Überblick: ein Modell für mehrere Eingabemodalitäten
Qwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Workflow Text mit natürlich klingender Sprachausgabe erzeugen. Verwenden Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder der Nutzer die Anweisung spricht, statt sie zu tippen. Dies ist der genaue 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.
Wesentliche Fähigkeiten und Architektur
Das Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt textuelle Inhalte, während Talker an der Bildung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Zeitstempel aus Video mit Audio. Die Architektur ist auf blockweise Eingaben und reaktionsschnelle Sprach- oder Videointeraktion ausgelegt; dieses Entwurfsziel ist keine feste Antwortzeitgarantie für jede Schnittstelle.
Das Aufgabenspektrum des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können daher unmittelbar Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle ihre Eingabe- oder Ausgabeformen unterstützt.
Ein multimodales Gespräch vorbereiten
Stellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Vorführung, die sichtbaren Schritte von der Erklärung des Sprechers zu unterscheiden und Übereinstimmungen zu benennen. Benennen Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe, im sichtbaren Inhalt verankerte Antwort an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Dies sind ausgearbeitete Anwendungen des dokumentierten Aufgabenspektrums.
Die Beispiele des Herstellers zeigen reine Text-, reine Audio-, reine Video- und gemischte Mediengespräche. Bewahren Sie die ursprüngliche Reihenfolge und zeitliche Zuordnung eines Videos. Kennzeichnen Sie separate Assets, damit das Modell darauf verweisen kann, ohne unverbundene Belege als ein Ereignis zu behandeln. Das Ergebnis kann ausschließlich Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt, bevor Sie die Anfrage vorbereiten.
Sprachausgabe vorbereiten
Qwens Checkpoint-Anleitung erfordert den dokumentierten Systemprompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Dies ist eine Anleitung für den Checkpoint-Workflow des Herstellers und keine Behauptung, dass jede Anwendung Steuerungen für Systemprompts oder Audiogenerierung bereitstellt.
Der genaue Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher gewählt wird. Sein Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24.000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines separat benannten kommerziellen Modells ersetzt werden.
Audio aus Video verwenden
Die Tonspur eines Videos kann für seine Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein durch eine sichtbare Aktion erzeugtes Geräusch. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss auf allen drei Stufen und über ein Gespräch mit mehreren Runden hinweg konsistent bleiben; inkonsistente Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, selbst bei derselben Datei.
Reine Textausgabe und Batch-Verarbeitung
Der Hersteller unterstützt reine Textausgabe durch die Einstellung return_audio=False. Er erlaubt auch, Talker nach dem Laden zu deaktivieren, was den GPU-Speicher um ungefähr 2 GB reduziert, in dieser Instanz jedoch Audioausgabe unmöglich macht. Das dokumentierte Batch-Beispiel mit gemischten Samples erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht zu einer Behauptung über gebündelte Sprachgenerierung ausgeweitet werden.
Kontext und inhaltliche Grenzen
Die Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32.768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert nicht unabhängig davon eine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos deutlich mehr Speicher benötigen. Ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.
Prüfen Sie Zitate gesprochener Inhalte und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und halten Sie ein Textergebnis bereit, wenn ein Prüfer die gesprochene Erklärung untersuchen muss. Der dokumentierte Nutzen des Modells besteht im gemeinsamen Verständnis und in Text-/Sprachantworten, während genaue Stimmensteuerungen, Medienverarbeitung und Auslieferung der Ausgabe Funktionen der gewählten Schnittstelle bleiben.
