Qwen2.5-VL-72B-Instruct ist die auf Anweisungen trainierte 72B-Edition von Qwen2.5-VL für visuelles Material zusammen mit Text. Qwen beschreibt Objekt-, Produkt- und Wahrzeichenerkennung sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layout in Bildern. Eingaben kombinieren eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text mit strukturierten Beschreibungen und extrahierten Informationen. Gegenüber Qwen2-VL betont der Hersteller bessere Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.
Visuelle Verortung ist eine andere Fähigkeit als Bildbeschreibung. Das Modell kann Begrenzungsrahmen oder Punkte mit Bezeichnungen und Attributen in JSON liefern. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Schemas. Benennen Sie die zu lokalisierenden Objekte und Felder wie bbox_2d und label sowie die Koordinateninterpretation. Bewahren Sie bei vorheriger Größenänderung diese Größeninformation mit den Koordinaten, damit sie auf dasselbe Bild bezogen werden. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.
Der Hersteller betont Texterkennung in verschiedenen Sprachen, Orientierungen und Szenenarten. Beispiele extrahieren Textzeilen, verbinden Text mit Positionen und entnehmen bestimmte Felder aus Belegen oder Formularen. Liefern Sie einen klaren Scan, definieren Sie Felder und die Darstellung fehlender oder unlesbarer Informationen. Ein beispielhafter Datensatz kann Dokumentkennung, Datum und Positionen enthalten, mit Unsicherheiten getrennt vom sichtbar Vorhandenen. Das gelieferte Bild liefert die Belege.
Qwens Ankündigung stellt QwenVL HTML für Dokumentparsing mit Layoutinformationen vor. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie Wörter sind. Verlangen Sie die Darstellung ausdrücklich: Klartext zum Lesen, JSON für gewählte Felder oder das layoutorientierte HTML des Herstellers. Ein gescannter Bericht lässt sich vor einer späteren Abschnittszusammenfassung in Überschriften und Absätze gliedern.
Für Video dokumentiert Qwen Verständnis von mehr als einer Stunde Material, Ereignissuche und zeitliche Lokalisierung bis auf Sekunden. Training mit dynamischen Bildraten und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden den Abschnitt einer beschriebenen Handlung und liefern Ereignisse mit Startzeiten, Endzeiten und Beschreibungen. Nennen Sie das gesuchte Ereignis und Sekunden oder ein Zeitstempelformat. Ein praktischer Auftrag kann relevante Abschnitte einer langen Demonstration und anschließend kurze Beschreibungen ihres Inhalts verlangen.
Das Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann vom Bildschirm aus schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Verortung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste gewünschte Interaktion bestimmen. Die Anwendung liefert Bildschirm, Aktionen und Ziel, führt die angeforderte Aktion aus und gibt den neuen Zustand zurück. Der Auftrag kann etwa nach dem Bedienelement für eine bestimmte Ansicht mit identifizierendem Punkt oder Rahmen fragen. Textliche Aktionsbeschreibung und ausgeführte Interaktion der Anwendung sind getrennte Schritte.
Qwens Prozessor erlaubt Kontrolle der Bildpixelzahlen. Standardmäßig sind 4 bis 16.384 visuelle Tokens pro Bild dokumentiert; 256 bis 1.280 sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis erhalten, ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder dichte Diagrammdetails bewahren. Passen Sie die Vorbereitung an die Frage an, mit lesbaren wichtigen Beschriftungen und klarer Seite oder Region. Videobeispiele verwenden Framefolgen oder Video mit Bildrateninformation, die bei Zeitstempeln wichtig ist.
