Überblick: ein Modell für mehrere Eingabemodalitäten
Qwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Ablauf Text mit natürlicher Sprachausgabe generieren. Nutzen Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder wenn die Anweisung gesprochen statt getippt wird. Dies ist der konkrete 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.
Wesentliche Funktionen und Architektur
Das Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt Textinhalte, während Talker an der Gestaltung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Videozeitstempel mit Audio. Die Architektur ist für abschnittsweise Eingabe und reaktionsfähige Sprach- oder Videointeraktion ausgelegt; dieses Designziel ist keine feste Antwortzeitgarantie für jede Oberfläche.
Der Aufgabenbereich des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können somit direkt Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle zugehörigen Eingabe- oder Ausgabeformen unterstützt.
Eine multimodale Konversation vorbereiten
Stellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Demonstration, sichtbare Schritte von der Erklärung der sprechenden Person zu unterscheiden und Übereinstimmungen zu benennen. Identifizieren Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe Antwort auf Basis des sichtbaren Inhalts an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Das sind gestaltete Anwendungen des dokumentierten Aufgabenbereichs.
Die Herstellerbeispiele zeigen reine Text-, reine Audio-, reine Video- und gemischte Medienkonversationen. Bewahren Sie die ursprüngliche Reihenfolge und Zeitstruktur eines Videos. Kennzeichnen Sie getrennte Medien, damit das Modell darauf verweisen kann, ohne unzusammenhängende Belege als ein Ereignis zu behandeln. Das Ergebnis kann nur Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt vor der Vorbereitung der Anfrage.
Sprachausgabe vorbereiten
Qwens Checkpoint-Rezept erfordert den dokumentierten System-Prompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Das ist eine Anleitung für den Checkpoint-Ablauf des Herstellers, keine Aussage darüber, dass jede Anwendung System-Prompt- oder Audiogenerierungsoptionen bereitstellt.
Der konkrete Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher ausgewählt wird. Das Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24,000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines gesondert benannten kommerziellen Modells ersetzt werden.
Audio aus Video verwenden
Die Tonspur eines Videos kann für dessen Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein Geräusch, das durch eine sichtbare Aktion entsteht. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss in allen drei Stufen und über eine Konversation mit mehreren Gesprächsrunden hinweg konsistent bleiben; widersprüchliche Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, auch wenn die Datei dieselbe ist.
Reine Textausgabe und Batching
Der Hersteller unterstützt reine Textausgabe mit return_audio=False. Er erlaubt außerdem, Talker nach dem Laden zu deaktivieren, wodurch sich der GPU-Speicherbedarf um ungefähr 2 GB reduziert; in dieser Instanz ist dann jedoch keine Audioausgabe verfügbar. Das dokumentierte Batching-Beispiel mit gemischten Eingaben erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht als Beleg für gebündelte Sprachgenerierung dargestellt werden.
Kontext und wesentliche Grenzen
Die Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32,768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert für sich allein keine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos wesentlich mehr Speicher benötigen; ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.
Prüfen Sie Sprachzitate und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und behalten Sie ein Textergebnis, wenn Prüfende die gesprochene Erklärung kontrollieren müssen. Der dokumentierte Nutzen des Modells liegt im gemeinsamen Verständnis und in Text-/Sprachantworten; konkrete Stimmoptionen, Medienverarbeitung und Ausgabelieferung bleiben Funktionen der gewählten Oberfläche.
