Qwen2-VL-72B-Instruct ist die auf Anweisungen trainierte visuell-sprachliche 72B-Edition auf Basis von Qwen2. Sie erhält Text zusammen mit Bildern oder Video und generiert eine Textantwort. Der Hersteller hebt das Verstehen unterschiedlicher Bildauflösungen und Seitenverhältnisse, Textinterpretation in Bildern, Schlussfolgern über sichtbare Beziehungen und Antworten zu Videos von über 20 Minuten hervor.
Bild- und Videofähigkeiten
Fordern Sie bei einer Dokumentseite den benötigten Inhalt an: einen Absatz, eine Tabellenzeile, eine Formel oder die Bedingungen einer Aussage. Halten Sie die Seite lesbar und legen Sie fest, ob der Wortlaut transkribiert, zusammengefasst oder erklärt werden soll. Eine nützliche Dokumentausgabe kann die ursprüngliche Abschnittskennzeichnung neben dem extrahierten Inhalt bewahren. Fragen Sie bei einem Diagramm nach den Verbindungen beschrifteter Elemente und benennen Sie die zu erklärende Beziehung.
Die dokumentierte Videonutzung umfasst Fragen, Dialog und schriftliche Inhalte anhand der sichtbaren Abfolge. Definieren Sie das zu prüfende Ereignis oder die Veränderung: wann ein Objekt erscheint, was vor einem bestimmten Schritt geschieht oder wie eine demonstrierte Handlung zu einer schriftlichen Vorgehensweise passt. Fordern Sie eine geordnete Ereignisbeschreibung oder einen Vergleich zwischen sichtbaren Schritten und vorgegebener Vorgehensweise an. Die Herstellerangabe von über 20 Minuten beschreibt Langvideoverständnis, keine feste maximale Videodauer und keine Garantie, dass jeder Rohclip in eine unveränderte Eingabekonfiguration passt.
Nutzung visueller Agenten
Die Veröffentlichung positioniert Qwen2-VL auch für visuelle Agenten, die mit Mobilgeräten, Robotern und anderen Werkzeugen verbunden sind. Die Ankündigung beschreibt Funktionsaufrufe und Codeinterpreter-Szenarien, etwa Code aus einem Diagramm zu erzeugen oder über eine visuelle Frage eine externe Abfrage anzufordern. Die umgebende Anwendung stellt Werkzeuge bereit, führt die vorgeschlagene Handlung aus und liefert das Ergebnis zurück. Eine Textantwort des Modells allein klickt kein Bedienelement, bewegt kein Gerät und führt das generierte Programm nicht aus.
Eine praktische Oberflächenaufgabe kann Screenshot und Nutzerziel liefern und nach dem für den nächsten Schritt relevanten sichtbaren Bedienelement und den Belegen für diese Wahl fragen. Halten Sie Beobachtung, vorgeschlagene Handlung und tatsächliche Ausführung als getrennte Ablaufteile fest. So wird der Fokus auf visuelle Agenten genutzt und das Ergebnis zugleich für die Anwendung konkret genug zum Handeln.
Mehrsprachiger Text in Bildern
Der Hersteller beschreibt Texterkennung in Bildern für Englisch und Chinesisch, die meisten europäischen Sprachen sowie unter anderem Japanisch, Koreanisch, Arabisch und Vietnamesisch. Eine mehrsprachige Seite lässt sich damit als visuelle Leseaufgabe behandeln. Verlangen Sie bei wichtigem genauen Wortlaut zunächst die Originaltranskription und danach eine Übersetzung oder Erklärung in der gewählten Sprache. Bewahren Sie Beschriftungen und Zahlen, statt Erkennung mit einer nicht näher bestimmten Überarbeitung zu vermischen.
Dynamische Auflösung und Positionsinformation
Qwen2-VL verbindet einen Vision-Encoder mit dem Qwen2-Sprachmodell. Naive Dynamic Resolution bildet unterschiedliche Bildgrössen auf unterschiedliche Zahlen visueller Tokens ab. Multimodal Rotary Position Embedding trennt Positionsinformationen, damit das Modell Textreihenfolge, zweidimensionale Bilder sowie zeitliche und räumliche Videostruktur darstellen kann. Das erklärt, wie dieselbe Familie eine Seite, mehrere Bilder oder eine Videosequenz verarbeitet.
