Introduktion: den instruktionstilpassede 3B-udgave
Qwen2.5-VL-3B-Instruct er 3B-medlemmet af Qwen2.5-VL. Den accepterer tekstinstruktioner med billeder eller video og genererer tekstsvar, herunder strukturerede data. Vælg den til et klart defineret visuelt spørgsmål, en dokumentudtræksopgave eller en forklaring, der forbinder synligt indhold med brugerens anmodning. Denne præcise størrelse og udgivelse bevarer deres egen identitet; man bør ikke antage, at funktioner, der specifikt er føjet til andre størrelser eller senere Qwen-generationer, gælder for dette checkpoint.
Visuel forståelse og agentarbejdsgange
Qwen beskriver genkendelse af almindelige objekter og analyse af skrift, diagrammer, ikoner, grafik og sidelayout. For en formular skal du angive de krævede felter og betydningen af en tom værdi. For et diagram kan du bede om akser, enheder og synlige værdier, der understøtter konklusionen. En fokuseret anmodning gør outputtet lettere at sammenligne med det oprindelige billede end en bred anmodning om at beskrive alt.
Familien understøtter også ræsonnering med visuelle agenter og styring af værktøjer til computer- eller telefonarbejdsgange. Modellen kan fortolke en grænseflade og hjælpe med at beslutte en handling; tilsluttede applikationsværktøjer udfører handlingen. En skærmbilledgennemgang kan spørge, hvilket betjeningselement der svarer til en opgave, og hvilke synlige oplysninger der understøtter valget. Denne brug af visuel ræsonnering giver ikke i sig selv kontrol over en enhed.
Lang video og hændelseslokalisering
Producenten beskriver forståelse af videoer på over en time og identifikation af de segmenter, der er relevante for en ønsket hændelse. Det er en familiefunktion frem for en ubetinget grænse for medieupload eller en garanti for, at hvert videobillede bevares. Forbered det relevante klip, bevar dets tidsoplysninger, og stil et præcist spørgsmål om hændelsen, sekvensen eller ændringen. Modellens tilgang til videobehandling bruger oplysninger om billedfrekvens til at tilpasse visuelle observationer til absolut tid.
Lokalisering og strukturerede dokumenter
Qwen2.5-VL kan returnere objektplaceringer som afgrænsningsbokse eller punkter med koordinater og attributter i JSON. Til en lokaliseringsopgave skal du angive målobjektet og specificere, om resultatet skal være et punkt eller en boks. Gør koordinatkonventionen udtrykkelig i den modtagende applikation frem for at udlede en fysisk måling af et vilkårligt fotografi.
Producenten dokumenterer også struktureret udtræk fra scannede fakturaer, formularer og tabeller. Lever en læselig side og et outputskema: eksempelvis feltnavn, udtrukket tekst og det synlige område, der understøtter den. Bevar enheder, decimalseparatorer og tabeloverskrifter i kilden. Behandl usikkert eller ulæseligt indhold som en sag til gennemgang frem for at bede modellen opfinde en manglende værdi. Disse forberedelseseksempler anvender dokumenterede funktioner; de er ikke garantier for præcist udtræk.
Arkitekturændringer
Dynamisk billedopløsning udvides til video gennem træning med variabel billedfrekvens. Opdateret multimodal positionskodning repræsenterer tidsmæssig sekvens og absolut tid og hjælper med at identificere bestemte øjeblikke og hastighedsændringer. Vision-encoderen bruger window attention sammen med SwiGLU og RMSNorm. Disse ændringer beskriver, hvordan modellen behandler visuelt materiale; de dokumenterer ikke en fast svartid for en bestemt applikation.
Forberedelse af billeder og video
De officielle eksempler omfatter enkeltbilleder, flere billeder, rene tekstsamtaler, videofiler og ordnede lister over videobilleder. Mærk flere visuelle input, så et spørgsmål kan henvise til hvert enkelt. Til en billedsammenligning skal du bede om en tabel organiseret efter mærkerne og begrænse resultatet til synlige forskelle. Til en videotidslinje skal du bevare rækkefølgen og timingen af videobilleder frem for at præsentere løsrevne billeder, som om de havde en kendt varighed.
