunder strukturerede beskrivelser og udtrukne oplysninger. Sammenlignet med Qwen2-VL fremhæver producenten bedre opfattelse af tid og billedskala og en revideret vision-encoder med dynamisk opløsning, der bruger vinduesbaseret attention.
Visuel lokalisering er en anden evne end at beskrive et billede. Modellen kan returnere afgrænsningsbokse eller punkter med betegnelser og attributter i JSON. Qwen2.5-VL bruger koordinater i billedets faktiske størrelsesskala frem for et normaliseret koordinatsystem. Angiv de genstande, der skal lokaliseres, og de påkrævede felter, som bbox_2d og label, sammen med koordinaternes fortolkning. Hvis billedets størrelse ændres før analysen, skal du bevare størrelsesoplysningerne sammen med de returnerede koordinater, så de kan fortolkes i forhold til det samme billede. Qwens eksempler kombinerer detektion med optælling og beskrivelser af genstande.
Producenten fremhæver tekstgenkendelse på tværs af sprog, orienteringer og forskellige typer scener. Eksemplerne udtrækker tekstlinjer, knytter tekst til placeringer og henter bestemte felter fra kvitteringer eller formularer. Til en dokumentopgave skal du angive en tydelig scanning, definere felterne og beskrive, hvordan manglende eller ulæselige oplysninger skal repræsenteres. Et illustrativt resultat kan være en struktureret post med en dokumentidentifikator, dato og linjeposter, hvor usikkerheder holdes adskilt fra det synligt tilstedeværende. Det angivne billede leverer grundlaget for udtrækket.
Qwens meddelelse introducerer QwenVL HTML til dokumentparsing med layoutoplysninger. Den viser magasiner, forskningsartikler, websider og mobilskærmbilleder, hvor overskrifter, afsnit, billeder og formler kombineres med oplysninger om afgrænsningsbokse. Det er nyttigt, når læserækkefølge og sidestruktur er lige så vigtige som ordene. Bed udtrykkeligt om repræsentationen: almindelig tekst til læsning, JSON til udvalgte felter eller producentens layoutorienterede HTML-format. En scannet rapport kan organiseres i overskrifter og afsnit, før en yderligere instruktion beder om et resumé af et bestemt afsnit.
Til video dokumenterer Qwen forståelse af materiale på over én time, søgning efter begivenheder og tidsmæssig lokalisering ned til sekunder. Træning med dynamisk billedhastighed og absolut tidskodning hjælper med at repræsentere begivenhedernes tempo og placering. Officielle eksempler identificerer det segment, hvor en beskrevet handling foregår, og returnerer en række begivenheder med starttider, sluttider og beskrivelser. Angiv den begivenhed, der skal findes, og specificér sekunder eller et tidsstempelformat. En praktisk opgave kan bede om de relevante segmenter i en lang demonstration efterfulgt af en kort beskrivelse af, hvad der sker i hvert segment.
Modellen præsenteres også som en visuel agent til computer- og mobilbrug: den kan ræsonnere ud fra en skærm og dirigere værktøjer mod en opgave. Lokalisering og skærmforståelse kan identificere en relevant kontrol eller den næste tilsigtede interaktion. En applikation leverer skærmen, de tilgængelige handlinger og målet, udfører en ønsket handling og returnerer den nye tilstand. Opgaven kan for eksempel bede om den kontrol, der kræves for at nå en bestemt visning, med et punkt eller en boks, der identificerer den. Modellens tekstlige handlingsbeskrivelse og applikationens udførte interaktion er separate trin.
Qwens processor gør det muligt at styre billedets pixelantal. Det dokumenterede standardinterval er 4 til 16.384 visuelle tokens pr. billede; 256 til 1.280 tokens er en eksempelindstilling, ikke en universel billedgrænse. Størrelsesændring kan bevare billedformatet, og eksplicitte dimensioner afrundes til et multiplum af 28. Højere opløsning bruger mere beregning og kan bevare lille tekst eller detaljer i tætte diagrammer. Tilpas forberedelsen til spørgsmålet, så vigtige betegnelser er læselige, og den relevante side eller region er tydelig. Videoeksempler bruger billedsekvenser eller en video med oplysninger om billedhastighed, hvilket er vigtigt, når et svar skal indeholde tidsstempler.