Der Bildprozessor der Modellkarte dokumentiert standardmässig 4 bis 16’384 visuelle Tokens pro Bild. Die Anwendung kann minimale und maximale Pixelzahlen bei erhaltenem Seitenverhältnis anpassen oder Abmessungen anfordern, die auf ein Vielfaches von 28 gerundet werden. Der Beispielbereich von 256 bis 1’280 Tokens ist eine konfigurierbare Veranschaulichung, keine separate universelle Bildgrenze. Mehr Bilddetails benötigen mehr Berechnung und visuelle Tokens; bewahren Sie deshalb bei der Vorbereitung die für die Frage nötigen Beschriftungen, Überschriften und kleinen Objekte.
Eingabevorbereitung und Kontext
Der Hersteller zeigt einzelne und mehrere Bilder, Video als Framefolge oder lokale Datei sowie gebündelte Gespräche. Die Bildvorbereitung umfasst lokale Dateien, kodierte Bilddaten und Bildreferenzen. Das Videobeispiel verwendet eine gewählte Bildrate; daraus folgt keine für jedes Video vorgeschriebene Samplingrate. Bestimmen Sie Reihenfolge und Rolle mehrerer Bilder und liefern Sie die für eine Sequenz nötigen Informationen, statt zusammenhanglose Frames als eine Szene zu behandeln.
Die veröffentlichte Konfiguration setzt die maximale Positionszahl auf 32’768. Visuelles Material und Textanweisungen müssen innerhalb des tatsächlich konfigurierten Kontexts geplant werden. Die Generierung von 128 Tokens im Beispiel ist nur eine Beispieleinstellung und veröffentlicht keine separate maximale Ausgabekapazität. Die 72B-Edition sollte ihre eigene Konfiguration behalten, statt Langkontexteinstellungen von Qwen2.5-VL oder einem anderen Qwen-Modell zu übernehmen.
Substantielle Einschränkungen
Der Hersteller erklärt ausdrücklich, dass Qwen2-VL Audio in Videos nicht versteht. Wenn die Frage von gesprochenen Informationen abhängt, müssen diese deshalb separat bereitgestellt werden. Der Bildtrainingsdatensatz wird als bis Juni 2023 aktualisiert beschrieben; dies betrifft diesen Datensatz und verspricht kein aktuelles visuelles Wissen.
Dokumentierte Einschränkungen umfassen ausserdem unvollständige Erkennung bestimmter Personen oder benannter geistiger Eigentumsobjekte, Schwierigkeiten mit komplexen mehrstufigen Anweisungen, schwaches Zählen in komplexen Szenen und Grenzen dreidimensionalen räumlichen Schlussfolgerns. Richten Sie bei Aufgaben, die davon abhängen, die Frage auf die benötigten Objekte oder Beziehungen und bewahren Sie die visuellen Belege neben der Antwort. Klares Quellmaterial und definierte Ausgabe erleichtern die Prüfung, ohne die genannten Grenzen durch eine Genauigkeitsgarantie zu ersetzen.
", "aboutText": "Qwen2-VL-72B-Instruct ist die auf Anweisungen trainierte visuell-sprachliche 72B-Edition auf Basis von Qwen2. Sie erhält Text zusammen mit Bildern oder Video und generiert eine Textantwort. Der Hersteller hebt das Verstehen unterschiedlicher Bildauflösungen und Seitenverhältnisse, Textinterpretation in Bildern, Schlussfolgern über sichtbare Beziehungen und Antworten zu Videos von über 20 Minuten hervor.\n\nBild- und Videofähigkeiten\n\nFordern Sie bei einer Dokumentseite den benötigten Inhalt an: einen Absatz, eine Tabellenzeile, eine Formel oder die Bedingungen einer Aussage. Halten Sie die Seite lesbar und legen Sie fest, ob der Wortlaut transkribiert, zusammengefasst oder erklärt werden soll. Eine nützliche Dokumentausgabe kann die ursprüngliche Abschnittskennzeichnung neben dem extrahierten Inhalt bewahren. Fragen Sie bei einem Diagramm nach den Verbindungen beschrifteter Elemente und benennen Sie die zu erklärende Beziehung.