Modelle

Qwen2.5 VL 7B Instruct

Markdown · JSON

Qwen2.5 VL 7B Instruct

Qwen2.5-VL-7B-Instruct ist ein Vision-Language-Modell für Bilder, Dokumente und Video. Es erzeugt Text und strukturierte Befunde, einschließlich Begrenzungsrahmen für Objekte, Punkten und Attributen, und bringt zeitliche Ereignislokalisierung sowie Fähigkeiten visueller Agenten in die 7B-Ausgabe.

Über das Modell

Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.

Qwen2.5-VL-7B-Instruct ist die anweisungsoptimierte 7B-Ausgabe von Qwen2.5-VL. Sie verbindet eine Textanweisung mit Bildern oder Video und gibt ein Textergebnis zurück. Die wesentlichen Verbesserungen des Herstellers umfassen die Erkennung von Objekten und visuellen Details, die Analyse von Text und Layouts, Aufgaben visueller Agenten, Ereignisverständnis in langen Videos, Objektlokalisierung und strukturierte Extraktion aus Dokumenten.

Visuelle Inhalte verstehen

Die Familie geht über das Erkennen des Hauptmotivs eines Fotos hinaus. Zu ihren dokumentierten Aufgaben gehören die Analyse von Text, Diagrammen, Symbolen, Grafiken und der Anordnung von Elementen in einem Bild. Legen Sie bei einem Diagramm die zu untersuchende Datenreihe oder Beziehung fest und bewahren Sie Achsen, Legende und Einheiten. Fragen Sie bei einer technischen Abbildung, wie die beschrifteten Komponenten zusammenhängen und was die sichtbare Anordnung über den Prozess aussagt.

Ein nützlicher Vergleich kann einen ursprünglichen und einen überarbeiteten Entwurf bereitstellen, beide eindeutig kennzeichnen und anhand einer kurzen Anforderungsliste nach sichtbaren Änderungen fragen. Fordern Sie Beobachtung und relevanten Bildbereich gemeinsam an. Dies gibt der Antwort einen konkreten Zweck, statt allgemein zwei unverbundene Bilder beschreiben zu lassen.

Workflows mit visuellen Agenten

Der Hersteller positioniert Qwen2.5-VL als visuellen Agenten, der über einen Bildschirm schlussfolgern und Werkzeuge bei Computer- oder Telefonnutzungsaufgaben steuern kann. Das Modell liefert eine Interpretation und einen vorgeschlagenen Vorgang; eine umgebende Agentenanwendung stellt die Bedienelemente bereit, führt den Vorgang aus und gibt den neuen Zustand zurück. Eine Textantwort oder eine vorhergesagte Koordinate ist daher ein Teil dieses integrierten Workflows.

Stellen Sie für eine Oberflächenfrage den Screenshot und das tatsächliche Ziel bereit und fragen Sie dann, welches sichtbare Bedienelement relevant ist und was als Nächstes zu tun ist. Halten Sie die angeforderte Ausgabe konkret: Beschriftung des Bedienelements, Position und beabsichtigte Aktion. Führt die Anwendung diese Aktion anschließend aus, liefert der nächste Screenshot die aktualisierte visuelle Eingabe für eine weitere Entscheidung.

Lange Videos und Ereignislokalisierung

Der Hersteller beschreibt das Verstehen von Videos mit mehr als einer Stunde Länge und das Identifizieren des Abschnitts, der ein angefragtes Ereignis enthält. Damit wird die Videobeschreibung um zeitliche Lokalisierung erweitert. Eine Aufgabe kann fragen, wann ein Objekt erstmals erscheint, an welcher Stelle eine Vorführung einen bestimmten Schritt erreicht oder welches sichtbare Ereignis vor einem anderen stattfindet. Legen Sie fest, ob das Ergebnis eine Zusammenfassung, eine geordnete Ereignisliste oder Anfangs- und Endzeiten mit einer Ereignisbeschreibung sein soll.

