Qwen2.5-VL-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Edition von Qwen2.5-VL, die visuelles Material zusammen mit Text verstehen soll. Qwen beschreibt die Erkennung von Objekten, Produkten und Wahrzeichen sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layouts in Bildern. Eingaben verbinden eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text, einschließlich strukturierter Beschreibungen und extrahierter Informationen. Gegenüber Qwen2-VL betont der Hersteller verbesserte Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.
Visuelle Lokalisierung ist eine eigene Fähigkeit, die sich von der Bildbeschreibung unterscheidet. Das Modell kann Begrenzungsrahmen oder Punkte mit Beschriftungen und Attributen in JSON zurückgeben. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Koordinatensystems. Benennen Sie die zu lokalisierenden Objekte und geben Sie erforderliche Felder wie bbox_2d und label zusammen mit der Koordinateninterpretation an. Wenn ein Bild vor der Analyse skaliert wird, bewahren Sie diese Größeninformation mit den zurückgegebenen Koordinaten auf, damit sie anhand desselben Bildes interpretiert werden können. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.
Der Hersteller hebt Texterkennung über Sprachen, Ausrichtungen und unterschiedliche Szenentypen hinweg hervor. Seine Beispiele extrahieren Textzeilen, ordnen Text Positionen zu und holen bestimmte Felder aus Belegen oder Formularen. Geben Sie für einen Dokumentauftrag einen klaren Scan vor, definieren Sie die Felder und legen Sie fest, wie fehlende oder unlesbare Informationen darzustellen sind. Ein beispielhaftes Ergebnis kann ein strukturierter Datensatz mit Dokumentkennung, Datum und Einzelpositionen sein, in dem Unsicherheiten von sichtbar vorhandenen Angaben getrennt bleiben. Das gelieferte Bild ist der Beleg für diese Extraktion.
Qwens Ankündigung führt QwenVL HTML für die Dokumentanalyse mit Layoutinformationen ein. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Informationen zu Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie die Wörter sind. Fordern Sie die Darstellung ausdrücklich an: Klartext zum Lesen, JSON für ausgewählte Felder oder das layoutorientierte HTML-Format des Herstellers. Ein gescannter Bericht kann zunächst in Überschriften und Absätze gegliedert werden, bevor eine weitere Anweisung die Zusammenfassung eines bestimmten Abschnitts verlangt.
Für Video dokumentiert Qwen das Verstehen von Material, das länger als eine Stunde ist, Ereignissuche und zeitliche Lokalisierung bis auf Sekundenebene. Training mit dynamischer Bildrate und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden das Segment, in dem eine beschriebene Handlung stattfindet, und liefern eine Ereignisfolge mit Startzeiten, Endzeiten und Beschreibungen. Benennen Sie das gesuchte Ereignis und legen Sie Sekunden oder ein Zeitstempelformat fest. Ein praktischer Auftrag kann relevante Segmente in einer langen Demonstration und anschließend eine knappe Beschreibung der Vorgänge in jedem Segment verlangen.
Das Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann anhand eines Bildschirms schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Lokalisierung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste beabsichtigte Interaktion identifizieren. Eine Anwendung liefert Bildschirm, verfügbare Handlungen und Ziel, führt eine angeforderte Handlung aus und gibt den neuen Zustand zurück. Beispielsweise kann der Auftrag nach dem zum Erreichen einer bestimmten Ansicht nötigen Bedienelement fragen, mit einem Punkt oder Rahmen zur Kennzeichnung. Die textuelle Handlungsbeschreibung des Modells und die von der Anwendung ausgeführte Interaktion sind getrennte Schritte.
Qwens Prozessor erlaubt die Steuerung der Bildpixelzahl. Der dokumentierte Standardbereich beträgt 4 bis 16.384 visuelle Tokens pro Bild; 256 bis 1.280 Tokens sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis bewahren, und ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder Details dichter Diagramme bewahren. Stimmen Sie die Vorbereitung auf die Frage ab, halten Sie wichtige Beschriftungen lesbar und die relevante Seite oder Region klar erkennbar. Videobeispiele verwenden Framefolgen oder ein Video mit Bildrateninformationen; das ist wichtig, wenn die Antwort Zeitstempel enthalten muss.
