Einführung: die Vision-Language-Ausgabe mit 7 Milliarden Parametern
Qwen2-VL-7B-Instruct ist das auf Anweisungen abgestimmte Mitglied von Qwen2-VL mit 7 Milliarden Parametern. Es verbindet Textanweisungen mit Bildern oder Video und erzeugt Textantworten. Nützliche Ausgaben umfassen die Erklärung einer Seite, einen Bildvergleich, eine Beschreibung sichtbarer Ereignisse oder die Antwort auf eine Frage zu einem Diagramm. Es bleibt genau diese Qwen2-VL-Veröffentlichung; neuere Qwen2.5-VL- und Qwen3-VL-Checkpoints haben eigene Fähigkeiten und Identitäten.
Was Qwen2-VL ergänzt
Qwen beschreibt visuelles Verständnis über verschiedene Bildauflösungen und Seitenverhältnisse hinweg sowie das Beantworten von Videofragen, Dialog und Inhaltserstellung. Die dokumentierte Videofähigkeit der Familie umfasst Material von mehr als 20 Minuten Länge. Die Dauer allein legt nicht fest, wie viele Einzelbilder eine Anwendung verarbeitet, und garantiert nicht, dass jedes Ereignis erinnert wird. Mehrsprachiges Bild-Text-Verständnis umfasst Englisch und Chinesisch, viele europäische Sprachen, Japanisch, Koreanisch, Arabisch und Vietnamesisch.
Der Hersteller beschreibt auch die Integration mit Telefonen, Robotern und anderen Geräten durch visuelle Beobachtungen und Textanweisungen. Dies ist ein Anwendungsablauf: Das Modell interpretiert die visuelle Umgebung und hilft bei der Auswahl von Aktionen, während verbundene Software oder Hardware sie ausführt. Das Erkennen eines Bildschirms gibt dem Modell nicht von sich aus Kontrolle darüber.
Architekturänderungen
Dynamische Auflösung wandelt ein Bild in eine variable Anzahl visueller Token um, statt jede Eingabe in dieselbe Darstellung zu zwingen. M-ROPE trennt Positionsinformationen für Text, zweidimensionale Bilder und dreidimensionale Videoinformationen und verbindet räumliche mit zeitlicher Struktur. Die veröffentlichte 7B-Konfiguration nennt 32.768 Positionen. Text, visuelle Token und erzeugte Ausgabe teilen sich das begrenzte Sequenzbudget; Bildauflösung und Videoabtastung beeinflussen daher, wie viel Material eine Anfrage enthalten kann.
Bilder und Gespräche vorbereiten
Die offiziellen Beispiele unterstützen ein einzelnes Bild, mehrere Bilder und reine Textgespräche. Fügen Sie das Bild mit einer konkreten Frage hinzu, statt sich auf eine breite Anweisung wie „Analysieren Sie alles“ zu verlassen. Fragen Sie bei einer Dokumentseite nach benannten Feldern und bewahren Sie Satzzeichen in Zitaten. Kennzeichnen Sie zwei Design-Screenshots als ersten und zweiten und verlangen Sie anschließend eine Tabelle der sichtbaren Änderungen. Fragen Sie bei einem Diagramm nach seinen Beschriftungen, Einheiten und den Werten, die einen angegebenen Trend stützen. Dies sind praktische Anwendungen visueller Fragenbeantwortung und keine Zusagen fehlerfreier Extraktion.
Die Hilfsprogramme des Herstellers akzeptieren Bilder aus lokalen Dateien, kodierten Bilddaten oder Bildadressen; sein dokumentiertes Videobeispiel verwendet lokale Videodateien oder eine geordnete Liste von Einzelbildern. Upload-Formate der Anwendung bleiben eine separate Schnittstellenentscheidung. Bewahren Sie die ursprüngliche Bildreihenfolge und geben Sie den Zeitabschnitt an, den eine Einzelbildliste repräsentiert. Die Beispiele erzeugen Text; dieser Checkpoint wird nicht als Bild- oder Videogenerator beschrieben.
