Introduktion: billed-sprogudgaven med 7 milliarder parametre
Qwen2-VL-7B-Instruct er det instruktionsjusterede medlem af Qwen2-VL med 7 milliarder parametre. Den kombinerer tekstinstruktioner med billeder eller video og producerer tekstsvar. Nyttige output omfatter en forklaring af en side, en sammenligning af billeder, en beskrivelse af synlige begivenheder eller et svar på et spørgsmål om et diagram. Den er fortsat denne præcise Qwen2-VL-udgivelse; nyere Qwen2.5-VL- og Qwen3-VL-checkpoints har deres egne funktioner og identiteter.
Hvad Qwen2-VL tilføjer
Qwen beskriver visuel forståelse på tværs af forskellige billedopløsninger og billedformater samt besvarelse af spørgsmål om video, dialog og indholdsskabelse. Familiens dokumenterede videofunktion omfatter materiale på mere end 20 minutter. Varigheden alene fastslår ikke, hvor mange billeder en applikation behandler, eller garanterer, at alle begivenheder huskes. Flersproget billed- og tekstforståelse omfatter engelsk og kinesisk, mange europæiske sprog, japansk, koreansk, arabisk og vietnamesisk.
Producenten beskriver også integration med telefoner, robotter og andre enheder gennem visuelle observationer og tekstinstruktioner. Det er en applikationsarbejdsgang: Modellen fortolker det visuelle miljø og hjælper med at vælge handlinger, mens tilsluttet software eller hardware udfører dem. Genkendelse af en skærm giver den ikke i sig selv kontrol over skærmen.
Arkitekturændringer
Dynamisk opløsning omdanner et billede til et variabelt antal visuelle tokens i stedet for at tvinge alle input ind i samme repræsentation. M-ROPE adskiller positionsoplysninger for tekst, todimensionelle billeder og tredimensionelle videooplysninger og kombinerer rumlig og tidslig struktur. Den offentliggjorte 7B-konfiguration angiver 32.768 positioner. Tekst, visuelle tokens og genereret output deler det begrænsede sekvensbudget, så billedopløsning og videosampling påvirker mængden af materiale, en anmodning kan indeholde.
Forberedelse af billeder og samtaler
De officielle eksempler understøtter ét billede, flere billeder og samtaler med kun tekst. Vedhæft billedet med et specifikt spørgsmål i stedet for at stole på en bred instruktion som “analysér alt”. Ved en dokumentside skal du bede om navngivne felter og bevare tegnsætningen i citater. Ved to skærmbilleder af et design skal du mærke dem som det første og det andet og derefter bede om en tabel over synlige ændringer. Ved et diagram skal du bede om etiketter, enheder og de værdier, der underbygger en angivet tendens. Det er praktiske anvendelser af besvarelse af visuelle spørgsmål og ikke løfter om fejlfri udtrækning.
Producentens hjælpeværktøjer accepterer billeder fra lokale filer, kodede billeddata eller billedplaceringer; det dokumenterede videoeksempel bruger lokale videofiler eller en ordnet billedliste. Applikationens uploadformater er fortsat en særskilt grænsefladebeslutning. Bevar den oprindelige billedrækkefølge, og angiv det tidsinterval, en billedliste repræsenterer. Eksemplerne genererer tekst; dette checkpoint beskrives ikke som en billed- eller videogenerator.
Opløsning og videoforberedelse
Qwens processor bruger et standardinterval på fire til 16.384 visuelle tokens pr. billede. Den tilbyder min_pixels og max_pixels til at afveje detaljer mod hukommelse og beregning med et dokumenteret eksempel rettet mod 256–1.280 visuelle tokens. Billeder skaleres inden for de valgte grænser, mens billedformatet bevares. Udtrykkeligt angivne skalerede dimensioner afrundes til et multiplum af 28. En tæt tabel eller lille skrift kan kræve tilstrækkelig opløsning for at forblive læsbar; højere opløsning bruger også mere af det tilgængelige budget til visuelt indhold og kontekst.
