Qwen2.5-VL-7B-Instruct er den instruktionstilpassede 7B-udgave af Qwen2.5-VL. Den forbinder en tekstinstruktion med billeder eller video og returnerer et tekstresultat. Producentens vigtigste forbedringer omfatter genkendelse af objekter og visuelle detaljer, analyse af tekst og layout, opgaver med visuelle agenter, hændelsesforståelse i lange videoer, objektlokalisering og struktureret udtræk fra dokumenter.
Forståelse af visuelt indhold
Familien går videre end at identificere hovedmotivet i et fotografi. Dens dokumenterede opgaver omfatter analyse af tekst, diagrammer, ikoner, grafik og placeringen af elementer i et billede. For et diagram skal du angive den dataserie eller relation, der skal undersøges, og bevare akser, signaturforklaring og enheder. For et procesdiagram kan du spørge, hvordan de mærkede komponenter hænger sammen, og hvad den synlige opbygning fortæller om processen.
En nyttig sammenligning kan levere et oprindeligt design og et revideret design, identificere hvilket der er hvilket og bede om synlige ændringer i forhold til en kort kravliste. Bed om observationen og det relevante billedområde samlet. Det giver svaret et konkret formål frem for at bede om en generel beskrivelse af to uvedkommende billeder.
Arbejdsgange med visuelle agenter
Producenten positionerer Qwen2.5-VL som en visuel agent, der kan ræsonnere om en skærm og dirigere værktøjer i opgaver med computer- eller telefonbrug. Modellen leverer en fortolkning og en foreslået operation; en omgivende agentapplikation stiller betjeningselementerne til rådighed, udfører operationen og returnerer den nye tilstand. Et tekstsvar eller en forudsagt koordinat er derfor én del af denne integrerede arbejdsgang.
Til et spørgsmål om en grænseflade skal du levere skærmbilledet og det faktiske mål og derefter spørge, hvilket synligt betjeningselement der er relevant, og hvad der bør gøres derefter. Hold det ønskede output specifikt: betjeningselementets etiket, dets placering og den tilsigtede handling. Hvis applikationen derefter udfører handlingen, leverer det næste skærmbillede det opdaterede visuelle input til en efterfølgende beslutning.
Lange videoer og hændelseslokalisering
Producenten beskriver forståelse af videoer på over en time og identifikation af det segment, der indeholder en ønsket hændelse. Det udvider videobeskrivelse til tidsmæssig lokalisering. En opgave kan spørge, hvornår et objekt først vises, hvor en demonstration når et bestemt trin, eller hvilken synlig hændelse der sker før en anden. Angiv, om resultatet skal være et resumé, en ordnet hændelsesliste eller start- og sluttider med en hændelsesbeskrivelse.
Familien trænes med dynamisk sampling af billedfrekvens og tilpasser tidsmæssige positionsoplysninger til absolut tid. Oplysninger om billedfrekvens hører derfor til videoforberedelsen frem for at være et vilkårligt mærke, der kan kasseres, når tidsstempler har betydning. Den dokumenterede evne til lange videoer er ikke en universel specifikation af filstørrelse eller maksimal varighed for enhver inputvej.
Objektlokalisering og strukturerede dokumenter
Qwen2.5-VL kan returnere afgrænsningsbokse eller punkter og organisere koordinater og attributter som JSON. Udgivelsen bruger koordinater på skalaen for billedets faktiske størrelse frem for traditionelle normaliserede koordinater. Angiv, om opgaven kræver en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og bevar billeddimensionerne og eventuelle oplysninger om størrelsesændring, der kræves for at fortolke den returnerede placering.
En visuel lageroptælling kan eksempelvis bede om hvert målobjekt, dets boks og en synlig attribut. En punktbaseret opgave kan bede om placeringen af et mærket betjeningselement eller en bestemt del af et objekt. Det er forslag til outputdesign frem for faste feltnavne, som enhver anmodning skal bruge. Hold hver koordinat knyttet til sit kildebillede, når der medsendes flere billeder.