Auflösung und Videoaufbereitung
Qwens Prozessor verwendet standardmäßig einen Bereich von vier bis 16.384 visuellen Token pro Bild. Er stellt min_pixels und max_pixels bereit, um Detailgrad, Speicher und Rechenaufwand gegeneinander abzuwägen; ein dokumentiertes Beispiel zielt auf 256–1.280 visuelle Token ab. Die Bilder werden innerhalb der gewählten Grenzen unter Beibehaltung ihres Seitenverhältnisses skaliert. Ausdrücklich vorgegebene neue Abmessungen werden auf ein Vielfaches von 28 gerundet. Eine dichte Tabelle oder kleine Schrift kann eine ausreichend hohe Auflösung benötigen, um lesbar zu bleiben; eine Erhöhung verbraucht zugleich mehr vom verfügbaren Bild- und Kontextbudget.
Das Videobeispiel zeigt eine Abtastrate von einem Bild pro Sekunde und eine konfigurierbare Pixelgrenze. Dies sind Beispieleinstellungen und keine allgemeingültige vorgeschriebene Rate oder harte Mediengrenze. Stellen Sie für eine Ereignisprüfung den relevanten Clip bereit und verlangen Sie eine geordnete Darstellung sichtbarer Veränderungen. Zeitlich eng beieinanderliegende Ereignisse können eine feinere Abtastung erfordern als eine grobe Szenenzusammenfassung. Qwen2-VL versteht keine Audioinformationen innerhalb von Videos; gesprochene Dialoge oder Toneffekte benötigen daher einen separaten Audioablauf.
Bekannte Einschränkungen
Qwen nennt Juni 2023 als Stichtag der Bildtrainingsdaten, ohne Wissen über spätere Personen, Produkte oder Ereignisse zuzusichern. Die Erkennung bestimmter Personen und geschützter Werke ist unvollständig. Komplexe mehrstufige Anweisungen, Objektzahlen in dicht gefüllten Szenen und räumliche Beziehungen, besonders in drei Dimensionen, sind dokumentierte Schwächen. Teilen Sie eine komplizierte visuelle Aufgabe in klare Fragen auf, verlangen Sie die sichtbaren Belege für das Ergebnis und prüfen Sie extrahierte Zahlen und zitierte Texte anhand des Bildes. Eine plausible Bildbeschreibung sollte nicht als genaue Zählung oder gemessene dreidimensionale Position behandelt werden.
Die kurzen Generierungsbeispiele der Modellkarte begründen keine separate harte Ausgabegrenze. Planen Sie die Antwortlänge gemeinsam mit Text- und Bildeingaben und bewahren Sie genügend Details in der Quelle für die konkrete Frage. So sind Modellauswahl und Eingabeaufbereitung hilfreicher als die Annahme, dass jedes Bild oder jedes lange Video eine gleichermaßen zuverlässige Antwort ergibt.
", "aboutText": "Einführung: die Vision-Language-Ausgabe mit 7 Milliarden Parametern\n\nQwen2-VL-7B-Instruct ist das auf Anweisungen abgestimmte Mitglied von Qwen2-VL mit 7 Milliarden Parametern. Es verbindet Textanweisungen mit Bildern oder Video und erzeugt Textantworten. Nützliche Ausgaben umfassen die Erklärung einer Seite, einen Bildvergleich, eine Beschreibung sichtbarer Ereignisse oder die Antwort auf eine Frage zu einem Diagramm. Es bleibt genau diese Qwen2-VL-Veröffentlichung; neuere Qwen2.5-VL- und Qwen3-VL-Checkpoints haben eigene Fähigkeiten und Identitäten.\n\nWas Qwen2-VL ergänzt\n\nQwen beschreibt visuelles Verständnis über verschiedene Bildauflösungen und Seitenverhältnisse hinweg sowie das Beantworten von Videofragen, Dialog und Inhaltserstellung. Die dokumentierte Videofähigkeit der Familie umfasst Material von mehr als 20 Minuten Länge. Die Dauer allein legt nicht fest, wie viele Einzelbilder eine Anwendung verarbeitet, und garantiert nicht, dass jedes Ereignis erinnert wird. Mehrsprachiges Bild-Text-Verständnis umfasst Englisch und Chinesisch, viele europäische Sprachen, Japanisch, Koreanisch, Arabisch und Vietnamesisch.