Introducción: la edición 3B ajustada para seguir instrucciones
Qwen2.5-VL-3B-Instruct es el integrante 3B de Qwen2.5-VL. Acepta instrucciones de texto con imágenes o video y genera respuestas textuales, incluidos datos estructurados. Elígelo para una pregunta visual claramente definida, una tarea de extracción de documentos o una explicación que vincule el contenido visible con la solicitud del usuario. Este tamaño y esta versión exactos conservan su propia identidad; no debe suponerse que las funciones añadidas específicamente a otros tamaños o a generaciones posteriores de Qwen se aplican a este checkpoint.
Comprensión visual y flujos de trabajo de agentes
Qwen describe el reconocimiento de objetos comunes y el análisis de escritura, gráficas, íconos, elementos gráficos y diseños de página. Para un formulario, especifica los campos requeridos y el significado de un valor vacío. Para una gráfica, pide los ejes, las unidades y los valores visibles que respaldan la conclusión. Una solicitud enfocada facilita comparar la salida con la imagen original, en comparación con una petición amplia de describir todo.
La familia también admite razonamiento de agente visual y dirección de herramientas para flujos de trabajo en computadoras o teléfonos. El modelo puede interpretar una interfaz y ayudar a decidir una acción; las herramientas conectadas de la aplicación ejecutan esa acción. La revisión de una captura de pantalla puede preguntar qué control corresponde a una tarea y qué información visible respalda la elección. Ese uso del razonamiento visual no otorga por sí mismo control sobre un dispositivo.
Video largo y localización de eventos
El fabricante describe la comprensión de videos de más de una hora y la identificación de los segmentos pertinentes para un evento solicitado. Es una capacidad de la familia, no un límite incondicional de carga de medios ni una garantía de que se conserve cada fotograma. Prepara el clip pertinente, conserva su información temporal y plantea una pregunta precisa sobre el evento, la secuencia o el cambio. El enfoque de procesamiento de video del modelo usa información de frecuencia de fotogramas para alinear las observaciones visuales con el tiempo absoluto.
Localización y documentos estructurados
Qwen2.5-VL puede devolver ubicaciones de objetos como cuadros delimitadores o puntos, con coordenadas y atributos en JSON. Para una tarea de localización, nombra el objeto objetivo y especifica si el resultado debe ser un punto o un recuadro. Mantén explícita la convención de coordenadas en la aplicación que consume el resultado, en lugar de inferir una medida física a partir de una fotografía arbitraria.
El fabricante también documenta la extracción estructurada de facturas escaneadas, formularios y tablas. Proporciona una página legible y un esquema de salida: por ejemplo, nombre del campo, texto extraído y región visible que lo respalda. Conserva las unidades, los separadores decimales y los encabezados de tabla del original. Trata el contenido incierto o ilegible como un caso para revisión, en lugar de pedir al modelo que invente un valor faltante. Estos ejemplos de preparación aplican capacidades documentadas; no garantizan una extracción exacta.
Cambios de arquitectura
La resolución dinámica de imágenes se extiende al video mediante entrenamiento con frecuencia variable de fotogramas. La codificación posicional multimodal actualizada representa la secuencia temporal y el tiempo absoluto, lo que ayuda a identificar momentos concretos y cambios de velocidad. El codificador visual usa atención por ventanas junto con SwiGLU y RMSNorm. Estos cambios describen cómo el modelo procesa el material visual; no establecen una latencia fija para una aplicación particular.
Preparación de imágenes y video
Los ejemplos oficiales abarcan imágenes individuales, varias imágenes, conversaciones solo de texto, archivos de video y listas ordenadas de fotogramas. Etiqueta las distintas entradas visuales para que una pregunta pueda referirse a cada una. Para una comparación de imágenes, solicita una tabla organizada por las etiquetas y limita el resultado a las diferencias visibles. Para una línea de tiempo de video, conserva el orden y los tiempos de los fotogramas, en lugar de presentar imágenes desconectadas como si tuvieran una duración conocida.
El rango predeterminado documentado del procesador de imágenes va de cuatro a 16,384 tokens visuales por imagen. Su ejemplo puede apuntar a 256–1,280 tokens mediante límites de píxeles. Mantiene la relación de aspecto dentro de esos límites, mientras que las dimensiones de redimensionamiento explícitas se alinean a múltiplos de 28. Un mayor detalle consume más cómputo y espacio de secuencia, por lo que un campo de texto pequeño puede requerir un recorte de mayor resolución, mientras que un resumen general de una escena puede no necesitarlo. Esos son controles de procesamiento del fabricante; las opciones de carga de la aplicación pueden ser distintas.