\n\nDie dokumentierte Videonutzung umfasst Fragen, Dialog und schriftliche Inhalte anhand der sichtbaren Abfolge. Definieren Sie das zu prüfende Ereignis oder die Veränderung: wann ein Objekt erscheint, was vor einem bestimmten Schritt geschieht oder wie eine demonstrierte Handlung zu einer schriftlichen Vorgehensweise passt. Fordern Sie eine geordnete Ereignisbeschreibung oder einen Vergleich zwischen sichtbaren Schritten und vorgegebener Vorgehensweise an. Die Herstellerangabe von über 20 Minuten beschreibt Langvideoverständnis, keine feste maximale Videodauer und keine Garantie, dass jeder Rohclip in eine unveränderte Eingabekonfiguration passt.\n\nNutzung visueller Agenten\n\nDie Veröffentlichung positioniert Qwen2-VL auch für visuelle Agenten, die mit Mobilgeräten, Robotern und anderen Werkzeugen verbunden sind. Die Ankündigung beschreibt Funktionsaufrufe und Codeinterpreter-Szenarien, etwa Code aus einem Diagramm zu erzeugen oder über eine visuelle Frage eine externe Abfrage anzufordern. Die umgebende Anwendung stellt Werkzeuge bereit, führt die vorgeschlagene Handlung aus und liefert das Ergebnis zurück. Eine Textantwort des Modells allein klickt kein Bedienelement, bewegt kein Gerät und führt das generierte Programm nicht aus.\n\nEine praktische Oberflächenaufgabe kann Screenshot und Nutzerziel liefern und nach dem für den nächsten Schritt relevanten sichtbaren Bedienelement und den Belegen für diese Wahl fragen. Halten Sie Beobachtung, vorgeschlagene Handlung und tatsächliche Ausführung als getrennte Ablaufteile fest. So wird der Fokus auf visuelle Agenten genutzt und das Ergebnis zugleich für die Anwendung konkret genug zum Handeln.\n\nMehrsprachiger Text in Bildern\n\nDer Hersteller beschreibt Texterkennung in Bildern für Englisch und Chinesisch, die meisten europäischen Sprachen sowie unter anderem Japanisch, Koreanisch, Arabisch und Vietnamesisch. Eine mehrsprachige Seite lässt sich damit als visuelle Leseaufgabe behandeln. Verlangen Sie bei wichtigem genauen Wortlaut zunächst die Originaltranskription und danach eine Übersetzung oder Erklärung in der gewählten Sprache. Bewahren Sie Beschriftungen und Zahlen, statt Erkennung mit einer nicht näher bestimmten Überarbeitung zu vermischen.\n\nDynamische Auflösung und Positionsinformation\n\nQwen2-VL verbindet einen Vision-Encoder mit dem Qwen2-Sprachmodell. Naive Dynamic Resolution bildet unterschiedliche Bildgrössen auf unterschiedliche Zahlen visueller Tokens ab. Multimodal Rotary Position Embedding trennt Positionsinformationen, damit das Modell Textreihenfolge, zweidimensionale Bilder sowie zeitliche und räumliche Videostruktur darstellen kann. Das erklärt, wie dieselbe Familie eine Seite, mehrere Bilder oder eine Videosequenz verarbeitet.\n\nDer Bildprozessor der Modellkarte dokumentiert standardmässig 4 bis 16’384 visuelle Tokens pro Bild. Die Anwendung kann minimale und maximale Pixelzahlen bei erhaltenem Seitenverhältnis anpassen oder Abmessungen anfordern, die auf ein Vielfaches von 28 gerundet werden. Der Beispielbereich von 256 bis 1’280 Tokens ist eine konfigurierbare Veranschaulichung, keine separate universelle Bildgrenze. Mehr Bilddetails benötigen mehr Berechnung und visuelle Tokens; bewahren Sie deshalb bei der Vorbereitung die für die Frage nötigen Beschriftungen, Überschriften und kleinen Objekte.\n\nEingabevorbereitung und Kontext\n\nDer Hersteller zeigt einzelne und mehrere Bilder, Video als Framefolge oder lokale Datei sowie gebündelte Gespräche. Die Bildvorbereitung umfasst lokale Dateien, kodierte Bilddaten und Bildreferenzen. Das Videobeispiel verwendet eine gewählte Bildrate; daraus folgt keine für jedes Video vorgeschriebene Samplingrate. Bestimmen Sie Reihenfolge und Rolle mehrerer Bilder und liefern Sie die für eine Sequenz nötigen Informationen, statt zusammenhanglose Frames als eine Szene zu behandeln.