Die aktuelle Kartenkonfiguration ist auf 32.768 Kontexttokens gesetzt. Sie beschreibt YaRN-Erweiterung, warnt aber vor deutlichen Auswirkungen auf zeitliche und räumliche Lokalisierung und empfiehlt sie für diese Aufgaben nicht. Das Erhöhen der Positionseinstellung für lange Videos wird separat erörtert. Das Verständnis stundenlanger Videos ist eine dokumentierte Fähigkeit, keine universelle Uploaddauer- oder Ausgabelängengrenze. Wählen Sie die nachgelagert benötigte Information: Datensatzfelder, Verortungskoordinaten, Dokumentlayout oder zeitbezogene Videobeschreibungen.
", "aboutText": "Qwen2.5-VL-72B-Instruct ist die auf Anweisungen trainierte 72B-Edition von Qwen2.5-VL für visuelles Material zusammen mit Text. Qwen beschreibt Objekt-, Produkt- und Wahrzeichenerkennung sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layout in Bildern. Eingaben kombinieren eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text mit strukturierten Beschreibungen und extrahierten Informationen. Gegenüber Qwen2-VL betont der Hersteller bessere Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.\n\nVisuelle Verortung ist eine andere Fähigkeit als Bildbeschreibung. Das Modell kann Begrenzungsrahmen oder Punkte mit Bezeichnungen und Attributen in JSON liefern. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Schemas. Benennen Sie die zu lokalisierenden Objekte und Felder wie bbox_2d und label sowie die Koordinateninterpretation. Bewahren Sie bei vorheriger Größenänderung diese Größeninformation mit den Koordinaten, damit sie auf dasselbe Bild bezogen werden. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.\n\nDer Hersteller betont Texterkennung in verschiedenen Sprachen, Orientierungen und Szenenarten. Beispiele extrahieren Textzeilen, verbinden Text mit Positionen und entnehmen bestimmte Felder aus Belegen oder Formularen. Liefern Sie einen klaren Scan, definieren Sie Felder und die Darstellung fehlender oder unlesbarer Informationen. Ein beispielhafter Datensatz kann Dokumentkennung, Datum und Positionen enthalten, mit Unsicherheiten getrennt vom sichtbar Vorhandenen. Das gelieferte Bild liefert die Belege.\n\nQwens Ankündigung stellt QwenVL HTML für Dokumentparsing mit Layoutinformationen vor. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie Wörter sind. Verlangen Sie die Darstellung ausdrücklich: Klartext zum Lesen, JSON für gewählte Felder oder das layoutorientierte HTML des Herstellers. Ein gescannter Bericht lässt sich vor einer späteren Abschnittszusammenfassung in Überschriften und Absätze gliedern.\n\nFür Video dokumentiert Qwen Verständnis von mehr als einer Stunde Material, Ereignissuche und zeitliche Lokalisierung bis auf Sekunden. Training mit dynamischen Bildraten und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden den Abschnitt einer beschriebenen Handlung und liefern Ereignisse mit Startzeiten, Endzeiten und Beschreibungen. Nennen Sie das gesuchte Ereignis und Sekunden oder ein Zeitstempelformat. Ein praktischer Auftrag kann relevante Abschnitte einer langen Demonstration und anschließend kurze Beschreibungen ihres Inhalts verlangen.\n\nDas Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann vom Bildschirm aus schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Verortung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste gewünschte Interaktion bestimmen. Die Anwendung liefert Bildschirm, Aktionen und Ziel, führt die angeforderte Aktion aus und gibt den neuen Zustand zurück. Der Auftrag kann etwa nach dem Bedienelement für eine bestimmte Ansicht mit identifizierendem Punkt oder Rahmen fragen. Textliche Aktionsbeschreibung und ausgeführte Interaktion der Anwendung sind getrennte Schritte.\n\nQwens Prozessor erlaubt Kontrolle der Bildpixelzahlen. Standardmäßig sind 4 bis 16.384 visuelle Tokens pro Bild dokumentiert; 256 bis 1.280 sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis erhalten, ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder dichte Diagrammdetails bewahren. Passen Sie die Vorbereitung an die Frage an, mit lesbaren wichtigen Beschriftungen und klarer Seite oder Region. Videobeispiele verwenden Framefolgen oder Video mit Bildrateninformation, die bei Zeitstempeln wichtig ist.\n\nDie aktuelle Kartenkonfiguration ist auf 32.768 Kontexttokens gesetzt. Sie beschreibt YaRN-Erweiterung, warnt aber vor deutlichen Auswirkungen auf zeitliche und räumliche Lokalisierung und empfiehlt sie für diese Aufgaben nicht. Das Erhöhen der Positionseinstellung für lange Videos wird separat erörtert. Das Verständnis stundenlanger Videos ist eine dokumentierte Fähigkeit, keine universelle Uploaddauer- oder Ausgabelängengrenze. Wählen Sie die nachgelagert benötigte Information: Datensatzfelder, Verortungskoordinaten, Dokumentlayout oder zeitbezogene Videobeschreibungen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct ist Qwens Vision-Language-Modell für Bilder, Dokumente, Grafiken und Video. Es liefert Text, strukturierte Extraktionen und visuelle Koordinaten und kann Ereignisse in langem Video lokalisieren oder über Computer- und Mobilbildschirme schlussfolgern.
