Einführung: die anweisungsoptimierte 3B-Ausgabe
Qwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es nimmt Textanweisungen mit Bildern oder Video entgegen und erzeugt textuelle Antworten einschließlich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Genau diese Größe und Veröffentlichung behalten ihre eigene Identität; Fähigkeiten, die speziell anderen Größen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen nicht für diesen Checkpoint vorausgesetzt werden.
Visuelles Verständnis und Agenten-Workflows
Qwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Legen Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts fest. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die das Fazit stützen. Eine eingegrenzte Anfrage macht die Ausgabe leichter mit dem Originalbild vergleichbar als eine umfassende Aufforderung, alles zu beschreiben.
Die Familie unterstützt auch das Reasoning visueller Agenten und die Werkzeugsteuerung für Computer- oder Telefon-Workflows. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Bedienelement zu einer Aufgabe passt und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Reasonings gewährt für sich allein keine Kontrolle über ein Gerät.
Langes Video und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Länge und das Identifizieren der für ein angefragtes Ereignis relevanten Abschnitte. Dies ist eine Familienfähigkeit und weder eine bedingungslose Upload-Grenze für Medien noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zum Ereignis, zur Sequenz oder zur Veränderung. Der Videoverarbeitungsansatz des Modells verwendet Bildrateninformationen, um visuelle Beobachtungen an absoluter Zeit auszurichten.
Lokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte mit Koordinaten und Attributen in JSON zurückgeben. Benennen Sie für eine Lokalisierungsaufgabe das Zielobjekt und legen Sie fest, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Geben Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich an, statt aus einem beliebigen Foto auf eine physikalische Messung zu schließen.
Der Hersteller dokumentiert außerdem strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und der sichtbare Bereich, der ihn belegt. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften in der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffall, statt das Modell einen fehlenden Wert erfinden zu lassen. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.
Architekturänderungen
Dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Video erweitert. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu identifizieren. Der Vision-Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.
Bilder und Video vorbereiten
Die offiziellen Beispiele umfassen einzelne Bilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede einzeln verweisen kann. Fordern Sie für einen Bildvergleich eine nach Kennzeichnungen organisierte Tabelle an und begrenzen Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und zeitliche Zuordnung, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.
Der dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16.384 visuellen Tokens pro Bild. Das Beispiel kann durch Pixelgrenzen 256–1.280 Tokens anstreben. Es bewahrt innerhalb dieser Grenzen das Seitenverhältnis, während explizite Größenänderungsabmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details benötigen mehr Rechenaufwand und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, eine allgemeine Szenenzusammenfassung dagegen nicht. Dies sind Verarbeitungssteuerungen des Herstellers; Upload-Optionen der Anwendung können abweichen.
Kontext und inhaltliche Grenzen
Die veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128.000, während der begleitende Langtextabschnitt weiterhin eine Ausgangskonfiguration mit 32.768 Tokens behandelt. Der Leitfaden beschreibt YaRN-Extrapolation, warnt jedoch, dass sie zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Er weist separat darauf hin, dass die Video-Positionskodierung eine größere Positionseinstellung ermöglichen kann, und nennt 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzelnen universell validierten Eingabeobergrenze zusammengefasst werden.
Text, visuelles Material und die Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierten Text, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens aus der Modellkarte ist illustrativ und begründet keine separate harte Ausgabeobergrenze. Dieses Modell gibt textuelle Analysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Video erzeugt.