Contexto y límites sustantivos
La configuración publicada del checkpoint establece las posiciones máximas en 128,000, mientras que la sección de texto largo que la acompaña todavía analiza una configuración inicial de 32,768 tokens. La guía describe la extrapolación con YaRN, pero advierte que puede afectar de manera significativa la localización temporal y espacial, y no recomienda ese método para esas tareas. Por separado, señala que la codificación posicional de video puede permitir un ajuste de posiciones mayor y da 64K como ejemplo. Estas distintas descripciones de configuración no deben reducirse a un único límite de entrada validado universalmente.
El texto, el material visual y la respuesta comparten un presupuesto finito de secuencia. Mantén legible el contenido pertinente, reserva espacio para el resultado y verifica el texto extraído, las coordenadas y los tiempos de los eventos contra el original. El ejemplo de generación de 128 tokens de la ficha es ilustrativo y no establece un máximo estricto de salida independiente. Este modelo devuelve análisis textual o información estructurada; sus capacidades de lenguaje visual no significan que genere imágenes o video.
", "aboutText": "Introducción: la edición 3B ajustada para seguir instrucciones\n\nQwen2.5-VL-3B-Instruct es el integrante 3B de Qwen2.5-VL. Acepta instrucciones de texto con imágenes o video y genera respuestas textuales, incluidos datos estructurados. Elígelo para una pregunta visual claramente definida, una tarea de extracción de documentos o una explicación que vincule el contenido visible con la solicitud del usuario. Este tamaño y esta versión exactos conservan su propia identidad; no debe suponerse que las funciones añadidas específicamente a otros tamaños o a generaciones posteriores de Qwen se aplican a este checkpoint.\n\nComprensión visual y flujos de trabajo de agentes\n\nQwen describe el reconocimiento de objetos comunes y el análisis de escritura, gráficas, íconos, elementos gráficos y diseños de página. Para un formulario, especifica los campos requeridos y el significado de un valor vacío. Para una gráfica, pide los ejes, las unidades y los valores visibles que respaldan la conclusión. Una solicitud enfocada facilita comparar la salida con la imagen original, en comparación con una petición amplia de describir todo.\n\nLa familia también admite razonamiento de agente visual y dirección de herramientas para flujos de trabajo en computadoras o teléfonos. El modelo puede interpretar una interfaz y ayudar a decidir una acción; las herramientas conectadas de la aplicación ejecutan esa acción. La revisión de una captura de pantalla puede preguntar qué control corresponde a una tarea y qué información visible respalda la elección. Ese uso del razonamiento visual no otorga por sí mismo control sobre un dispositivo.\n\nVideo largo y localización de eventos\n\nEl fabricante describe la comprensión de videos de más de una hora y la identificación de los segmentos pertinentes para un evento solicitado. Es una capacidad de la familia, no un límite incondicional de carga de medios ni una garantía de que se conserve cada fotograma. Prepara el clip pertinente, conserva su información temporal y plantea una pregunta precisa sobre el evento, la secuencia o el cambio. El enfoque de procesamiento de video del modelo usa información de frecuencia de fotogramas para alinear las observaciones visuales con el tiempo absoluto.\n\nLocalización y documentos estructurados\n\nQwen2.5-VL puede devolver ubicaciones de objetos como cuadros delimitadores o puntos, con coordenadas y atributos en JSON. Para una tarea de localización, nombra el objeto objetivo y especifica si el resultado debe ser un punto o un recuadro. Mantén explícita la convención de coordenadas en la aplicación que consume el resultado, en lugar de inferir una medida física a partir de una fotografía arbitraria.\n\nEl fabricante también documenta la extracción estructurada de facturas escaneadas, formularios y tablas. Proporciona una página legible y un esquema de salida: por ejemplo, nombre del campo, texto extraído y región visible que lo respalda. Conserva las unidades, los separadores decimales y los encabezados de tabla del original. Trata el contenido incierto o ilegible como un caso para revisión, en lugar de pedir al modelo que invente un valor faltante. Estos ejemplos de preparación aplican capacidades documentadas; no garantizan una extracción exacta.\n\nCambios de arquitectura\n\nLa resolución dinámica de imágenes se extiende al video mediante entrenamiento con frecuencia variable de fotogramas. La codificación posicional multimodal actualizada representa la secuencia temporal y el tiempo absoluto, lo que ayuda a identificar momentos concretos y cambios de velocidad. El codificador visual usa atención por ventanas junto con SwiGLU y RMSNorm. Estos cambios describen cómo el modelo procesa el material visual; no establecen una latencia fija para una aplicación particular.