modeller

Qwen2 VL 72B Instruct

Markdown · JSON

Qwen2 VL 72B Instruct

Qwen2-VL-72B-Instruct kombinerer tekst, billeder og video til visuelle spørgsmål, dokumentlæsning og flersproget tekst i billeder. Producenten beskriver videoforståelse ud over 20 minutter, dynamisk billedopløsning og integrationer med visuelle agenter; svaret er tekst.

Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

Qwen2-VL-72B-Instruct er den instruktionstilpassede 72B-version til billeder og sprog bygget omkring Qwen2. Den modtager tekst sammen med billeder eller video og genererer et tekstsvar. Producenten fremhæver forståelse af billeder med forskellige opløsninger og sideforhold, fortolkning af tekst i billeder, ræsonnementer om synlige relationer og besvarelse af spørgsmål om videoer på over 20 minutter.

Billed- og videoevner

Ved en dokumentside skal du bede om det konkrete indhold, du har brug for: en passage, en tabelrække, en formel eller betingelserne knyttet til et udsagn. Hold siden læsbar, og angiv, om resultatet skal gengive ordlyden, sammenfatte den eller forklare betydningen. Et nyttigt dokumentoutput kan bevare den oprindelige afsnitsmærkning ved siden af det udtrukne indhold. Ved et diagram skal du spørge, hvordan de mærkede elementer hænger sammen, og angive den relation, der skal forklares.

Den dokumenterede videobrug omfatter spørgsmål, dialog og skriftligt indhold baseret på den synlige sekvens. Definér den hændelse eller ændring, der skal undersøges: hvornår et objekt dukker op, hvad der sker før et bestemt trin, eller hvordan en demonstreret handling hænger sammen med en skriftlig procedure. Bed om en ordnet hændelsesbeskrivelse eller en sammenligning mellem de synlige trin og den givne procedure. Producentens udsagn om over 20 minutter beskriver forståelse af lange videoer; det er ikke en fast maksimal videovarighed eller en garanti for, at ethvert råklip passer i en uændret inputkonfiguration.

Brug med visuelle agenter

Udgivelsen positionerer også Qwen2-VL til visuelle agenter forbundet med mobilenheder, robotter og andre værktøjer. Meddelelsen beskriver scenarier med funktionskald og kodefortolker, såsom at producere kode ud fra et diagram eller bruge et visuelt spørgsmål til at anmode om et eksternt opslag. Den omgivende applikation leverer værktøjerne, udfører den foreslåede handling og returnerer resultatet. Modellens tekstsvar alene klikker ikke på et betjeningselement, flytter en enhed eller udfører det genererede program.

En praktisk grænsefladeopgave kan give et skærmbillede og brugerens mål og spørge om det synlige betjeningselement, der er relevant for næste trin, og det grundlag, der støtter valget. Hold observation, foreslået handling og faktisk udførelse som separate dele af arbejdsgangen. Det bruger fokus på visuelle agenter og gør det ønskede resultat konkret nok til, at applikationen kan handle på det.

Flersproget tekst i billeder

Producenten beskriver genkendelse af tekst i billeder på engelsk og kinesisk, de fleste europæiske sprog samt sprog som japansk, koreansk, arabisk og vietnamesisk. En flersproget side kan derfor behandles som en visuel læseopgave. Bed først om den oprindelige transskription, når den præcise ordlyd betyder noget, og derefter en oversættelse eller forklaring på det valgte sprog. Bevar mærkninger og tal frem for at blande genkendelse med en uspecificeret omskrivning.

Dynamisk opløsning og positionsinformation

Qwen2-VL kombinerer en billedencoder med Qwen2-sprogmodellen. Naive Dynamic Resolution omsætter forskellige billedstørrelser til forskellige antal visuelle tokens. Multimodal Rotary Position Embedding adskiller positionsinformation, så modellen kan repræsentere tekstens rækkefølge, todimensionelle billeder samt videoens tidslige og rumlige struktur. Disse funktioner forklarer, hvordan samme familie håndterer en side, flere billeder eller en videosekvens.