", "aboutText": "Überblick: ein Modell für mehrere Eingabemodalitäten\n\nQwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Workflow Text mit natürlich klingender Sprachausgabe erzeugen. Verwenden Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder der Nutzer die Anweisung spricht, statt sie zu tippen. Dies ist der genaue 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.\n\nWesentliche Fähigkeiten und Architektur\n\nDas Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt textuelle Inhalte, während Talker an der Bildung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Zeitstempel aus Video mit Audio. Die Architektur ist auf blockweise Eingaben und reaktionsschnelle Sprach- oder Videointeraktion ausgelegt; dieses Entwurfsziel ist keine feste Antwortzeitgarantie für jede Schnittstelle.\n\nDas Aufgabenspektrum des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können daher unmittelbar Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle ihre Eingabe- oder Ausgabeformen unterstützt.\n\nEin multimodales Gespräch vorbereiten\n\nStellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Vorführung, die sichtbaren Schritte von der Erklärung des Sprechers zu unterscheiden und Übereinstimmungen zu benennen. Benennen Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe, im sichtbaren Inhalt verankerte Antwort an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Dies sind ausgearbeitete Anwendungen des dokumentierten Aufgabenspektrums.\n\nDie Beispiele des Herstellers zeigen reine Text-, reine Audio-, reine Video- und gemischte Mediengespräche. Bewahren Sie die ursprüngliche Reihenfolge und zeitliche Zuordnung eines Videos. Kennzeichnen Sie separate Assets, damit das Modell darauf verweisen kann, ohne unverbundene Belege als ein Ereignis zu behandeln. Das Ergebnis kann ausschließlich Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt, bevor Sie die Anfrage vorbereiten.\n\nSprachausgabe vorbereiten\n\nQwens Checkpoint-Anleitung erfordert den dokumentierten Systemprompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Dies ist eine Anleitung für den Checkpoint-Workflow des Herstellers und keine Behauptung, dass jede Anwendung Steuerungen für Systemprompts oder Audiogenerierung bereitstellt.\n\nDer genaue Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher gewählt wird. Sein Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24.000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines separat benannten kommerziellen Modells ersetzt werden.\n\nAudio aus Video verwenden\n\nDie Tonspur eines Videos kann für seine Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein durch eine sichtbare Aktion erzeugtes Geräusch. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss auf allen drei Stufen und über ein Gespräch mit mehreren Runden hinweg konsistent bleiben; inkonsistente Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, selbst bei derselben Datei.\n\nReine Textausgabe und Batch-Verarbeitung\n\nDer Hersteller unterstützt reine Textausgabe durch die Einstellung return_audio=False. Er erlaubt auch, Talker nach dem Laden zu deaktivieren, was den GPU-Speicher um ungefähr 2 GB reduziert, in dieser Instanz jedoch Audioausgabe unmöglich macht. Das dokumentierte Batch-Beispiel mit gemischten Samples erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht zu einer Behauptung über gebündelte Sprachgenerierung ausgeweitet werden.\n\nKontext und inhaltliche Grenzen\n\nDie Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32.768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert nicht unabhängig davon eine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos deutlich mehr Speicher benötigen. Ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.\n\nPrüfen Sie Zitate gesprochener Inhalte und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und halten Sie ein Textergebnis bereit, wenn ein Prüfer die gesprochene Erklärung untersuchen muss. Der dokumentierte Nutzen des Modells besteht im gemeinsamen Verständnis und in Text-/Sprachantworten, während genaue Stimmensteuerungen, Medienverarbeitung und Auslieferung der Ausgabe Funktionen der gewählten Schnittstelle bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare demonstration notes with narration\n\nCompare two text records of demonstration M2. Visual notes: 'Operator closes the lid, then presses Start.' Narration transcript: 'Press Start before closing the lid.' Identify the sequence disagreement and write one clarification question for the instructor. Use only these supplied records; do not claim to have watched or heard a clip.A source-linked sequence comparison and one targeted clarification question.The answer must preserve the opposing event order and avoid inventing a resolution.qwen2.5-omni-7bQwen2.5-Omni-7B verbindet das Verständnis von Text, Bildern, Audio und Video mit Text- und natürlicher Sprachausgabe. Seine Thinker-Talker-Architektur richtet Audio an der zeitlichen Zuordnung des Videos aus, unterstützt gestreamte Interaktion und bietet in genau diesem offenen Checkpoint zwei dokumentierte Stimmen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: ein Modell für mehrere Eingabemodalitäten
Qwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Workflow Text mit natürlich klingender Sprachausgabe erzeugen. Verwenden Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder der Nutzer die Anweisung spricht, statt sie zu tippen. Dies ist der genaue 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.