Producenten fremhæver særskilt struktureret udtræk fra fakturascanninger, formularer og tabeller. Definér felterne, bevar de oprindelige etiketter, og bed om en udtrykkelig repræsentation, når en værdi ikke kan læses. For en tabel skal du bevare kolonneoverskrifter og enheder sammen med de ønskede rækker. En praktisk post kan indeholde dokumentidentifikatoren, feltetiketten, den udtrukne værdi og placeringen, så outputtet kan bruges til senere sammenligning eller menneskelig gennemgang.
Arkitektur og inputforberedelse
Modellen kombinerer dynamisk billedopløsning og dynamisk videosampling med opdaterede multimodale roterende positionsoplysninger. Dens vision-encoder bruger window attention, SwiGLU og RMSNorm. Det er arkitekturændringer, som understøtter visuel og tidsmæssig behandling; de føjer ikke lydinput eller billedgenerering til den dokumenterede arbejdsgang med tekstresultater.
Kortet demonstrerer et enkelt billede, flere billeder, en sekvens af videobilleder, en videofil eller reference og batchbehandlede samtaler. Billedprocessoren dokumenterer et standardinterval fra 4 til 16,384 visuelle tokens pr. billede. Minimums- og maksimumsindstillinger for pixels bevarer billedformatet; ønskede præcise dimensioner afrundes til et multiplum af 28. Eksempelintervallet fra 256 til 1,280 visuelle tokens er en justerbar illustration frem for en separat hård billedgrænse. Bevar de detaljer, spørgsmålet kræver, når du vælger en størrelsesændring.
Kontekst og lokaliseringsfølsomme indstillinger
Den udgivne konfiguration sætter maksimalt antal positioner til 128,000. Modelkortets afsnit om lang tekst beskriver separat et udgangspunkt på 32,768 tokens og et eksempel med YaRN-udvidelse. Det advarer udtrykkeligt om, at denne udvidelse påvirker tidsmæssig og rumlig lokalisering væsentligt, og anbefaler den ikke. Vejledningen drøfter også ændring af maksimalt antal positioner til lange videoer; det er konfigurationsnoter frem for én ubetinget inputgrænse for enhver opgave.
Hold den præcise udgivelseskonfiguration og den visuelle forbehandling tilpasset opgaven, især når koordinater eller hændelsestider har betydning. Kortets genereringseksempel på 128 tokens angiver ikke en separat maksimal outputkapacitet. Qwen2.5-VL-7B-Instruct producerer tekst, koordinater og strukturerede fund; en ekstern handling, et renderet billede, en video eller et talesvar kræver en anden applikationskomponent.
", "aboutText": "Qwen2.5-VL-7B-Instruct er den instruktionstilpassede 7B-udgave af Qwen2.5-VL. Den forbinder en tekstinstruktion med billeder eller video og returnerer et tekstresultat. Producentens vigtigste forbedringer omfatter genkendelse af objekter og visuelle detaljer, analyse af tekst og layout, opgaver med visuelle agenter, hændelsesforståelse i lange videoer, objektlokalisering og struktureret udtræk fra dokumenter.\n\nForståelse af visuelt indhold\n\nFamilien går videre end at identificere hovedmotivet i et fotografi. Dens dokumenterede opgaver omfatter analyse af tekst, diagrammer, ikoner, grafik og placeringen af elementer i et billede. For et diagram skal du angive den dataserie eller relation, der skal undersøges, og bevare akser, signaturforklaring og enheder. For et procesdiagram kan du spørge, hvordan de mærkede komponenter hænger sammen, og hvad den synlige opbygning fortæller om processen.\n\nEn nyttig sammenligning kan levere et oprindeligt design og et revideret design, identificere hvilket der er hvilket og bede om synlige ændringer i forhold til en kort kravliste. Bed om observationen og det relevante billedområde samlet. Det giver svaret et konkret formål frem for at bede om en generel beskrivelse af to uvedkommende billeder.