\n\nDer Hersteller beschreibt auch die Integration mit Telefonen, Robotern und anderen Geräten durch visuelle Beobachtungen und Textanweisungen. Dies ist ein Anwendungsablauf: Das Modell interpretiert die visuelle Umgebung und hilft bei der Auswahl von Aktionen, während verbundene Software oder Hardware sie ausführt. Das Erkennen eines Bildschirms gibt dem Modell nicht von sich aus Kontrolle darüber.\n\nArchitekturänderungen\n\nDynamische Auflösung wandelt ein Bild in eine variable Anzahl visueller Token um, statt jede Eingabe in dieselbe Darstellung zu zwingen. M-ROPE trennt Positionsinformationen für Text, zweidimensionale Bilder und dreidimensionale Videoinformationen und verbindet räumliche mit zeitlicher Struktur. Die veröffentlichte 7B-Konfiguration nennt 32.768 Positionen. Text, visuelle Token und erzeugte Ausgabe teilen sich das begrenzte Sequenzbudget; Bildauflösung und Videoabtastung beeinflussen daher, wie viel Material eine Anfrage enthalten kann.\n\nBilder und Gespräche vorbereiten\n\nDie offiziellen Beispiele unterstützen ein einzelnes Bild, mehrere Bilder und reine Textgespräche. Fügen Sie das Bild mit einer konkreten Frage hinzu, statt sich auf eine breite Anweisung wie „Analysieren Sie alles“ zu verlassen. Fragen Sie bei einer Dokumentseite nach benannten Feldern und bewahren Sie Satzzeichen in Zitaten. Kennzeichnen Sie zwei Design-Screenshots als ersten und zweiten und verlangen Sie anschließend eine Tabelle der sichtbaren Änderungen. Fragen Sie bei einem Diagramm nach seinen Beschriftungen, Einheiten und den Werten, die einen angegebenen Trend stützen. Dies sind praktische Anwendungen visueller Fragenbeantwortung und keine Zusagen fehlerfreier Extraktion.\n\nDie Hilfsprogramme des Herstellers akzeptieren Bilder aus lokalen Dateien, kodierten Bilddaten oder Bildadressen; sein dokumentiertes Videobeispiel verwendet lokale Videodateien oder eine geordnete Liste von Einzelbildern. Upload-Formate der Anwendung bleiben eine separate Schnittstellenentscheidung. Bewahren Sie die ursprüngliche Bildreihenfolge und geben Sie den Zeitabschnitt an, den eine Einzelbildliste repräsentiert. Die Beispiele erzeugen Text; dieser Checkpoint wird nicht als Bild- oder Videogenerator beschrieben.\n\nAuflösung und Videoaufbereitung\n\nQwens Prozessor verwendet standardmäßig einen Bereich von vier bis 16.384 visuellen Token pro Bild. Er stellt min_pixels und max_pixels bereit, um Detailgrad, Speicher und Rechenaufwand gegeneinander abzuwägen; ein dokumentiertes Beispiel zielt auf 256–1.280 visuelle Token ab. Die Bilder werden innerhalb der gewählten Grenzen unter Beibehaltung ihres Seitenverhältnisses skaliert. Ausdrücklich vorgegebene neue Abmessungen werden auf ein Vielfaches von 28 gerundet. Eine dichte Tabelle oder kleine Schrift kann eine ausreichend hohe Auflösung benötigen, um lesbar zu bleiben; eine Erhöhung verbraucht zugleich mehr vom verfügbaren Bild- und Kontextbudget.