Wesentliche Fähigkeiten und Architektur
Das Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt textuelle Inhalte, während Talker an der Bildung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Zeitstempel aus Video mit Audio. Die Architektur ist auf blockweise Eingaben und reaktionsschnelle Sprach- oder Videointeraktion ausgelegt; dieses Entwurfsziel ist keine feste Antwortzeitgarantie für jede Schnittstelle.
Das Aufgabenspektrum des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können daher unmittelbar Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle ihre Eingabe- oder Ausgabeformen unterstützt.
Ein multimodales Gespräch vorbereiten
Stellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Vorführung, die sichtbaren Schritte von der Erklärung des Sprechers zu unterscheiden und Übereinstimmungen zu benennen. Benennen Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe, im sichtbaren Inhalt verankerte Antwort an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Dies sind ausgearbeitete Anwendungen des dokumentierten Aufgabenspektrums.
Die Beispiele des Herstellers zeigen reine Text-, reine Audio-, reine Video- und gemischte Mediengespräche. Bewahren Sie die ursprüngliche Reihenfolge und zeitliche Zuordnung eines Videos. Kennzeichnen Sie separate Assets, damit das Modell darauf verweisen kann, ohne unverbundene Belege als ein Ereignis zu behandeln. Das Ergebnis kann ausschließlich Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt, bevor Sie die Anfrage vorbereiten.
Sprachausgabe vorbereiten
Qwens Checkpoint-Anleitung erfordert den dokumentierten Systemprompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Dies ist eine Anleitung für den Checkpoint-Workflow des Herstellers und keine Behauptung, dass jede Anwendung Steuerungen für Systemprompts oder Audiogenerierung bereitstellt.
Der genaue Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher gewählt wird. Sein Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24.000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines separat benannten kommerziellen Modells ersetzt werden.
Audio aus Video verwenden
Die Tonspur eines Videos kann für seine Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein durch eine sichtbare Aktion erzeugtes Geräusch. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss auf allen drei Stufen und über ein Gespräch mit mehreren Runden hinweg konsistent bleiben; inkonsistente Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, selbst bei derselben Datei.
Reine Textausgabe und Batch-Verarbeitung
Der Hersteller unterstützt reine Textausgabe durch die Einstellung return_audio=False. Er erlaubt auch, Talker nach dem Laden zu deaktivieren, was den GPU-Speicher um ungefähr 2 GB reduziert, in dieser Instanz jedoch Audioausgabe unmöglich macht. Das dokumentierte Batch-Beispiel mit gemischten Samples erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht zu einer Behauptung über gebündelte Sprachgenerierung ausgeweitet werden.
Kontext und inhaltliche Grenzen
Die Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32.768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert nicht unabhängig davon eine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos deutlich mehr Speicher benötigen. Ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.