", "aboutText": "Überblick: ein Modell für mehrere Eingabemodalitäten\n\nQwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Ablauf Text mit natürlicher Sprachausgabe generieren. Nutzen Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder wenn die Anweisung gesprochen statt getippt wird. Dies ist der konkrete 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.\n\nWesentliche Funktionen und Architektur\n\nDas Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt Textinhalte, während Talker an der Gestaltung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Videozeitstempel mit Audio. Die Architektur ist für abschnittsweise Eingabe und reaktionsfähige Sprach- oder Videointeraktion ausgelegt; dieses Designziel ist keine feste Antwortzeitgarantie für jede Oberfläche.\n\nDer Aufgabenbereich des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können somit direkt Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle zugehörigen Eingabe- oder Ausgabeformen unterstützt.\n\nEine multimodale Konversation vorbereiten\n\nStellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Demonstration, sichtbare Schritte von der Erklärung der sprechenden Person zu unterscheiden und Übereinstimmungen zu benennen. Identifizieren Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe Antwort auf Basis des sichtbaren Inhalts an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Das sind gestaltete Anwendungen des dokumentierten Aufgabenbereichs.\n\nDie Herstellerbeispiele zeigen reine Text-, reine Audio-, reine Video- und gemischte Medienkonversationen. Bewahren Sie die ursprüngliche Reihenfolge und Zeitstruktur eines Videos. Kennzeichnen Sie getrennte Medien, damit das Modell darauf verweisen kann, ohne unzusammenhängende Belege als ein Ereignis zu behandeln. Das Ergebnis kann nur Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt vor der Vorbereitung der Anfrage.\n\nSprachausgabe vorbereiten\n\nQwens Checkpoint-Rezept erfordert den dokumentierten System-Prompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Das ist eine Anleitung für den Checkpoint-Ablauf des Herstellers, keine Aussage darüber, dass jede Anwendung System-Prompt- oder Audiogenerierungsoptionen bereitstellt.\n\nDer konkrete Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher ausgewählt wird. Das Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24,000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines gesondert benannten kommerziellen Modells ersetzt werden.\n\nAudio aus Video verwenden\n\nDie Tonspur eines Videos kann für dessen Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein Geräusch, das durch eine sichtbare Aktion entsteht. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss in allen drei Stufen und über eine Konversation mit mehreren Gesprächsrunden hinweg konsistent bleiben; widersprüchliche Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, auch wenn die Datei dieselbe ist.\n\nReine Textausgabe und Batching\n\nDer Hersteller unterstützt reine Textausgabe mit return_audio=False. Er erlaubt außerdem, Talker nach dem Laden zu deaktivieren, wodurch sich der GPU-Speicherbedarf um ungefähr 2 GB reduziert; in dieser Instanz ist dann jedoch keine Audioausgabe verfügbar. Das dokumentierte Batching-Beispiel mit gemischten Eingaben erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht als Beleg für gebündelte Sprachgenerierung dargestellt werden.\n\nKontext und wesentliche Grenzen\n\nDie Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32,768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert für sich allein keine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos wesentlich mehr Speicher benötigen; ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.\n\nPrüfen Sie Sprachzitate und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und behalten Sie ein Textergebnis, wenn Prüfende die gesprochene Erklärung kontrollieren müssen. Der dokumentierte Nutzen des Modells liegt im gemeinsamen Verständnis und in Text-/Sprachantworten; konkrete Stimmoptionen, Medienverarbeitung und Ausgabelieferung bleiben Funktionen der gewählten Oberfläche.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare demonstration notes with narration\n\nCompare two text records of demonstration M2. Visual notes: 'Operator closes the lid, then presses Start.' Narration transcript: 'Press Start before closing the lid.' Identify the sequence disagreement and write one clarification question for the instructor. Use only these supplied records; do not claim to have watched or heard a clip.A source-linked sequence comparison and one targeted clarification question.The answer must preserve the opposing event order and avoid inventing a resolution.qwen2.5-omni-7bQwen2.5-Omni-7B kombiniert das Verständnis von Text, Bildern, Audio und Video mit Text- und natürlicher Sprachausgabe. Seine Thinker-Talker-Architektur richtet Audio am Videozeitverlauf aus, unterstützt gestreamte Interaktion und bietet in genau diesem offenen Checkpoint zwei dokumentierte Stimmen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: ein Modell für mehrere Eingabemodalitäten
Qwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Ablauf Text mit natürlicher Sprachausgabe generieren. Nutzen Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder wenn die Anweisung gesprochen statt getippt wird. Dies ist der konkrete 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.
