Qwen2.5-VL-7B-Instruct ist die auf Anweisungen abgestimmte 7B-Ausgabe von Qwen2.5-VL. Sie verbindet eine Textanweisung mit Bildern oder Videos und gibt ein Textergebnis zurück. Die wesentlichen Verbesserungen des Herstellers umfassen das Erkennen von Objekten und visuellen Details, die Analyse von Text und Layouts, Aufgaben visueller Agenten, das Verstehen von Ereignissen in langen Videos, Objektlokalisierung und strukturierte Extraktion aus Dokumenten.
Visuelle Inhalte verstehen
Die Familie geht über das Erkennen des Hauptmotivs eines Fotos hinaus. Zu ihren dokumentierten Aufgaben gehören die Analyse von Text, Diagrammen, Symbolen, Grafiken und der Anordnung von Elementen in einem Bild. Benennen Sie bei einem Diagramm die zu untersuchende Datenreihe oder Beziehung und bewahren Sie Achsen, Legende und Einheiten. Fragen Sie bei einer schematischen Darstellung, wie die beschrifteten Komponenten zusammenhängen und was ihre sichtbare Anordnung über den Prozess aussagt.
Ein nützlicher Vergleich kann ein ursprüngliches und ein überarbeitetes Design bereitstellen, beide kennzeichnen und sichtbare Änderungen anhand einer kurzen Anforderungsliste verlangen. Fordern Sie die Beobachtung zusammen mit dem relevanten Bildbereich an. So erhält die Antwort einen konkreten Zweck, statt eine allgemeine Beschreibung zweier zusammenhangloser Bilder zu verlangen.
Workflows visueller Agenten
Der Hersteller positioniert Qwen2.5-VL als visuellen Agenten, der anhand von Bildschirminhalten Schlussfolgerungen ziehen und Werkzeuge bei der Bedienung eines Computers oder Mobiltelefons anleiten kann. Das Modell liefert eine Interpretation und einen vorgeschlagenen Vorgang; eine umgebende Agentenanwendung stellt die Steuerelemente bereit, führt den Vorgang aus und gibt den neuen Zustand zurück. Eine Textantwort oder vorhergesagte Koordinate ist daher ein Teil dieses integrierten Workflows.
Stellen Sie für eine Oberflächenfrage den Screenshot und das tatsächliche Ziel bereit und fragen Sie anschliessend, welches sichtbare Steuerelement relevant ist und was als Nächstes geschehen soll. Halten Sie die gewünschte Ausgabe konkret: Beschriftung des Steuerelements, seine Position und die beabsichtigte Aktion. Führt die Anwendung diese Aktion anschliessend aus, liefert der nächste Screenshot die aktualisierte visuelle Eingabe für eine weitere Entscheidung.
Lange Videos und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und das Identifizieren des Abschnitts, der ein angefragtes Ereignis enthält. Damit wird die Videobeschreibung um zeitliche Lokalisierung erweitert. Eine Aufgabe kann fragen, wann ein Objekt erstmals erscheint, an welcher Stelle eine Demonstration einen bestimmten Schritt erreicht oder welches sichtbare Ereignis vor einem anderen eintritt. Legen Sie fest, ob das Ergebnis eine Zusammenfassung, eine geordnete Ereignisliste oder Start- und Endzeiten mit einer Ereignisbeschreibung sein soll.
Die Familie wird mit dynamischer Frame-Abtastrate trainiert und richtet zeitliche Positionsinformationen an der absoluten Zeit aus. Informationen zur Bildrate gehören daher zur Videovorbereitung und sind keine beliebige Kennzeichnung, die bei wichtigen Zeitstempeln weggelassen werden kann. Die dokumentierte Fähigkeit für lange Videos ist keine allgemeingültige Spezifikation für Dateigrösse oder maximale Dauer jedes Eingabepfads.
Objektlokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Begrenzungsrahmen oder Punkte zurückgeben und Koordinaten und Attribute als JSON organisieren. Die Veröffentlichung verwendet Koordinaten im Massstab der tatsächlichen Bildgrösse statt traditioneller normalisierter Koordinaten. Geben Sie an, ob die Aufgabe einen umschliessenden Rahmen, einen bestimmten Punkt oder eine Objektbeschreibung benötigt, und bewahren Sie die Bildabmessungen und alle zur Interpretation der zurückgegebenen Position nötigen Angaben zur Grössenänderung.