Prüfen Sie Zitate gesprochener Inhalte und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und halten Sie ein Textergebnis bereit, wenn ein Prüfer die gesprochene Erklärung untersuchen muss. Der dokumentierte Nutzen des Modells besteht im gemeinsamen Verständnis und in Text-/Sprachantworten, während genaue Stimmensteuerungen, Medienverarbeitung und Auslieferung der Ausgabe Funktionen der gewählten Schnittstelle bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-omni-7b | 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 $0.0046 / 1K Token Ausgabe · Ausgabetoken $0.0138 / 1K Token Eingabe · Cache-Lesen $0 / 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": "qwen2.5-omni-7b", "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-omni-7b',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-omni-7b',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-omni-7b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-omni-7bQwen2.5-Omni-7B verbindet das Verständnis von Text, Bildern, Audio und Video mit Text- und natürlicher Sprachausgabe. Seine Thinker-Talker-Architektur richtet Audio an der zeitlichen Zuordnung des Videos aus, unterstützt gestreamte Interaktion und bietet in genau diesem offenen Checkpoint zwei dokumentierte Stimmen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: ein Modell für mehrere Eingabemodalitäten
Qwen2.5-Omni-7B ist Qwens multimodales End-to-End-Modell für Text, Bilder, Audio und Video. Es kann diese Eingaben gemeinsam verstehen und in einem Streaming-Workflow Text mit natürlich klingender Sprachausgabe erzeugen. Verwenden Sie es, wenn eine Aufgabe sowohl vom Sichtbaren als auch vom Hörbaren abhängt oder der Nutzer die Anweisung spricht, statt sie zu tippen. Dies ist der genaue 7B-Checkpoint; das kommerzielle Omni-Turbo und spätere Omni-Veröffentlichungen haben eigene Verträge.
Wesentliche Fähigkeiten und Architektur
Das Thinker-Talker-Design verbindet Verständnis mit Sprachgenerierung. Thinker verarbeitet die multimodale Aufgabe und erzeugt textuelle Inhalte, während Talker an der Bildung der gesprochenen Antwort beteiligt ist. TMRoPE, das zeitlich ausgerichtete multimodale Positionsschema des Herstellers, synchronisiert Zeitstempel aus Video mit Audio. Die Architektur ist auf blockweise Eingaben und reaktionsschnelle Sprach- oder Videointeraktion ausgelegt; dieses Entwurfsziel ist keine feste Antwortzeitgarantie für jede Schnittstelle.
Das Aufgabenspektrum des Herstellers umfasst Spracherkennung, Sprachübersetzung, Audioverständnis, Schlussfolgerungen aus Bildern, Videoverständnis und Sprachgenerierung. Gesprochene Anweisungen können daher unmittelbar Teil einer multimodalen Frage sein, statt immer ein separat bereitgestelltes getipptes Transkript zu erfordern. Halten Sie die Zielaufgabe klar: Einen Audioclip verstehen, eine gesprochene Frage beantworten und eine gesprochene Antwort erzeugen sind unterschiedliche Anwendungen, auch wenn das Modell alle ihre Eingabe- oder Ausgabeformen unterstützt.
Ein multimodales Gespräch vorbereiten
Stellen Sie die relevanten Medien bereit und erklären Sie, wie die Antwort sie verbinden soll. Bitten Sie das Modell bei einer kommentierten Vorführung, die sichtbaren Schritte von der Erklärung des Sprechers zu unterscheiden und Übereinstimmungen zu benennen. Benennen Sie bei einem Bild mit Audiofrage die Rolle des Bildes und fordern Sie eine knappe, im sichtbaren Inhalt verankerte Antwort an. Geben Sie bei einem reinen Audioausschnitt an, ob es um Spracherkennung, die Erklärung von Geräuschen oder die Beantwortung einer Inhaltsfrage geht. Dies sind ausgearbeitete Anwendungen des dokumentierten Aufgabenspektrums.
Die Beispiele des Herstellers zeigen reine Text-, reine Audio-, reine Video- und gemischte Mediengespräche. Bewahren Sie die ursprüngliche Reihenfolge und zeitliche Zuordnung eines Videos. Kennzeichnen Sie separate Assets, damit das Modell darauf verweisen kann, ohne unverbundene Belege als ein Ereignis zu behandeln. Das Ergebnis kann ausschließlich Text oder Text mit Sprache sein; wählen Sie das nützliche Artefakt, bevor Sie die Anfrage vorbereiten.
Sprachausgabe vorbereiten
Qwens Checkpoint-Anleitung erfordert den dokumentierten Systemprompt für Audiofähigkeiten, wenn Sprachausgabe benötigt wird. Der Prompt identifiziert Qwen und seine Fähigkeiten für Hören, Sehen, Text und Sprache; ein sachfremder Ersatz kann das erwartete Audioverhalten verhindern. Dies ist eine Anleitung für den Checkpoint-Workflow des Herstellers und keine Behauptung, dass jede Anwendung Steuerungen für Systemprompts oder Audiogenerierung bereitstellt.