", "aboutText": "Einführung: die anweisungsoptimierte 3B-Ausgabe\n\nQwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es nimmt Textanweisungen mit Bildern oder Video entgegen und erzeugt textuelle Antworten einschließlich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Genau diese Größe und Veröffentlichung behalten ihre eigene Identität; Fähigkeiten, die speziell anderen Größen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen nicht für diesen Checkpoint vorausgesetzt werden.\n\nVisuelles Verständnis und Agenten-Workflows\n\nQwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Legen Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts fest. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die das Fazit stützen. Eine eingegrenzte Anfrage macht die Ausgabe leichter mit dem Originalbild vergleichbar als eine umfassende Aufforderung, alles zu beschreiben.\n\nDie Familie unterstützt auch das Reasoning visueller Agenten und die Werkzeugsteuerung für Computer- oder Telefon-Workflows. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Bedienelement zu einer Aufgabe passt und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Reasonings gewährt für sich allein keine Kontrolle über ein Gerät.\n\nLanges Video und Ereignislokalisierung\n\nDer Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Länge und das Identifizieren der für ein angefragtes Ereignis relevanten Abschnitte. Dies ist eine Familienfähigkeit und weder eine bedingungslose Upload-Grenze für Medien noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zum Ereignis, zur Sequenz oder zur Veränderung. Der Videoverarbeitungsansatz des Modells verwendet Bildrateninformationen, um visuelle Beobachtungen an absoluter Zeit auszurichten.\n\nLokalisierung und strukturierte Dokumente\n\nQwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte mit Koordinaten und Attributen in JSON zurückgeben. Benennen Sie für eine Lokalisierungsaufgabe das Zielobjekt und legen Sie fest, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Geben Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich an, statt aus einem beliebigen Foto auf eine physikalische Messung zu schließen.\n\nDer Hersteller dokumentiert außerdem strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und der sichtbare Bereich, der ihn belegt. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften in der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffall, statt das Modell einen fehlenden Wert erfinden zu lassen. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.\n\nArchitekturänderungen\n\nDynamische Bildauflösung wird durch Training mit variabler Bildrate auf Video erweitert. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu identifizieren. Der Vision-Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.\n\nBilder und Video vorbereiten\n\nDie offiziellen Beispiele umfassen einzelne Bilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede einzeln verweisen kann. Fordern Sie für einen Bildvergleich eine nach Kennzeichnungen organisierte Tabelle an und begrenzen Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und zeitliche Zuordnung, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.\n\nDer dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16.384 visuellen Tokens pro Bild. Das Beispiel kann durch Pixelgrenzen 256–1.280 Tokens anstreben. Es bewahrt innerhalb dieser Grenzen das Seitenverhältnis, während explizite Größenänderungsabmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details benötigen mehr Rechenaufwand und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, eine allgemeine Szenenzusammenfassung dagegen nicht. Dies sind Verarbeitungssteuerungen des Herstellers; Upload-Optionen der Anwendung können abweichen.\n\nKontext und inhaltliche Grenzen\n\nDie veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128.000, während der begleitende Langtextabschnitt weiterhin eine Ausgangskonfiguration mit 32.768 Tokens behandelt. Der Leitfaden beschreibt YaRN-Extrapolation, warnt jedoch, dass sie zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Er weist separat darauf hin, dass die Video-Positionskodierung eine größere Positionseinstellung ermöglichen kann, und nennt 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzelnen universell validierten Eingabeobergrenze zusammengefasst werden.\n\nText, visuelles Material und die Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierten Text, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens aus der Modellkarte ist illustrativ und begründet keine separate harte Ausgabeobergrenze. Dieses Modell gibt textuelle Analysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Video erzeugt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct ist Qwens kompaktes anweisungsoptimiertes Vision-Language-Modell für Text, Bilder und Video. Es gibt Text und strukturierte visuelle Informationen zurück, einschließlich Dokumentfeldern, Objektkoordinaten und Ereignisbeschreibungen, mit dynamischer Auflösung und einer Videoverarbeitung, die Zeitinformationen berücksichtigt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: die anweisungsoptimierte 3B-Ausgabe
Qwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es nimmt Textanweisungen mit Bildern oder Video entgegen und erzeugt textuelle Antworten einschließlich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Genau diese Größe und Veröffentlichung behalten ihre eigene Identität; Fähigkeiten, die speziell anderen Größen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen nicht für diesen Checkpoint vorausgesetzt werden.
Visuelles Verständnis und Agenten-Workflows
Qwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Legen Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts fest. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die das Fazit stützen. Eine eingegrenzte Anfrage macht die Ausgabe leichter mit dem Originalbild vergleichbar als eine umfassende Aufforderung, alles zu beschreiben.
Die Familie unterstützt auch das Reasoning visueller Agenten und die Werkzeugsteuerung für Computer- oder Telefon-Workflows. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Bedienelement zu einer Aufgabe passt und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Reasonings gewährt für sich allein keine Kontrolle über ein Gerät.
Langes Video und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Länge und das Identifizieren der für ein angefragtes Ereignis relevanten Abschnitte. Dies ist eine Familienfähigkeit und weder eine bedingungslose Upload-Grenze für Medien noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zum Ereignis, zur Sequenz oder zur Veränderung. Der Videoverarbeitungsansatz des Modells verwendet Bildrateninformationen, um visuelle Beobachtungen an absoluter Zeit auszurichten.
Lokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte mit Koordinaten und Attributen in JSON zurückgeben. Benennen Sie für eine Lokalisierungsaufgabe das Zielobjekt und legen Sie fest, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Geben Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich an, statt aus einem beliebigen Foto auf eine physikalische Messung zu schließen.
Der Hersteller dokumentiert außerdem strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und der sichtbare Bereich, der ihn belegt. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften in der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffall, statt das Modell einen fehlenden Wert erfinden zu lassen. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.