Die Familie wird mit dynamischer Abtastung der Bildrate trainiert und richtet zeitliche Positionsinformationen an absoluter Zeit aus. Bildrateninformationen gehören daher zur Videovorbereitung und sind keine beliebige Kennzeichnung, die bei wichtigen Zeitstempeln verworfen werden kann. Die dokumentierte Fähigkeit für lange Videos ist keine allgemeingültige Spezifikation zu Dateigröße oder maximaler Dauer für jeden Eingabepfad.

Objektlokalisierung und strukturierte Dokumente

Qwen2.5-VL kann Begrenzungsrahmen oder Punkte zurückgeben und Koordinaten sowie Attribute als JSON organisieren. Die Veröffentlichung verwendet Koordinaten im Maßstab der tatsächlichen Bildgröße statt traditioneller normalisierter Koordinaten. Legen Sie fest, ob die Aufgabe einen umschließenden Rahmen, einen bestimmten Punkt oder eine Objektbeschreibung benötigt, und bewahren Sie die Bildabmessungen sowie alle für die Interpretation der zurückgegebenen Position benötigten Größenänderungsinformationen.

Eine Anfrage für eine visuelle Bestandsaufnahme kann beispielsweise jedes Zielobjekt, seinen Rahmen und ein sichtbares Attribut anfordern. Eine punktbasierte Aufgabe kann nach der Position eines beschrifteten Bedienelements oder eines bestimmten Objektteils fragen. Dies sind vorgeschlagene Ausgabeentwürfe und keine festen Feldnamen, die jede Anfrage verwenden muss. Halten Sie bei mehreren bereitgestellten Bildern jede Koordinate ihrem Quellbild zugeordnet.

Der Hersteller hebt separat die strukturierte Extraktion aus Rechnungsscans, Formularen und Tabellen hervor. Definieren Sie die Felder, bewahren Sie die ursprünglichen Beschriftungen und fordern Sie eine ausdrückliche Darstellung an, wenn ein Wert nicht lesbar ist. Bewahren Sie bei einer Tabelle die Spaltenüberschriften und Einheiten zusammen mit den angefragten Zeilen. Ein praktischer Datensatz kann Dokumentkennung, Feldbeschriftung, extrahierten Wert und Position enthalten, sodass die Ausgabe für einen späteren Vergleich oder eine menschliche Prüfung nutzbar ist.

Architektur und Eingabevorbereitung

Das Modell kombiniert dynamische Bildauflösung und dynamische Videoabtastung mit aktualisierten multimodalen rotatorischen Positionsinformationen. Sein Vision-Encoder verwendet Window Attention, SwiGLU und RMSNorm. Dies sind Architekturänderungen zur Unterstützung visueller und zeitlicher Verarbeitung; sie ergänzen den dokumentierten Workflow mit Textergebnis weder um Audioeingaben noch um Bildgenerierung.

Die Modellkarte demonstriert ein einzelnes Bild, mehrere Bilder, eine Videoframe-Sequenz, eine Videodatei oder -referenz sowie gebündelte Gespräche. Der Bildprozessor dokumentiert einen Standardbereich von 4 bis 16.384 visuellen Tokens pro Bild. Minimale und maximale Pixeleinstellungen bewahren das Seitenverhältnis; angeforderte exakte Abmessungen werden auf ein Vielfaches von 28 gerundet. Der Beispielbereich von 256 bis 1.280 visuellen Tokens ist eine anpassbare Illustration und keine separate harte Bildgrenze. Bewahren Sie bei der Wahl einer Größenänderung die für die Frage erforderlichen Details.