Eine visuelle Bestandsanfrage kann beispielsweise jedes Zielobjekt, seinen Rahmen und ein sichtbares Attribut verlangen. Eine punktbezogene Aufgabe kann nach der Position eines beschrifteten Steuerelements oder eines bestimmten Objektteils fragen. Dies sind Vorschläge für die Ausgabegestaltung und keine festen Feldnamen, die jede Anfrage verwenden muss. Halten Sie bei mehreren Bildern jede Koordinate mit ihrem Quellbild verbunden.
Der Hersteller hebt separat die strukturierte Extraktion aus Rechnungsscans, Formularen und Tabellen hervor. Definieren Sie die Felder, bewahren Sie die ursprünglichen Beschriftungen und verlangen Sie eine ausdrückliche Darstellung, wenn ein Wert nicht lesbar ist. Bewahren Sie bei einer Tabelle Spaltenüberschriften und Einheiten zusammen mit den angeforderten Zeilen. Ein praktischer Datensatz kann Dokumentkennung, Feldbezeichnung, extrahierten Wert und Position enthalten und die Ausgabe so für spätere Vergleiche oder menschliche Prüfungen nutzbar machen.
Architektur und Eingabevorbereitung
Das Modell kombiniert dynamische Bildauflösung und dynamische Videoabtastung mit aktualisierten multimodalen rotierenden Positionsinformationen. Sein visueller Encoder verwendet Window Attention, SwiGLU und RMSNorm. Dies sind Architekturänderungen zur Unterstützung visueller und zeitlicher Verarbeitung; sie ergänzen den dokumentierten Workflow mit Textergebnis weder um Audioeingaben noch um Bildgenerierung.
Die Karte demonstriert ein einzelnes Bild, mehrere Bilder, eine Folge von Videoframes, eine Videodatei oder Referenz sowie gebündelte Gespräche. Der Bildprozessor dokumentiert standardmässig einen Bereich von 4 bis 16,384 visuellen Tokens pro Bild. Minimale und maximale Pixeleinstellungen bewahren das Seitenverhältnis; angeforderte exakte Abmessungen werden auf ein Vielfaches von 28 gerundet. Der Beispielbereich von 256 bis 1,280 visuellen Tokens ist eine anpassbare Veranschaulichung und kein separates hartes Bildlimit. Bewahren Sie bei der Wahl einer Grössenänderung die für die Frage nötigen Details.
Kontext und lokalisierungsempfindliche Einstellungen
Die veröffentlichte Konfiguration setzt die maximale Positionsanzahl auf 128,000. Der Abschnitt zu langen Texten auf der Modellkarte beschreibt separat eine Basis von 32,768 Tokens und ein Beispiel zur YaRN-Erweiterung. Er warnt ausdrücklich, dass diese Erweiterung die zeitliche und räumliche Lokalisierung erheblich beeinflusst, und empfiehlt sie nicht. Die Anleitung bespricht ausserdem Änderungen der maximalen Positionsanzahl für lange Videos. Dies sind Konfigurationshinweise und kein einziges bedingungsloses Eingabelimit für jede Aufgabe.
Halten Sie die genaue Veröffentlichungskonfiguration und visuelle Vorverarbeitung auf die Aufgabe abgestimmt, besonders wenn Koordinaten oder Ereigniszeiten wichtig sind. Das Generierungsbeispiel mit 128 Tokens auf der Karte legt keine separate maximale Ausgabekapazität fest. Qwen2.5-VL-7B-Instruct erzeugt Text, Koordinaten und strukturierte Befunde; eine externe Aktion, ein gerendertes Bild, Video oder eine gesprochene Antwort erfordert eine andere Anwendungskomponente.