Architekturänderungen
Dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Video erweitert. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu identifizieren. Der Vision-Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.
Bilder und Video vorbereiten
Die offiziellen Beispiele umfassen einzelne Bilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede einzeln verweisen kann. Fordern Sie für einen Bildvergleich eine nach Kennzeichnungen organisierte Tabelle an und begrenzen Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und zeitliche Zuordnung, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.
Der dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16.384 visuellen Tokens pro Bild. Das Beispiel kann durch Pixelgrenzen 256–1.280 Tokens anstreben. Es bewahrt innerhalb dieser Grenzen das Seitenverhältnis, während explizite Größenänderungsabmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details benötigen mehr Rechenaufwand und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, eine allgemeine Szenenzusammenfassung dagegen nicht. Dies sind Verarbeitungssteuerungen des Herstellers; Upload-Optionen der Anwendung können abweichen.
Kontext und inhaltliche Grenzen
Die veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128.000, während der begleitende Langtextabschnitt weiterhin eine Ausgangskonfiguration mit 32.768 Tokens behandelt. Der Leitfaden beschreibt YaRN-Extrapolation, warnt jedoch, dass sie zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Er weist separat darauf hin, dass die Video-Positionskodierung eine größere Positionseinstellung ermöglichen kann, und nennt 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzelnen universell validierten Eingabeobergrenze zusammengefasst werden.
Text, visuelles Material und die Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierten Text, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens aus der Modellkarte ist illustrativ und begründet keine separate harte Ausgabeobergrenze. Dieses Modell gibt textuelle Analysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Video erzeugt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-vl-3b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 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-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct ist Qwens kompaktes anweisungsoptimiertes Vision-Language-Modell für Text, Bilder und Video. Es gibt Text und strukturierte visuelle Informationen zurück, einschließlich Dokumentfeldern, Objektkoordinaten und Ereignisbeschreibungen, mit dynamischer Auflösung und einer Videoverarbeitung, die Zeitinformationen berücksichtigt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Einführung: die anweisungsoptimierte 3B-Ausgabe
Qwen2.5-VL-3B-Instruct ist das 3B-Mitglied von Qwen2.5-VL. Es nimmt Textanweisungen mit Bildern oder Video entgegen und erzeugt textuelle Antworten einschließlich strukturierter Daten. Wählen Sie es für eine klar definierte visuelle Frage, eine Dokumentextraktion oder eine Erklärung, die sichtbare Inhalte mit der Nutzeranfrage verbindet. Genau diese Größe und Veröffentlichung behalten ihre eigene Identität; Fähigkeiten, die speziell anderen Größen oder späteren Qwen-Generationen hinzugefügt wurden, dürfen nicht für diesen Checkpoint vorausgesetzt werden.
Visuelles Verständnis und Agenten-Workflows
Qwen beschreibt die Erkennung gängiger Objekte und die Analyse von Schrift, Diagrammen, Symbolen, Grafiken und Seitenlayouts. Legen Sie bei einem Formular die erforderlichen Felder und die Bedeutung eines leeren Werts fest. Fragen Sie bei einem Diagramm nach Achsen, Einheiten und sichtbaren Werten, die das Fazit stützen. Eine eingegrenzte Anfrage macht die Ausgabe leichter mit dem Originalbild vergleichbar als eine umfassende Aufforderung, alles zu beschreiben.
Die Familie unterstützt auch das Reasoning visueller Agenten und die Werkzeugsteuerung für Computer- oder Telefon-Workflows. Das Modell kann eine Oberfläche interpretieren und bei einer Aktionsentscheidung helfen; verbundene Anwendungswerkzeuge führen diese Aktion aus. Eine Screenshot-Prüfung kann fragen, welches Bedienelement zu einer Aufgabe passt und welche sichtbaren Informationen die Wahl stützen. Diese Nutzung visuellen Reasonings gewährt für sich allein keine Kontrolle über ein Gerät.
Langes Video und Ereignislokalisierung
Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Länge und das Identifizieren der für ein angefragtes Ereignis relevanten Abschnitte. Dies ist eine Familienfähigkeit und weder eine bedingungslose Upload-Grenze für Medien noch eine Garantie, dass jeder Frame erhalten bleibt. Bereiten Sie den relevanten Clip vor, bewahren Sie seine Zeitinformationen und stellen Sie eine präzise Frage zum Ereignis, zur Sequenz oder zur Veränderung. Der Videoverarbeitungsansatz des Modells verwendet Bildrateninformationen, um visuelle Beobachtungen an absoluter Zeit auszurichten.