Modelkortets billedprocessor dokumenterer et standardinterval på 4 til 16.384 visuelle tokens pr. billede. Applikationen kan justere mindste og største pixelantal og bevare sideforholdet eller bede om dimensioner, der afrundes til et multiplum af 28. Eksempelintervallet 256 til 1.280 tokens er en konfigurerbar illustration, ikke en separat universel billedgrænse. Flere billeddetaljer bruger mere beregning og flere visuelle tokens, så bevar de mærkninger, overskrifter og små objekter, som spørgsmålet kræver, når billedet forberedes.

Forberedelse af input og kontekst

Producenten demonstrerer et enkelt billede, flere billeder, video som en billedsekvens eller lokal fil og samtaler i batch. Billedforberedelse omfatter lokale filer, kodede billeddata og billedreferencer. Kortets videoeksempel bruger en valgt billedfrekvens; det fastlægger ikke én påkrævet samplingfrekvens for alle videoer. Angiv rækkefølge og rolle for flere billeder, og giv de oplysninger, der kræves for at fortolke en sekvens, frem for at behandle uvedkommende videobilleder som én scene.

Den udgivne konfiguration sætter maksimale positioner til 32.768. Visuelt materiale og tekstinstruktioner skal planlægges inden for den faktisk konfigurerede kontekst. Kortets genereringseksempel på 128 tokens er kun en eksempelindstilling; det offentliggør ikke en separat maksimal outputkapacitet. 72B-versionen skal beholde sin egen konfiguration frem for at arve indstillingerne til lang kontekst fra Qwen2.5-VL eller en anden Qwen-model.

Væsentlige begrænsninger

Producenten fastslår udtrykkeligt, at Qwen2-VL ikke forstår lyd i videoer. Talt information skal derfor gives separat, hvis spørgsmålet afhænger af den. Billedtræningsdatasættet beskrives som opdateret til og med juni 2023; det er en oplysning om datasættet, ikke et løfte om aktuel visuel viden.

De dokumenterede begrænsninger omfatter også ufuldstændig genkendelse af bestemte personer eller navngiven immateriel ejendom, vanskeligheder med indviklede instruktioner i flere trin, svag optælling i komplekse scener og begrænsninger i tredimensionelle rumlige ræsonnementer. Når opgaven afhænger af en af disse evner, skal du fokusere spørgsmålet på de nødvendige objekter eller relationer og bevare det visuelle grundlag ved siden af svaret. Tydeligt kildemateriale og et defineret output gør resultatet lettere at undersøge uden at erstatte de angivne begrænsninger med en garanti for nøjagtighed.

Praktisk opgave

Praktisk opgave

Teknisk eksempel på engelsk

Read a supplied document transcription

Use this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.

Forventet resultat

A labelled transcription followed by three source-grounded explanations of the conditions.

Kontrollér resultatet

Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions Qwen/Qwen2-VL-72B-Instruct

Qwen/Qwen2-VL-72B-Instruct

Alibaba /Qwen/Qwen2-VL-72B-Instruct

Start

Qwen2-VL-72B-Instruct kombinerer tekst, billeder og video til visuelle spørgsmål, dokumentlæsning og flersproget tekst i billeder. Producenten beskriver videoforståelse ud over 20 minutter, dynamisk billedopløsning og integrationer med visuelle agenter; svaret er tekst.