\n\nDas Videobeispiel zeigt eine Abtastrate von einem Bild pro Sekunde und eine konfigurierbare Pixelgrenze. Dies sind Beispieleinstellungen und keine allgemeingültige vorgeschriebene Rate oder harte Mediengrenze. Stellen Sie für eine Ereignisprüfung den relevanten Clip bereit und verlangen Sie eine geordnete Darstellung sichtbarer Veränderungen. Zeitlich eng beieinanderliegende Ereignisse können eine feinere Abtastung erfordern als eine grobe Szenenzusammenfassung. Qwen2-VL versteht keine Audioinformationen innerhalb von Videos; gesprochene Dialoge oder Toneffekte benötigen daher einen separaten Audioablauf.\n\nBekannte Einschränkungen\n\nQwen nennt Juni 2023 als Stichtag der Bildtrainingsdaten, ohne Wissen über spätere Personen, Produkte oder Ereignisse zuzusichern. Die Erkennung bestimmter Personen und geschützter Werke ist unvollständig. Komplexe mehrstufige Anweisungen, Objektzahlen in dicht gefüllten Szenen und räumliche Beziehungen, besonders in drei Dimensionen, sind dokumentierte Schwächen. Teilen Sie eine komplizierte visuelle Aufgabe in klare Fragen auf, verlangen Sie die sichtbaren Belege für das Ergebnis und prüfen Sie extrahierte Zahlen und zitierte Texte anhand des Bildes. Eine plausible Bildbeschreibung sollte nicht als genaue Zählung oder gemessene dreidimensionale Position behandelt werden.\n\nDie kurzen Generierungsbeispiele der Modellkarte begründen keine separate harte Ausgabegrenze. Planen Sie die Antwortlänge gemeinsam mit Text- und Bildeingaben und bewahren Sie genügend Details in der Quelle für die konkrete Frage. So sind Modellauswahl und Eingabeaufbereitung hilfreicher als die Annahme, dass jedes Bild oder jedes lange Video eine gleichermaßen zuverlässige Antwort ergibt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist Qwens auf Anweisungen abgestimmtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Nutzen Sie es für Fragen zu Dokumentseiten, Bildvergleiche oder Beschreibungen visueller Ereignisse, mit dynamischer Bildauflösung und dokumentierten Einschränkungen beim Zählen, räumlichen Schlussfolgern und Verstehen von Audio in Videos.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: die Vision-Language-Ausgabe mit 7 Milliarden Parametern
Qwen2-VL-7B-Instruct ist das auf Anweisungen abgestimmte Mitglied von Qwen2-VL mit 7 Milliarden Parametern. Es verbindet Textanweisungen mit Bildern oder Video und erzeugt Textantworten. Nützliche Ausgaben umfassen die Erklärung einer Seite, einen Bildvergleich, eine Beschreibung sichtbarer Ereignisse oder die Antwort auf eine Frage zu einem Diagramm. Es bleibt genau diese Qwen2-VL-Veröffentlichung; neuere Qwen2.5-VL- und Qwen3-VL-Checkpoints haben eigene Fähigkeiten und Identitäten.
Was Qwen2-VL ergänzt
Qwen beschreibt visuelles Verständnis über verschiedene Bildauflösungen und Seitenverhältnisse hinweg sowie das Beantworten von Videofragen, Dialog und Inhaltserstellung. Die dokumentierte Videofähigkeit der Familie umfasst Material von mehr als 20 Minuten Länge. Die Dauer allein legt nicht fest, wie viele Einzelbilder eine Anwendung verarbeitet, und garantiert nicht, dass jedes Ereignis erinnert wird. Mehrsprachiges Bild-Text-Verständnis umfasst Englisch und Chinesisch, viele europäische Sprachen, Japanisch, Koreanisch, Arabisch und Vietnamesisch.
Der Hersteller beschreibt auch die Integration mit Telefonen, Robotern und anderen Geräten durch visuelle Beobachtungen und Textanweisungen. Dies ist ein Anwendungsablauf: Das Modell interpretiert die visuelle Umgebung und hilft bei der Auswahl von Aktionen, während verbundene Software oder Hardware sie ausführt. Das Erkennen eines Bildschirms gibt dem Modell nicht von sich aus Kontrolle darüber.