Videoeksemplet viser en samplingfrekvens på ét billede pr. sekund og en indstillelig pixelgrænse. Det er eksempelindstillinger og ikke en universelt påkrævet frekvens eller hård mediegrænse. Ved en begivenhedsgennemgang skal du levere det relevante klip og bede om en ordnet beskrivelse af synlige ændringer. Tætliggende begivenheder kan kræve finere sampling end en bred sceneopsummering. Qwen2-VL forstår ikke lydoplysninger i videoer, så talt dialog eller lydeffekter kræver en særskilt lydarbejdsgang.
Kendte begrænsninger
Qwen angiver juni 2023 som skæringsdato for billedtræningsdata uden garanti for viden om senere personer, produkter eller begivenheder. Genkendelse af bestemte personer og immaterielle værker er ufuldstændig. Komplekse instruktioner i flere trin, optælling af objekter i tætpakkede scener og rumlige forhold, især i tre dimensioner, er dokumenterede svagheder. Opdel en kompliceret visuel opgave i tydelige spørgsmål, bed om det synlige grundlag for resultatet, og kontrollér udtrukne tal og citeret tekst mod billedet. En plausibel billedtekst bør ikke behandles som en præcis optælling eller en målt tredimensionel placering.
Modelkortets korte genereringseksempler fastlægger ikke en særskilt hård outputgrænse. Planlæg svarstørrelsen sammen med tekst og visuelt input, og bevar nok detaljer i kilden til det konkrete spørgsmål. Det gør modelvalg og inputforberedelse mere nyttige end at antage, at ethvert billede eller enhver lang video giver et lige pålideligt svar.
", "aboutText": "Introduktion: billed-sprogudgaven med 7 milliarder parametre\n\nQwen2-VL-7B-Instruct er det instruktionsjusterede medlem af Qwen2-VL med 7 milliarder parametre. Den kombinerer tekstinstruktioner med billeder eller video og producerer tekstsvar. Nyttige output omfatter en forklaring af en side, en sammenligning af billeder, en beskrivelse af synlige begivenheder eller et svar på et spørgsmål om et diagram. Den er fortsat denne præcise Qwen2-VL-udgivelse; nyere Qwen2.5-VL- og Qwen3-VL-checkpoints har deres egne funktioner og identiteter.\n\nHvad Qwen2-VL tilføjer\n\nQwen beskriver visuel forståelse på tværs af forskellige billedopløsninger og billedformater samt besvarelse af spørgsmål om video, dialog og indholdsskabelse. Familiens dokumenterede videofunktion omfatter materiale på mere end 20 minutter. Varigheden alene fastslår ikke, hvor mange billeder en applikation behandler, eller garanterer, at alle begivenheder huskes. Flersproget billed- og tekstforståelse omfatter engelsk og kinesisk, mange europæiske sprog, japansk, koreansk, arabisk og vietnamesisk.\n\nProducenten beskriver også integration med telefoner, robotter og andre enheder gennem visuelle observationer og tekstinstruktioner. Det er en applikationsarbejdsgang: Modellen fortolker det visuelle miljø og hjælper med at vælge handlinger, mens tilsluttet software eller hardware udfører dem. Genkendelse af en skærm giver den ikke i sig selv kontrol over skærmen.\n\nArkitekturændringer\n\nDynamisk opløsning omdanner et billede til et variabelt antal visuelle tokens i stedet for at tvinge alle input ind i samme repræsentation. M-ROPE adskiller positionsoplysninger for tekst, todimensionelle billeder og tredimensionelle videooplysninger og kombinerer rumlig og tidslig struktur. Den offentliggjorte 7B-konfiguration angiver 32.768 positioner. Tekst, visuelle tokens og genereret output deler det begrænsede sekvensbudget, så billedopløsning og videosampling påvirker mængden af materiale, en anmodning kan indeholde.\n\nForberedelse af billeder og samtaler\n\nDe officielle eksempler understøtter ét billede, flere billeder og samtaler med kun tekst. Vedhæft billedet med et specifikt spørgsmål i stedet for at stole på en bred instruktion som “analysér alt”. Ved en dokumentside skal du bede om navngivne felter og bevare tegnsætningen i citater. Ved to skærmbilleder af et design skal du mærke dem som det første og det andet og derefter bede om en tabel over synlige ændringer. Ved et diagram skal du bede om etiketter, enheder og de værdier, der underbygger en angivet tendens. Det er praktiske anvendelser af besvarelse af visuelle spørgsmål og ikke løfter om fejlfri udtrækning.