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-72B-Instruct ist die auf Anweisungen trainierte 72B-Edition von Qwen2.5-VL für visuelles Material zusammen mit Text. Qwen beschreibt Objekt-, Produkt- und Wahrzeichenerkennung sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layout in Bildern. Eingaben kombinieren eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text mit strukturierten Beschreibungen und extrahierten Informationen. Gegenüber Qwen2-VL betont der Hersteller bessere Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.
Visuelle Verortung ist eine andere Fähigkeit als Bildbeschreibung. Das Modell kann Begrenzungsrahmen oder Punkte mit Bezeichnungen und Attributen in JSON liefern. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Schemas. Benennen Sie die zu lokalisierenden Objekte und Felder wie bbox_2d und label sowie die Koordinateninterpretation. Bewahren Sie bei vorheriger Größenänderung diese Größeninformation mit den Koordinaten, damit sie auf dasselbe Bild bezogen werden. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.
Der Hersteller betont Texterkennung in verschiedenen Sprachen, Orientierungen und Szenenarten. Beispiele extrahieren Textzeilen, verbinden Text mit Positionen und entnehmen bestimmte Felder aus Belegen oder Formularen. Liefern Sie einen klaren Scan, definieren Sie Felder und die Darstellung fehlender oder unlesbarer Informationen. Ein beispielhafter Datensatz kann Dokumentkennung, Datum und Positionen enthalten, mit Unsicherheiten getrennt vom sichtbar Vorhandenen. Das gelieferte Bild liefert die Belege.
Qwens Ankündigung stellt QwenVL HTML für Dokumentparsing mit Layoutinformationen vor. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie Wörter sind. Verlangen Sie die Darstellung ausdrücklich: Klartext zum Lesen, JSON für gewählte Felder oder das layoutorientierte HTML des Herstellers. Ein gescannter Bericht lässt sich vor einer späteren Abschnittszusammenfassung in Überschriften und Absätze gliedern.
Für Video dokumentiert Qwen Verständnis von mehr als einer Stunde Material, Ereignissuche und zeitliche Lokalisierung bis auf Sekunden. Training mit dynamischen Bildraten und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden den Abschnitt einer beschriebenen Handlung und liefern Ereignisse mit Startzeiten, Endzeiten und Beschreibungen. Nennen Sie das gesuchte Ereignis und Sekunden oder ein Zeitstempelformat. Ein praktischer Auftrag kann relevante Abschnitte einer langen Demonstration und anschließend kurze Beschreibungen ihres Inhalts verlangen.