Billedprocessorens dokumenterede standard spænder fra fire til 16,384 visuelle tokens pr. billede. Dens eksempel kan sigte efter 256–1,280 tokens ved at indstille pixelgrænser. Den bevarer billedformatet inden for disse grænser, mens udtrykkelige størrelsesændrede dimensioner tilpasses til multipla af 28. Flere detaljer bruger mere beregning og sekvensplads, så et lille tekstfelt kan kræve et udsnit med højere opløsning, mens et bredt sceneresumé måske ikke gør. Det er producentens behandlingsindstillinger; applikationens uploadmuligheder kan være anderledes.
Kontekst og væsentlige begrænsninger
Den offentliggjorte checkpointkonfiguration sætter maksimalt antal positioner til 128,000, mens det medfølgende afsnit om lang tekst stadig drøfter en startkonfiguration på 32,768 tokens. Vejledningen beskriver YaRN-ekstrapolation, men advarer om, at den kan påvirke tidsmæssig og rumlig lokalisering væsentligt, og anbefaler ikke metoden til disse opgaver. Den bemærker særskilt, at videopositionskodning kan tillade en større positionsindstilling, og giver 64K som eksempel. Disse forskellige konfigurationsbeskrivelser bør ikke sammenfattes til ét universelt valideret inputloft.
Tekst, visuelt materiale og svaret deler et endeligt sekvensbudget. Hold relevant indhold læseligt, reservér plads til resultatet, og kontrollér udtrukket tekst, koordinater og hændelsestider mod originalen. Kortets genereringseksempel på 128 tokens er illustrativt og dokumenterer ikke et separat hårdt outputmaksimum. Denne model returnerer tekstanalyse eller strukturerede oplysninger; dens vision-language-funktioner betyder ikke, at den genererer billeder eller video.
", "aboutText": "Introduktion: den instruktionstilpassede 3B-udgave\n\nQwen2.5-VL-3B-Instruct er 3B-medlemmet af Qwen2.5-VL. Den accepterer tekstinstruktioner med billeder eller video og genererer tekstsvar, herunder strukturerede data. Vælg den til et klart defineret visuelt spørgsmål, en dokumentudtræksopgave eller en forklaring, der forbinder synligt indhold med brugerens anmodning. Denne præcise størrelse og udgivelse bevarer deres egen identitet; man bør ikke antage, at funktioner, der specifikt er føjet til andre størrelser eller senere Qwen-generationer, gælder for dette checkpoint.\n\nVisuel forståelse og agentarbejdsgange\n\nQwen beskriver genkendelse af almindelige objekter og analyse af skrift, diagrammer, ikoner, grafik og sidelayout. For en formular skal du angive de krævede felter og betydningen af en tom værdi. For et diagram kan du bede om akser, enheder og synlige værdier, der understøtter konklusionen. En fokuseret anmodning gør outputtet lettere at sammenligne med det oprindelige billede end en bred anmodning om at beskrive alt.\n\nFamilien understøtter også ræsonnering med visuelle agenter og styring af værktøjer til computer- eller telefonarbejdsgange. Modellen kan fortolke en grænseflade og hjælpe med at beslutte en handling; tilsluttede applikationsværktøjer udfører handlingen. En skærmbilledgennemgang kan spørge, hvilket betjeningselement der svarer til en opgave, og hvilke synlige oplysninger der understøtter valget. Denne brug af visuel ræsonnering giver ikke i sig selv kontrol over en enhed.\n\nLang video og hændelseslokalisering\n\nProducenten beskriver forståelse af videoer på over en time og identifikation af de segmenter, der er relevante for en ønsket hændelse. Det er en familiefunktion frem for en ubetinget grænse for medieupload eller en garanti for, at hvert videobillede bevares. Forbered det relevante klip, bevar dets tidsoplysninger, og stil et præcist spørgsmål om hændelsen, sekvensen eller ændringen. Modellens tilgang til videobehandling bruger oplysninger om billedfrekvens til at tilpasse visuelle observationer til absolut tid.\n\nLokalisering og strukturerede dokumenter\n\nQwen2.5-VL kan returnere objektplaceringer som afgrænsningsbokse eller punkter med koordinater og attributter i JSON. Til en lokaliseringsopgave skal du angive målobjektet og specificere, om resultatet skal være et punkt eller en boks. Gør koordinatkonventionen udtrykkelig i den modtagende applikation frem for at udlede en fysisk måling af et vilkårligt fotografi.