", "aboutText": "Qwen2.5-VL-7B-Instruct ist die auf Anweisungen abgestimmte 7B-Ausgabe von Qwen2.5-VL. Sie verbindet eine Textanweisung mit Bildern oder Videos und gibt ein Textergebnis zurück. Die wesentlichen Verbesserungen des Herstellers umfassen das Erkennen von Objekten und visuellen Details, die Analyse von Text und Layouts, Aufgaben visueller Agenten, das Verstehen von Ereignissen in langen Videos, Objektlokalisierung und strukturierte Extraktion aus Dokumenten.\n\nVisuelle Inhalte verstehen\n\nDie Familie geht über das Erkennen des Hauptmotivs eines Fotos hinaus. Zu ihren dokumentierten Aufgaben gehören die Analyse von Text, Diagrammen, Symbolen, Grafiken und der Anordnung von Elementen in einem Bild. Benennen Sie bei einem Diagramm die zu untersuchende Datenreihe oder Beziehung und bewahren Sie Achsen, Legende und Einheiten. Fragen Sie bei einer schematischen Darstellung, wie die beschrifteten Komponenten zusammenhängen und was ihre sichtbare Anordnung über den Prozess aussagt.\n\nEin nützlicher Vergleich kann ein ursprüngliches und ein überarbeitetes Design bereitstellen, beide kennzeichnen und sichtbare Änderungen anhand einer kurzen Anforderungsliste verlangen. Fordern Sie die Beobachtung zusammen mit dem relevanten Bildbereich an. So erhält die Antwort einen konkreten Zweck, statt eine allgemeine Beschreibung zweier zusammenhangloser Bilder zu verlangen.\n\nWorkflows visueller Agenten\n\nDer Hersteller positioniert Qwen2.5-VL als visuellen Agenten, der anhand von Bildschirminhalten Schlussfolgerungen ziehen und Werkzeuge bei der Bedienung eines Computers oder Mobiltelefons anleiten kann. Das Modell liefert eine Interpretation und einen vorgeschlagenen Vorgang; eine umgebende Agentenanwendung stellt die Steuerelemente bereit, führt den Vorgang aus und gibt den neuen Zustand zurück. Eine Textantwort oder vorhergesagte Koordinate ist daher ein Teil dieses integrierten Workflows.\n\nStellen Sie für eine Oberflächenfrage den Screenshot und das tatsächliche Ziel bereit und fragen Sie anschliessend, welches sichtbare Steuerelement relevant ist und was als Nächstes geschehen soll. Halten Sie die gewünschte Ausgabe konkret: Beschriftung des Steuerelements, seine Position und die beabsichtigte Aktion. Führt die Anwendung diese Aktion anschliessend aus, liefert der nächste Screenshot die aktualisierte visuelle Eingabe für eine weitere Entscheidung.\n\nLange Videos und Ereignislokalisierung\n\nDer Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und das Identifizieren des Abschnitts, der ein angefragtes Ereignis enthält. Damit wird die Videobeschreibung um zeitliche Lokalisierung erweitert. Eine Aufgabe kann fragen, wann ein Objekt erstmals erscheint, an welcher Stelle eine Demonstration einen bestimmten Schritt erreicht oder welches sichtbare Ereignis vor einem anderen eintritt. Legen Sie fest, ob das Ergebnis eine Zusammenfassung, eine geordnete Ereignisliste oder Start- und Endzeiten mit einer Ereignisbeschreibung sein soll.\n\nDie Familie wird mit dynamischer Frame-Abtastrate trainiert und richtet zeitliche Positionsinformationen an der absoluten Zeit aus. Informationen zur Bildrate gehören daher zur Videovorbereitung und sind keine beliebige Kennzeichnung, die bei wichtigen Zeitstempeln weggelassen werden kann. Die dokumentierte Fähigkeit für lange Videos ist keine allgemeingültige Spezifikation für Dateigrösse oder maximale Dauer jedes Eingabepfads.\n\nObjektlokalisierung und strukturierte Dokumente\n\nQwen2.5-VL kann Begrenzungsrahmen oder Punkte zurückgeben und Koordinaten und Attribute als JSON organisieren. Die Veröffentlichung verwendet Koordinaten im Massstab der tatsächlichen Bildgrösse statt traditioneller normalisierter Koordinaten. Geben Sie an, ob die Aufgabe einen umschliessenden Rahmen, einen bestimmten Punkt oder eine Objektbeschreibung benötigt, und bewahren Sie die Bildabmessungen und alle zur Interpretation der zurückgegebenen Position nötigen Angaben zur Grössenänderung.