Architekturänderungen
Dynamische Auflösung wandelt ein Bild in eine variable Anzahl visueller Token um, statt jede Eingabe in dieselbe Darstellung zu zwingen. M-ROPE trennt Positionsinformationen für Text, zweidimensionale Bilder und dreidimensionale Videoinformationen und verbindet räumliche mit zeitlicher Struktur. Die veröffentlichte 7B-Konfiguration nennt 32.768 Positionen. Text, visuelle Token und erzeugte Ausgabe teilen sich das begrenzte Sequenzbudget; Bildauflösung und Videoabtastung beeinflussen daher, wie viel Material eine Anfrage enthalten kann.
Bilder und Gespräche vorbereiten
Die offiziellen Beispiele unterstützen ein einzelnes Bild, mehrere Bilder und reine Textgespräche. Fügen Sie das Bild mit einer konkreten Frage hinzu, statt sich auf eine breite Anweisung wie „Analysieren Sie alles“ zu verlassen. Fragen Sie bei einer Dokumentseite nach benannten Feldern und bewahren Sie Satzzeichen in Zitaten. Kennzeichnen Sie zwei Design-Screenshots als ersten und zweiten und verlangen Sie anschließend eine Tabelle der sichtbaren Änderungen. Fragen Sie bei einem Diagramm nach seinen Beschriftungen, Einheiten und den Werten, die einen angegebenen Trend stützen. Dies sind praktische Anwendungen visueller Fragenbeantwortung und keine Zusagen fehlerfreier Extraktion.
Die Hilfsprogramme des Herstellers akzeptieren Bilder aus lokalen Dateien, kodierten Bilddaten oder Bildadressen; sein dokumentiertes Videobeispiel verwendet lokale Videodateien oder eine geordnete Liste von Einzelbildern. Upload-Formate der Anwendung bleiben eine separate Schnittstellenentscheidung. Bewahren Sie die ursprüngliche Bildreihenfolge und geben Sie den Zeitabschnitt an, den eine Einzelbildliste repräsentiert. Die Beispiele erzeugen Text; dieser Checkpoint wird nicht als Bild- oder Videogenerator beschrieben.
Auflösung und Videoaufbereitung
Qwens Prozessor verwendet standardmäßig einen Bereich von vier bis 16.384 visuellen Token pro Bild. Er stellt min_pixels und max_pixels bereit, um Detailgrad, Speicher und Rechenaufwand gegeneinander abzuwägen; ein dokumentiertes Beispiel zielt auf 256–1.280 visuelle Token ab. Die Bilder werden innerhalb der gewählten Grenzen unter Beibehaltung ihres Seitenverhältnisses skaliert. Ausdrücklich vorgegebene neue Abmessungen werden auf ein Vielfaches von 28 gerundet. Eine dichte Tabelle oder kleine Schrift kann eine ausreichend hohe Auflösung benötigen, um lesbar zu bleiben; eine Erhöhung verbraucht zugleich mehr vom verfügbaren Bild- und Kontextbudget.
Das Videobeispiel zeigt eine Abtastrate von einem Bild pro Sekunde und eine konfigurierbare Pixelgrenze. Dies sind Beispieleinstellungen und keine allgemeingültige vorgeschriebene Rate oder harte Mediengrenze. Stellen Sie für eine Ereignisprüfung den relevanten Clip bereit und verlangen Sie eine geordnete Darstellung sichtbarer Veränderungen. Zeitlich eng beieinanderliegende Ereignisse können eine feinere Abtastung erfordern als eine grobe Szenenzusammenfassung. Qwen2-VL versteht keine Audioinformationen innerhalb von Videos; gesprochene Dialoge oder Toneffekte benötigen daher einen separaten Audioablauf.
Bekannte Einschränkungen
Qwen nennt Juni 2023 als Stichtag der Bildtrainingsdaten, ohne Wissen über spätere Personen, Produkte oder Ereignisse zuzusichern. Die Erkennung bestimmter Personen und geschützter Werke ist unvollständig. Komplexe mehrstufige Anweisungen, Objektzahlen in dicht gefüllten Szenen und räumliche Beziehungen, besonders in drei Dimensionen, sind dokumentierte Schwächen. Teilen Sie eine komplizierte visuelle Aufgabe in klare Fragen auf, verlangen Sie die sichtbaren Belege für das Ergebnis und prüfen Sie extrahierte Zahlen und zitierte Texte anhand des Bildes. Eine plausible Bildbeschreibung sollte nicht als genaue Zählung oder gemessene dreidimensionale Position behandelt werden.