\n\nProducenten dokumenterer også struktureret udtræk fra scannede fakturaer, formularer og tabeller. Lever en læselig side og et outputskema: eksempelvis feltnavn, udtrukket tekst og det synlige område, der understøtter den. Bevar enheder, decimalseparatorer og tabeloverskrifter i kilden. Behandl usikkert eller ulæseligt indhold som en sag til gennemgang frem for at bede modellen opfinde en manglende værdi. Disse forberedelseseksempler anvender dokumenterede funktioner; de er ikke garantier for præcist udtræk.\n\nArkitekturændringer\n\nDynamisk billedopløsning udvides til video gennem træning med variabel billedfrekvens. Opdateret multimodal positionskodning repræsenterer tidsmæssig sekvens og absolut tid og hjælper med at identificere bestemte øjeblikke og hastighedsændringer. Vision-encoderen bruger window attention sammen med SwiGLU og RMSNorm. Disse ændringer beskriver, hvordan modellen behandler visuelt materiale; de dokumenterer ikke en fast svartid for en bestemt applikation.\n\nForberedelse af billeder og video\n\nDe officielle eksempler omfatter enkeltbilleder, flere billeder, rene tekstsamtaler, videofiler og ordnede lister over videobilleder. Mærk flere visuelle input, så et spørgsmål kan henvise til hvert enkelt. Til en billedsammenligning skal du bede om en tabel organiseret efter mærkerne og begrænse resultatet til synlige forskelle. Til en videotidslinje skal du bevare rækkefølgen og timingen af videobilleder frem for at præsentere løsrevne billeder, som om de havde en kendt varighed.\n\nBilledprocessorens dokumenterede standard spænder fra fire til 16,384 visuelle tokens pr. billede. Dens eksempel kan sigte efter 256–1,280 tokens ved at indstille pixelgrænser. Den bevarer billedformatet inden for disse grænser, mens udtrykkelige størrelsesændrede dimensioner tilpasses til multipla af 28. Flere detaljer bruger mere beregning og sekvensplads, så et lille tekstfelt kan kræve et udsnit med højere opløsning, mens et bredt sceneresumé måske ikke gør. Det er producentens behandlingsindstillinger; applikationens uploadmuligheder kan være anderledes.\n\nKontekst og væsentlige begrænsninger\n\nDen offentliggjorte checkpointkonfiguration sætter maksimalt antal positioner til 128,000, mens det medfølgende afsnit om lang tekst stadig drøfter en startkonfiguration på 32,768 tokens. Vejledningen beskriver YaRN-ekstrapolation, men advarer om, at den kan påvirke tidsmæssig og rumlig lokalisering væsentligt, og anbefaler ikke metoden til disse opgaver. Den bemærker særskilt, at videopositionskodning kan tillade en større positionsindstilling, og giver 64K som eksempel. Disse forskellige konfigurationsbeskrivelser bør ikke sammenfattes til ét universelt valideret inputloft.\n\nTekst, visuelt materiale og svaret deler et endeligt sekvensbudget. Hold relevant indhold læseligt, reservér plads til resultatet, og kontrollér udtrukket tekst, koordinater og hændelsestider mod originalen. Kortets genereringseksempel på 128 tokens er illustrativt og dokumenterer ikke et separat hårdt outputmaksimum. Denne model returnerer tekstanalyse eller strukturerede oplysninger; dens vision-language-funktioner betyder ikke, at den genererer billeder eller video.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct er Qwens kompakte, instruktionstilpassede vision-language-model til tekst, billeder og video. Den returnerer tekst og strukturerede visuelle oplysninger, herunder dokumentfelter, objektkoordinater og hændelsesbeskrivelser, med dynamisk opløsning og tidsbevidst videobehandling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Introduktion: den instruktionstilpassede 3B-udgave
Qwen2.5-VL-3B-Instruct er 3B-medlemmet af Qwen2.5-VL. Den accepterer tekstinstruktioner med billeder eller video og genererer tekstsvar, herunder strukturerede data. Vælg den til et klart defineret visuelt spørgsmål, en dokumentudtræksopgave eller en forklaring, der forbinder synligt indhold med brugerens anmodning. Denne præcise størrelse og udgivelse bevarer deres egen identitet; man bør ikke antage, at funktioner, der specifikt er føjet til andre størrelser eller senere Qwen-generationer, gælder for dette checkpoint.
