Einführung: die auf Anweisungen abgestimmte 3B-Ausgabe
Qwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es verarbeitet Textanweisungen mit Bildern oder Videos und erzeugt Textantworten, einschliesslich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Diese genaue Grösse und Veröffentlichung behalten ihre eigene Identität; Funktionen, die gezielt anderen Grössen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen für diesen Checkpoint nicht vorausgesetzt werden.
Visuelles Verständnis und Agentenworkflows
Qwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Geben Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts an. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die die Schlussfolgerung stützen. Eine gezielte Anfrage erleichtert den Vergleich der Ausgabe mit dem Originalbild gegenüber einer breiten Aufforderung, alles zu beschreiben.
Die Familie unterstützt ausserdem visuelles Schlussfolgern als Agent und die Vorgabe von Werkzeugaktionen bei Workflows zur Bedienung eines Computers oder Mobiltelefons. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Steuerelement einer Aufgabe entspricht und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Schlussfolgerns verleiht für sich allein keine Kontrolle über ein Gerät.
Lange Videos und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und die Identifikation von Abschnitten, die für ein angefragtes Ereignis relevant sind. Dies ist eine Familienfähigkeit und weder ein bedingungsloses Medien-Uploadlimit noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zu Ereignis, Abfolge oder Veränderung. Der Videoverarbeitungsansatz des Modells nutzt Informationen zur Bildrate, um visuelle Beobachtungen an der absoluten Zeit auszurichten.
Lokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte zurückgeben, mit Koordinaten und Attributen in JSON. Benennen Sie bei einer Lokalisierungsaufgabe das Zielobjekt und geben Sie an, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Halten Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich fest, statt aus einem beliebigen Foto eine physikalische Messung abzuleiten.
Der Hersteller dokumentiert ausserdem die strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und sichtbarer Bereich als Beleg. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffälle, statt das Modell zum Erfinden fehlender Werte aufzufordern. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.
Architekturänderungen
Die dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Videos ausgeweitet. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu erkennen. Der visuelle Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.
Bilder und Videos vorbereiten
Die offiziellen Beispiele decken Einzelbilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen ab. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede davon verweisen kann. Verlangen Sie bei einem Bildvergleich eine nach Kennzeichnungen gegliederte Tabelle und beschränken Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und Zeitangaben, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.
Der dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16,384 visuellen Tokens pro Bild. Das Beispiel kann durch das Setzen von Pixelgrenzen auf 256–1,280 Tokens abzielen. Innerhalb dieser Grenzen bleibt das Seitenverhältnis erhalten, während explizite skalierte Abmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details verbrauchen mehr Rechenleistung und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, während eine allgemeine Szenenzusammenfassung dies möglicherweise nicht braucht. Dies sind Verarbeitungsoptionen des Herstellers; Uploadoptionen einer Anwendung können abweichen.
Kontext und wesentliche Grenzen
Die veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128,000, während der begleitende Abschnitt zu langen Texten weiterhin eine Ausgangskonfiguration von 32,768 Tokens bespricht. Die Anleitung beschreibt YaRN-Extrapolation, warnt aber, dass sie die zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Separat wird erwähnt, dass die Positionskodierung für Videos eine grössere Positionseinstellung erlauben kann, mit 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzigen, allgemein validierten Eingabeobergrenze zusammengezogen werden.
Text, visuelles Material und Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierte Texte, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens auf der Karte dient der Veranschaulichung und begründet kein separates hartes Ausgabemaximum. Dieses Modell gibt Textanalysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Videos generiert.
", "aboutText": "Einführung: die auf Anweisungen abgestimmte 3B-Ausgabe\n\nQwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es verarbeitet Textanweisungen mit Bildern oder Videos und erzeugt Textantworten, einschliesslich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Diese genaue Grösse und Veröffentlichung behalten ihre eigene Identität; Funktionen, die gezielt anderen Grössen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen für diesen Checkpoint nicht vorausgesetzt werden.\n\nVisuelles Verständnis und Agentenworkflows\n\nQwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Geben Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts an. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die die Schlussfolgerung stützen. Eine gezielte Anfrage erleichtert den Vergleich der Ausgabe mit dem Originalbild gegenüber einer breiten Aufforderung, alles zu beschreiben.\n\nDie Familie unterstützt ausserdem visuelles Schlussfolgern als Agent und die Vorgabe von Werkzeugaktionen bei Workflows zur Bedienung eines Computers oder Mobiltelefons. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Steuerelement einer Aufgabe entspricht und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Schlussfolgerns verleiht für sich allein keine Kontrolle über ein Gerät.\n\nLange Videos und Ereignislokalisierung\n\nDer Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und die Identifikation von Abschnitten, die für ein angefragtes Ereignis relevant sind. Dies ist eine Familienfähigkeit und weder ein bedingungsloses Medien-Uploadlimit noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zu Ereignis, Abfolge oder Veränderung. Der Videoverarbeitungsansatz des Modells nutzt Informationen zur Bildrate, um visuelle Beobachtungen an der absoluten Zeit auszurichten.\n\nLokalisierung und strukturierte Dokumente\n\nQwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte zurückgeben, mit Koordinaten und Attributen in JSON. Benennen Sie bei einer Lokalisierungsaufgabe das Zielobjekt und geben Sie an, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Halten Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich fest, statt aus einem beliebigen Foto eine physikalische Messung abzuleiten.