Wesentliche Funktionen und Architektur
Das Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt Textinhalte, während Talker an der Gestaltung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Videozeitstempel mit Audio. Die Architektur ist für abschnittsweise Eingabe und reaktionsfähige Sprach- oder Videointeraktion ausgelegt; dieses Designziel ist keine feste Antwortzeitgarantie für jede Oberfläche.
Der Aufgabenbereich des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können somit direkt Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle zugehörigen Eingabe- oder Ausgabeformen unterstützt.
Eine multimodale Konversation vorbereiten
Stellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Demonstration, sichtbare Schritte von der Erklärung der sprechenden Person zu unterscheiden und Übereinstimmungen zu benennen. Identifizieren Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe Antwort auf Basis des sichtbaren Inhalts an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Das sind gestaltete Anwendungen des dokumentierten Aufgabenbereichs.
Die Herstellerbeispiele zeigen reine Text-, reine Audio-, reine Video- und gemischte Medienkonversationen. Bewahren Sie die ursprüngliche Reihenfolge und Zeitstruktur eines Videos. Kennzeichnen Sie getrennte Medien, damit das Modell darauf verweisen kann, ohne unzusammenhängende Belege als ein Ereignis zu behandeln. Das Ergebnis kann nur Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt vor der Vorbereitung der Anfrage.
Sprachausgabe vorbereiten
Qwens Checkpoint-Rezept erfordert den dokumentierten System-Prompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Das ist eine Anleitung für den Checkpoint-Ablauf des Herstellers, keine Aussage darüber, dass jede Anwendung System-Prompt- oder Audiogenerierungsoptionen bereitstellt.
Der konkrete Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher ausgewählt wird. Das Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24,000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines gesondert benannten kommerziellen Modells ersetzt werden.
Audio aus Video verwenden
Die Tonspur eines Videos kann für dessen Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein Geräusch, das durch eine sichtbare Aktion entsteht. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss in allen drei Stufen und über eine Konversation mit mehreren Gesprächsrunden hinweg konsistent bleiben; widersprüchliche Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, auch wenn die Datei dieselbe ist.
Reine Textausgabe und Batching
Der Hersteller unterstützt reine Textausgabe mit return_audio=False. Er erlaubt außerdem, Talker nach dem Laden zu deaktivieren, wodurch sich der GPU-Speicherbedarf um ungefähr 2 GB reduziert; in dieser Instanz ist dann jedoch keine Audioausgabe verfügbar. Das dokumentierte Batching-Beispiel mit gemischten Eingaben erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht als Beleg für gebündelte Sprachgenerierung dargestellt werden.
Kontext und wesentliche Grenzen
Die Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32,768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert für sich allein keine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos wesentlich mehr Speicher benötigen; ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.
Prüfen Sie Sprachzitate und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und behalten Sie ein Textergebnis, wenn Prüfende die gesprochene Erklärung kontrollieren müssen. Der dokumentierte Nutzen des Modells liegt im gemeinsamen Verständnis und in Text-/Sprachantworten; konkrete Stimmoptionen, Medienverarbeitung und Ausgabelieferung bleiben Funktionen der gewählten Oberfläche.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-omni-7b | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0046 / 1K Tokens Ausgabe · Ausgabetoken $0.0138 / 1K Tokens Eingabe · Cache lesen $0 / 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": "qwen2.5-omni-7b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-omni-7b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-omni-7b',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 qwen2.5-omni-7b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-omni-7bQwen2.5-Omni-7B kombiniert das Verständnis von Text, Bildern, Audio und Video mit Text- und natürlicher Sprachausgabe. Seine Thinker-Talker-Architektur richtet Audio am Videozeitverlauf aus, unterstützt gestreamte Interaktion und bietet in genau diesem offenen Checkpoint zwei dokumentierte Stimmen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: ein Modell für mehrere Eingabemodalitäten
Qwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Ablauf Text mit natürlicher Sprachausgabe generieren. Nutzen Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder wenn die Anweisung gesprochen statt getippt wird. Dies ist der konkrete 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.