Die aktuelle Konfiguration der Modellkarte ist auf 32.768 Kontexttokens eingestellt. Sie beschreibt eine YaRN-Erweiterung, warnt jedoch, dass diese zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt sie für solche Aufgaben nicht. Eine Erhöhung der Positionseinstellung für lange Videos wird gesondert behandelt. Das Verstehen von Material im Stundenbereich ist eine dokumentierte Fähigkeit, keine universelle Obergrenze für Upload-Dauer oder Ausgabelänge. Wählen Sie ein Ergebnis, das die nachgelagert nötigen Informationen bewahrt: Felder für einen Datensatz, Koordinaten für Lokalisierung, Layout für ein Dokument oder zeitbezogene Beschreibungen für ein Video.
", "aboutText": "Qwen2.5-VL-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Edition von Qwen2.5-VL, die visuelles Material zusammen mit Text verstehen soll. Qwen beschreibt die Erkennung von Objekten, Produkten und Wahrzeichen sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layouts in Bildern. Eingaben verbinden eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text, einschließlich strukturierter Beschreibungen und extrahierter Informationen. Gegenüber Qwen2-VL betont der Hersteller verbesserte Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.\n\nVisuelle Lokalisierung ist eine eigene Fähigkeit, die sich von der Bildbeschreibung unterscheidet. Das Modell kann Begrenzungsrahmen oder Punkte mit Beschriftungen und Attributen in JSON zurückgeben. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Koordinatensystems. Benennen Sie die zu lokalisierenden Objekte und geben Sie erforderliche Felder wie bbox_2d und label zusammen mit der Koordinateninterpretation an. Wenn ein Bild vor der Analyse skaliert wird, bewahren Sie diese Größeninformation mit den zurückgegebenen Koordinaten auf, damit sie anhand desselben Bildes interpretiert werden können. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.\n\nDer Hersteller hebt Texterkennung über Sprachen, Ausrichtungen und unterschiedliche Szenentypen hinweg hervor. Seine Beispiele extrahieren Textzeilen, ordnen Text Positionen zu und holen bestimmte Felder aus Belegen oder Formularen. Geben Sie für einen Dokumentauftrag einen klaren Scan vor, definieren Sie die Felder und legen Sie fest, wie fehlende oder unlesbare Informationen darzustellen sind. Ein beispielhaftes Ergebnis kann ein strukturierter Datensatz mit Dokumentkennung, Datum und Einzelpositionen sein, in dem Unsicherheiten von sichtbar vorhandenen Angaben getrennt bleiben. Das gelieferte Bild ist der Beleg für diese Extraktion.\n\nQwens Ankündigung führt QwenVL HTML für die Dokumentanalyse mit Layoutinformationen ein. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Informationen zu Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie die Wörter sind. Fordern Sie die Darstellung ausdrücklich an: Klartext zum Lesen, JSON für ausgewählte Felder oder das layoutorientierte HTML-Format des Herstellers. Ein gescannter Bericht kann zunächst in Überschriften und Absätze gegliedert werden, bevor eine weitere Anweisung die Zusammenfassung eines bestimmten Abschnitts verlangt.\n\nFür Video dokumentiert Qwen das Verstehen von Material, das länger als eine Stunde ist, Ereignissuche und zeitliche Lokalisierung bis auf Sekundenebene. Training mit dynamischer Bildrate und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden das Segment, in dem eine beschriebene Handlung stattfindet, und liefern eine Ereignisfolge mit Startzeiten, Endzeiten und Beschreibungen. Benennen Sie das gesuchte Ereignis und legen Sie Sekunden oder ein Zeitstempelformat fest. Ein praktischer Auftrag kann relevante Segmente in einer langen Demonstration und anschließend eine knappe Beschreibung der Vorgänge in jedem Segment verlangen.\n\nDas Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann anhand eines Bildschirms schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Lokalisierung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste beabsichtigte Interaktion identifizieren. Eine Anwendung liefert Bildschirm, verfügbare Handlungen und Ziel, führt eine angeforderte Handlung aus und gibt den neuen Zustand zurück. Beispielsweise kann der Auftrag nach dem zum Erreichen einer bestimmten Ansicht nötigen Bedienelement fragen, mit einem Punkt oder Rahmen zur Kennzeichnung. Die textuelle Handlungsbeschreibung des Modells und die von der Anwendung ausgeführte Interaktion sind getrennte Schritte.