\n\nProducentens hjælpeværktøjer accepterer billeder fra lokale filer, kodede billeddata eller billedplaceringer; det dokumenterede videoeksempel bruger lokale videofiler eller en ordnet billedliste. Applikationens uploadformater er fortsat en særskilt grænsefladebeslutning. Bevar den oprindelige billedrækkefølge, og angiv det tidsinterval, en billedliste repræsenterer. Eksemplerne genererer tekst; dette checkpoint beskrives ikke som en billed- eller videogenerator.\n\nOpløsning og videoforberedelse\n\nQwens processor bruger et standardinterval på fire til 16.384 visuelle tokens pr. billede. Den tilbyder min_pixels og max_pixels til at afveje detaljer mod hukommelse og beregning med et dokumenteret eksempel rettet mod 256–1.280 visuelle tokens. Billeder skaleres inden for de valgte grænser, mens billedformatet bevares. Udtrykkeligt angivne skalerede dimensioner afrundes til et multiplum af 28. En tæt tabel eller lille skrift kan kræve tilstrækkelig opløsning for at forblive læsbar; højere opløsning bruger også mere af det tilgængelige budget til visuelt indhold og kontekst.\n\nVideoeksemplet viser en samplingfrekvens på ét billede pr. sekund og en indstillelig pixelgrænse. Det er eksempelindstillinger og ikke en universelt påkrævet frekvens eller hård mediegrænse. Ved en begivenhedsgennemgang skal du levere det relevante klip og bede om en ordnet beskrivelse af synlige ændringer. Tætliggende begivenheder kan kræve finere sampling end en bred sceneopsummering. Qwen2-VL forstår ikke lydoplysninger i videoer, så talt dialog eller lydeffekter kræver en særskilt lydarbejdsgang.\n\nKendte begrænsninger\n\nQwen angiver juni 2023 som skæringsdato for billedtræningsdata uden garanti for viden om senere personer, produkter eller begivenheder. Genkendelse af bestemte personer og immaterielle værker er ufuldstændig. Komplekse instruktioner i flere trin, optælling af objekter i tætpakkede scener og rumlige forhold, især i tre dimensioner, er dokumenterede svagheder. Opdel en kompliceret visuel opgave i tydelige spørgsmål, bed om det synlige grundlag for resultatet, og kontrollér udtrukne tal og citeret tekst mod billedet. En plausibel billedtekst bør ikke behandles som en præcis optælling eller en målt tredimensionel placering.\n\nModelkortets korte genereringseksempler fastlægger ikke en særskilt hård outputgrænse. Planlæg svarstørrelsen sammen med tekst og visuelt input, og bevar nok detaljer i kilden til det konkrete spørgsmål. Det gør modelvalg og inputforberedelse mere nyttige end at antage, at ethvert billede eller enhver lang video giver et lige pålideligt svar.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct er Qwens instruktionsjusterede billed-sprogmodel til tekst, billeder og video med tekst som output. Brug den til at stille spørgsmål om dokumentsider, sammenligne billeder eller beskrive visuelle begivenheder med dynamisk billedopløsning og dokumenterede begrænsninger i optælling, rumligt ræsonnement og forståelse af lyd i video.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Introduktion: billed-sprogudgaven med 7 milliarder parametre
Qwen2-VL-7B-Instruct er det instruktionsjusterede medlem af Qwen2-VL med 7 milliarder parametre. Den kombinerer tekstinstruktioner med billeder eller video og producerer tekstsvar. Nyttige output omfatter en forklaring af en side, en sammenligning af billeder, en beskrivelse af synlige begivenheder eller et svar på et spørgsmål om et diagram. Den er fortsat denne præcise Qwen2-VL-udgivelse; nyere Qwen2.5-VL- og Qwen3-VL-checkpoints har deres egne funktioner og identiteter.
