Qwen2-VL-2B-Instruct er Qwens instruktionstilpassede 2B vision-sprog-model til spørgsmål med billeder og tekst. Producenten beskriver håndtering af billeder med forskellige opløsninger og billedformater samt forståelse af tekst på flere sprog inde i billeder. Det genererede resultat er et skriftligt svar på det medfølgende visuelle materiale og spørgsmål. Producenten beskriver også brug som visuel agent med enheder som telefoner og robotter. Til den arbejdsgang angiver du det aktuelle visuelle miljø og en tekstinstruktion; den omgivende applikation udfører den foreslåede operation og returnerer den observerede tilstand til næste spørgsmål.
Vælg det billede, der indeholder belægget for svaret, og identificér derefter detaljen, som skal fortolkes. Et dokumentspørgsmål kan dreje sig om en synlig passage; et diagramspørgsmål kan identificere serierne, akserne og den sammenligning, som skal forklares. Gem billedets identifikator sammen med det ønskede resultat, så svaret forbliver knyttet til den rigtige reference.
Producenten angiver billed-tekst-forståelse ud over engelsk og kinesisk, herunder europæiske sprog, japansk, koreansk, arabisk og vietnamesisk. Bevar original ordlyd og skrift, når du beder om transskription, forklaring eller oversættelse af synlig tekst. En eksempelbeskrivelse kan bede om den viste etiket og en særskilt forklaring af dens betydning.
Qwen2-VL bruger dynamisk opløsning til at repræsentere et billede med et variabelt antal visuelle tokens. I eksemplet med den oprindelige processor er standardintervallet 4 til 16,384 visuelle tokens pr. billede. Den oprindelige vejledning viser minimums- og maksimumsindstillinger for pixels, herunder et snævrere forberedelsesinterval på 256 til 1,280 billedtokens, for at afveje detaljer mod behandlingsbehov. Disse indstillinger bevarer billedformatet ved størrelsesændring.
Producenten tillader også ønsket højde og bredde efter størrelsesændring, afrundet til et multiplum af 28. Vælg en forberedelse, som holder vigtige etiketter læselige, og bevar originalbilledet, når du bruger et udsnit. De oprindelige eksempler omfatter flere billeder og batches, så et spørgsmål kan bevare identiteten af sine separate referencer.
Producenten identificerer begrænsninger ved komplekse instruktioner med flere trin, optælling af objekter i komplicerede scener og rumligt ræsonnement i tre dimensioner. Den nævner også ufuldstændig genkendelse af bestemte personer eller brands. Bed om en afgrænset visuel observation, og undersøg det konkrete antal, den etiket eller relative placering, resultatet afhænger af.
Producenten angiver, at billeddatasættet blev opdateret frem til juni 2023. Angiv den skriftlige kontekst, som kræves for en ny eller ukendt etiket, frem for at bede billedet alene fastslå oplysningerne. Hold en citeret etiket adskilt fra en udledt identitet i den returnerede note.
Den offentliggjorte checkpointkonfiguration fastsætter 32,768 maksimale positioner. Forbered spørgsmålet og de visuelle input med den tilsvarende modelprocessor, og bevar billedernes rækkefølge fra anmodningen. Det oprindelige hjælpeværktøj accepterer lokale billeder, base64 og billedadresser.
Gem det valgte 2B Instruct-navn, referencerne og det færdige skriftlige svar sammen. Til en opfølgning medtager du det relevante materiale og identificerer den konkrete observation eller fortolkning, som skal revideres, og sammenligner derefter det rettede resultat med kilden.
Via Ailoot bruger du det nøjagtige model-ID i /v1/chat/completions og holder billedet sammen med dets spørgsmål i samtalen. Formen til billedindhold bruger image_url; understøttede billedkilder kan indeholde en billedadresse eller en base64-data-URI. Hent hele JSON-svaret eller alle SSE-segmenter, når stream er aktiveret, og gem usage sammen med det færdige resultat.