\n\nQwens Prozessor erlaubt die Steuerung der Bildpixelzahl. Der dokumentierte Standardbereich beträgt 4 bis 16.384 visuelle Tokens pro Bild; 256 bis 1.280 Tokens sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis bewahren, und ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder Details dichter Diagramme bewahren. Stimmen Sie die Vorbereitung auf die Frage ab, halten Sie wichtige Beschriftungen lesbar und die relevante Seite oder Region klar erkennbar. Videobeispiele verwenden Framefolgen oder ein Video mit Bildrateninformationen; das ist wichtig, wenn die Antwort Zeitstempel enthalten muss.\n\nDie aktuelle Konfiguration der Modellkarte ist auf 32.768 Kontexttokens eingestellt. Sie beschreibt eine YaRN-Erweiterung, warnt jedoch, dass diese zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt sie für solche Aufgaben nicht. Eine Erhöhung der Positionseinstellung für lange Videos wird gesondert behandelt. Das Verstehen von Material im Stundenbereich ist eine dokumentierte Fähigkeit, keine universelle Obergrenze für Upload-Dauer oder Ausgabelänge. Wählen Sie ein Ergebnis, das die nachgelagert nötigen Informationen bewahrt: Felder für einen Datensatz, Koordinaten für Lokalisierung, Layout für ein Dokument oder zeitbezogene Beschreibungen für ein Video.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct ist Qwens Vision-Language-Modell für Bilder, Dokumente, Diagramme und Video. Es liefert Text, strukturierte extrahierte Daten und visuelle Koordinaten und kann Ereignisse in langen Videos lokalisieren oder über einen Computer- oder Mobilbildschirm schlussfolgern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-VL-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Edition von Qwen2.5-VL, die visuelles Material zusammen mit Text verstehen soll. Qwen beschreibt die Erkennung von Objekten, Produkten und Wahrzeichen sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layouts in Bildern. Eingaben verbinden eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text, einschließlich strukturierter Beschreibungen und extrahierter Informationen. Gegenüber Qwen2-VL betont der Hersteller verbesserte Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.
Visuelle Lokalisierung ist eine eigene Fähigkeit, die sich von der Bildbeschreibung unterscheidet. Das Modell kann Begrenzungsrahmen oder Punkte mit Beschriftungen und Attributen in JSON zurückgeben. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Koordinatensystems. Benennen Sie die zu lokalisierenden Objekte und geben Sie erforderliche Felder wie bbox_2d und label zusammen mit der Koordinateninterpretation an. Wenn ein Bild vor der Analyse skaliert wird, bewahren Sie diese Größeninformation mit den zurückgegebenen Koordinaten auf, damit sie anhand desselben Bildes interpretiert werden können. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.
Der Hersteller hebt Texterkennung über Sprachen, Ausrichtungen und unterschiedliche Szenentypen hinweg hervor. Seine Beispiele extrahieren Textzeilen, ordnen Text Positionen zu und holen bestimmte Felder aus Belegen oder Formularen. Geben Sie für einen Dokumentauftrag einen klaren Scan vor, definieren Sie die Felder und legen Sie fest, wie fehlende oder unlesbare Informationen darzustellen sind. Ein beispielhaftes Ergebnis kann ein strukturierter Datensatz mit Dokumentkennung, Datum und Einzelpositionen sein, in dem Unsicherheiten von sichtbar vorhandenen Angaben getrennt bleiben. Das gelieferte Bild ist der Beleg für diese Extraktion.
Qwens Ankündigung führt QwenVL HTML für die Dokumentanalyse mit Layoutinformationen ein. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Informationen zu Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie die Wörter sind. Fordern Sie die Darstellung ausdrücklich an: Klartext zum Lesen, JSON für ausgewählte Felder oder das layoutorientierte HTML-Format des Herstellers. Ein gescannter Bericht kann zunächst in Überschriften und Absätze gegliedert werden, bevor eine weitere Anweisung die Zusammenfassung eines bestimmten Abschnitts verlangt.