\n\nArbejdsgange med visuelle agenter\n\nProducenten positionerer Qwen2.5-VL som en visuel agent, der kan ræsonnere om en skærm og dirigere værktøjer i opgaver med computer- eller telefonbrug. Modellen leverer en fortolkning og en foreslået operation; en omgivende agentapplikation stiller betjeningselementerne til rådighed, udfører operationen og returnerer den nye tilstand. Et tekstsvar eller en forudsagt koordinat er derfor én del af denne integrerede arbejdsgang.\n\nTil et spørgsmål om en grænseflade skal du levere skærmbilledet og det faktiske mål og derefter spørge, hvilket synligt betjeningselement der er relevant, og hvad der bør gøres derefter. Hold det ønskede output specifikt: betjeningselementets etiket, dets placering og den tilsigtede handling. Hvis applikationen derefter udfører handlingen, leverer det næste skærmbillede det opdaterede visuelle input til en efterfølgende beslutning.\n\nLange videoer og hændelseslokalisering\n\nProducenten beskriver forståelse af videoer på over en time og identifikation af det segment, der indeholder en ønsket hændelse. Det udvider videobeskrivelse til tidsmæssig lokalisering. En opgave kan spørge, hvornår et objekt først vises, hvor en demonstration når et bestemt trin, eller hvilken synlig hændelse der sker før en anden. Angiv, om resultatet skal være et resumé, en ordnet hændelsesliste eller start- og sluttider med en hændelsesbeskrivelse.\n\nFamilien trænes med dynamisk sampling af billedfrekvens og tilpasser tidsmæssige positionsoplysninger til absolut tid. Oplysninger om billedfrekvens hører derfor til videoforberedelsen frem for at være et vilkårligt mærke, der kan kasseres, når tidsstempler har betydning. Den dokumenterede evne til lange videoer er ikke en universel specifikation af filstørrelse eller maksimal varighed for enhver inputvej.\n\nObjektlokalisering og strukturerede dokumenter\n\nQwen2.5-VL kan returnere afgrænsningsbokse eller punkter og organisere koordinater og attributter som JSON. Udgivelsen bruger koordinater på skalaen for billedets faktiske størrelse frem for traditionelle normaliserede koordinater. Angiv, om opgaven kræver en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og bevar billeddimensionerne og eventuelle oplysninger om størrelsesændring, der kræves for at fortolke den returnerede placering.\n\nEn visuel lageroptælling kan eksempelvis bede om hvert målobjekt, dets boks og en synlig attribut. En punktbaseret opgave kan bede om placeringen af et mærket betjeningselement eller en bestemt del af et objekt. Det er forslag til outputdesign frem for faste feltnavne, som enhver anmodning skal bruge. Hold hver koordinat knyttet til sit kildebillede, når der medsendes flere billeder.\n\nProducenten fremhæver særskilt struktureret udtræk fra fakturascanninger, formularer og tabeller. Definér felterne, bevar de oprindelige etiketter, og bed om en udtrykkelig repræsentation, når en værdi ikke kan læses. For en tabel skal du bevare kolonneoverskrifter og enheder sammen med de ønskede rækker. En praktisk post kan indeholde dokumentidentifikatoren, feltetiketten, den udtrukne værdi og placeringen, så outputtet kan bruges til senere sammenligning eller menneskelig gennemgang.\n\nArkitektur og inputforberedelse\n\nModellen kombinerer dynamisk billedopløsning og dynamisk videosampling med opdaterede multimodale roterende positionsoplysninger. Dens vision-encoder bruger window attention, SwiGLU og RMSNorm. Det er arkitekturændringer, som understøtter visuel og tidsmæssig behandling; de føjer ikke lydinput eller billedgenerering til den dokumenterede arbejdsgang med tekstresultater.