", "aboutText": "Qwen2-VL-2B-Instruct er Qwens instruktionstilpassede 2B vision-sprog-model til spørgsmål med billeder og tekst. Producenten beskriver håndtering af billeder med forskellige opløsninger og billedformater samt forståelse af tekst på flere sprog inde i billeder. Det genererede resultat er et skriftligt svar på det medfølgende visuelle materiale og spørgsmål. Producenten beskriver også brug som visuel agent med enheder som telefoner og robotter. Til den arbejdsgang angiver du det aktuelle visuelle miljø og en tekstinstruktion; den omgivende applikation udfører den foreslåede operation og returnerer den observerede tilstand til næste spørgsmål.\n\n### Angiv billedet og et præcist spørgsmål\n\nVælg det billede, der indeholder belægget for svaret, og identificér derefter detaljen, som skal fortolkes. Et dokumentspørgsmål kan dreje sig om en synlig passage; et diagramspørgsmål kan identificere serierne, akserne og den sammenligning, som skal forklares. Gem billedets identifikator sammen med det ønskede resultat, så svaret forbliver knyttet til den rigtige reference.\n\nProducenten angiver billed-tekst-forståelse ud over engelsk og kinesisk, herunder europæiske sprog, japansk, koreansk, arabisk og vietnamesisk. Bevar original ordlyd og skrift, når du beder om transskription, forklaring eller oversættelse af synlig tekst. En eksempelbeskrivelse kan bede om den viste etiket og en særskilt forklaring af dens betydning.\n\n### Forbered opløsning og visuelle tokens bevidst\n\nQwen2-VL bruger dynamisk opløsning til at repræsentere et billede med et variabelt antal visuelle tokens. I eksemplet med den oprindelige processor er standardintervallet 4 til 16,384 visuelle tokens pr. billede. Den oprindelige vejledning viser minimums- og maksimumsindstillinger for pixels, herunder et snævrere forberedelsesinterval på 256 til 1,280 billedtokens, for at afveje detaljer mod behandlingsbehov. Disse indstillinger bevarer billedformatet ved størrelsesændring.\n\nProducenten tillader også ønsket højde og bredde efter størrelsesændring, afrundet til et multiplum af 28. Vælg en forberedelse, som holder vigtige etiketter læselige, og bevar originalbilledet, når du bruger et udsnit. De oprindelige eksempler omfatter flere billeder og batches, så et spørgsmål kan bevare identiteten af sine separate referencer.\n\n### Arbejd inden for de dokumenterede visuelle begrænsninger\n\nProducenten identificerer begrænsninger ved komplekse instruktioner med flere trin, optælling af objekter i komplicerede scener og rumligt ræsonnement i tre dimensioner. Den nævner også ufuldstændig genkendelse af bestemte personer eller brands. Bed om en afgrænset visuel observation, og undersøg det konkrete antal, den etiket eller relative placering, resultatet afhænger af.\n\nProducenten angiver, at billeddatasættet blev opdateret frem til juni 2023. Angiv den skriftlige kontekst, som kræves for en ny eller ukendt etiket, frem for at bede billedet alene fastslå oplysningerne. Hold en citeret etiket adskilt fra en udledt identitet i den returnerede note.\n\n### Gem de forberedte input sammen med svaret\n\nDen offentliggjorte checkpointkonfiguration fastsætter 32,768 maksimale positioner. Forbered spørgsmålet og de visuelle input med den tilsvarende modelprocessor, og bevar billedernes rækkefølge fra anmodningen. Det oprindelige hjælpeværktøj accepterer lokale billeder, base64 og billedadresser.\n\nGem det valgte 2B Instruct-navn, referencerne og det færdige skriftlige svar sammen. Til en opfølgning medtager du det relevante materiale og identificerer den konkrete observation eller fortolkning, som skal revideres, og sammenligner derefter det rettede resultat med kilden.\n\nVia Ailoot bruger du det nøjagtige model-ID i /v1/chat/completions og holder billedet sammen med dets spørgsmål i samtalen. Formen til billedindhold bruger image_url; understøttede billedkilder kan indeholde en billedadresse eller en base64-data-URI. Hent hele JSON-svaret eller alle SSE-segmenter, når stream er aktiveret, og gem usage sammen med det færdige resultat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b468c555f561d06210decb6f191bb03848b5d30975054512137801dba76cab43", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "qwen2-vl-2b-instructQwen2-VL-2B-Instruct er Qwens vision-sprog-model til billedspørgsmål, flersproget tekst i billeder og visuelle forklaringer. Angiv et læseligt billede og et præcist spørgsmål for at få et skriftligt resultat knyttet til det synlige belæg.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2-VL-2B-Instruct er Qwens instruktionstilpassede 2B vision-sprog-model til spørgsmål med billeder og tekst. Producenten beskriver håndtering af billeder med forskellige opløsninger og billedformater samt forståelse af tekst på flere sprog inde i billeder. Det genererede resultat er et skriftligt svar på det medfølgende visuelle materiale og spørgsmål. Producenten beskriver også brug som visuel agent med enheder som telefoner og robotter. Til den arbejdsgang angiver du det aktuelle visuelle miljø og en tekstinstruktion; den omgivende applikation udfører den foreslåede operation og returnerer den observerede tilstand til næste spørgsmål.