Hvad Qwen2-VL tilføjer
Qwen beskriver visuel forståelse på tværs af forskellige billedopløsninger og billedformater samt besvarelse af spørgsmål om video, dialog og indholdsskabelse. Familiens dokumenterede videofunktion omfatter materiale på mere end 20 minutter. Varigheden alene fastslår ikke, hvor mange billeder en applikation behandler, eller garanterer, at alle begivenheder huskes. Flersproget billed- og tekstforståelse omfatter engelsk og kinesisk, mange europæiske sprog, japansk, koreansk, arabisk og vietnamesisk.
Producenten beskriver også integration med telefoner, robotter og andre enheder gennem visuelle observationer og tekstinstruktioner. Det er en applikationsarbejdsgang: Modellen fortolker det visuelle miljø og hjælper med at vælge handlinger, mens tilsluttet software eller hardware udfører dem. Genkendelse af en skærm giver den ikke i sig selv kontrol over skærmen.
Arkitekturændringer
Dynamisk opløsning omdanner et billede til et variabelt antal visuelle tokens i stedet for at tvinge alle input ind i samme repræsentation. M-ROPE adskiller positionsoplysninger for tekst, todimensionelle billeder og tredimensionelle videooplysninger og kombinerer rumlig og tidslig struktur. Den offentliggjorte 7B-konfiguration angiver 32.768 positioner. Tekst, visuelle tokens og genereret output deler det begrænsede sekvensbudget, så billedopløsning og videosampling påvirker mængden af materiale, en anmodning kan indeholde.
Forberedelse af billeder og samtaler
De officielle eksempler understøtter ét billede, flere billeder og samtaler med kun tekst. Vedhæft billedet med et specifikt spørgsmål i stedet for at stole på en bred instruktion som “analysér alt”. Ved en dokumentside skal du bede om navngivne felter og bevare tegnsætningen i citater. Ved to skærmbilleder af et design skal du mærke dem som det første og det andet og derefter bede om en tabel over synlige ændringer. Ved et diagram skal du bede om etiketter, enheder og de værdier, der underbygger en angivet tendens. Det er praktiske anvendelser af besvarelse af visuelle spørgsmål og ikke løfter om fejlfri udtrækning.
Producentens hjælpeværktøjer accepterer billeder fra lokale filer, kodede billeddata eller billedplaceringer; det dokumenterede videoeksempel bruger lokale videofiler eller en ordnet billedliste. Applikationens uploadformater er fortsat en særskilt grænsefladebeslutning. Bevar den oprindelige billedrækkefølge, og angiv det tidsinterval, en billedliste repræsenterer. Eksemplerne genererer tekst; dette checkpoint beskrives ikke som en billed- eller videogenerator.
Opløsning og videoforberedelse
Qwens processor bruger et standardinterval på fire til 16.384 visuelle tokens pr. billede. Den tilbyder min_pixels og max_pixels til at afveje detaljer mod hukommelse og beregning med et dokumenteret eksempel rettet mod 256–1.280 visuelle tokens. Billeder skaleres inden for de valgte grænser, mens billedformatet bevares. Udtrykkeligt angivne skalerede dimensioner afrundes til et multiplum af 28. En tæt tabel eller lille skrift kan kræve tilstrækkelig opløsning for at forblive læsbar; højere opløsning bruger også mere af det tilgængelige budget til visuelt indhold og kontekst.