Die kurzen Generierungsbeispiele der Modellkarte begründen keine separate harte Ausgabegrenze. Planen Sie die Antwortlänge gemeinsam mit Text- und Bildeingaben und bewahren Sie genügend Details in der Quelle für die konkrete Frage. So sind Modellauswahl und Eingabeaufbereitung hilfreicher als die Annahme, dass jedes Bild oder jedes lange Video eine gleichermaßen zuverlässige Antwort ergibt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00142 / 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-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 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-VL-7B-Instruct-ultra
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct ist Qwens auf Anweisungen abgestimmtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Nutzen Sie es für Fragen zu Dokumentseiten, Bildvergleiche oder Beschreibungen visueller Ereignisse, mit dynamischer Bildauflösung und dokumentierten Einschränkungen beim Zählen, räumlichen Schlussfolgern und Verstehen von Audio in Videos.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: die Vision-Language-Ausgabe mit 7 Milliarden Parametern
Qwen2-VL-7B-Instruct ist das auf Anweisungen abgestimmte Mitglied von Qwen2-VL mit 7 Milliarden Parametern. Es verbindet Textanweisungen mit Bildern oder Video und erzeugt Textantworten. Nützliche Ausgaben umfassen die Erklärung einer Seite, einen Bildvergleich, eine Beschreibung sichtbarer Ereignisse oder die Antwort auf eine Frage zu einem Diagramm. Es bleibt genau diese Qwen2-VL-Veröffentlichung; neuere Qwen2.5-VL- und Qwen3-VL-Checkpoints haben eigene Fähigkeiten und Identitäten.
Was Qwen2-VL ergänzt
Qwen beschreibt visuelles Verständnis über verschiedene Bildauflösungen und Seitenverhältnisse hinweg sowie das Beantworten von Videofragen, Dialog und Inhaltserstellung. Die dokumentierte Videofähigkeit der Familie umfasst Material von mehr als 20 Minuten Länge. Die Dauer allein legt nicht fest, wie viele Einzelbilder eine Anwendung verarbeitet, und garantiert nicht, dass jedes Ereignis erinnert wird. Mehrsprachiges Bild-Text-Verständnis umfasst Englisch und Chinesisch, viele europäische Sprachen, Japanisch, Koreanisch, Arabisch und Vietnamesisch.
Der Hersteller beschreibt auch die Integration mit Telefonen, Robotern und anderen Geräten durch visuelle Beobachtungen und Textanweisungen. Dies ist ein Anwendungsablauf: Das Modell interpretiert die visuelle Umgebung und hilft bei der Auswahl von Aktionen, während verbundene Software oder Hardware sie ausführt. Das Erkennen eines Bildschirms gibt dem Modell nicht von sich aus Kontrolle darüber.
Architekturänderungen
Dynamische Auflösung wandelt ein Bild in eine variable Anzahl visueller Token um, statt jede Eingabe in dieselbe Darstellung zu zwingen. M-ROPE trennt Positionsinformationen für Text, zweidimensionale Bilder und dreidimensionale Videoinformationen und verbindet räumliche mit zeitlicher Struktur. Die veröffentlichte 7B-Konfiguration nennt 32.768 Positionen. Text, visuelle Token und erzeugte Ausgabe teilen sich das begrenzte Sequenzbudget; Bildauflösung und Videoabtastung beeinflussen daher, wie viel Material eine Anfrage enthalten kann.