Accepterede input
Tekst
Resultater
Tekst

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Inputtyper
text
Outputtyper
text
Outputformat
json eller SSE
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
Qwen/Qwen2-VL-72B-Instruct
Standard—
FeltmessagesTypemessage[]KravPåkrævetVærdier og grænser
Minimumsantal elementer: 1
Standard—
Feltmessages[].roleTypestringKravPåkrævetVærdier 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[].contentTypestring|content_part[]|nullKravValgfritVærdier og grænserStandard—
Feltmessages[].tool_callsTypetool_call[]KravValgfritVærdier og grænserStandard—
Feltmessages[].tool_call_idTypestringKravValgfritVærdier og grænser
Gælder når: role=tool; brug det faktisk returnerede ID
Standard—
Feltmessages[].nameTypestringKravValgfritVærdier og grænserStandard—
Feltmessages[].reasoning_contentTypestringKravValgfritVærdier og grænser
Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det
Standard—
Feltmessages[].reasoning_detailsTypeobject|arrayKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltmax_tokensTypeintegerKravValgfritVærdier og grænser
Minimum: 1
Afhænger af modellen
Standard—
Feltmax_completion_tokensTypeintegerKravValgfritVærdier og grænser
Minimum: 1
Afhænger af modellen
Standard—
FeltstreamTypebooleanKravValgfritVærdier og grænserStandardfalse
Feltstream_options.include_usageTypebooleanKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FelttemperatureTypenumberKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Felttop_pTypenumberKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltstopTypestring|string[]KravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FelttoolsTypefunction_tool[]KravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Felttools[].typeTypestringKravValgfritVærdier og grænser
function
Afhænger af modellen
Standard—
Felttools[].function.nameTypestringKravPåkrævetVærdier og grænser
Gælder når: funktionsværktøj angivet
Standard—
Felttools[].function.descriptionTypestringKravValgfritVærdier og grænserStandard—
Felttools[].function.parametersTypeJSON_schemaKravValgfritVærdier og grænserStandard—
Felttool_choiceTypestring|objectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltparallel_tool_callsTypebooleanKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltresponse_formatTypeobjectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltreasoning_effortTypestringKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltreasoningTypeobjectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltservice_tierTypestringKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltinstructionsTypestringKravValgfritVærdier og grænser
Kompatibilitetsfelt
Standard—
FeltfunctionsTypefunction[]KravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltfunction_callTypestring|objectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
Feltprompt_cache_optionsTypeobjectKravValgfritVærdier og grænser
Afhænger af modellen
Standard—
FeltmodalitiesTypestring[]KravValgfritVærdier og grænser
text
Standard—
FeltproviderTypeobjectKravValgfritVærdier og grænser
Betingelser: provider.options afvises på denne Ultra-tekstrute
Standard—
Feltcache_control.ttlTypestringKravValgfritVærdier og grænser
Betingelser: 1h afvises på de faktiske placeringer for promptcaching
Standard—
Kombinationer af inputmaterialer

Tekst · UTF8-tekst

messages[].content

Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, messages
Parametermaterial_typesKontrakttext
ParametermessagesKontraktbeskedarray med strukturen role/content
Parameterfile_materialKontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes
Parameteroptional_controlsKontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeKontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer
Parameteroutput_modalitiesKontrakttext
Parameterhosted_operationsKontraktfalse
Parametermultimodal_input_bindingKontraktnull

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.

Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand
Ikke angivet Når hurtig tilstand er valgt
flex-tilstand
Ikke angivet Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats
Ikke angivet Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Ailoot-takster

Priser efter konfiguration

KonfigurationTakstplanBeløb
KonfigurationGrundtakster for tokensTakstplanGrundtakstBeløb
Input · Inputtokens $0.00118 / 1K tokens
Output · Outputtokens $0.00118 / 1K tokens
Input · Cachelæsning $0 / 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 →

Eksempelanmodninger

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-stream
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "Qwen/Qwen2-VL-72B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Hent og gem resultater

Ailoot Ultra · OpenAI Chat

json eller SSE

Behold alle færdige resultater

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.

Hvis det oprindelige svar skal kontrolleres

Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.

Svarfelter
FeltType
Feltchoices[].indexTypeinteger
Feltchoices[].message.contentTypestring|null
Feltchoices[].message.tool_callsTypetool_call[]
Feltchoices[].message.reasoning_contentTypestring
Feltchoices[].message.reasoning_detailsTypeobject|array
Feltchoices[].finish_reasonTypestring|null
FeltusageTypeobject
Fejl og næste trin
SvarBetingelseNæste trin
Svar400 · invalid_request_errorBetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdiNæste trinRet de angivne felter før en ny oprettelsesanmodning.