\n\nDie veröffentlichte Konfiguration setzt die maximale Positionszahl auf 32’768. Visuelles Material und Textanweisungen müssen innerhalb des tatsächlich konfigurierten Kontexts geplant werden. Die Generierung von 128 Tokens im Beispiel ist nur eine Beispieleinstellung und veröffentlicht keine separate maximale Ausgabekapazität. Die 72B-Edition sollte ihre eigene Konfiguration behalten, statt Langkontexteinstellungen von Qwen2.5-VL oder einem anderen Qwen-Modell zu übernehmen.\n\nSubstantielle Einschränkungen\n\nDer Hersteller erklärt ausdrücklich, dass Qwen2-VL Audio in Videos nicht versteht. Wenn die Frage von gesprochenen Informationen abhängt, müssen diese deshalb separat bereitgestellt werden. Der Bildtrainingsdatensatz wird als bis Juni 2023 aktualisiert beschrieben; dies betrifft diesen Datensatz und verspricht kein aktuelles visuelles Wissen.\n\nDokumentierte Einschränkungen umfassen ausserdem unvollständige Erkennung bestimmter Personen oder benannter geistiger Eigentumsobjekte, Schwierigkeiten mit komplexen mehrstufigen Anweisungen, schwaches Zählen in komplexen Szenen und Grenzen dreidimensionalen räumlichen Schlussfolgerns. Richten Sie bei Aufgaben, die davon abhängen, die Frage auf die benötigten Objekte oder Beziehungen und bewahren Sie die visuellen Belege neben der Antwort. Klares Quellmaterial und definierte Ausgabe erleichtern die Prüfung, ohne die genannten Grenzen durch eine Genauigkeitsgarantie zu ersetzen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kombiniert Text, Bilder und Video für visuelle Fragen, Dokumentlesen und mehrsprachigen Text in Bildern. Der Hersteller beschreibt Videoverständnis über 20 Minuten hinaus, dynamische Bildauflösung und Integrationen visueller Agenten; die Antwort ist Text.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2-VL-72B-Instruct ist die auf Anweisungen trainierte visuell-sprachliche 72B-Edition auf Basis von Qwen2. Sie erhält Text zusammen mit Bildern oder Video und generiert eine Textantwort. Der Hersteller hebt das Verstehen unterschiedlicher Bildauflösungen und Seitenverhältnisse, Textinterpretation in Bildern, Schlussfolgern über sichtbare Beziehungen und Antworten zu Videos von über 20 Minuten hervor.
Bild- und Videofähigkeiten
Fordern Sie bei einer Dokumentseite den benötigten Inhalt an: einen Absatz, eine Tabellenzeile, eine Formel oder die Bedingungen einer Aussage. Halten Sie die Seite lesbar und legen Sie fest, ob der Wortlaut transkribiert, zusammengefasst oder erklärt werden soll. Eine nützliche Dokumentausgabe kann die ursprüngliche Abschnittskennzeichnung neben dem extrahierten Inhalt bewahren. Fragen Sie bei einem Diagramm nach den Verbindungen beschrifteter Elemente und benennen Sie die zu erklärende Beziehung.
Die dokumentierte Videonutzung umfasst Fragen, Dialog und schriftliche Inhalte anhand der sichtbaren Abfolge. Definieren Sie das zu prüfende Ereignis oder die Veränderung: wann ein Objekt erscheint, was vor einem bestimmten Schritt geschieht oder wie eine demonstrierte Handlung zu einer schriftlichen Vorgehensweise passt. Fordern Sie eine geordnete Ereignisbeschreibung oder einen Vergleich zwischen sichtbaren Schritten und vorgegebener Vorgehensweise an. Die Herstellerangabe von über 20 Minuten beschreibt Langvideoverständnis, keine feste maximale Videodauer und keine Garantie, dass jeder Rohclip in eine unveränderte Eingabekonfiguration passt.