Vælg det billede, der indeholder belægget for svaret, og identificér derefter detaljen, som skal fortolkes. Et dokumentspørgsmål kan dreje sig om en synlig passage; et diagramspørgsmål kan identificere serierne, akserne og den sammenligning, som skal forklares. Gem billedets identifikator sammen med det ønskede resultat, så svaret forbliver knyttet til den rigtige reference.
Producenten angiver billed-tekst-forståelse ud over engelsk og kinesisk, herunder europæiske sprog, japansk, koreansk, arabisk og vietnamesisk. Bevar original ordlyd og skrift, når du beder om transskription, forklaring eller oversættelse af synlig tekst. En eksempelbeskrivelse kan bede om den viste etiket og en særskilt forklaring af dens betydning.
Qwen2-VL bruger dynamisk opløsning til at repræsentere et billede med et variabelt antal visuelle tokens. I eksemplet med den oprindelige processor er standardintervallet 4 til 16,384 visuelle tokens pr. billede. Den oprindelige vejledning viser minimums- og maksimumsindstillinger for pixels, herunder et snævrere forberedelsesinterval på 256 til 1,280 billedtokens, for at afveje detaljer mod behandlingsbehov. Disse indstillinger bevarer billedformatet ved størrelsesændring.
Producenten tillader også ønsket højde og bredde efter størrelsesændring, afrundet til et multiplum af 28. Vælg en forberedelse, som holder vigtige etiketter læselige, og bevar originalbilledet, når du bruger et udsnit. De oprindelige eksempler omfatter flere billeder og batches, så et spørgsmål kan bevare identiteten af sine separate referencer.
Producenten identificerer begrænsninger ved komplekse instruktioner med flere trin, optælling af objekter i komplicerede scener og rumligt ræsonnement i tre dimensioner. Den nævner også ufuldstændig genkendelse af bestemte personer eller brands. Bed om en afgrænset visuel observation, og undersøg det konkrete antal, den etiket eller relative placering, resultatet afhænger af.
Producenten angiver, at billeddatasættet blev opdateret frem til juni 2023. Angiv den skriftlige kontekst, som kræves for en ny eller ukendt etiket, frem for at bede billedet alene fastslå oplysningerne. Hold en citeret etiket adskilt fra en udledt identitet i den returnerede note.
Den offentliggjorte checkpointkonfiguration fastsætter 32,768 maksimale positioner. Forbered spørgsmålet og de visuelle input med den tilsvarende modelprocessor, og bevar billedernes rækkefølge fra anmodningen. Det oprindelige hjælpeværktøj accepterer lokale billeder, base64 og billedadresser.
Gem det valgte 2B Instruct-navn, referencerne og det færdige skriftlige svar sammen. Til en opfølgning medtager du det relevante materiale og identificerer den konkrete observation eller fortolkning, som skal revideres, og sammenligner derefter det rettede resultat med kilden.