Kontext und Einstellungen mit Einfluss auf die Lokalisierung

Die veröffentlichte Konfiguration setzt die maximale Positionsanzahl auf 128.000. Der Langtextabschnitt der Modellkarte beschreibt separat eine Basis von 32.768 Tokens und ein Beispiel zur YaRN-Erweiterung. Er warnt ausdrücklich, dass diese Erweiterung zeitliche und räumliche Lokalisierung erheblich beeinflusst, und empfiehlt sie nicht. Der Leitfaden behandelt außerdem die Änderung der maximalen Positionsanzahl für lange Videos; dies sind Konfigurationshinweise und keine einzelne bedingungslose Eingabegrenze für jede Aufgabe.

Stimmen Sie die genaue Veröffentlichungskonfiguration und die visuelle Vorverarbeitung auf die Aufgabe ab, insbesondere wenn Koordinaten oder Ereigniszeiten wichtig sind. Das Generierungsbeispiel mit 128 Tokens aus der Modellkarte legt keine separate maximale Ausgabekapazität fest. Qwen2.5-VL-7B-Instruct erzeugt Text, Koordinaten und strukturierte Befunde; eine externe Aktion, ein gerendertes Bild, ein Video oder eine gesprochene Antwort erfordert eine weitere Anwendungskomponente.

Praktische Aufgabe

Praktische Aufgabe

Technisches Beispiel auf Englisch

Extract a transcribed invoice table

Extract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.

Erwartetes Ergebnis

A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.

Ergebnis prüfen

Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions qwen2.5-vl-7b-instruct

qwen2.5-vl-7b-instruct

Alibaba /qwen2.5-vl-7b-instruct

Start

Qwen2.5-VL-7B-Instruct ist ein Vision-Language-Modell für Bilder, Dokumente und Video. Es erzeugt Text und strukturierte Befunde, einschließlich Begrenzungsrahmen für Objekte, Punkten und Attributen, und bringt zeitliche Ereignislokalisierung sowie Fähigkeiten visueller Agenten in die 7B-Ausgabe.

Zulässige Eingaben
Text
Ergebnisse
Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Eingabetypen
text
Ausgabetypen
text
Ausgabeformat
json oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
qwen2.5-vl-7b-instruct
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und Limits
Mindestanzahl Elemente: 1
Standard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte 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[].contentTypstring|content_part[]|nullAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_callsTyptool_call[]AnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_call_idTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden
Standard—
Feldmessages[].nameTypstringAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].reasoning_contentTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet
Standard—
Feldmessages[].reasoning_detailsTypobject|arrayAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldmax_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
Feldmax_completion_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldstream_options.include_usageTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtemperatureTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtop_pTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldstopTypstring|string[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtoolsTypfunction_tool[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtools[].typeTypstringAnforderungOptionalWerte und Limits
function
Modellabhängig
Standard—
Feldtools[].function.nameTypstringAnforderungErforderlichWerte und Limits
Gilt, wenn: Funktionswerkzeug bereitgestellt
Standard—
Feldtools[].function.descriptionTypstringAnforderungOptionalWerte und LimitsStandard—
Feldtools[].function.parametersTypJSON_schemaAnforderungOptionalWerte und LimitsStandard—
Feldtool_choiceTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldparallel_tool_callsTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldresponse_formatTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldreasoning_effortTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldreasoningTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldservice_tierTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldinstructionsTypstringAnforderungOptionalWerte und Limits
Kompatibilitätsfeld
Standard—
FeldfunctionsTypfunction[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldfunction_callTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldprompt_cache_optionsTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldmodalitiesTypstring[]AnforderungOptionalWerte und Limits
text
Standard—
FeldproviderTypobjectAnforderungOptionalWerte und Limits
Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt
Standard—
Feldcache_control.ttlTypstringAnforderungOptionalWerte und Limits
Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt
Standard—
Kombinationen von Eingabematerialien

Text · UTF8-Text

messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages
Parametermaterial_typesVertragtext
ParametermessagesVertragNachrichtenarray mit role/content-Struktur
Parameterfile_materialVertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet
Parameteroptional_controlsVertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeVertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen
Parameteroutput_modalitiesVertragtext
Parameterhosted_operationsVertragfalse
Parametermultimodal_input_bindingVertragnull