Nutzung visueller Agenten
Die Veröffentlichung positioniert Qwen2-VL auch für visuelle Agenten, die mit Mobilgeräten, Robotern und anderen Werkzeugen verbunden sind. Die Ankündigung beschreibt Funktionsaufrufe und Codeinterpreter-Szenarien, etwa Code aus einem Diagramm zu erzeugen oder über eine visuelle Frage eine externe Abfrage anzufordern. Die umgebende Anwendung stellt Werkzeuge bereit, führt die vorgeschlagene Handlung aus und liefert das Ergebnis zurück. Eine Textantwort des Modells allein klickt kein Bedienelement, bewegt kein Gerät und führt das generierte Programm nicht aus.
Eine praktische Oberflächenaufgabe kann Screenshot und Nutzerziel liefern und nach dem für den nächsten Schritt relevanten sichtbaren Bedienelement und den Belegen für diese Wahl fragen. Halten Sie Beobachtung, vorgeschlagene Handlung und tatsächliche Ausführung als getrennte Ablaufteile fest. So wird der Fokus auf visuelle Agenten genutzt und das Ergebnis zugleich für die Anwendung konkret genug zum Handeln.
Mehrsprachiger Text in Bildern
Der Hersteller beschreibt Texterkennung in Bildern für Englisch und Chinesisch, die meisten europäischen Sprachen sowie unter anderem Japanisch, Koreanisch, Arabisch und Vietnamesisch. Eine mehrsprachige Seite lässt sich damit als visuelle Leseaufgabe behandeln. Verlangen Sie bei wichtigem genauen Wortlaut zunächst die Originaltranskription und danach eine Übersetzung oder Erklärung in der gewählten Sprache. Bewahren Sie Beschriftungen und Zahlen, statt Erkennung mit einer nicht näher bestimmten Überarbeitung zu vermischen.
Dynamische Auflösung und Positionsinformation
Qwen2-VL verbindet einen Vision-Encoder mit dem Qwen2-Sprachmodell. Naive Dynamic Resolution bildet unterschiedliche Bildgrössen auf unterschiedliche Zahlen visueller Tokens ab. Multimodal Rotary Position Embedding trennt Positionsinformationen, damit das Modell Textreihenfolge, zweidimensionale Bilder sowie zeitliche und räumliche Videostruktur darstellen kann. Das erklärt, wie dieselbe Familie eine Seite, mehrere Bilder oder eine Videosequenz verarbeitet.
Der Bildprozessor der Modellkarte dokumentiert standardmässig 4 bis 16’384 visuelle Tokens pro Bild. Die Anwendung kann minimale und maximale Pixelzahlen bei erhaltenem Seitenverhältnis anpassen oder Abmessungen anfordern, die auf ein Vielfaches von 28 gerundet werden. Der Beispielbereich von 256 bis 1’280 Tokens ist eine konfigurierbare Veranschaulichung, keine separate universelle Bildgrenze. Mehr Bilddetails benötigen mehr Berechnung und visuelle Tokens; bewahren Sie deshalb bei der Vorbereitung die für die Frage nötigen Beschriftungen, Überschriften und kleinen Objekte.
Eingabevorbereitung und Kontext
Der Hersteller zeigt einzelne und mehrere Bilder, Video als Framefolge oder lokale Datei sowie gebündelte Gespräche. Die Bildvorbereitung umfasst lokale Dateien, kodierte Bilddaten und Bildreferenzen. Das Videobeispiel verwendet eine gewählte Bildrate; daraus folgt keine für jedes Video vorgeschriebene Samplingrate. Bestimmen Sie Reihenfolge und Rolle mehrerer Bilder und liefern Sie die für eine Sequenz nötigen Informationen, statt zusammenhanglose Frames als eine Szene zu behandeln.
Die veröffentlichte Konfiguration setzt die maximale Positionszahl auf 32’768. Visuelles Material und Textanweisungen müssen innerhalb des tatsächlich konfigurierten Kontexts geplant werden. Die Generierung von 128 Tokens im Beispiel ist nur eine Beispieleinstellung und veröffentlicht keine separate maximale Ausgabekapazität. Die 72B-Edition sollte ihre eigene Konfiguration behalten, statt Langkontexteinstellungen von Qwen2.5-VL oder einem anderen Qwen-Modell zu übernehmen.
Substantielle Einschränkungen
Der Hersteller erklärt ausdrücklich, dass Qwen2-VL Audio in Videos nicht versteht. Wenn die Frage von gesprochenen Informationen abhängt, müssen diese deshalb separat bereitgestellt werden. Der Bildtrainingsdatensatz wird als bis Juni 2023 aktualisiert beschrieben; dies betrifft diesen Datensatz und verspricht kein aktuelles visuelles Wissen.