Das Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann vom Bildschirm aus schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Verortung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste gewünschte Interaktion bestimmen. Die Anwendung liefert Bildschirm, Aktionen und Ziel, führt die angeforderte Aktion aus und gibt den neuen Zustand zurück. Der Auftrag kann etwa nach dem Bedienelement für eine bestimmte Ansicht mit identifizierendem Punkt oder Rahmen fragen. Textliche Aktionsbeschreibung und ausgeführte Interaktion der Anwendung sind getrennte Schritte.
Qwens Prozessor erlaubt Kontrolle der Bildpixelzahlen. Standardmäßig sind 4 bis 16.384 visuelle Tokens pro Bild dokumentiert; 256 bis 1.280 sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis erhalten, ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder dichte Diagrammdetails bewahren. Passen Sie die Vorbereitung an die Frage an, mit lesbaren wichtigen Beschriftungen und klarer Seite oder Region. Videobeispiele verwenden Framefolgen oder Video mit Bildrateninformation, die bei Zeitstempeln wichtig ist.
Die aktuelle Kartenkonfiguration ist auf 32.768 Kontexttokens gesetzt. Sie beschreibt YaRN-Erweiterung, warnt aber vor deutlichen Auswirkungen auf zeitliche und räumliche Lokalisierung und empfiehlt sie für diese Aufgaben nicht. Das Erhöhen der Positionseinstellung für lange Videos wird separat erörtert. Das Verständnis stundenlanger Videos ist eine dokumentierte Fähigkeit, keine universelle Uploaddauer- oder Ausgabelängengrenze. Wählen Sie die nachgelagert benötigte Information: Datensatzfelder, Verortungskoordinaten, Dokumentlayout oder zeitbezogene Videobeschreibungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen2.5-vl-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Token Ausgabe · Ausgabetoken $0.002 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Token Ausgabe · Ausgabetoken $0.002 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct ist Qwens Vision-Language-Modell für Bilder, Dokumente, Grafiken und Video. Es liefert Text, strukturierte Extraktionen und visuelle Koordinaten und kann Ereignisse in langem Video lokalisieren oder über Computer- und Mobilbildschirme schlussfolgern.
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-72B-Instruct ist die auf Anweisungen trainierte 72B-Edition von Qwen2.5-VL für visuelles Material zusammen mit Text. Qwen beschreibt Objekt-, Produkt- und Wahrzeichenerkennung sowie die Interpretation von Text, Diagrammen, Symbolen, Grafiken und Layout in Bildern. Eingaben kombinieren eine schriftliche Frage mit einem oder mehreren Bildern oder einem Video; die Ausgabe ist Text mit strukturierten Beschreibungen und extrahierten Informationen. Gegenüber Qwen2-VL betont der Hersteller bessere Wahrnehmung von Zeit und Bildmaßstab sowie einen überarbeiteten Vision-Encoder mit dynamischer Auflösung und Window Attention.
Visuelle Verortung ist eine andere Fähigkeit als Bildbeschreibung. Das Modell kann Begrenzungsrahmen oder Punkte mit Bezeichnungen und Attributen in JSON liefern. Qwen2.5-VL verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt eines normalisierten Schemas. Benennen Sie die zu lokalisierenden Objekte und Felder wie bbox_2d und label sowie die Koordinateninterpretation. Bewahren Sie bei vorheriger Größenänderung diese Größeninformation mit den Koordinaten, damit sie auf dasselbe Bild bezogen werden. Qwens Beispiele verbinden Erkennung mit Zählen und Objektbeschreibungen.
Der Hersteller betont Texterkennung in verschiedenen Sprachen, Orientierungen und Szenenarten. Beispiele extrahieren Textzeilen, verbinden Text mit Positionen und entnehmen bestimmte Felder aus Belegen oder Formularen. Liefern Sie einen klaren Scan, definieren Sie Felder und die Darstellung fehlender oder unlesbarer Informationen. Ein beispielhafter Datensatz kann Dokumentkennung, Datum und Positionen enthalten, mit Unsicherheiten getrennt vom sichtbar Vorhandenen. Das gelieferte Bild liefert die Belege.