Kortets aktuelle konfiguration er sat til 32.768 konteksttokens. Det beskriver en YaRN-udvidelse, men advarer om, at denne kan påvirke tidsmæssig og rumlig lokalisering betydeligt, og anbefaler den ikke til disse opgaver. Det behandler særskilt en større positionsindstilling til lang video. Forståelse i timeskala er en dokumenteret evne frem for en universel grænse for uploadvarighed eller outputlængde. Vælg et resultat, der bevarer de oplysninger, som skal bruges videre: felter til en post, koordinater til lokalisering, layout til et dokument eller tidsangivne beskrivelser til en video.
", "aboutText": "Qwen2.5-VL-72B-Instruct er den instruktionstilpassede 72B-udgave af Qwen2.5-VL, udviklet til at forstå visuelt materiale sammen med tekst. Qwen beskriver genkendelse af genstande, produkter og vartegn samt fortolkning af tekst, diagrammer, ikoner, grafik og layout inde i billeder. Input kombinerer et skriftligt spørgsmål med et eller flere billeder eller en video; output er tekst, herunder strukturerede beskrivelser og udtrukne oplysninger. Sammenlignet med Qwen2-VL fremhæver producenten bedre opfattelse af tid og billedskala og en revideret vision-encoder med dynamisk opløsning, der bruger vinduesbaseret attention.\n\nVisuel lokalisering er en anden evne end at beskrive et billede. Modellen kan returnere afgrænsningsbokse eller punkter med betegnelser og attributter i JSON. Qwen2.5-VL bruger koordinater i billedets faktiske størrelsesskala frem for et normaliseret koordinatsystem. Angiv de genstande, der skal lokaliseres, og de påkrævede felter, som bbox_2d og label, sammen med koordinaternes fortolkning. Hvis billedets størrelse ændres før analysen, skal du bevare størrelsesoplysningerne sammen med de returnerede koordinater, så de kan fortolkes i forhold til det samme billede. Qwens eksempler kombinerer detektion med optælling og beskrivelser af genstande.\n\nProducenten fremhæver tekstgenkendelse på tværs af sprog, orienteringer og forskellige typer scener. Eksemplerne udtrækker tekstlinjer, knytter tekst til placeringer og henter bestemte felter fra kvitteringer eller formularer. Til en dokumentopgave skal du angive en tydelig scanning, definere felterne og beskrive, hvordan manglende eller ulæselige oplysninger skal repræsenteres. Et illustrativt resultat kan være en struktureret post med en dokumentidentifikator, dato og linjeposter, hvor usikkerheder holdes adskilt fra det synligt tilstedeværende. Det angivne billede leverer grundlaget for udtrækket.\n\nQwens meddelelse introducerer QwenVL HTML til dokumentparsing med layoutoplysninger. Den viser magasiner, forskningsartikler, websider og mobilskærmbilleder, hvor overskrifter, afsnit, billeder og formler kombineres med oplysninger om afgrænsningsbokse. Det er nyttigt, når læserækkefølge og sidestruktur er lige så vigtige som ordene. Bed udtrykkeligt om repræsentationen: almindelig tekst til læsning, JSON til udvalgte felter eller producentens layoutorienterede HTML-format. En scannet rapport kan organiseres i overskrifter og afsnit, før en yderligere instruktion beder om et resumé af et bestemt afsnit.\n\nTil video dokumenterer Qwen forståelse af materiale på over én time, søgning efter begivenheder og tidsmæssig lokalisering ned til sekunder. Træning med dynamisk billedhastighed og absolut tidskodning hjælper med at repræsentere begivenhedernes tempo og placering. Officielle eksempler identificerer det segment, hvor en beskrevet handling foregår, og returnerer en række begivenheder med starttider, sluttider og beskrivelser. Angiv den begivenhed, der skal findes, og specificér sekunder eller et tidsstempelformat. En praktisk opgave kan bede om de relevante segmenter i en lang demonstration efterfulgt af en kort beskrivelse af, hvad der sker i hvert segment.\n\nModellen præsenteres også som en visuel agent til computer- og mobilbrug: den kan ræsonnere ud fra en skærm og dirigere værktøjer mod en opgave. Lokalisering og skærmforståelse kan identificere en relevant kontrol eller den næste tilsigtede interaktion. En applikation leverer skærmen, de tilgængelige handlinger og målet, udfører en ønsket handling og returnerer den nye tilstand. Opgaven kan for eksempel bede om den kontrol, der kræves for at nå en bestemt visning, med et punkt eller en boks, der identificerer den. Modellens tekstlige handlingsbeskrivelse og applikationens udførte interaktion er separate trin.