Aliaser

Modelaliaser

Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

Qwen/Qwen2-VL-72B-Instruct

Ailoot Ultra · Anthropic Messages POST /v1/messages Qwen/Qwen2-VL-72B-Instruct

Qwen/Qwen2-VL-72B-Instruct

Alibaba /Qwen/Qwen2-VL-72B-Instruct

Start

Qwen2-VL-72B-Instruct kombinerer tekst, billeder og video til visuelle spørgsmål, dokumentlæsning og flersproget tekst i billeder. Producenten beskriver videoforståelse ud over 20 minutter, dynamisk billedopløsning og integrationer med visuelle agenter; svaret er tekst.

Accepterede input
Tekst
Resultater
json · sse

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · Anthropic Messages POST /v1/messages
Inputtyper
text
Outputtyper
json, sse
Outputformat
JSON eller SSE
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
Qwen/Qwen2-VL-72B-Instruct
Standard—
FeltmessagesTypemessage[]KravPåkrævetVærdier og grænserStandard—
Feltmessages[].roleTypestringKravPåkrævetVærdier og grænser
user, assistant
Standard—
Feltmessages[].contentTypestringKravPåkrævetVærdier og grænserStandard—
Feltmax_tokensTypeintegerKravPåkrævetVærdier og grænserStandard—
FeltstreamTypebooleanKravValgfritVærdier og grænserStandardfalse
Kombinationer af inputmaterialer

Tekst · UTF-8-tekst

messages[].content som streng

Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, messages, max_tokens
Parameteroptional_controlsKontraktstream
Parametermaterial_typesKontrakttext
Parametertext_file_materialKontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng.

Livscyklus: synchronous_or_streamed

Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand
Ikke angivet Når hurtig tilstand er valgt
flex-tilstand
Ikke angivet Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats
Ikke angivet Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Ailoot-takster

Priser efter konfiguration

KonfigurationTakstplanBeløb
KonfigurationGrundtakster for tokensTakstplanGrundtakstBeløb
Input · Inputtokens $0.00118 / 1K tokens
Output · Outputtokens $0.00118 / 1K tokens
Input · Cachelæsning $0 / 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 →

Eksempelanmodninger

Ailoot Ultra · Anthropic Messages

Komplet minimalt requestbody i JSONcurl · brug dit UTF-8-dokumentPython · gem hele resultatet
{
  "model": "Qwen/Qwen2-VL-72B-Instruct",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Hent og gem resultater

Ailoot Ultra · Anthropic Messages

JSON eller SSE

Behold alle færdige resultater

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.

Hvis det oprindelige svar skal kontrolleres

Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.

Svarfelter
FeltType
FeltidTypestring
FeltmodelTypestring
Feltcontent[]Typetext|thinking|tool_use|other content block
Feltstop_reasonTypestring|null
FeltusageTypeobject
Fejl og næste trin
SvarBetingelseNæste trin
Svar400 · invalid_request_errorBetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdiNæste trinRet de angivne felter før en ny oprettelsesanmodning.

Aliaser

Modelaliaser

Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

Qwen/Qwen2-VL-72B-Instruct

FAQ · Qwen/Qwen2-VL-72B-Instruct
Hvilke input og resultater er tilgængelige?

POST /v1/chat/completions · Qwen/Qwen2-VL-72B-Instruct: text → text

POST /v1/messages · Qwen/Qwen2-VL-72B-Instruct: text → json, sse

Hvilke felter bruger anmodningen?

POST /v1/chat/completions · Qwen/Qwen2-VL-72B-Instruct: model, messages, stream, modalities, provider

POST /v1/messages · Qwen/Qwen2-VL-72B-Instruct: model, messages, max_tokens, stream

Hvilke grænser gælder?

POST /v1/chat/completions · Qwen/Qwen2-VL-72B-Instruct: messages.min_items: 1

Flere oplysninger

Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation.

Virksomheden og dens projektportefølje

Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.

Køb tokens med rabat.

Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb.

Abonnement
Vælg et abonnement med rabat til dine regelmæssige anmodninger.
Rabatkode på op til 50%
Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne.
Udgifter i historikken
Model, tokens og beløb gemmes for hver anmodning.

Vælg abonnement · Se modelpriser

Tilslut API’et til produktet, du sælger.

SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg.

Kommerciel applikation
Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner.
Licens til forhandlere
Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg.
Dokumenter på websitet
Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning.

Anmod om forhandlerlicens · Tilbudsvilkår og licensaftale