\n\nEine visuelle Bestandsanfrage kann beispielsweise jedes Zielobjekt, seinen Rahmen und ein sichtbares Attribut verlangen. Eine punktbezogene Aufgabe kann nach der Position eines beschrifteten Steuerelements oder eines bestimmten Objektteils fragen. Dies sind Vorschläge für die Ausgabegestaltung und keine festen Feldnamen, die jede Anfrage verwenden muss. Halten Sie bei mehreren Bildern jede Koordinate mit ihrem Quellbild verbunden.\n\nDer Hersteller hebt separat die strukturierte Extraktion aus Rechnungsscans, Formularen und Tabellen hervor. Definieren Sie die Felder, bewahren Sie die ursprünglichen Beschriftungen und verlangen Sie eine ausdrückliche Darstellung, wenn ein Wert nicht lesbar ist. Bewahren Sie bei einer Tabelle Spaltenüberschriften und Einheiten zusammen mit den angeforderten Zeilen. Ein praktischer Datensatz kann Dokumentkennung, Feldbezeichnung, extrahierten Wert und Position enthalten und die Ausgabe so für spätere Vergleiche oder menschliche Prüfungen nutzbar machen.\n\nArchitektur und Eingabevorbereitung\n\nDas Modell kombiniert dynamische Bildauflösung und dynamische Videoabtastung mit aktualisierten multimodalen rotierenden Positionsinformationen. Sein visueller Encoder verwendet Window Attention, SwiGLU und RMSNorm. Dies sind Architekturänderungen zur Unterstützung visueller und zeitlicher Verarbeitung; sie ergänzen den dokumentierten Workflow mit Textergebnis weder um Audioeingaben noch um Bildgenerierung.\n\nDie Karte demonstriert ein einzelnes Bild, mehrere Bilder, eine Folge von Videoframes, eine Videodatei oder Referenz sowie gebündelte Gespräche. Der Bildprozessor dokumentiert standardmässig einen Bereich von 4 bis 16,384 visuellen Tokens pro Bild. Minimale und maximale Pixeleinstellungen bewahren das Seitenverhältnis; angeforderte exakte Abmessungen werden auf ein Vielfaches von 28 gerundet. Der Beispielbereich von 256 bis 1,280 visuellen Tokens ist eine anpassbare Veranschaulichung und kein separates hartes Bildlimit. Bewahren Sie bei der Wahl einer Grössenänderung die für die Frage nötigen Details.\n\nKontext und lokalisierungsempfindliche Einstellungen\n\nDie veröffentlichte Konfiguration setzt die maximale Positionsanzahl auf 128,000. Der Abschnitt zu langen Texten auf der Modellkarte beschreibt separat eine Basis von 32,768 Tokens und ein Beispiel zur YaRN-Erweiterung. Er warnt ausdrücklich, dass diese Erweiterung die zeitliche und räumliche Lokalisierung erheblich beeinflusst, und empfiehlt sie nicht. Die Anleitung bespricht ausserdem Änderungen der maximalen Positionsanzahl für lange Videos. Dies sind Konfigurationshinweise und kein einziges bedingungsloses Eingabelimit für jede Aufgabe.\n\nHalten Sie die genaue Veröffentlichungskonfiguration und visuelle Vorverarbeitung auf die Aufgabe abgestimmt, besonders wenn Koordinaten oder Ereigniszeiten wichtig sind. Das Generierungsbeispiel mit 128 Tokens auf der Karte legt keine separate maximale Ausgabekapazität fest. Qwen2.5-VL-7B-Instruct erzeugt Text, Koordinaten und strukturierte Befunde; eine externe Aktion, ein gerendertes Bild, Video oder eine gesprochene Antwort erfordert eine andere Anwendungskomponente.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct ist ein Vision-Language-Modell für Bilder, Dokumente und Videos. Es erzeugt Text und strukturierte Befunde, darunter Objektbegrenzungsrahmen, Punkte und Attribute, und erweitert die 7B-Ausgabe um zeitliche Ereignislokalisierung und Fähigkeiten als visueller Agent.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-VL-7B-Instruct ist die auf Anweisungen abgestimmte 7B-Ausgabe von Qwen2.5-VL. Sie verbindet eine Textanweisung mit Bildern oder Videos und gibt ein Textergebnis zurück. Die wesentlichen Verbesserungen des Herstellers umfassen das Erkennen von Objekten und visuellen Details, die Analyse von Text und Layouts, Aufgaben visueller Agenten, das Verstehen von Ereignissen in langen Videos, Objektlokalisierung und strukturierte Extraktion aus Dokumenten.