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.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

KonfigurationTarifstaffelGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifGebühr
Eingabe · Eingabetoken $0.0001 / 1K Token
Ausgabe · Ausgabetoken $0.0001 / 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 →

Beispielanfragen

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-Stream
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen2.5-vl-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Ergebnisse abrufen und speichern

Ailoot Ultra · OpenAI Chat

json oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
Feldchoices[].indexTypinteger
Feldchoices[].message.contentTypstring|null
Feldchoices[].message.tool_callsTyptool_call[]
Feldchoices[].message.reasoning_contentTypstring
Feldchoices[].message.reasoning_detailsTypobject|array
Feldchoices[].finish_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra qwen2.5-vl-7b-instruct

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

qwen2.5-vl-7b-instruct

Ailoot Ultra · Anthropic Messages POST /v1/messages qwen2.5-vl-7b-instruct

qwen2.5-vl-7b-instruct

Alibaba /qwen2.5-vl-7b-instruct

Start

Qwen2.5-VL-7B-Instruct ist ein Vision-Language-Modell für Bilder, Dokumente und Video. Es erzeugt Text und strukturierte Befunde, einschließlich Begrenzungsrahmen für Objekte, Punkten und Attributen, und bringt zeitliche Ereignislokalisierung sowie Fähigkeiten visueller Agenten in die 7B-Ausgabe.

Zulässige Eingaben
Text
Ergebnisse
json · sse

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Anthropic Messages POST /v1/messages
Eingabetypen
text
Ausgabetypen
json, sse
Ausgabeformat
JSON oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
qwen2.5-vl-7b-instruct
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und LimitsStandard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte und Limits
user, assistant
Standard—
Feldmessages[].contentTypstringAnforderungErforderlichWerte und LimitsStandard—
Feldmax_tokensTypintegerAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Kombinationen von Eingabematerialien

Text · UTF-8-Text

Zeichenfolge messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages, max_tokens
Parameteroptional_controlsVertragstream
Parametermaterial_typesVertragtext
Parametertext_file_materialVertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen.

Lebenszyklus: synchronous_or_streamed

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

KonfigurationTarifstaffelGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifGebühr
Eingabe · Eingabetoken $0.0001 / 1K Token
Ausgabe · Ausgabetoken $0.0001 / 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 →

Beispielanfragen

Ailoot Ultra · Anthropic Messages

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "qwen2.5-vl-7b-instruct",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Ergebnisse abrufen und speichern

Ailoot Ultra · Anthropic Messages

JSON oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
FeldidTypstring
FeldmodelTypstring
Feldcontent[]Typtext|thinking|tool_use|other content block
Feldstop_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra qwen2.5-vl-7b-instruct

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

qwen2.5-vl-7b-instruct

FAQ · Pro/Qwen/Qwen2.5-VL-7B-Instruct
Welche Eingaben und Ergebnisse sind verfügbar?

POST /v1/chat/completions · qwen2.5-vl-7b-instruct: text → text

POST /v1/messages · qwen2.5-vl-7b-instruct: text → json, sse

Welche Felder verwendet die Anfrage?

POST /v1/chat/completions · qwen2.5-vl-7b-instruct: model, messages, stream, modalities, provider

POST /v1/messages · qwen2.5-vl-7b-instruct: model, messages, max_tokens, stream

Welche Grenzen gelten?

POST /v1/chat/completions · qwen2.5-vl-7b-instruct: messages.min_items: 1

Weitere Details

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo
Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.
Aktionscode bis 50%
Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.
Ausgaben in der Historie
Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

Abo wählen · Modellpreise ansehen

Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung
Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.
Reseller-Lizenz
Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.
Dokumente auf der Website
Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

Reseller-Lizenz anfordern · Offizielles Angebot und Lizenzvertrag