\n\nQwens processor gør det muligt at styre billedets pixelantal. Det dokumenterede standardinterval er 4 til 16.384 visuelle tokens pr. billede; 256 til 1.280 tokens er en eksempelindstilling, ikke en universel billedgrænse. Størrelsesændring kan bevare billedformatet, og eksplicitte dimensioner afrundes til et multiplum af 28. Højere opløsning bruger mere beregning og kan bevare lille tekst eller detaljer i tætte diagrammer. Tilpas forberedelsen til spørgsmålet, så vigtige betegnelser er læselige, og den relevante side eller region er tydelig. Videoeksempler bruger billedsekvenser eller en video med oplysninger om billedhastighed, hvilket er vigtigt, når et svar skal indeholde tidsstempler.\n\nKortets aktuelle konfiguration er sat til 32.768 konteksttokens. Det beskriver en YaRN-udvidelse, men advarer om, at denne kan påvirke tidsmæssig og rumlig lokalisering betydeligt, og anbefaler den ikke til disse opgaver. Det behandler særskilt en større positionsindstilling til lang video. Forståelse i timeskala er en dokumenteret evne frem for en universel grænse for uploadvarighed eller outputlængde. Vælg et resultat, der bevarer de oplysninger, som skal bruges videre: felter til en post, koordinater til lokalisering, layout til et dokument eller tidsangivne beskrivelser til en video.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct er Qwens vision-sprogmodel til billeder, dokumenter, diagrammer og video. Den returnerer tekst, strukturerede udtrukne data og visuelle koordinater og kan lokalisere begivenheder i lange videoer eller ræsonnere om en computer- eller mobilskærm.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2.5-VL-72B-Instruct er den instruktionstilpassede 72B-udgave af Qwen2.5-VL, udviklet til at forstå visuelt materiale sammen med tekst. Qwen beskriver genkendelse af genstande, produkter og vartegn samt fortolkning af tekst, diagrammer, ikoner, grafik og layout inde i billeder. Input kombinerer et skriftligt spørgsmål med et eller flere billeder eller en video; output er tekst, herunder strukturerede beskrivelser og udtrukne oplysninger. Sammenlignet med Qwen2-VL fremhæver producenten bedre opfattelse af tid og billedskala og en revideret vision-encoder med dynamisk opløsning, der bruger vinduesbaseret attention.
Visuel lokalisering er en anden evne end at beskrive et billede. Modellen kan returnere afgrænsningsbokse eller punkter med betegnelser og attributter i JSON. Qwen2.5-VL bruger koordinater i billedets faktiske størrelsesskala frem for et normaliseret koordinatsystem. Angiv de genstande, der skal lokaliseres, og de påkrævede felter, som bbox_2d og label, sammen med koordinaternes fortolkning. Hvis billedets størrelse ændres før analysen, skal du bevare størrelsesoplysningerne sammen med de returnerede koordinater, så de kan fortolkes i forhold til det samme billede. Qwens eksempler kombinerer detektion med optælling og beskrivelser af genstande.
Producenten fremhæver tekstgenkendelse på tværs af sprog, orienteringer og forskellige typer scener. Eksemplerne udtrækker tekstlinjer, knytter tekst til placeringer og henter bestemte felter fra kvitteringer eller formularer. Til en dokumentopgave skal du angive en tydelig scanning, definere felterne og beskrive, hvordan manglende eller ulæselige oplysninger skal repræsenteres. Et illustrativt resultat kan være en struktureret post med en dokumentidentifikator, dato og linjeposter, hvor usikkerheder holdes adskilt fra det synligt tilstedeværende. Det angivne billede leverer grundlaget for udtrækket.
Qwens meddelelse introducerer QwenVL HTML til dokumentparsing med layoutoplysninger. Den viser magasiner, forskningsartikler, websider og mobilskærmbilleder, hvor overskrifter, afsnit, billeder og formler kombineres med oplysninger om afgrænsningsbokse. Det er nyttigt, når læserækkefølge og sidestruktur er lige så vigtige som ordene. Bed udtrykkeligt om repræsentationen: almindelig tekst til læsning, JSON til udvalgte felter eller producentens layoutorienterede HTML-format. En scannet rapport kan organiseres i overskrifter og afsnit, før en yderligere instruktion beder om et resumé af et bestemt afsnit.