Wesentliche Funktionen und Architektur
Das Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt Textinhalte, während Talker an der Gestaltung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Videozeitstempel mit Audio. Die Architektur ist für abschnittsweise Eingabe und reaktionsfähige Sprach- oder Videointeraktion ausgelegt; dieses Designziel ist keine feste Antwortzeitgarantie für jede Oberfläche.
Der Aufgabenbereich des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können somit direkt Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle zugehörigen Eingabe- oder Ausgabeformen unterstützt.
Eine multimodale Konversation vorbereiten
Stellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Demonstration, sichtbare Schritte von der Erklärung der sprechenden Person zu unterscheiden und Übereinstimmungen zu benennen. Identifizieren Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe Antwort auf Basis des sichtbaren Inhalts an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Das sind gestaltete Anwendungen des dokumentierten Aufgabenbereichs.
Die Herstellerbeispiele zeigen reine Text-, reine Audio-, reine Video- und gemischte Medienkonversationen. Bewahren Sie die ursprüngliche Reihenfolge und Zeitstruktur eines Videos. Kennzeichnen Sie getrennte Medien, damit das Modell darauf verweisen kann, ohne unzusammenhängende Belege als ein Ereignis zu behandeln. Das Ergebnis kann nur Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt vor der Vorbereitung der Anfrage.
Sprachausgabe vorbereiten
Qwens Checkpoint-Rezept erfordert den dokumentierten System-Prompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Das ist eine Anleitung für den Checkpoint-Ablauf des Herstellers, keine Aussage darüber, dass jede Anwendung System-Prompt- oder Audiogenerierungsoptionen bereitstellt.
Der konkrete Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher ausgewählt wird. Das Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24,000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines gesondert benannten kommerziellen Modells ersetzt werden.
Audio aus Video verwenden
Die Tonspur eines Videos kann für dessen Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein Geräusch, das durch eine sichtbare Aktion entsteht. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss in allen drei Stufen und über eine Konversation mit mehreren Gesprächsrunden hinweg konsistent bleiben; widersprüchliche Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, auch wenn die Datei dieselbe ist.
Reine Textausgabe und Batching
Der Hersteller unterstützt reine Textausgabe mit return_audio=False. Er erlaubt außerdem, Talker nach dem Laden zu deaktivieren, wodurch sich der GPU-Speicherbedarf um ungefähr 2 GB reduziert; in dieser Instanz ist dann jedoch keine Audioausgabe verfügbar. Das dokumentierte Batching-Beispiel mit gemischten Eingaben erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht als Beleg für gebündelte Sprachgenerierung dargestellt werden.
Kontext und wesentliche Grenzen
Die Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32,768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert für sich allein keine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos wesentlich mehr Speicher benötigen; ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.
Prüfen Sie Sprachzitate und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und behalten Sie ein Textergebnis, wenn Prüfende die gesprochene Erklärung kontrollieren müssen. Der dokumentierte Nutzen des Modells liegt im gemeinsamen Verständnis und in Text-/Sprachantworten; konkrete Stimmoptionen, Medienverarbeitung und Ausgabelieferung bleiben Funktionen der gewählten Oberfläche.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-omni-7b | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0046 / 1K Tokens Ausgabe · Ausgabetoken $0.0138 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-omni-7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-omni-7b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-omni-7b', '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 qwen2.5-omni-7b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare demonstration notes with narration\n\nCompare two text records of demonstration M2. Visual notes: 'Operator closes the lid, then presses Start.' Narration transcript: 'Press Start before closing the lid.' Identify the sequence disagreement and write one clarification question for the instructor. Use only these supplied records; do not claim to have watched or heard a clip.A source-linked sequence comparison and one targeted clarification question.The answer must preserve the opposing event order and avoid inventing a resolution.