Via Ailoot bruger du det nøjagtige model-ID i /v1/chat/completions og holder billedet sammen med dets spørgsmål i samtalen. Formen til billedindhold bruger image_url; understøttede billedkilder kan indeholde en billedadresse eller en base64-data-URI. Hent hele JSON-svaret eller alle SSE-segmenter, når stream er aktiveret, og gem usage sammen med det færdige resultat.
POST /v1/chat/completionstext, imagetext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen2-vl-2b-instruct Betingelser: Brug præcis denne routingvælger for Ailoot. | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser Betingelser: | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser Betingelser: | Standardfalse |
text_input · Påkrævet: messages
image_with_text · Påkrævet: messages with actual image content blocks
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parameteroptional | Kontraktstream |
Parametermaterial_types | Kontrakttext, image |
Parameterconditions | KontraktBrug præcis denne routingvælger for Ailoot., Denne protokol overfører billedindhold, når netop den valgte model understøtter billedforståelse. Adgang via protokollen dokumenterer ikke, at alle modeller understøtter billeder. |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 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}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2-vl-2b-instruct", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hver indholdsblok, hvert ID for et værktøjskald, en eventuel returneret signatur for tankeprocessen, alle SSE-deltaer og de fuldstændige forbrugsdata. Det første tekstfragment er ikke hele resultatet.
Bevar det oprindelige X-Client-Request-ID samt svaret og headerne. Et ukendt resultat eller et resultat med status result_pending_check giver ikke tilladelse til endnu en oprettelse.
| Felt | Type |
|---|---|
Feltchoices[] | Typeobject |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseEt påkrævet felt, en modelvælger, en type eller en inputrepræsentation er ugyldig. | Næste trinUndersøg de returnerede valideringsoplysninger, før du forbereder en separat anmodning. |
Svar | BetingelseDen oprindelige anmodning eller resultatet er ukendt eller skal kontrolleres. | Næste trinBevar de oprindelige identifikatorer og headere; læs kun understøttede status- eller biblioteksposter. Indsend ikke oprettelsesanmodningen igen. |
Ailoot Ultra qwen2-vl-2b-instruct
/chat/completions
qwen2-vl-2b-instructQwen2-VL-2B-Instruct er Qwens vision-sprog-model til billedspørgsmål, flersproget tekst i billeder og visuelle forklaringer. Angiv et læseligt billede og et præcist spørgsmål for at få et skriftligt resultat knyttet til det synlige belæg.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen2-VL-2B-Instruct er Qwens instruktionstilpassede 2B vision-sprog-model til spørgsmål med billeder og tekst. Producenten beskriver håndtering af billeder med forskellige opløsninger og billedformater samt forståelse af tekst på flere sprog inde i billeder. Det genererede resultat er et skriftligt svar på det medfølgende visuelle materiale og spørgsmål. Producenten beskriver også brug som visuel agent med enheder som telefoner og robotter. Til den arbejdsgang angiver du det aktuelle visuelle miljø og en tekstinstruktion; den omgivende applikation udfører den foreslåede operation og returnerer den observerede tilstand til næste spørgsmål.
Vælg det billede, der indeholder belægget for svaret, og identificér derefter detaljen, som skal fortolkes. Et dokumentspørgsmål kan dreje sig om en synlig passage; et diagramspørgsmål kan identificere serierne, akserne og den sammenligning, som skal forklares. Gem billedets identifikator sammen med det ønskede resultat, så svaret forbliver knyttet til den rigtige reference.
Producenten angiver billed-tekst-forståelse ud over engelsk og kinesisk, herunder europæiske sprog, japansk, koreansk, arabisk og vietnamesisk. Bevar original ordlyd og skrift, når du beder om transskription, forklaring eller oversættelse af synlig tekst. En eksempelbeskrivelse kan bede om den viste etiket og en særskilt forklaring af dens betydning.
Qwen2-VL bruger dynamisk opløsning til at repræsentere et billede med et variabelt antal visuelle tokens. I eksemplet med den oprindelige processor er standardintervallet 4 til 16,384 visuelle tokens pr. billede. Den oprindelige vejledning viser minimums- og maksimumsindstillinger for pixels, herunder et snævrere forberedelsesinterval på 256 til 1,280 billedtokens, for at afveje detaljer mod behandlingsbehov. Disse indstillinger bevarer billedformatet ved størrelsesændring.