Til video dokumenterer Qwen forståelse af materiale på over én time, søgning efter begivenheder og tidsmæssig lokalisering ned til sekunder. Træning med dynamisk billedhastighed og absolut tidskodning hjælper med at repræsentere begivenhedernes tempo og placering. Officielle eksempler identificerer det segment, hvor en beskrevet handling foregår, og returnerer en række begivenheder med starttider, sluttider og beskrivelser. Angiv den begivenhed, der skal findes, og specificér sekunder eller et tidsstempelformat. En praktisk opgave kan bede om de relevante segmenter i en lang demonstration efterfulgt af en kort beskrivelse af, hvad der sker i hvert segment.
Modellen præsenteres også som en visuel agent til computer- og mobilbrug: den kan ræsonnere ud fra en skærm og dirigere værktøjer mod en opgave. Lokalisering og skærmforståelse kan identificere en relevant kontrol eller den næste tilsigtede interaktion. En applikation leverer skærmen, de tilgængelige handlinger og målet, udfører en ønsket handling og returnerer den nye tilstand. Opgaven kan for eksempel bede om den kontrol, der kræves for at nå en bestemt visning, med et punkt eller en boks, der identificerer den. Modellens tekstlige handlingsbeskrivelse og applikationens udførte interaktion er separate trin.
Qwens processor gør det muligt at styre billedets pixelantal. Det dokumenterede standardinterval er 4 til 16.384 visuelle tokens pr. billede; 256 til 1.280 tokens er en eksempelindstilling, ikke en universel billedgrænse. Størrelsesændring kan bevare billedformatet, og eksplicitte dimensioner afrundes til et multiplum af 28. Højere opløsning bruger mere beregning og kan bevare lille tekst eller detaljer i tætte diagrammer. Tilpas forberedelsen til spørgsmålet, så vigtige betegnelser er læselige, og den relevante side eller region er tydelig. Videoeksempler bruger billedsekvenser eller en video med oplysninger om billedhastighed, hvilket er vigtigt, når et svar skal indeholde tidsstempler.
Kortets aktuelle konfiguration er sat til 32.768 konteksttokens. Det beskriver en YaRN-udvidelse, men advarer om, at denne kan påvirke tidsmæssig og rumlig lokalisering betydeligt, og anbefaler den ikke til disse opgaver. Det behandler særskilt en større positionsindstilling til lang video. Forståelse i timeskala er en dokumenteret evne frem for en universel grænse for uploadvarighed eller outputlængde. Vælg et resultat, der bevarer de oplysninger, som skal bruges videre: felter til en post, koordinater til lokalisering, layout til et dokument eller tidsangivne beskrivelser til en video.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen2.5-vl-72b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0016 / 1K tokens Output · Outputtokens $0.002 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0016 / 1K tokens Output · Outputtokens $0.002 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-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='qwen/qwen2.5-vl-72b-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='qwen/qwen2.5-vl-72b-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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct er Qwens vision-sprogmodel til billeder, dokumenter, diagrammer og video. Den returnerer tekst, strukturerede udtrukne data og visuelle koordinater og kan lokalisere begivenheder i lange videoer eller ræsonnere om en computer- eller mobilskærm.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2.5-VL-72B-Instruct er den instruktionstilpassede 72B-udgave af Qwen2.5-VL, udviklet til at forstå visuelt materiale sammen med tekst. Qwen beskriver genkendelse af genstande, produkter og vartegn samt fortolkning af tekst, diagrammer, ikoner, grafik og layout inde i billeder. Input kombinerer et skriftligt spørgsmål med et eller flere billeder eller en video; output er tekst, herunder strukturerede beskrivelser og udtrukne oplysninger. Sammenlignet med Qwen2-VL fremhæver producenten bedre opfattelse af tid og billedskala og en revideret vision-encoder med dynamisk opløsning, der bruger vinduesbaseret attention.
Visuel lokalisering er en anden evne end at beskrive et billede. Modellen kan returnere afgrænsningsbokse eller punkter med betegnelser og attributter i JSON. Qwen2.5-VL bruger koordinater i billedets faktiske størrelsesskala frem for et normaliseret koordinatsystem. Angiv de genstande, der skal lokaliseres, og de påkrævede felter, som bbox_2d og label, sammen med koordinaternes fortolkning. Hvis billedets størrelse ændres før analysen, skal du bevare størrelsesoplysningerne sammen med de returnerede koordinater, så de kan fortolkes i forhold til det samme billede. Qwens eksempler kombinerer detektion med optælling og beskrivelser af genstande.