Visuelle Inhalte verstehen
Die Familie geht über das Erkennen des Hauptmotivs eines Fotos hinaus. Zu ihren dokumentierten Aufgaben gehören die Analyse von Text, Diagrammen, Symbolen, Grafiken und der Anordnung von Elementen in einem Bild. Benennen Sie bei einem Diagramm die zu untersuchende Datenreihe oder Beziehung und bewahren Sie Achsen, Legende und Einheiten. Fragen Sie bei einer schematischen Darstellung, wie die beschrifteten Komponenten zusammenhängen und was ihre sichtbare Anordnung über den Prozess aussagt.
Ein nützlicher Vergleich kann ein ursprüngliches und ein überarbeitetes Design bereitstellen, beide kennzeichnen und sichtbare Änderungen anhand einer kurzen Anforderungsliste verlangen. Fordern Sie die Beobachtung zusammen mit dem relevanten Bildbereich an. So erhält die Antwort einen konkreten Zweck, statt eine allgemeine Beschreibung zweier zusammenhangloser Bilder zu verlangen.
Workflows visueller Agenten
Der Hersteller positioniert Qwen2.5-VL als visuellen Agenten, der anhand von Bildschirminhalten Schlussfolgerungen ziehen und Werkzeuge bei der Bedienung eines Computers oder Mobiltelefons anleiten kann. Das Modell liefert eine Interpretation und einen vorgeschlagenen Vorgang; eine umgebende Agentenanwendung stellt die Steuerelemente bereit, führt den Vorgang aus und gibt den neuen Zustand zurück. Eine Textantwort oder vorhergesagte Koordinate ist daher ein Teil dieses integrierten Workflows.
Stellen Sie für eine Oberflächenfrage den Screenshot und das tatsächliche Ziel bereit und fragen Sie anschliessend, welches sichtbare Steuerelement relevant ist und was als Nächstes geschehen soll. Halten Sie die gewünschte Ausgabe konkret: Beschriftung des Steuerelements, seine Position und die beabsichtigte Aktion. Führt die Anwendung diese Aktion anschliessend aus, liefert der nächste Screenshot die aktualisierte visuelle Eingabe für eine weitere Entscheidung.
Lange Videos und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und das Identifizieren des Abschnitts, der ein angefragtes Ereignis enthält. Damit wird die Videobeschreibung um zeitliche Lokalisierung erweitert. Eine Aufgabe kann fragen, wann ein Objekt erstmals erscheint, an welcher Stelle eine Demonstration einen bestimmten Schritt erreicht oder welches sichtbare Ereignis vor einem anderen eintritt. Legen Sie fest, ob das Ergebnis eine Zusammenfassung, eine geordnete Ereignisliste oder Start- und Endzeiten mit einer Ereignisbeschreibung sein soll.
Die Familie wird mit dynamischer Frame-Abtastrate trainiert und richtet zeitliche Positionsinformationen an der absoluten Zeit aus. Informationen zur Bildrate gehören daher zur Videovorbereitung und sind keine beliebige Kennzeichnung, die bei wichtigen Zeitstempeln weggelassen werden kann. Die dokumentierte Fähigkeit für lange Videos ist keine allgemeingültige Spezifikation für Dateigrösse oder maximale Dauer jedes Eingabepfads.
Objektlokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Begrenzungsrahmen oder Punkte zurückgeben und Koordinaten und Attribute als JSON organisieren. Die Veröffentlichung verwendet Koordinaten im Massstab der tatsächlichen Bildgrösse statt traditioneller normalisierter Koordinaten. Geben Sie an, ob die Aufgabe einen umschliessenden Rahmen, einen bestimmten Punkt oder eine Objektbeschreibung benötigt, und bewahren Sie die Bildabmessungen und alle zur Interpretation der zurückgegebenen Position nötigen Angaben zur Grössenänderung.