Der genaue Checkpoint bietet zwei Stimmen: Chelsie, eine warme weibliche Stimme, und Ethan, eine lebhafte männliche Stimme. Chelsie ist der dokumentierte Standard, wenn kein Sprecher gewählt wird. Sein Generierungsbeispiel schreibt Sprache mit einer Abtastrate von 24.000 Hz. Diese beiden Stimmen dürfen nicht durch die Beschreibung mit vier Stimmen eines separat benannten kommerziellen Modells ersetzt werden.
Audio aus Video verwenden
Die Tonspur eines Videos kann für seine Bedeutung relevant sein, etwa gesprochene Anweisungen oder ein durch eine sichtbare Aktion erzeugtes Geräusch. Qwen stellt use_audio_in_video für Medienvorbereitung, Verarbeitung und Generierung bereit. Die Einstellung muss auf allen drei Stufen und über ein Gespräch mit mehreren Runden hinweg konsistent bleiben; inkonsistente Einstellungen können unerwartete Ergebnisse erzeugen. Eine rein visuelle Videointerpretation unterscheidet sich daher von einer audiovisuellen Interpretation, selbst bei derselben Datei.
Reine Textausgabe und Batch-Verarbeitung
Der Hersteller unterstützt reine Textausgabe durch die Einstellung return_audio=False. Er erlaubt auch, Talker nach dem Laden zu deaktivieren, was den GPU-Speicher um ungefähr 2 GB reduziert, in dieser Instanz jedoch Audioausgabe unmöglich macht. Das dokumentierte Batch-Beispiel mit gemischten Samples erfordert return_audio=False und kombiniert Text-, Bild-, Audio- und Videoanfragen. Dieses Batch-Beispiel darf nicht zu einer Behauptung über gebündelte Sprachgenerierung ausgeweitet werden.
Kontext und inhaltliche Grenzen
Die Text-Backbone-Konfiguration des Checkpoints setzt die maximale Positionsanzahl auf 32.768. Text, repräsentierte Medien und generierte Antworten verbrauchen Sequenzraum; dieser Wert definiert nicht unabhängig davon eine universelle Audio- oder Videodauer. Die Ressourcenbeispiele des Herstellers zeigen, dass längere Videos deutlich mehr Speicher benötigen. Ein kurzer relevanter Clip ist daher oft praktischer als eine große sachfremde Aufnahme. Die Beispiele veröffentlichen weder eine separate harte maximale Antwortlänge noch eine universell garantierte Mediendauer.
Prüfen Sie Zitate gesprochener Inhalte und Schlussfolgerungen anhand der Quelle, bewahren Sie genügend visuelle Details für die Frage und halten Sie ein Textergebnis bereit, wenn ein Prüfer die gesprochene Erklärung untersuchen muss. Der dokumentierte Nutzen des Modells besteht im gemeinsamen Verständnis und in Text-/Sprachantworten, während genaue Stimmensteuerungen, Medienverarbeitung und Auslieferung der Ausgabe Funktionen der gewählten Schnittstelle bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-omni-7b | 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 $0.0046 / 1K Token Ausgabe · Ausgabetoken $0.0138 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-omni-7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-omni-7b', '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-omni-7b', '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-omni-7b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare demonstration notes with narration\n\nCompare two text records of demonstration M2. Visual notes: 'Operator closes the lid, then presses Start.' Narration transcript: 'Press Start before closing the lid.' Identify the sequence disagreement and write one clarification question for the instructor. Use only these supplied records; do not claim to have watched or heard a clip.A source-linked sequence comparison and one targeted clarification question.The answer must preserve the opposing event order and avoid inventing a resolution.