Producenten fremhæver tekstgenkendelse på tværs af sprog, orienteringer og forskellige typer scener. Eksemplerne udtrækker tekstlinjer, knytter tekst til placeringer og henter bestemte felter fra kvitteringer eller formularer. Til en dokumentopgave skal du angive en tydelig scanning, definere felterne og beskrive, hvordan manglende eller ulæselige oplysninger skal repræsenteres. Et illustrativt resultat kan være en struktureret post med en dokumentidentifikator, dato og linjeposter, hvor usikkerheder holdes adskilt fra det synligt tilstedeværende. Det angivne billede leverer grundlaget for udtrækket.
Qwens meddelelse introducerer QwenVL HTML til dokumentparsing med layoutoplysninger. Den viser magasiner, forskningsartikler, websider og mobilskærmbilleder, hvor overskrifter, afsnit, billeder og formler kombineres med oplysninger om afgrænsningsbokse. Det er nyttigt, når læserækkefølge og sidestruktur er lige så vigtige som ordene. Bed udtrykkeligt om repræsentationen: almindelig tekst til læsning, JSON til udvalgte felter eller producentens layoutorienterede HTML-format. En scannet rapport kan organiseres i overskrifter og afsnit, før en yderligere instruktion beder om et resumé af et bestemt afsnit.
Til video dokumenterer Qwen forståelse af materiale på over én time, søgning efter begivenheder og tidsmæssig lokalisering ned til sekunder. Træning med dynamisk billedhastighed og absolut tidskodning hjælper med at repræsentere begivenhedernes tempo og placering. Officielle eksempler identificerer det segment, hvor en beskrevet handling foregår, og returnerer en række begivenheder med starttider, sluttider og beskrivelser. Angiv den begivenhed, der skal findes, og specificér sekunder eller et tidsstempelformat. En praktisk opgave kan bede om de relevante segmenter i en lang demonstration efterfulgt af en kort beskrivelse af, hvad der sker i hvert segment.
Modellen præsenteres også som en visuel agent til computer- og mobilbrug: den kan ræsonnere ud fra en skærm og dirigere værktøjer mod en opgave. Lokalisering og skærmforståelse kan identificere en relevant kontrol eller den næste tilsigtede interaktion. En applikation leverer skærmen, de tilgængelige handlinger og målet, udfører en ønsket handling og returnerer den nye tilstand. Opgaven kan for eksempel bede om den kontrol, der kræves for at nå en bestemt visning, med et punkt eller en boks, der identificerer den. Modellens tekstlige handlingsbeskrivelse og applikationens udførte interaktion er separate trin.
Qwens processor gør det muligt at styre billedets pixelantal. Det dokumenterede standardinterval er 4 til 16.384 visuelle tokens pr. billede; 256 til 1.280 tokens er en eksempelindstilling, ikke en universel billedgrænse. Størrelsesændring kan bevare billedformatet, og eksplicitte dimensioner afrundes til et multiplum af 28. Højere opløsning bruger mere beregning og kan bevare lille tekst eller detaljer i tætte diagrammer. Tilpas forberedelsen til spørgsmålet, så vigtige betegnelser er læselige, og den relevante side eller region er tydelig. Videoeksempler bruger billedsekvenser eller en video med oplysninger om billedhastighed, hvilket er vigtigt, når et svar skal indeholde tidsstempler.
Kortets aktuelle konfiguration er sat til 32.768 konteksttokens. Det beskriver en YaRN-udvidelse, men advarer om, at denne kan påvirke tidsmæssig og rumlig lokalisering betydeligt, og anbefaler den ikke til disse opgaver. Det behandler særskilt en større positionsindstilling til lang video. Forståelse i timeskala er en dokumenteret evne frem for en universel grænse for uploadvarighed eller outputlængde. Vælg et resultat, der bevarer de oplysninger, som skal bruges videre: felter til en post, koordinater til lokalisering, layout til et dokument eller tidsangivne beskrivelser til en video.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen2.5-vl-72b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0016 / 1K tokens Output · Outputtokens $0.002 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0016 / 1K tokens Output · Outputtokens $0.002 / 1K tokens Input · Cachelæsning $0.0008 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen2.5-vl-72b-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': 'qwen/qwen2.5-vl-72b-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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.