Eine visuelle Bestandsanfrage kann beispielsweise jedes Zielobjekt, seinen Rahmen und ein sichtbares Attribut verlangen. Eine punktbezogene Aufgabe kann nach der Position eines beschrifteten Steuerelements oder eines bestimmten Objektteils fragen. Dies sind Vorschläge für die Ausgabegestaltung und keine festen Feldnamen, die jede Anfrage verwenden muss. Halten Sie bei mehreren Bildern jede Koordinate mit ihrem Quellbild verbunden.
Der Hersteller hebt separat die strukturierte Extraktion aus Rechnungsscans, Formularen und Tabellen hervor. Definieren Sie die Felder, bewahren Sie die ursprünglichen Beschriftungen und verlangen Sie eine ausdrückliche Darstellung, wenn ein Wert nicht lesbar ist. Bewahren Sie bei einer Tabelle Spaltenüberschriften und Einheiten zusammen mit den angeforderten Zeilen. Ein praktischer Datensatz kann Dokumentkennung, Feldbezeichnung, extrahierten Wert und Position enthalten und die Ausgabe so für spätere Vergleiche oder menschliche Prüfungen nutzbar machen.
Architektur und Eingabevorbereitung
Das Modell kombiniert dynamische Bildauflösung und dynamische Videoabtastung mit aktualisierten multimodalen rotierenden Positionsinformationen. Sein visueller Encoder verwendet Window Attention, SwiGLU und RMSNorm. Dies sind Architekturänderungen zur Unterstützung visueller und zeitlicher Verarbeitung; sie ergänzen den dokumentierten Workflow mit Textergebnis weder um Audioeingaben noch um Bildgenerierung.
Die Karte demonstriert ein einzelnes Bild, mehrere Bilder, eine Folge von Videoframes, eine Videodatei oder Referenz sowie gebündelte Gespräche. Der Bildprozessor dokumentiert standardmässig einen Bereich von 4 bis 16,384 visuellen Tokens pro Bild. Minimale und maximale Pixeleinstellungen bewahren das Seitenverhältnis; angeforderte exakte Abmessungen werden auf ein Vielfaches von 28 gerundet. Der Beispielbereich von 256 bis 1,280 visuellen Tokens ist eine anpassbare Veranschaulichung und kein separates hartes Bildlimit. Bewahren Sie bei der Wahl einer Grössenänderung die für die Frage nötigen Details.
Kontext und lokalisierungsempfindliche Einstellungen
Die veröffentlichte Konfiguration setzt die maximale Positionsanzahl auf 128,000. Der Abschnitt zu langen Texten auf der Modellkarte beschreibt separat eine Basis von 32,768 Tokens und ein Beispiel zur YaRN-Erweiterung. Er warnt ausdrücklich, dass diese Erweiterung die zeitliche und räumliche Lokalisierung erheblich beeinflusst, und empfiehlt sie nicht. Die Anleitung bespricht ausserdem Änderungen der maximalen Positionsanzahl für lange Videos. Dies sind Konfigurationshinweise und kein einziges bedingungsloses Eingabelimit für jede Aufgabe.
Halten Sie die genaue Veröffentlichungskonfiguration und visuelle Vorverarbeitung auf die Aufgabe abgestimmt, besonders wenn Koordinaten oder Ereigniszeiten wichtig sind. Das Generierungsbeispiel mit 128 Tokens auf der Karte legt keine separate maximale Ausgabekapazität fest. Qwen2.5-VL-7B-Instruct erzeugt Text, Koordinaten und strukturierte Befunde; eine externe Aktion, ein gerendertes Bild, Video oder eine gesprochene Antwort erfordert eine andere Anwendungskomponente.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-vl-7b-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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0001 / 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-7b-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-7b-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-7b-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-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct ist ein Vision-Language-Modell für Bilder, Dokumente und Videos. Es erzeugt Text und strukturierte Befunde, darunter Objektbegrenzungsrahmen, Punkte und Attribute, und erweitert die 7B-Ausgabe um zeitliche Ereignislokalisierung und Fähigkeiten als visueller Agent.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen2.5-VL-7B-Instruct ist die auf Anweisungen abgestimmte 7B-Ausgabe von Qwen2.5-VL. Sie verbindet eine Textanweisung mit Bildern oder Videos und gibt ein Textergebnis zurück. Die wesentlichen Verbesserungen des Herstellers umfassen das Erkennen von Objekten und visuellen Details, die Analyse von Text und Layouts, Aufgaben visueller Agenten, das Verstehen von Ereignissen in langen Videos, Objektlokalisierung und strukturierte Extraktion aus Dokumenten.