\n\nKortet demonstrerer et enkelt billede, flere billeder, en sekvens af videobilleder, en videofil eller reference og batchbehandlede samtaler. Billedprocessoren dokumenterer et standardinterval fra 4 til 16,384 visuelle tokens pr. billede. Minimums- og maksimumsindstillinger for pixels bevarer billedformatet; ønskede præcise dimensioner afrundes til et multiplum af 28. Eksempelintervallet fra 256 til 1,280 visuelle tokens er en justerbar illustration frem for en separat hård billedgrænse. Bevar de detaljer, spørgsmålet kræver, når du vælger en størrelsesændring.\n\nKontekst og lokaliseringsfølsomme indstillinger\n\nDen udgivne konfiguration sætter maksimalt antal positioner til 128,000. Modelkortets afsnit om lang tekst beskriver separat et udgangspunkt på 32,768 tokens og et eksempel med YaRN-udvidelse. Det advarer udtrykkeligt om, at denne udvidelse påvirker tidsmæssig og rumlig lokalisering væsentligt, og anbefaler den ikke. Vejledningen drøfter også ændring af maksimalt antal positioner til lange videoer; det er konfigurationsnoter frem for én ubetinget inputgrænse for enhver opgave.\n\nHold den præcise udgivelseskonfiguration og den visuelle forbehandling tilpasset opgaven, især når koordinater eller hændelsestider har betydning. Kortets genereringseksempel på 128 tokens angiver ikke en separat maksimal outputkapacitet. Qwen2.5-VL-7B-Instruct producerer tekst, koordinater og strukturerede fund; en ekstern handling, et renderet billede, en video eller et talesvar kræver en anden applikationskomponent.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct er en vision-language-model til billeder, dokumenter og video. Den producerer tekst og strukturerede fund, herunder objektbokse, punkter og attributter, og bringer tidsmæssig hændelseslokalisering og funktioner til visuelle agenter til 7B-udgaven.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2.5-VL-7B-Instruct er den instruktionstilpassede 7B-udgave af Qwen2.5-VL. Den forbinder en tekstinstruktion med billeder eller video og returnerer et tekstresultat. Producentens vigtigste forbedringer omfatter genkendelse af objekter og visuelle detaljer, analyse af tekst og layout, opgaver med visuelle agenter, hændelsesforståelse i lange videoer, objektlokalisering og struktureret udtræk fra dokumenter.
Forståelse af visuelt indhold
Familien går videre end at identificere hovedmotivet i et fotografi. Dens dokumenterede opgaver omfatter analyse af tekst, diagrammer, ikoner, grafik og placeringen af elementer i et billede. For et diagram skal du angive den dataserie eller relation, der skal undersøges, og bevare akser, signaturforklaring og enheder. For et procesdiagram kan du spørge, hvordan de mærkede komponenter hænger sammen, og hvad den synlige opbygning fortæller om processen.
En nyttig sammenligning kan levere et oprindeligt design og et revideret design, identificere hvilket der er hvilket og bede om synlige ændringer i forhold til en kort kravliste. Bed om observationen og det relevante billedområde samlet. Det giver svaret et konkret formål frem for at bede om en generel beskrivelse af to uvedkommende billeder.
Arbejdsgange med visuelle agenter
Producenten positionerer Qwen2.5-VL som en visuel agent, der kan ræsonnere om en skærm og dirigere værktøjer i opgaver med computer- eller telefonbrug. Modellen leverer en fortolkning og en foreslået operation; en omgivende agentapplikation stiller betjeningselementerne til rådighed, udfører operationen og returnerer den nye tilstand. Et tekstsvar eller en forudsagt koordinat er derfor én del af denne integrerede arbejdsgang.
Til et spørgsmål om en grænseflade skal du levere skærmbilledet og det faktiske mål og derefter spørge, hvilket synligt betjeningselement der er relevant, og hvad der bør gøres derefter. Hold det ønskede output specifikt: betjeningselementets etiket, dets placering og den tilsigtede handling. Hvis applikationen derefter udfører handlingen, leverer det næste skærmbillede det opdaterede visuelle input til en efterfølgende beslutning.