Videoeksemplet viser en samplingfrekvens på ét billede pr. sekund og en indstillelig pixelgrænse. Det er eksempelindstillinger og ikke en universelt påkrævet frekvens eller hård mediegrænse. Ved en begivenhedsgennemgang skal du levere det relevante klip og bede om en ordnet beskrivelse af synlige ændringer. Tætliggende begivenheder kan kræve finere sampling end en bred sceneopsummering. Qwen2-VL forstår ikke lydoplysninger i videoer, så talt dialog eller lydeffekter kræver en særskilt lydarbejdsgang.
Kendte begrænsninger
Qwen angiver juni 2023 som skæringsdato for billedtræningsdata uden garanti for viden om senere personer, produkter eller begivenheder. Genkendelse af bestemte personer og immaterielle værker er ufuldstændig. Komplekse instruktioner i flere trin, optælling af objekter i tætpakkede scener og rumlige forhold, især i tre dimensioner, er dokumenterede svagheder. Opdel en kompliceret visuel opgave i tydelige spørgsmål, bed om det synlige grundlag for resultatet, og kontrollér udtrukne tal og citeret tekst mod billedet. En plausibel billedtekst bør ikke behandles som en præcis optælling eller en målt tredimensionel placering.
Modelkortets korte genereringseksempler fastlægger ikke en særskilt hård outputgrænse. Planlæg svarstørrelsen sammen med tekst og visuelt input, og bevar nok detaljer i kilden til det konkrete spørgsmål. Det gør modelvalg og inputforberedelse mere nyttige end at antage, at ethvert billede eller enhver lang video giver et lige pålideligt svar.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K tokens Output · Outputtokens $0.00142 / 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-VL-7B-Instruct-ultra", "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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra
Brug metodestierne vist ovenfor.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct er Qwens instruktionsjusterede billed-sprogmodel til tekst, billeder og video med tekst som output. Brug den til at stille spørgsmål om dokumentsider, sammenligne billeder eller beskrive visuelle begivenheder med dynamisk billedopløsning og dokumenterede begrænsninger i optælling, rumligt ræsonnement og forståelse af lyd i video.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Introduktion: billed-sprogudgaven med 7 milliarder parametre
Qwen2-VL-7B-Instruct er det instruktionsjusterede medlem af Qwen2-VL med 7 milliarder parametre. Den kombinerer tekstinstruktioner med billeder eller video og producerer tekstsvar. Nyttige output omfatter en forklaring af en side, en sammenligning af billeder, en beskrivelse af synlige begivenheder eller et svar på et spørgsmål om et diagram. Den er fortsat denne præcise Qwen2-VL-udgivelse; nyere Qwen2.5-VL- og Qwen3-VL-checkpoints har deres egne funktioner og identiteter.
Hvad Qwen2-VL tilføjer
Qwen beskriver visuel forståelse på tværs af forskellige billedopløsninger og billedformater samt besvarelse af spørgsmål om video, dialog og indholdsskabelse. Familiens dokumenterede videofunktion omfatter materiale på mere end 20 minutter. Varigheden alene fastslår ikke, hvor mange billeder en applikation behandler, eller garanterer, at alle begivenheder huskes. Flersproget billed- og tekstforståelse omfatter engelsk og kinesisk, mange europæiske sprog, japansk, koreansk, arabisk og vietnamesisk.
Producenten beskriver også integration med telefoner, robotter og andre enheder gennem visuelle observationer og tekstinstruktioner. Det er en applikationsarbejdsgang: Modellen fortolker det visuelle miljø og hjælper med at vælge handlinger, mens tilsluttet software eller hardware udfører dem. Genkendelse af en skærm giver den ikke i sig selv kontrol over skærmen.