Lokalisierung und strukturierte Dokumente
Qwen2.5-VL kann Objektpositionen als Begrenzungsrahmen oder Punkte mit Koordinaten und Attributen in JSON zurückgeben. Benennen Sie für eine Lokalisierungsaufgabe das Zielobjekt und legen Sie fest, ob das Ergebnis ein Punkt oder ein Rahmen sein soll. Geben Sie die Koordinatenkonvention in der verarbeitenden Anwendung ausdrücklich an, statt aus einem beliebigen Foto auf eine physikalische Messung zu schließen.
Der Hersteller dokumentiert außerdem strukturierte Extraktion aus gescannten Rechnungen, Formularen und Tabellen. Stellen Sie eine lesbare Seite und ein Ausgabeschema bereit, etwa Feldname, extrahierter Text und der sichtbare Bereich, der ihn belegt. Bewahren Sie Einheiten, Dezimaltrennzeichen und Tabellenüberschriften in der Quelle. Behandeln Sie unsichere oder unleserliche Inhalte als Prüffall, statt das Modell einen fehlenden Wert erfinden zu lassen. Diese Vorbereitungsbeispiele wenden dokumentierte Fähigkeiten an; sie garantieren keine exakte Extraktion.
Architekturänderungen
Dynamische Bildauflösung wird durch Training mit variabler Bildrate auf Video erweitert. Aktualisierte multimodale Positionskodierung stellt zeitliche Abfolge und absolute Zeit dar und hilft, bestimmte Momente und Geschwindigkeitsänderungen zu identifizieren. Der Vision-Encoder verwendet Window Attention zusammen mit SwiGLU und RMSNorm. Diese Änderungen beschreiben die Verarbeitung visuellen Materials durch das Modell; sie begründen keine feste Latenz für eine bestimmte Anwendung.
Bilder und Video vorbereiten
Die offiziellen Beispiele umfassen einzelne Bilder, mehrere Bilder, reine Textgespräche, Videodateien und geordnete Frame-Listen. Kennzeichnen Sie mehrere visuelle Eingaben, damit eine Frage auf jede einzeln verweisen kann. Fordern Sie für einen Bildvergleich eine nach Kennzeichnungen organisierte Tabelle an und begrenzen Sie das Ergebnis auf sichtbare Unterschiede. Bewahren Sie für eine Videozeitleiste Frame-Reihenfolge und zeitliche Zuordnung, statt unverbundene Bilder so darzustellen, als hätten sie eine bekannte Dauer.
Der dokumentierte Standardbereich des Bildprozessors reicht von vier bis 16.384 visuellen Tokens pro Bild. Das Beispiel kann durch Pixelgrenzen 256–1.280 Tokens anstreben. Es bewahrt innerhalb dieser Grenzen das Seitenverhältnis, während explizite Größenänderungsabmessungen an Vielfachen von 28 ausgerichtet werden. Mehr Details benötigen mehr Rechenaufwand und Sequenzraum; ein kleines Textfeld kann daher einen höher aufgelösten Ausschnitt benötigen, eine allgemeine Szenenzusammenfassung dagegen nicht. Dies sind Verarbeitungssteuerungen des Herstellers; Upload-Optionen der Anwendung können abweichen.
Kontext und inhaltliche Grenzen
Die veröffentlichte Checkpoint-Konfiguration setzt die maximale Positionsanzahl auf 128.000, während der begleitende Langtextabschnitt weiterhin eine Ausgangskonfiguration mit 32.768 Tokens behandelt. Der Leitfaden beschreibt YaRN-Extrapolation, warnt jedoch, dass sie zeitliche und räumliche Lokalisierung erheblich beeinflussen kann, und empfiehlt diese Methode für solche Aufgaben nicht. Er weist separat darauf hin, dass die Video-Positionskodierung eine größere Positionseinstellung ermöglichen kann, und nennt 64K als Beispiel. Diese unterschiedlichen Konfigurationsbeschreibungen dürfen nicht zu einer einzelnen universell validierten Eingabeobergrenze zusammengefasst werden.
Text, visuelles Material und die Antwort teilen sich ein endliches Sequenzbudget. Halten Sie relevante Inhalte lesbar, reservieren Sie Platz für das Ergebnis und prüfen Sie extrahierten Text, Koordinaten und Ereigniszeiten anhand des Originals. Das Generierungsbeispiel mit 128 Tokens aus der Modellkarte ist illustrativ und begründet keine separate harte Ausgabeobergrenze. Dieses Modell gibt textuelle Analysen oder strukturierte Informationen zurück; seine Vision-Language-Fähigkeiten bedeuten nicht, dass es Bilder oder Video erzeugt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen2.5-vl-3b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.