Lange videoer og hændelseslokalisering
Producenten beskriver forståelse af videoer på over en time og identifikation af det segment, der indeholder en ønsket hændelse. Det udvider videobeskrivelse til tidsmæssig lokalisering. En opgave kan spørge, hvornår et objekt først vises, hvor en demonstration når et bestemt trin, eller hvilken synlig hændelse der sker før en anden. Angiv, om resultatet skal være et resumé, en ordnet hændelsesliste eller start- og sluttider med en hændelsesbeskrivelse.
Familien trænes med dynamisk sampling af billedfrekvens og tilpasser tidsmæssige positionsoplysninger til absolut tid. Oplysninger om billedfrekvens hører derfor til videoforberedelsen frem for at være et vilkårligt mærke, der kan kasseres, når tidsstempler har betydning. Den dokumenterede evne til lange videoer er ikke en universel specifikation af filstørrelse eller maksimal varighed for enhver inputvej.
Objektlokalisering og strukturerede dokumenter
Qwen2.5-VL kan returnere afgrænsningsbokse eller punkter og organisere koordinater og attributter som JSON. Udgivelsen bruger koordinater på skalaen for billedets faktiske størrelse frem for traditionelle normaliserede koordinater. Angiv, om opgaven kræver en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og bevar billeddimensionerne og eventuelle oplysninger om størrelsesændring, der kræves for at fortolke den returnerede placering.
En visuel lageroptælling kan eksempelvis bede om hvert målobjekt, dets boks og en synlig attribut. En punktbaseret opgave kan bede om placeringen af et mærket betjeningselement eller en bestemt del af et objekt. Det er forslag til outputdesign frem for faste feltnavne, som enhver anmodning skal bruge. Hold hver koordinat knyttet til sit kildebillede, når der medsendes flere billeder.
Producenten fremhæver særskilt struktureret udtræk fra fakturascanninger, formularer og tabeller. Definér felterne, bevar de oprindelige etiketter, og bed om en udtrykkelig repræsentation, når en værdi ikke kan læses. For en tabel skal du bevare kolonneoverskrifter og enheder sammen med de ønskede rækker. En praktisk post kan indeholde dokumentidentifikatoren, feltetiketten, den udtrukne værdi og placeringen, så outputtet kan bruges til senere sammenligning eller menneskelig gennemgang.
Arkitektur og inputforberedelse
Modellen kombinerer dynamisk billedopløsning og dynamisk videosampling med opdaterede multimodale roterende positionsoplysninger. Dens vision-encoder bruger window attention, SwiGLU og RMSNorm. Det er arkitekturændringer, som understøtter visuel og tidsmæssig behandling; de føjer ikke lydinput eller billedgenerering til den dokumenterede arbejdsgang med tekstresultater.
Kortet demonstrerer et enkelt billede, flere billeder, en sekvens af videobilleder, en videofil eller reference og batchbehandlede samtaler. Billedprocessoren dokumenterer et standardinterval fra 4 til 16,384 visuelle tokens pr. billede. Minimums- og maksimumsindstillinger for pixels bevarer billedformatet; ønskede præcise dimensioner afrundes til et multiplum af 28. Eksempelintervallet fra 256 til 1,280 visuelle tokens er en justerbar illustration frem for en separat hård billedgrænse. Bevar de detaljer, spørgsmålet kræver, når du vælger en størrelsesændring.
Kontekst og lokaliseringsfølsomme indstillinger
Den udgivne konfiguration sætter maksimalt antal positioner til 128,000. Modelkortets afsnit om lang tekst beskriver separat et udgangspunkt på 32,768 tokens og et eksempel med YaRN-udvidelse. Det advarer udtrykkeligt om, at denne udvidelse påvirker tidsmæssig og rumlig lokalisering væsentligt, og anbefaler den ikke. Vejledningen drøfter også ændring af maksimalt antal positioner til lange videoer; det er konfigurationsnoter frem for én ubetinget inputgrænse for enhver opgave.