Qwens Ankündigung stellt QwenVL HTML für Dokumentparsing mit Layoutinformationen vor. Sie zeigt Zeitschriften, Forschungsarbeiten, Webseiten und mobile Screenshots und verbindet Überschriften, Absätze, Bilder und Formeln mit Begrenzungsrahmen. Das ist nützlich, wenn Lesereihenfolge und Seitenstruktur ebenso wichtig wie Wörter sind. Verlangen Sie die Darstellung ausdrücklich: Klartext zum Lesen, JSON für gewählte Felder oder das layoutorientierte HTML des Herstellers. Ein gescannter Bericht lässt sich vor einer späteren Abschnittszusammenfassung in Überschriften und Absätze gliedern.
Für Video dokumentiert Qwen Verständnis von mehr als einer Stunde Material, Ereignissuche und zeitliche Lokalisierung bis auf Sekunden. Training mit dynamischen Bildraten und absolute Zeitkodierung helfen, Tempo und Position von Ereignissen darzustellen. Offizielle Beispiele finden den Abschnitt einer beschriebenen Handlung und liefern Ereignisse mit Startzeiten, Endzeiten und Beschreibungen. Nennen Sie das gesuchte Ereignis und Sekunden oder ein Zeitstempelformat. Ein praktischer Auftrag kann relevante Abschnitte einer langen Demonstration und anschließend kurze Beschreibungen ihres Inhalts verlangen.
Das Modell wird auch als visueller Agent für Computer und Mobilgeräte vorgestellt: Es kann vom Bildschirm aus schlussfolgern und Werkzeuge auf eine Aufgabe ausrichten. Verortung und Bildschirmverständnis können ein relevantes Bedienelement oder die nächste gewünschte Interaktion bestimmen. Die Anwendung liefert Bildschirm, Aktionen und Ziel, führt die angeforderte Aktion aus und gibt den neuen Zustand zurück. Der Auftrag kann etwa nach dem Bedienelement für eine bestimmte Ansicht mit identifizierendem Punkt oder Rahmen fragen. Textliche Aktionsbeschreibung und ausgeführte Interaktion der Anwendung sind getrennte Schritte.
Qwens Prozessor erlaubt Kontrolle der Bildpixelzahlen. Standardmäßig sind 4 bis 16.384 visuelle Tokens pro Bild dokumentiert; 256 bis 1.280 sind eine Beispieleinstellung, keine universelle Bildgrenze. Skalierung kann das Seitenverhältnis erhalten, ausdrückliche Abmessungen werden auf ein Vielfaches von 28 gerundet. Höhere Auflösung benötigt mehr Berechnung und kann kleine Schrift oder dichte Diagrammdetails bewahren. Passen Sie die Vorbereitung an die Frage an, mit lesbaren wichtigen Beschriftungen und klarer Seite oder Region. Videobeispiele verwenden Framefolgen oder Video mit Bildrateninformation, die bei Zeitstempeln wichtig ist.
Die aktuelle Kartenkonfiguration ist auf 32.768 Kontexttokens gesetzt. Sie beschreibt YaRN-Erweiterung, warnt aber vor deutlichen Auswirkungen auf zeitliche und räumliche Lokalisierung und empfiehlt sie für diese Aufgaben nicht. Das Erhöhen der Positionseinstellung für lange Videos wird separat erörtert. Das Verständnis stundenlanger Videos ist eine dokumentierte Fähigkeit, keine universelle Uploaddauer- oder Ausgabelängengrenze. Wählen Sie die nachgelagert benötigte Information: Datensatzfelder, Verortungskoordinaten, Dokumentlayout oder zeitbezogene Videobeschreibungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen2.5-vl-72b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Token Ausgabe · Ausgabetoken $0.002 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0016 / 1K Token Ausgabe · Ausgabetoken $0.002 / 1K Token Eingabe · Cache-Lesen $0.0008 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.