Visuelle Inhalte verstehen
Die Familie geht über das Erkennen des Hauptmotivs eines Fotos hinaus. Zu ihren dokumentierten Aufgaben gehören die Analyse von Text, Diagrammen, Symbolen, Grafiken und der Anordnung von Elementen in einem Bild. Benennen Sie bei einem Diagramm die zu untersuchende Datenreihe oder Beziehung und bewahren Sie Achsen, Legende und Einheiten. Fragen Sie bei einer schematischen Darstellung, wie die beschrifteten Komponenten zusammenhängen und was ihre sichtbare Anordnung über den Prozess aussagt.
Ein nützlicher Vergleich kann ein ursprüngliches und ein überarbeitetes Design bereitstellen, beide kennzeichnen und sichtbare Änderungen anhand einer kurzen Anforderungsliste verlangen. Fordern Sie die Beobachtung zusammen mit dem relevanten Bildbereich an. So erhält die Antwort einen konkreten Zweck, statt eine allgemeine Beschreibung zweier zusammenhangloser Bilder zu verlangen.
Workflows visueller Agenten
Der Hersteller positioniert Qwen2.5-VL als visuellen Agenten, der anhand von Bildschirminhalten Schlussfolgerungen ziehen und Werkzeuge bei der Bedienung eines Computers oder Mobiltelefons anleiten kann. Das Modell liefert eine Interpretation und einen vorgeschlagenen Vorgang; eine umgebende Agentenanwendung stellt die Steuerelemente bereit, führt den Vorgang aus und gibt den neuen Zustand zurück. Eine Textantwort oder vorhergesagte Koordinate ist daher ein Teil dieses integrierten Workflows.
Stellen Sie für eine Oberflächenfrage den Screenshot und das tatsächliche Ziel bereit und fragen Sie anschliessend, welches sichtbare Steuerelement relevant ist und was als Nächstes geschehen soll. Halten Sie die gewünschte Ausgabe konkret: Beschriftung des Steuerelements, seine Position und die beabsichtigte Aktion. Führt die Anwendung diese Aktion anschliessend aus, liefert der nächste Screenshot die aktualisierte visuelle Eingabe für eine weitere Entscheidung.
Lange Videos und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Dauer und das Identifizieren des Abschnitts, der ein angefragtes Ereignis enthält. Damit wird die Videobeschreibung um zeitliche Lokalisierung erweitert. Eine Aufgabe kann fragen, wann ein Objekt erstmals erscheint, an welcher Stelle eine Demonstration einen bestimmten Schritt erreicht oder welches sichtbare Ereignis vor einem anderen eintritt. Legen Sie fest, ob das Ergebnis eine Zusammenfassung, eine geordnete Ereignisliste oder Start- und Endzeiten mit einer Ereignisbeschreibung sein soll.
Die Familie wird mit dynamischer Frame-Abtastrate trainiert und richtet zeitliche Positionsinformationen an der absoluten Zeit aus. Informationen zur Bildrate gehören daher zur Videovorbereitung und sind keine beliebige Kennzeichnung, die bei wichtigen Zeitstempeln weggelassen werden kann. Die dokumentierte Fähigkeit für lange Videos ist keine allgemeingültige Spezifikation für Dateigrösse oder maximale Dauer jedes Eingabepfads.
Objektlokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Begrenzungsrahmen oder Punkte zurückgeben und Koordinaten und Attribute als JSON organisieren. Die Veröffentlichung verwendet Koordinaten im Massstab der tatsächlichen Bildgrösse statt traditioneller normalisierter Koordinaten. Geben Sie an, ob die Aufgabe einen umschliessenden Rahmen, einen bestimmten Punkt oder eine Objektbeschreibung benötigt, und bewahren Sie die Bildabmessungen und alle zur Interpretation der zurückgegebenen Position nötigen Angaben zur Grössenänderung.
Eine visuelle Bestandsanfrage kann beispielsweise jedes Zielobjekt, seinen Rahmen und ein sichtbares Attribut verlangen. Eine punktbezogene Aufgabe kann nach der Position eines beschrifteten Steuerelements oder eines bestimmten Objektteils fragen. Dies sind Vorschläge für die Ausgabegestaltung und keine festen Feldnamen, die jede Anfrage verwenden muss. Halten Sie bei mehreren Bildern jede Koordinate mit ihrem Quellbild verbunden.
Der Hersteller hebt separat die strukturierte Extraktion aus Rechnungsscans, Formularen und Tabellen hervor. Definieren Sie die Felder, bewahren Sie die ursprünglichen Beschriftungen und verlangen Sie eine ausdrückliche Darstellung, wenn ein Wert nicht lesbar ist. Bewahren Sie bei einer Tabelle Spaltenüberschriften und Einheiten zusammen mit den angeforderten Zeilen. Ein praktischer Datensatz kann Dokumentkennung, Feldbezeichnung, extrahierten Wert und Position enthalten und die Ausgabe so für spätere Vergleiche oder menschliche Prüfungen nutzbar machen.
Architektur und Eingabevorbereitung
Das Modell kombiniert dynamische Bildauflösung und dynamische Videoabtastung mit aktualisierten multimodalen rotierenden Positionsinformationen. Sein visueller Encoder verwendet Window Attention, SwiGLU und RMSNorm. Dies sind Architekturänderungen zur Unterstützung visueller und zeitlicher Verarbeitung; sie ergänzen den dokumentierten Workflow mit Textergebnis weder um Audioeingaben noch um Bildgenerierung.
Die Karte demonstriert ein einzelnes Bild, mehrere Bilder, eine Folge von Videoframes, eine Videodatei oder Referenz sowie gebündelte Gespräche. Der Bildprozessor dokumentiert standardmässig einen Bereich von 4 bis 16,384 visuellen Tokens pro Bild. Minimale und maximale Pixeleinstellungen bewahren das Seitenverhältnis; angeforderte exakte Abmessungen werden auf ein Vielfaches von 28 gerundet. Der Beispielbereich von 256 bis 1,280 visuellen Tokens ist eine anpassbare Veranschaulichung und kein separates hartes Bildlimit. Bewahren Sie bei der Wahl einer Grössenänderung die für die Frage nötigen Details.
Kontext und lokalisierungsempfindliche Einstellungen
Die veröffentlichte Konfiguration setzt die maximale Positionsanzahl auf 128,000. Der Abschnitt zu langen Texten auf der Modellkarte beschreibt separat eine Basis von 32,768 Tokens und ein Beispiel zur YaRN-Erweiterung. Er warnt ausdrücklich, dass diese Erweiterung die zeitliche und räumliche Lokalisierung erheblich beeinflusst, und empfiehlt sie nicht. Die Anleitung bespricht ausserdem Änderungen der maximalen Positionsanzahl für lange Videos. Dies sind Konfigurationshinweise und kein einziges bedingungsloses Eingabelimit für jede Aufgabe.
Halten Sie die genaue Veröffentlichungskonfiguration und visuelle Vorverarbeitung auf die Aufgabe abgestimmt, besonders wenn Koordinaten oder Ereigniszeiten wichtig sind. Das Generierungsbeispiel mit 128 Tokens auf der Karte legt keine separate maximale Ausgabekapazität fest. Qwen2.5-VL-7B-Instruct erzeugt Text, Koordinaten und strukturierte Befunde; eine externe Aktion, ein gerendertes Bild, Video oder eine gesprochene Antwort erfordert eine andere Anwendungskomponente.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-vl-7b-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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.0001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-7b-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-7b-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-7b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.