\n\nDer Hersteller dokumentiert ausserdem die strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und sichtbarer Bereich als Beleg. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffälle, statt das Modell zum Erfinden fehlender Werte aufzufordern. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.\n\nArchitekturänderungen\n\nDie dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Videos ausgeweitet. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu erkennen. Der visuelle Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.\n\nBilder und Videos vorbereiten\n\nDie offiziellen Beispiele decken Einzelbilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen ab. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede davon verweisen kann. Verlangen Sie bei einem Bildvergleich eine nach Kennzeichnungen gegliederte Tabelle und beschränken Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und Zeitangaben, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.\n\nDer dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16,384 visuellen Tokens pro Bild. Das Beispiel kann durch das Setzen von Pixelgrenzen auf 256–1,280 Tokens abzielen. Innerhalb dieser Grenzen bleibt das Seitenverhältnis erhalten, während explizite skalierte Abmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details verbrauchen mehr Rechenleistung und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, während eine allgemeine Szenenzusammenfassung dies möglicherweise nicht braucht. Dies sind Verarbeitungsoptionen des Herstellers; Uploadoptionen einer Anwendung können abweichen.\n\nKontext und wesentliche Grenzen\n\nDie veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128,000, während der begleitende Abschnitt zu langen Texten weiterhin eine Ausgangskonfiguration von 32,768 Tokens bespricht. Die Anleitung beschreibt YaRN-Extrapolation, warnt aber, dass sie die zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Separat wird erwähnt, dass die Positionskodierung für Videos eine grössere Positionseinstellung erlauben kann, mit 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzigen, allgemein validierten Eingabeobergrenze zusammengezogen werden.\n\nText, visuelles Material und Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierte Texte, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens auf der Karte dient der Veranschaulichung und begründet kein separates hartes Ausgabemaximum. Dieses Modell gibt Textanalysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Videos generiert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct ist Qwens kompaktes, auf Anweisungen abgestimmtes Vision-Language-Modell für Text, Bilder und Videos. Es gibt Text und strukturierte visuelle Informationen zurück, darunter Dokumentfelder, Objektkoordinaten und Ereignisbeschreibungen, mit dynamischer Auflösung und Videoverarbeitung mit Zeitbezug.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: die auf Anweisungen abgestimmte 3B-Ausgabe
Qwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es verarbeitet Textanweisungen mit Bildern oder Videos und erzeugt Textantworten, einschliesslich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Diese genaue Grösse und Veröffentlichung behalten ihre eigene Identität; Funktionen, die gezielt anderen Grössen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen für diesen Checkpoint nicht vorausgesetzt werden.
Visuelles Verständnis und Agentenworkflows
Qwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Geben Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts an. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die die Schlussfolgerung stützen. Eine gezielte Anfrage erleichtert den Vergleich der Ausgabe mit dem Originalbild gegenüber einer breiten Aufforderung, alles zu beschreiben.
Die Familie unterstützt ausserdem visuelles Schlussfolgern als Agent und die Vorgabe von Werkzeugaktionen bei Workflows zur Bedienung eines Computers oder Mobiltelefons. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Steuerelement einer Aufgabe entspricht und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Schlussfolgerns verleiht für sich allein keine Kontrolle über ein Gerät.
Lange Videos und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und die Identifikation von Abschnitten, die für ein angefragtes Ereignis relevant sind. Dies ist eine Familienfähigkeit und weder ein bedingungsloses Medien-Uploadlimit noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zu Ereignis, Abfolge oder Veränderung. Der Videoverarbeitungsansatz des Modells nutzt Informationen zur Bildrate, um visuelle Beobachtungen an der absoluten Zeit auszurichten.
Lokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte zurückgeben, mit Koordinaten und Attributen in JSON. Benennen Sie bei einer Lokalisierungsaufgabe das Zielobjekt und geben Sie an, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Halten Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich fest, statt aus einem beliebigen Foto eine physikalische Messung abzuleiten.
Der Hersteller dokumentiert ausserdem die strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und sichtbarer Bereich als Beleg. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffälle, statt das Modell zum Erfinden fehlender Werte aufzufordern. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.
Architekturänderungen
Die dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Videos ausgeweitet. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu erkennen. Der visuelle Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.
Bilder und Videos vorbereiten
Die offiziellen Beispiele decken Einzelbilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen ab. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede davon verweisen kann. Verlangen Sie bei einem Bildvergleich eine nach Kennzeichnungen gegliederte Tabelle und beschränken Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und Zeitangaben, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.
Der dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16,384 visuellen Tokens pro Bild. Das Beispiel kann durch das Setzen von Pixelgrenzen auf 256–1,280 Tokens abzielen. Innerhalb dieser Grenzen bleibt das Seitenverhältnis erhalten, während explizite skalierte Abmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details verbrauchen mehr Rechenleistung und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, während eine allgemeine Szenenzusammenfassung dies möglicherweise nicht braucht. Dies sind Verarbeitungsoptionen des Herstellers; Uploadoptionen einer Anwendung können abweichen.