Für Video dokumentiert Qwen das Verstehen von Material, das länger als eine Stunde ist, Ereignissuche und zeitliche Lokalisierung bis auf Sekundenebene. Training mit dynamischer Bildrate und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden das Segment, in dem eine beschriebene Handlung stattfindet, und liefern eine Ereignisfolge mit Startzeiten, Endzeiten und Beschreibungen. Benennen Sie das gesuchte Ereignis und legen Sie Sekunden oder ein Zeitstempelformat fest. Ein praktischer Auftrag kann relevante Segmente in einer langen Demonstration und anschließend eine knappe Beschreibung der Vorgänge in jedem Segment verlangen.
Das Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann anhand eines Bildschirms schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Lokalisierung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste beabsichtigte Interaktion identifizieren. Eine Anwendung liefert Bildschirm, verfügbare Handlungen und Ziel, führt eine angeforderte Handlung aus und gibt den neuen Zustand zurück. Beispielsweise kann der Auftrag nach dem zum Erreichen einer bestimmten Ansicht nötigen Bedienelement fragen, mit einem Punkt oder Rahmen zur Kennzeichnung. Die textuelle Handlungsbeschreibung des Modells und die von der Anwendung ausgeführte Interaktion sind getrennte Schritte.
Qwens Prozessor erlaubt die Steuerung der Bildpixelzahl. Der dokumentierte Standardbereich beträgt 4 bis 16.384 visuelle Tokens pro Bild; 256 bis 1.280 Tokens sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis bewahren, und ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder Details dichter Diagramme bewahren. Stimmen Sie die Vorbereitung auf die Frage ab, halten Sie wichtige Beschriftungen lesbar und die relevante Seite oder Region klar erkennbar. Videobeispiele verwenden Framefolgen oder ein Video mit Bildrateninformationen; das ist wichtig, wenn die Antwort Zeitstempel enthalten muss.
Die aktuelle Konfiguration der Modellkarte ist auf 32.768 Kontexttokens eingestellt. Sie beschreibt eine YaRN-Erweiterung, warnt jedoch, dass diese zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt sie für solche Aufgaben nicht. Eine Erhöhung der Positionseinstellung für lange Videos wird gesondert behandelt. Das Verstehen von Material im Stundenbereich ist eine dokumentierte Fähigkeit, keine universelle Obergrenze für Upload-Dauer oder Ausgabelänge. Wählen Sie ein Ergebnis, das die nachgelagert nötigen Informationen bewahrt: Felder für einen Datensatz, Koordinaten für Lokalisierung, Layout für ein Dokument oder zeitbezogene Beschreibungen für ein Video.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen2.5-vl-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.002 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.002 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-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='qwen/qwen2.5-vl-72b-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='qwen/qwen2.5-vl-72b-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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct ist Qwens Vision-Language-Modell für Bilder, Dokumente, Diagramme und Video. Es liefert Text, strukturierte extrahierte Daten und visuelle Koordinaten und kann Ereignisse in langen Videos lokalisieren oder über einen Computer- oder Mobilbildschirm schlussfolgern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-VL-72B-Instruct ist die auf Anweisungen abgestimmte 72B-Edition von Qwen2.5-VL, die visuelles Material zusammen mit Text verstehen soll. Qwen beschreibt die Erkennung von Objekten, Produkten und Wahrzeichen sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layouts in Bildern. Eingaben verbinden eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text, einschließlich strukturierter Beschreibungen und extrahierter Informationen. Gegenüber Qwen2-VL betont der Hersteller verbesserte Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.
Visuelle Lokalisierung ist eine eigene Fähigkeit, die sich von der Bildbeschreibung unterscheidet. Das Modell kann Begrenzungsrahmen oder Punkte mit Beschriftungen und Attributen in JSON zurückgeben. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Koordinatensystems. Benennen Sie die zu lokalisierenden Objekte und geben Sie erforderliche Felder wie bbox_2d und label zusammen mit der Koordinateninterpretation an. Wenn ein Bild vor der Analyse skaliert wird, bewahren Sie diese Größeninformation mit den zurückgegebenen Koordinaten auf, damit sie anhand desselben Bildes interpretiert werden können. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.