Arkitekturændringer
Dynamisk opløsning omdanner et billede til et variabelt antal visuelle tokens i stedet for at tvinge alle input ind i samme repræsentation. M-ROPE adskiller positionsoplysninger for tekst, todimensionelle billeder og tredimensionelle videooplysninger og kombinerer rumlig og tidslig struktur. Den offentliggjorte 7B-konfiguration angiver 32.768 positioner. Tekst, visuelle tokens og genereret output deler det begrænsede sekvensbudget, så billedopløsning og videosampling påvirker mængden af materiale, en anmodning kan indeholde.
Forberedelse af billeder og samtaler
De officielle eksempler understøtter ét billede, flere billeder og samtaler med kun tekst. Vedhæft billedet med et specifikt spørgsmål i stedet for at stole på en bred instruktion som “analysér alt”. Ved en dokumentside skal du bede om navngivne felter og bevare tegnsætningen i citater. Ved to skærmbilleder af et design skal du mærke dem som det første og det andet og derefter bede om en tabel over synlige ændringer. Ved et diagram skal du bede om etiketter, enheder og de værdier, der underbygger en angivet tendens. Det er praktiske anvendelser af besvarelse af visuelle spørgsmål og ikke løfter om fejlfri udtrækning.
Producentens hjælpeværktøjer accepterer billeder fra lokale filer, kodede billeddata eller billedplaceringer; det dokumenterede videoeksempel bruger lokale videofiler eller en ordnet billedliste. Applikationens uploadformater er fortsat en særskilt grænsefladebeslutning. Bevar den oprindelige billedrækkefølge, og angiv det tidsinterval, en billedliste repræsenterer. Eksemplerne genererer tekst; dette checkpoint beskrives ikke som en billed- eller videogenerator.
Opløsning og videoforberedelse
Qwens processor bruger et standardinterval på fire til 16.384 visuelle tokens pr. billede. Den tilbyder min_pixels og max_pixels til at afveje detaljer mod hukommelse og beregning med et dokumenteret eksempel rettet mod 256–1.280 visuelle tokens. Billeder skaleres inden for de valgte grænser, mens billedformatet bevares. Udtrykkeligt angivne skalerede dimensioner afrundes til et multiplum af 28. En tæt tabel eller lille skrift kan kræve tilstrækkelig opløsning for at forblive læsbar; højere opløsning bruger også mere af det tilgængelige budget til visuelt indhold og kontekst.
Videoeksemplet viser en samplingfrekvens på ét billede pr. sekund og en indstillelig pixelgrænse. Det er eksempelindstillinger og ikke en universelt påkrævet frekvens eller hård mediegrænse. Ved en begivenhedsgennemgang skal du levere det relevante klip og bede om en ordnet beskrivelse af synlige ændringer. Tætliggende begivenheder kan kræve finere sampling end en bred sceneopsummering. Qwen2-VL forstår ikke lydoplysninger i videoer, så talt dialog eller lydeffekter kræver en særskilt lydarbejdsgang.
Kendte begrænsninger
Qwen angiver juni 2023 som skæringsdato for billedtræningsdata uden garanti for viden om senere personer, produkter eller begivenheder. Genkendelse af bestemte personer og immaterielle værker er ufuldstændig. Komplekse instruktioner i flere trin, optælling af objekter i tætpakkede scener og rumlige forhold, især i tre dimensioner, er dokumenterede svagheder. Opdel en kompliceret visuel opgave i tydelige spørgsmål, bed om det synlige grundlag for resultatet, og kontrollér udtrukne tal og citeret tekst mod billedet. En plausibel billedtekst bør ikke behandles som en præcis optælling eller en målt tredimensionel placering.
Modelkortets korte genereringseksempler fastlægger ikke en særskilt hård outputgrænse. Planlæg svarstørrelsen sammen med tekst og visuelt input, og bevar nok detaljer i kilden til det konkrete spørgsmål. Det gør modelvalg og inputforberedelse mere nyttige end at antage, at ethvert billede eller enhver lang video giver et lige pålideligt svar.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K tokens Output · Outputtokens $0.00142 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.