Visuel forståelse og agentarbejdsgange
Qwen beskriver genkendelse af almindelige objekter og analyse af skrift, diagrammer, ikoner, grafik og sidelayout. For en formular skal du angive de krævede felter og betydningen af en tom værdi. For et diagram kan du bede om akser, enheder og synlige værdier, der understøtter konklusionen. En fokuseret anmodning gør outputtet lettere at sammenligne med det oprindelige billede end en bred anmodning om at beskrive alt.
Familien understøtter også ræsonnering med visuelle agenter og styring af værktøjer til computer- eller telefonarbejdsgange. Modellen kan fortolke en grænseflade og hjælpe med at beslutte en handling; tilsluttede applikationsværktøjer udfører handlingen. En skærmbilledgennemgang kan spørge, hvilket betjeningselement der svarer til en opgave, og hvilke synlige oplysninger der understøtter valget. Denne brug af visuel ræsonnering giver ikke i sig selv kontrol over en enhed.
Lang video og hændelseslokalisering
Producenten beskriver forståelse af videoer på over en time og identifikation af de segmenter, der er relevante for en ønsket hændelse. Det er en familiefunktion frem for en ubetinget grænse for medieupload eller en garanti for, at hvert videobillede bevares. Forbered det relevante klip, bevar dets tidsoplysninger, og stil et præcist spørgsmål om hændelsen, sekvensen eller ændringen. Modellens tilgang til videobehandling bruger oplysninger om billedfrekvens til at tilpasse visuelle observationer til absolut tid.
Lokalisering og strukturerede dokumenter
Qwen2.5-VL kan returnere objektplaceringer som afgrænsningsbokse eller punkter med koordinater og attributter i JSON. Til en lokaliseringsopgave skal du angive målobjektet og specificere, om resultatet skal være et punkt eller en boks. Gør koordinatkonventionen udtrykkelig i den modtagende applikation frem for at udlede en fysisk måling af et vilkårligt fotografi.
Producenten dokumenterer også struktureret udtræk fra scannede fakturaer, formularer og tabeller. Lever en læselig side og et outputskema: eksempelvis feltnavn, udtrukket tekst og det synlige område, der understøtter den. Bevar enheder, decimalseparatorer og tabeloverskrifter i kilden. Behandl usikkert eller ulæseligt indhold som en sag til gennemgang frem for at bede modellen opfinde en manglende værdi. Disse forberedelseseksempler anvender dokumenterede funktioner; de er ikke garantier for præcist udtræk.
Arkitekturændringer
Dynamisk billedopløsning udvides til video gennem træning med variabel billedfrekvens. Opdateret multimodal positionskodning repræsenterer tidsmæssig sekvens og absolut tid og hjælper med at identificere bestemte øjeblikke og hastighedsændringer. Vision-encoderen bruger window attention sammen med SwiGLU og RMSNorm. Disse ændringer beskriver, hvordan modellen behandler visuelt materiale; de dokumenterer ikke en fast svartid for en bestemt applikation.
Forberedelse af billeder og video
De officielle eksempler omfatter enkeltbilleder, flere billeder, rene tekstsamtaler, videofiler og ordnede lister over videobilleder. Mærk flere visuelle input, så et spørgsmål kan henvise til hvert enkelt. Til en billedsammenligning skal du bede om en tabel organiseret efter mærkerne og begrænse resultatet til synlige forskelle. Til en videotidslinje skal du bevare rækkefølgen og timingen af videobilleder frem for at præsentere løsrevne billeder, som om de havde en kendt varighed.