Dokumentierte Einschränkungen umfassen ausserdem unvollständige Erkennung bestimmter Personen oder benannter geistiger Eigentumsobjekte, Schwierigkeiten mit komplexen mehrstufigen Anweisungen, schwaches Zählen in komplexen Szenen und Grenzen dreidimensionalen räumlichen Schlussfolgerns. Richten Sie bei Aufgaben, die davon abhängen, die Frage auf die benötigten Objekte oder Beziehungen und bewahren Sie die visuellen Belege neben der Antwort. Klares Quellmaterial und definierte Ausgabe erleichtern die Prüfung, ohne die genannten Grenzen durch eine Genauigkeitsgarantie zu ersetzen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00118 / 1K Tokens Ausgabe · Ausgabetoken $0.00118 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2-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-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-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-VL-72B-Instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kombiniert Text, Bilder und Video für visuelle Fragen, Dokumentlesen und mehrsprachigen Text in Bildern. Der Hersteller beschreibt Videoverständnis über 20 Minuten hinaus, dynamische Bildauflösung und Integrationen visueller Agenten; die Antwort ist Text.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2-VL-72B-Instruct ist die auf Anweisungen trainierte visuell-sprachliche 72B-Edition auf Basis von Qwen2. Sie erhält Text zusammen mit Bildern oder Video und generiert eine Textantwort. Der Hersteller hebt das Verstehen unterschiedlicher Bildauflösungen und Seitenverhältnisse, Textinterpretation in Bildern, Schlussfolgern über sichtbare Beziehungen und Antworten zu Videos von über 20 Minuten hervor.
Bild- und Videofähigkeiten
Fordern Sie bei einer Dokumentseite den benötigten Inhalt an: einen Absatz, eine Tabellenzeile, eine Formel oder die Bedingungen einer Aussage. Halten Sie die Seite lesbar und legen Sie fest, ob der Wortlaut transkribiert, zusammengefasst oder erklärt werden soll. Eine nützliche Dokumentausgabe kann die ursprüngliche Abschnittskennzeichnung neben dem extrahierten Inhalt bewahren. Fragen Sie bei einem Diagramm nach den Verbindungen beschrifteter Elemente und benennen Sie die zu erklärende Beziehung.
Die dokumentierte Videonutzung umfasst Fragen, Dialog und schriftliche Inhalte anhand der sichtbaren Abfolge. Definieren Sie das zu prüfende Ereignis oder die Veränderung: wann ein Objekt erscheint, was vor einem bestimmten Schritt geschieht oder wie eine demonstrierte Handlung zu einer schriftlichen Vorgehensweise passt. Fordern Sie eine geordnete Ereignisbeschreibung oder einen Vergleich zwischen sichtbaren Schritten und vorgegebener Vorgehensweise an. Die Herstellerangabe von über 20 Minuten beschreibt Langvideoverständnis, keine feste maximale Videodauer und keine Garantie, dass jeder Rohclip in eine unveränderte Eingabekonfiguration passt.
Nutzung visueller Agenten
Die Veröffentlichung positioniert Qwen2-VL auch für visuelle Agenten, die mit Mobilgeräten, Robotern und anderen Werkzeugen verbunden sind. Die Ankündigung beschreibt Funktionsaufrufe und Codeinterpreter-Szenarien, etwa Code aus einem Diagramm zu erzeugen oder über eine visuelle Frage eine externe Abfrage anzufordern. Die umgebende Anwendung stellt Werkzeuge bereit, führt die vorgeschlagene Handlung aus und liefert das Ergebnis zurück. Eine Textantwort des Modells allein klickt kein Bedienelement, bewegt kein Gerät und führt das generierte Programm nicht aus.
Eine praktische Oberflächenaufgabe kann Screenshot und Nutzerziel liefern und nach dem für den nächsten Schritt relevanten sichtbaren Bedienelement und den Belegen für diese Wahl fragen. Halten Sie Beobachtung, vorgeschlagene Handlung und tatsächliche Ausführung als getrennte Ablaufteile fest. So wird der Fokus auf visuelle Agenten genutzt und das Ergebnis zugleich für die Anwendung konkret genug zum Handeln.