Hold den præcise udgivelseskonfiguration og den visuelle forbehandling tilpasset opgaven, især når koordinater eller hændelsestider har betydning. Kortets genereringseksempel på 128 tokens angiver ikke en separat maksimal outputkapacitet. Qwen2.5-VL-7B-Instruct producerer tekst, koordinater og strukturerede fund; en ekstern handling, et renderet billede, en video eller et talesvar kræver en anden applikationskomponent.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen2.5-vl-7b-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 $0.0001 / 1K tokens Output · Outputtokens $0.0001 / 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-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-7b-instruct
Brug metodestierne vist ovenfor.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct er en vision-language-model til billeder, dokumenter og video. Den producerer tekst og strukturerede fund, herunder objektbokse, punkter og attributter, og bringer tidsmæssig hændelseslokalisering og funktioner til visuelle agenter til 7B-udgaven.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2.5-VL-7B-Instruct er den instruktionstilpassede 7B-udgave af Qwen2.5-VL. Den forbinder en tekstinstruktion med billeder eller video og returnerer et tekstresultat. Producentens vigtigste forbedringer omfatter genkendelse af objekter og visuelle detaljer, analyse af tekst og layout, opgaver med visuelle agenter, hændelsesforståelse i lange videoer, objektlokalisering og struktureret udtræk fra dokumenter.
Forståelse af visuelt indhold
Familien går videre end at identificere hovedmotivet i et fotografi. Dens dokumenterede opgaver omfatter analyse af tekst, diagrammer, ikoner, grafik og placeringen af elementer i et billede. For et diagram skal du angive den dataserie eller relation, der skal undersøges, og bevare akser, signaturforklaring og enheder. For et procesdiagram kan du spørge, hvordan de mærkede komponenter hænger sammen, og hvad den synlige opbygning fortæller om processen.
En nyttig sammenligning kan levere et oprindeligt design og et revideret design, identificere hvilket der er hvilket og bede om synlige ændringer i forhold til en kort kravliste. Bed om observationen og det relevante billedområde samlet. Det giver svaret et konkret formål frem for at bede om en generel beskrivelse af to uvedkommende billeder.
Arbejdsgange med visuelle agenter
Producenten positionerer Qwen2.5-VL som en visuel agent, der kan ræsonnere om en skærm og dirigere værktøjer i opgaver med computer- eller telefonbrug. Modellen leverer en fortolkning og en foreslået operation; en omgivende agentapplikation stiller betjeningselementerne til rådighed, udfører operationen og returnerer den nye tilstand. Et tekstsvar eller en forudsagt koordinat er derfor én del af denne integrerede arbejdsgang.
Til et spørgsmål om en grænseflade skal du levere skærmbilledet og det faktiske mål og derefter spørge, hvilket synligt betjeningselement der er relevant, og hvad der bør gøres derefter. Hold det ønskede output specifikt: betjeningselementets etiket, dets placering og den tilsigtede handling. Hvis applikationen derefter udfører handlingen, leverer det næste skærmbillede det opdaterede visuelle input til en efterfølgende beslutning.
Lange videoer og hændelseslokalisering
Producenten beskriver forståelse af videoer på over en time og identifikation af det segment, der indeholder en ønsket hændelse. Det udvider videobeskrivelse til tidsmæssig lokalisering. En opgave kan spørge, hvornår et objekt først vises, hvor en demonstration når et bestemt trin, eller hvilken synlig hændelse der sker før en anden. Angiv, om resultatet skal være et resumé, en ordnet hændelsesliste eller start- og sluttider med en hændelsesbeskrivelse.