Billedprocessorens dokumenterede standard spænder fra fire til 16,384 visuelle tokens pr. billede. Dens eksempel kan sigte efter 256–1,280 tokens ved at indstille pixelgrænser. Den bevarer billedformatet inden for disse grænser, mens udtrykkelige størrelsesændrede dimensioner tilpasses til multipla af 28. Flere detaljer bruger mere beregning og sekvensplads, så et lille tekstfelt kan kræve et udsnit med højere opløsning, mens et bredt sceneresumé måske ikke gør. Det er producentens behandlingsindstillinger; applikationens uploadmuligheder kan være anderledes.
Kontekst og væsentlige begrænsninger
Den offentliggjorte checkpointkonfiguration sætter maksimalt antal positioner til 128,000, mens det medfølgende afsnit om lang tekst stadig drøfter en startkonfiguration på 32,768 tokens. Vejledningen beskriver YaRN-ekstrapolation, men advarer om, at den kan påvirke tidsmæssig og rumlig lokalisering væsentligt, og anbefaler ikke metoden til disse opgaver. Den bemærker særskilt, at videopositionskodning kan tillade en større positionsindstilling, og giver 64K som eksempel. Disse forskellige konfigurationsbeskrivelser bør ikke sammenfattes til ét universelt valideret inputloft.
Tekst, visuelt materiale og svaret deler et endeligt sekvensbudget. Hold relevant indhold læseligt, reservér plads til resultatet, og kontrollér udtrukket tekst, koordinater og hændelsestider mod originalen. Kortets genereringseksempel på 128 tokens er illustrativt og dokumenterer ikke et separat hårdt outputmaksimum. Denne model returnerer tekstanalyse eller strukturerede oplysninger; dens vision-language-funktioner betyder ikke, at den genererer billeder eller video.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen2.5-vl-3b-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2.5-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen2.5-vl-3b-instruct
Brug metodestierne vist ovenfor.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct er Qwens kompakte, instruktionstilpassede vision-language-model til tekst, billeder og video. Den returnerer tekst og strukturerede visuelle oplysninger, herunder dokumentfelter, objektkoordinater og hændelsesbeskrivelser, med dynamisk opløsning og tidsbevidst videobehandling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Introduktion: den instruktionstilpassede 3B-udgave
Qwen2.5-VL-3B-Instruct er 3B-medlemmet af Qwen2.5-VL. Den accepterer tekstinstruktioner med billeder eller video og genererer tekstsvar, herunder strukturerede data. Vælg den til et klart defineret visuelt spørgsmål, en dokumentudtræksopgave eller en forklaring, der forbinder synligt indhold med brugerens anmodning. Denne præcise størrelse og udgivelse bevarer deres egen identitet; man bør ikke antage, at funktioner, der specifikt er føjet til andre størrelser eller senere Qwen-generationer, gælder for dette checkpoint.
Visuel forståelse og agentarbejdsgange
Qwen beskriver genkendelse af almindelige objekter og analyse af skrift, diagrammer, ikoner, grafik og sidelayout. For en formular skal du angive de krævede felter og betydningen af en tom værdi. For et diagram kan du bede om akser, enheder og synlige værdier, der understøtter konklusionen. En fokuseret anmodning gør outputtet lettere at sammenligne med det oprindelige billede end en bred anmodning om at beskrive alt.
Familien understøtter også ræsonnering med visuelle agenter og styring af værktøjer til computer- eller telefonarbejdsgange. Modellen kan fortolke en grænseflade og hjælpe med at beslutte en handling; tilsluttede applikationsværktøjer udfører handlingen. En skærmbilledgennemgang kan spørge, hvilket betjeningselement der svarer til en opgave, og hvilke synlige oplysninger der understøtter valget. Denne brug af visuel ræsonnering giver ikke i sig selv kontrol over en enhed.
Lang video og hændelseslokalisering
Producenten beskriver forståelse af videoer på over en time og identifikation af de segmenter, der er relevante for en ønsket hændelse. Det er en familiefunktion frem for en ubetinget grænse for medieupload eller en garanti for, at hvert videobillede bevares. Forbered det relevante klip, bevar dets tidsoplysninger, og stil et præcist spørgsmål om hændelsen, sekvensen eller ændringen. Modellens tilgang til videobehandling bruger oplysninger om billedfrekvens til at tilpasse visuelle observationer til absolut tid.