Der Hersteller hebt Texterkennung über Sprachen, Ausrichtungen und unterschiedliche Szenentypen hinweg hervor. Seine Beispiele extrahieren Textzeilen, ordnen Text Positionen zu und holen bestimmte Felder aus Belegen oder Formularen. Geben Sie für einen Dokumentauftrag einen klaren Scan vor, definieren Sie die Felder und legen Sie fest, wie fehlende oder unlesbare Informationen darzustellen sind. Ein beispielhaftes Ergebnis kann ein strukturierter Datensatz mit Dokumentkennung, Datum und Einzelpositionen sein, in dem Unsicherheiten von sichtbar vorhandenen Angaben getrennt bleiben. Das gelieferte Bild ist der Beleg für diese Extraktion.
Qwens Ankündigung führt QwenVL HTML für die Dokumentanalyse mit Layoutinformationen ein. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Informationen zu Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie die Wörter sind. Fordern Sie die Darstellung ausdrücklich an: Klartext zum Lesen, JSON für ausgewählte Felder oder das layoutorientierte HTML-Format des Herstellers. Ein gescannter Bericht kann zunächst in Überschriften und Absätze gegliedert werden, bevor eine weitere Anweisung die Zusammenfassung eines bestimmten Abschnitts verlangt.
Für Video dokumentiert Qwen das Verstehen von Material, das länger als eine Stunde ist, Ereignissuche und zeitliche Lokalisierung bis auf Sekundenebene. Training mit dynamischer Bildrate und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden das Segment, in dem eine beschriebene Handlung stattfindet, und liefern eine Ereignisfolge mit Startzeiten, Endzeiten und Beschreibungen. Benennen Sie das gesuchte Ereignis und legen Sie Sekunden oder ein Zeitstempelformat fest. Ein praktischer Auftrag kann relevante Segmente in einer langen Demonstration und anschließend eine knappe Beschreibung der Vorgänge in jedem Segment verlangen.
Das Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann anhand eines Bildschirms schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Lokalisierung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste beabsichtigte Interaktion identifizieren. Eine Anwendung liefert Bildschirm, verfügbare Handlungen und Ziel, führt eine angeforderte Handlung aus und gibt den neuen Zustand zurück. Beispielsweise kann der Auftrag nach dem zum Erreichen einer bestimmten Ansicht nötigen Bedienelement fragen, mit einem Punkt oder Rahmen zur Kennzeichnung. Die textuelle Handlungsbeschreibung des Modells und die von der Anwendung ausgeführte Interaktion sind getrennte Schritte.
Qwens Prozessor erlaubt die Steuerung der Bildpixelzahl. Der dokumentierte Standardbereich beträgt 4 bis 16.384 visuelle Tokens pro Bild; 256 bis 1.280 Tokens sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis bewahren, und ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder Details dichter Diagramme bewahren. Stimmen Sie die Vorbereitung auf die Frage ab, halten Sie wichtige Beschriftungen lesbar und die relevante Seite oder Region klar erkennbar. Videobeispiele verwenden Framefolgen oder ein Video mit Bildrateninformationen; das ist wichtig, wenn die Antwort Zeitstempel enthalten muss.
Die aktuelle Konfiguration der Modellkarte ist auf 32.768 Kontexttokens eingestellt. Sie beschreibt eine YaRN-Erweiterung, warnt jedoch, dass diese zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt sie für solche Aufgaben nicht. Eine Erhöhung der Positionseinstellung für lange Videos wird gesondert behandelt. Das Verstehen von Material im Stundenbereich ist eine dokumentierte Fähigkeit, keine universelle Obergrenze für Upload-Dauer oder Ausgabelänge. Wählen Sie ein Ergebnis, das die nachgelagert nötigen Informationen bewahrt: Felder für einen Datensatz, Koordinaten für Lokalisierung, Layout für ein Dokument oder zeitbezogene Beschreibungen für ein Video.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen2.5-vl-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.002 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Tokens Ausgabe · Ausgabetoken $0.002 / 1K Tokens Eingabe · Cache lesen $0.0008 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen/qwen2.5-vl-72b-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': 'qwen/qwen2.5-vl-72b-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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.