Familien trænes med dynamisk sampling af billedfrekvens og tilpasser tidsmæssige positionsoplysninger til absolut tid. Oplysninger om billedfrekvens hører derfor til videoforberedelsen frem for at være et vilkårligt mærke, der kan kasseres, når tidsstempler har betydning. Den dokumenterede evne til lange videoer er ikke en universel specifikation af filstørrelse eller maksimal varighed for enhver inputvej.
Objektlokalisering og strukturerede dokumenter
Qwen2.5-VL kan returnere afgrænsningsbokse eller punkter og organisere koordinater og attributter som JSON. Udgivelsen bruger koordinater på skalaen for billedets faktiske størrelse frem for traditionelle normaliserede koordinater. Angiv, om opgaven kræver en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og bevar billeddimensionerne og eventuelle oplysninger om størrelsesændring, der kræves for at fortolke den returnerede placering.
En visuel lageroptælling kan eksempelvis bede om hvert målobjekt, dets boks og en synlig attribut. En punktbaseret opgave kan bede om placeringen af et mærket betjeningselement eller en bestemt del af et objekt. Det er forslag til outputdesign frem for faste feltnavne, som enhver anmodning skal bruge. Hold hver koordinat knyttet til sit kildebillede, når der medsendes flere billeder.
Producenten fremhæver særskilt struktureret udtræk fra fakturascanninger, formularer og tabeller. Definér felterne, bevar de oprindelige etiketter, og bed om en udtrykkelig repræsentation, når en værdi ikke kan læses. For en tabel skal du bevare kolonneoverskrifter og enheder sammen med de ønskede rækker. En praktisk post kan indeholde dokumentidentifikatoren, feltetiketten, den udtrukne værdi og placeringen, så outputtet kan bruges til senere sammenligning eller menneskelig gennemgang.
Arkitektur og inputforberedelse
Modellen kombinerer dynamisk billedopløsning og dynamisk videosampling med opdaterede multimodale roterende positionsoplysninger. Dens vision-encoder bruger window attention, SwiGLU og RMSNorm. Det er arkitekturændringer, som understøtter visuel og tidsmæssig behandling; de føjer ikke lydinput eller billedgenerering til den dokumenterede arbejdsgang med tekstresultater.
Kortet demonstrerer et enkelt billede, flere billeder, en sekvens af videobilleder, en videofil eller reference og batchbehandlede samtaler. Billedprocessoren dokumenterer et standardinterval fra 4 til 16,384 visuelle tokens pr. billede. Minimums- og maksimumsindstillinger for pixels bevarer billedformatet; ønskede præcise dimensioner afrundes til et multiplum af 28. Eksempelintervallet fra 256 til 1,280 visuelle tokens er en justerbar illustration frem for en separat hård billedgrænse. Bevar de detaljer, spørgsmålet kræver, når du vælger en størrelsesændring.
Kontekst og lokaliseringsfølsomme indstillinger
Den udgivne konfiguration sætter maksimalt antal positioner til 128,000. Modelkortets afsnit om lang tekst beskriver separat et udgangspunkt på 32,768 tokens og et eksempel med YaRN-udvidelse. Det advarer udtrykkeligt om, at denne udvidelse påvirker tidsmæssig og rumlig lokalisering væsentligt, og anbefaler den ikke. Vejledningen drøfter også ændring af maksimalt antal positioner til lange videoer; det er konfigurationsnoter frem for én ubetinget inputgrænse for enhver opgave.
Hold den præcise udgivelseskonfiguration og den visuelle forbehandling tilpasset opgaven, især når koordinater eller hændelsestider har betydning. Kortets genereringseksempel på 128 tokens angiver ikke en separat maksimal outputkapacitet. Qwen2.5-VL-7B-Instruct producerer tekst, koordinater og strukturerede fund; en ekstern handling, et renderet billede, en video eller et talesvar kræver en anden applikationskomponent.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen2.5-vl-7b-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 $0.0001 / 1K tokens Output · Outputtokens $0.0001 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-7b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.