Mehrsprachiger Text in Bildern
Der Hersteller beschreibt Texterkennung in Bildern für Englisch und Chinesisch, die meisten europäischen Sprachen sowie unter anderem Japanisch, Koreanisch, Arabisch und Vietnamesisch. Eine mehrsprachige Seite lässt sich damit als visuelle Leseaufgabe behandeln. Verlangen Sie bei wichtigem genauen Wortlaut zunächst die Originaltranskription und danach eine Übersetzung oder Erklärung in der gewählten Sprache. Bewahren Sie Beschriftungen und Zahlen, statt Erkennung mit einer nicht näher bestimmten Überarbeitung zu vermischen.
Dynamische Auflösung und Positionsinformation
Qwen2-VL verbindet einen Vision-Encoder mit dem Qwen2-Sprachmodell. Naive Dynamic Resolution bildet unterschiedliche Bildgrössen auf unterschiedliche Zahlen visueller Tokens ab. Multimodal Rotary Position Embedding trennt Positionsinformationen, damit das Modell Textreihenfolge, zweidimensionale Bilder sowie zeitliche und räumliche Videostruktur darstellen kann. Das erklärt, wie dieselbe Familie eine Seite, mehrere Bilder oder eine Videosequenz verarbeitet.
Der Bildprozessor der Modellkarte dokumentiert standardmässig 4 bis 16’384 visuelle Tokens pro Bild. Die Anwendung kann minimale und maximale Pixelzahlen bei erhaltenem Seitenverhältnis anpassen oder Abmessungen anfordern, die auf ein Vielfaches von 28 gerundet werden. Der Beispielbereich von 256 bis 1’280 Tokens ist eine konfigurierbare Veranschaulichung, keine separate universelle Bildgrenze. Mehr Bilddetails benötigen mehr Berechnung und visuelle Tokens; bewahren Sie deshalb bei der Vorbereitung die für die Frage nötigen Beschriftungen, Überschriften und kleinen Objekte.
Eingabevorbereitung und Kontext
Der Hersteller zeigt einzelne und mehrere Bilder, Video als Framefolge oder lokale Datei sowie gebündelte Gespräche. Die Bildvorbereitung umfasst lokale Dateien, kodierte Bilddaten und Bildreferenzen. Das Videobeispiel verwendet eine gewählte Bildrate; daraus folgt keine für jedes Video vorgeschriebene Samplingrate. Bestimmen Sie Reihenfolge und Rolle mehrerer Bilder und liefern Sie die für eine Sequenz nötigen Informationen, statt zusammenhanglose Frames als eine Szene zu behandeln.
Die veröffentlichte Konfiguration setzt die maximale Positionszahl auf 32’768. Visuelles Material und Textanweisungen müssen innerhalb des tatsächlich konfigurierten Kontexts geplant werden. Die Generierung von 128 Tokens im Beispiel ist nur eine Beispieleinstellung und veröffentlicht keine separate maximale Ausgabekapazität. Die 72B-Edition sollte ihre eigene Konfiguration behalten, statt Langkontexteinstellungen von Qwen2.5-VL oder einem anderen Qwen-Modell zu übernehmen.
Substantielle Einschränkungen
Der Hersteller erklärt ausdrücklich, dass Qwen2-VL Audio in Videos nicht versteht. Wenn die Frage von gesprochenen Informationen abhängt, müssen diese deshalb separat bereitgestellt werden. Der Bildtrainingsdatensatz wird als bis Juni 2023 aktualisiert beschrieben; dies betrifft diesen Datensatz und verspricht kein aktuelles visuelles Wissen.
Dokumentierte Einschränkungen umfassen ausserdem unvollständige Erkennung bestimmter Personen oder benannter geistiger Eigentumsobjekte, Schwierigkeiten mit komplexen mehrstufigen Anweisungen, schwaches Zählen in komplexen Szenen und Grenzen dreidimensionalen räumlichen Schlussfolgerns. Richten Sie bei Aufgaben, die davon abhängen, die Frage auf die benötigten Objekte oder Beziehungen und bewahren Sie die visuellen Belege neben der Antwort. Klares Quellmaterial und definierte Ausgabe erleichtern die Prüfung, ohne die genannten Grenzen durch eine Genauigkeitsgarantie zu ersetzen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen2-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00118 / 1K Tokens Ausgabe · Ausgabetoken $0.00118 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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-VL-72B-Instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.