Bilder und Gespräche vorbereiten
Die offiziellen Beispiele unterstützen ein einzelnes Bild, mehrere Bilder und reine Textgespräche. Fügen Sie das Bild mit einer konkreten Frage hinzu, statt sich auf eine breite Anweisung wie „Analysieren Sie alles“ zu verlassen. Fragen Sie bei einer Dokumentseite nach benannten Feldern und bewahren Sie Satzzeichen in Zitaten. Kennzeichnen Sie zwei Design-Screenshots als ersten und zweiten und verlangen Sie anschließend eine Tabelle der sichtbaren Änderungen. Fragen Sie bei einem Diagramm nach seinen Beschriftungen, Einheiten und den Werten, die einen angegebenen Trend stützen. Dies sind praktische Anwendungen visueller Fragenbeantwortung und keine Zusagen fehlerfreier Extraktion.
Die Hilfsprogramme des Herstellers akzeptieren Bilder aus lokalen Dateien, kodierten Bilddaten oder Bildadressen; sein dokumentiertes Videobeispiel verwendet lokale Videodateien oder eine geordnete Liste von Einzelbildern. Upload-Formate der Anwendung bleiben eine separate Schnittstellenentscheidung. Bewahren Sie die ursprüngliche Bildreihenfolge und geben Sie den Zeitabschnitt an, den eine Einzelbildliste repräsentiert. Die Beispiele erzeugen Text; dieser Checkpoint wird nicht als Bild- oder Videogenerator beschrieben.
Auflösung und Videoaufbereitung
Qwens Prozessor verwendet standardmäßig einen Bereich von vier bis 16.384 visuellen Token pro Bild. Er stellt min_pixels und max_pixels bereit, um Detailgrad, Speicher und Rechenaufwand gegeneinander abzuwägen; ein dokumentiertes Beispiel zielt auf 256–1.280 visuelle Token ab. Die Bilder werden innerhalb der gewählten Grenzen unter Beibehaltung ihres Seitenverhältnisses skaliert. Ausdrücklich vorgegebene neue Abmessungen werden auf ein Vielfaches von 28 gerundet. Eine dichte Tabelle oder kleine Schrift kann eine ausreichend hohe Auflösung benötigen, um lesbar zu bleiben; eine Erhöhung verbraucht zugleich mehr vom verfügbaren Bild- und Kontextbudget.
Das Videobeispiel zeigt eine Abtastrate von einem Bild pro Sekunde und eine konfigurierbare Pixelgrenze. Dies sind Beispieleinstellungen und keine allgemeingültige vorgeschriebene Rate oder harte Mediengrenze. Stellen Sie für eine Ereignisprüfung den relevanten Clip bereit und verlangen Sie eine geordnete Darstellung sichtbarer Veränderungen. Zeitlich eng beieinanderliegende Ereignisse können eine feinere Abtastung erfordern als eine grobe Szenenzusammenfassung. Qwen2-VL versteht keine Audioinformationen innerhalb von Videos; gesprochene Dialoge oder Toneffekte benötigen daher einen separaten Audioablauf.
Bekannte Einschränkungen
Qwen nennt Juni 2023 als Stichtag der Bildtrainingsdaten, ohne Wissen über spätere Personen, Produkte oder Ereignisse zuzusichern. Die Erkennung bestimmter Personen und geschützter Werke ist unvollständig. Komplexe mehrstufige Anweisungen, Objektzahlen in dicht gefüllten Szenen und räumliche Beziehungen, besonders in drei Dimensionen, sind dokumentierte Schwächen. Teilen Sie eine komplizierte visuelle Aufgabe in klare Fragen auf, verlangen Sie die sichtbaren Belege für das Ergebnis und prüfen Sie extrahierte Zahlen und zitierte Texte anhand des Bildes. Eine plausible Bildbeschreibung sollte nicht als genaue Zählung oder gemessene dreidimensionale Position behandelt werden.
Die kurzen Generierungsbeispiele der Modellkarte begründen keine separate harte Ausgabegrenze. Planen Sie die Antwortlänge gemeinsam mit Text- und Bildeingaben und bewahren Sie genügend Details in der Quelle für die konkrete Frage. So sind Modellauswahl und Eingabeaufbereitung hilfreicher als die Annahme, dass jedes Bild oder jedes lange Video eine gleichermaßen zuverlässige Antwort ergibt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00142 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-VL-7B-Instruct-ultra
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.