Producenten tillader også ønsket højde og bredde efter størrelsesændring, afrundet til et multiplum af 28. Vælg en forberedelse, som holder vigtige etiketter læselige, og bevar originalbilledet, når du bruger et udsnit. De oprindelige eksempler omfatter flere billeder og batches, så et spørgsmål kan bevare identiteten af sine separate referencer.
Producenten identificerer begrænsninger ved komplekse instruktioner med flere trin, optælling af objekter i komplicerede scener og rumligt ræsonnement i tre dimensioner. Den nævner også ufuldstændig genkendelse af bestemte personer eller brands. Bed om en afgrænset visuel observation, og undersøg det konkrete antal, den etiket eller relative placering, resultatet afhænger af.
Producenten angiver, at billeddatasættet blev opdateret frem til juni 2023. Angiv den skriftlige kontekst, som kræves for en ny eller ukendt etiket, frem for at bede billedet alene fastslå oplysningerne. Hold en citeret etiket adskilt fra en udledt identitet i den returnerede note.
Den offentliggjorte checkpointkonfiguration fastsætter 32,768 maksimale positioner. Forbered spørgsmålet og de visuelle input med den tilsvarende modelprocessor, og bevar billedernes rækkefølge fra anmodningen. Det oprindelige hjælpeværktøj accepterer lokale billeder, base64 og billedadresser.
Gem det valgte 2B Instruct-navn, referencerne og det færdige skriftlige svar sammen. Til en opfølgning medtager du det relevante materiale og identificerer den konkrete observation eller fortolkning, som skal revideres, og sammenligner derefter det rettede resultat med kilden.
Via Ailoot bruger du det nøjagtige model-ID i /v1/chat/completions og holder billedet sammen med dets spørgsmål i samtalen. Formen til billedindhold bruger image_url; understøttede billedkilder kan indeholde en billedadresse eller en base64-data-URI. Hent hele JSON-svaret eller alle SSE-segmenter, når stream er aktiveret, og gem usage sammen med det færdige resultat.
POST /v1/messagestext, imagejson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen2-vl-2b-instruct Betingelser: Brug præcis denne routingvælger for Ailoot. | Standard— |
Feltmessages | Typearray | KravPåkrævet | Værdier og grænser Betingelser: | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser Betingelser: | Standardfalse |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser Minimum: 1 Betingelser: | Standard— |
text_input · Påkrævet: messages
image_with_text · Påkrævet: messages with actual image content blocks
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional | Kontraktstream |
Parametermaterial_types | Kontrakttext, image |
Parameterconditions | KontraktBrug præcis denne routingvælger for Ailoot., Denne protokol overfører billedindhold, når netop den valgte model understøtter billedforståelse. Adgang via protokollen dokumenterer ikke, at alle modeller understøtter billeder. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0 / 1K tokens Output · Outputtokens $0 / 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}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2-vl-2b-instruct", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}], "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hver indholdsblok, hvert ID for et værktøjskald, en eventuel returneret signatur for tankeprocessen, alle SSE-deltaer og de fuldstændige forbrugsdata. Det første tekstfragment er ikke hele resultatet.
Bevar det oprindelige X-Client-Request-ID samt svaret og headerne. Et ukendt resultat eller et resultat med status result_pending_check giver ikke tilladelse til endnu en oprettelse.
| Felt | Type |
|---|---|
Feltcontent[] | Typeobject |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseEt påkrævet felt, en modelvælger, en type eller en inputrepræsentation er ugyldig. | Næste trinUndersøg de returnerede valideringsoplysninger, før du forbereder en separat anmodning. |
Svar | BetingelseDen oprindelige anmodning eller resultatet er ukendt eller skal kontrolleres. | Næste trinBevar de oprindelige identifikatorer og headere; læs kun understøttede status- eller biblioteksposter. Indsend ikke oprettelsesanmodningen igen. |
Ailoot Ultra qwen2-vl-2b-instruct
/chat/completions