Lokalisering og strukturerede dokumenter
Qwen2.5-VL kan returnere objektplaceringer som afgrænsningsbokse eller punkter med koordinater og attributter i JSON. Til en lokaliseringsopgave skal du angive målobjektet og specificere, om resultatet skal være et punkt eller en boks. Gør koordinatkonventionen udtrykkelig i den modtagende applikation frem for at udlede en fysisk måling af et vilkårligt fotografi.
Producenten dokumenterer også struktureret udtræk fra scannede fakturaer, formularer og tabeller. Lever en læselig side og et outputskema: eksempelvis feltnavn, udtrukket tekst og det synlige område, der understøtter den. Bevar enheder, decimalseparatorer og tabeloverskrifter i kilden. Behandl usikkert eller ulæseligt indhold som en sag til gennemgang frem for at bede modellen opfinde en manglende værdi. Disse forberedelseseksempler anvender dokumenterede funktioner; de er ikke garantier for præcist udtræk.
Arkitekturændringer
Dynamisk billedopløsning udvides til video gennem træning med variabel billedfrekvens. Opdateret multimodal positionskodning repræsenterer tidsmæssig sekvens og absolut tid og hjælper med at identificere bestemte øjeblikke og hastighedsændringer. Vision-encoderen bruger window attention sammen med SwiGLU og RMSNorm. Disse ændringer beskriver, hvordan modellen behandler visuelt materiale; de dokumenterer ikke en fast svartid for en bestemt applikation.
Forberedelse af billeder og video
De officielle eksempler omfatter enkeltbilleder, flere billeder, rene tekstsamtaler, videofiler og ordnede lister over videobilleder. Mærk flere visuelle input, så et spørgsmål kan henvise til hvert enkelt. Til en billedsammenligning skal du bede om en tabel organiseret efter mærkerne og begrænse resultatet til synlige forskelle. Til en videotidslinje skal du bevare rækkefølgen og timingen af videobilleder frem for at præsentere løsrevne billeder, som om de havde en kendt varighed.
Billedprocessorens dokumenterede standard spænder fra fire til 16,384 visuelle tokens pr. billede. Dens eksempel kan sigte efter 256–1,280 tokens ved at indstille pixelgrænser. Den bevarer billedformatet inden for disse grænser, mens udtrykkelige størrelsesændrede dimensioner tilpasses til multipla af 28. Flere detaljer bruger mere beregning og sekvensplads, så et lille tekstfelt kan kræve et udsnit med højere opløsning, mens et bredt sceneresumé måske ikke gør. Det er producentens behandlingsindstillinger; applikationens uploadmuligheder kan være anderledes.
Kontekst og væsentlige begrænsninger
Den offentliggjorte checkpointkonfiguration sætter maksimalt antal positioner til 128,000, mens det medfølgende afsnit om lang tekst stadig drøfter en startkonfiguration på 32,768 tokens. Vejledningen beskriver YaRN-ekstrapolation, men advarer om, at den kan påvirke tidsmæssig og rumlig lokalisering væsentligt, og anbefaler ikke metoden til disse opgaver. Den bemærker særskilt, at videopositionskodning kan tillade en større positionsindstilling, og giver 64K som eksempel. Disse forskellige konfigurationsbeskrivelser bør ikke sammenfattes til ét universelt valideret inputloft.
Tekst, visuelt materiale og svaret deler et endeligt sekvensbudget. Hold relevant indhold læseligt, reservér plads til resultatet, og kontrollér udtrukket tekst, koordinater og hændelsestider mod originalen. Kortets genereringseksempel på 128 tokens er illustrativt og dokumenterer ikke et separat hårdt outputmaksimum. Denne model returnerer tekstanalyse eller strukturerede oplysninger; dens vision-language-funktioner betyder ikke, at den genererer billeder eller video.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen2.5-vl-3b-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0004 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-vl-3b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.