Kontext und wesentliche Grenzen
Die veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128,000, während der begleitende Abschnitt zu langen Texten weiterhin eine Ausgangskonfiguration von 32,768 Tokens bespricht. Die Anleitung beschreibt YaRN-Extrapolation, warnt aber, dass sie die zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Separat wird erwähnt, dass die Positionskodierung für Videos eine grössere Positionseinstellung erlauben kann, mit 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzigen, allgemein validierten Eingabeobergrenze zusammengezogen werden.
Text, visuelles Material und Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierte Texte, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens auf der Karte dient der Veranschaulichung und begründet kein separates hartes Ausgabemaximum. Dieses Modell gibt Textanalysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Videos generiert.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-vl-3b-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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 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": "qwen2.5-vl-3b-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='qwen2.5-vl-3b-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='qwen2.5-vl-3b-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 qwen2.5-vl-3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct ist Qwens kompaktes, auf Anweisungen abgestimmtes Vision-Language-Modell für Text, Bilder und Videos. Es gibt Text und strukturierte visuelle Informationen zurück, darunter Dokumentfelder, Objektkoordinaten und Ereignisbeschreibungen, mit dynamischer Auflösung und Videoverarbeitung mit Zeitbezug.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: die auf Anweisungen abgestimmte 3B-Ausgabe
Qwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es verarbeitet Textanweisungen mit Bildern oder Videos und erzeugt Textantworten, einschliesslich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Diese genaue Grösse und Veröffentlichung behalten ihre eigene Identität; Funktionen, die gezielt anderen Grössen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen für diesen Checkpoint nicht vorausgesetzt werden.
Visuelles Verständnis und Agentenworkflows
Qwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Geben Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts an. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die die Schlussfolgerung stützen. Eine gezielte Anfrage erleichtert den Vergleich der Ausgabe mit dem Originalbild gegenüber einer breiten Aufforderung, alles zu beschreiben.
Die Familie unterstützt ausserdem visuelles Schlussfolgern als Agent und die Vorgabe von Werkzeugaktionen bei Workflows zur Bedienung eines Computers oder Mobiltelefons. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Steuerelement einer Aufgabe entspricht und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Schlussfolgerns verleiht für sich allein keine Kontrolle über ein Gerät.
Lange Videos und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und die Identifikation von Abschnitten, die für ein angefragtes Ereignis relevant sind. Dies ist eine Familienfähigkeit und weder ein bedingungsloses Medien-Uploadlimit noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zu Ereignis, Abfolge oder Veränderung. Der Videoverarbeitungsansatz des Modells nutzt Informationen zur Bildrate, um visuelle Beobachtungen an der absoluten Zeit auszurichten.
Lokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte zurückgeben, mit Koordinaten und Attributen in JSON. Benennen Sie bei einer Lokalisierungsaufgabe das Zielobjekt und geben Sie an, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Halten Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich fest, statt aus einem beliebigen Foto eine physikalische Messung abzuleiten.
Der Hersteller dokumentiert ausserdem die strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und sichtbarer Bereich als Beleg. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffälle, statt das Modell zum Erfinden fehlender Werte aufzufordern. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.
Architekturänderungen
Die dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Videos ausgeweitet. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu erkennen. Der visuelle Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.
Bilder und Videos vorbereiten
Die offiziellen Beispiele decken Einzelbilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen ab. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede davon verweisen kann. Verlangen Sie bei einem Bildvergleich eine nach Kennzeichnungen gegliederte Tabelle und beschränken Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und Zeitangaben, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.
Der dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16,384 visuellen Tokens pro Bild. Das Beispiel kann durch das Setzen von Pixelgrenzen auf 256–1,280 Tokens abzielen. Innerhalb dieser Grenzen bleibt das Seitenverhältnis erhalten, während explizite skalierte Abmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details verbrauchen mehr Rechenleistung und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, während eine allgemeine Szenenzusammenfassung dies möglicherweise nicht braucht. Dies sind Verarbeitungsoptionen des Herstellers; Uploadoptionen einer Anwendung können abweichen.
Kontext und wesentliche Grenzen
Die veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128,000, während der begleitende Abschnitt zu langen Texten weiterhin eine Ausgangskonfiguration von 32,768 Tokens bespricht. Die Anleitung beschreibt YaRN-Extrapolation, warnt aber, dass sie die zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Separat wird erwähnt, dass die Positionskodierung für Videos eine grössere Positionseinstellung erlauben kann, mit 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzigen, allgemein validierten Eingabeobergrenze zusammengezogen werden.
Text, visuelles Material und Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierte Texte, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens auf der Karte dient der Veranschaulichung und begründet kein separates hartes Ausgabemaximum. Dieses Modell gibt Textanalysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Videos generiert.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-vl-3b-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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen2.5-vl-3b-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': 'qwen2.5-vl-3b-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 qwen2.5-vl-3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.