\n\nPreparación de imágenes y video\n\nLos ejemplos oficiales abarcan imágenes individuales, varias imágenes, conversaciones solo de texto, archivos de video y listas ordenadas de fotogramas. Etiqueta las distintas entradas visuales para que una pregunta pueda referirse a cada una. Para una comparación de imágenes, solicita una tabla organizada por las etiquetas y limita el resultado a las diferencias visibles. Para una línea de tiempo de video, conserva el orden y los tiempos de los fotogramas, en lugar de presentar imágenes desconectadas como si tuvieran una duración conocida.\n\nEl rango predeterminado documentado del procesador de imágenes va de cuatro a 16,384 tokens visuales por imagen. Su ejemplo puede apuntar a 256–1,280 tokens mediante límites de píxeles. Mantiene la relación de aspecto dentro de esos límites, mientras que las dimensiones de redimensionamiento explícitas se alinean a múltiplos de 28. Un mayor detalle consume más cómputo y espacio de secuencia, por lo que un campo de texto pequeño puede requerir un recorte de mayor resolución, mientras que un resumen general de una escena puede no necesitarlo. Esos son controles de procesamiento del fabricante; las opciones de carga de la aplicación pueden ser distintas.\n\nContexto y límites sustantivos\n\nLa configuración publicada del checkpoint establece las posiciones máximas en 128,000, mientras que la sección de texto largo que la acompaña todavía analiza una configuración inicial de 32,768 tokens. La guía describe la extrapolación con YaRN, pero advierte que puede afectar de manera significativa la localización temporal y espacial, y no recomienda ese método para esas tareas. Por separado, señala que la codificación posicional de video puede permitir un ajuste de posiciones mayor y da 64K como ejemplo. Estas distintas descripciones de configuración no deben reducirse a un único límite de entrada validado universalmente.\n\nEl texto, el material visual y la respuesta comparten un presupuesto finito de secuencia. Mantén legible el contenido pertinente, reserva espacio para el resultado y verifica el texto extraído, las coordenadas y los tiempos de los eventos contra el original. El ejemplo de generación de 128 tokens de la ficha es ilustrativo y no establece un máximo estricto de salida independiente. Este modelo devuelve análisis textual o información estructurada; sus capacidades de lenguaje visual no significan que genere imágenes o video.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es el modelo compacto de lenguaje visual de Qwen, ajustado para seguir instrucciones, para texto, imágenes y video. Devuelve texto e información visual estructurada, incluidos campos de documentos, coordenadas de objetos y descripciones de eventos, con resolución dinámica y procesamiento de video que tiene en cuenta el tiempo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Introducción: la edición 3B ajustada para seguir instrucciones
Qwen2.5-VL-3B-Instruct es el integrante 3B de Qwen2.5-VL. Acepta instrucciones de texto con imágenes o video y genera respuestas textuales, incluidos datos estructurados. Elígelo para una pregunta visual claramente definida, una tarea de extracción de documentos o una explicación que vincule el contenido visible con la solicitud del usuario. Este tamaño y esta versión exactos conservan su propia identidad; no debe suponerse que las funciones añadidas específicamente a otros tamaños o a generaciones posteriores de Qwen se aplican a este checkpoint.
Comprensión visual y flujos de trabajo de agentes
Qwen describe el reconocimiento de objetos comunes y el análisis de escritura, gráficas, íconos, elementos gráficos y diseños de página. Para un formulario, especifica los campos requeridos y el significado de un valor vacío. Para una gráfica, pide los ejes, las unidades y los valores visibles que respaldan la conclusión. Una solicitud enfocada facilita comparar la salida con la imagen original, en comparación con una petición amplia de describir todo.
La familia también admite razonamiento de agente visual y dirección de herramientas para flujos de trabajo en computadoras o teléfonos. El modelo puede interpretar una interfaz y ayudar a decidir una acción; las herramientas conectadas de la aplicación ejecutan esa acción. La revisión de una captura de pantalla puede preguntar qué control corresponde a una tarea y qué información visible respalda la elección. Ese uso del razonamiento visual no otorga por sí mismo control sobre un dispositivo.
Video largo y localización de eventos
El fabricante describe la comprensión de videos de más de una hora y la identificación de los segmentos pertinentes para un evento solicitado. Es una capacidad de la familia, no un límite incondicional de carga de medios ni una garantía de que se conserve cada fotograma. Prepara el clip pertinente, conserva su información temporal y plantea una pregunta precisa sobre el evento, la secuencia o el cambio. El enfoque de procesamiento de video del modelo usa información de frecuencia de fotogramas para alinear las observaciones visuales con el tiempo absoluto.
Localización y documentos estructurados
Qwen2.5-VL puede devolver ubicaciones de objetos como cuadros delimitadores o puntos, con coordenadas y atributos en JSON. Para una tarea de localización, nombra el objeto objetivo y especifica si el resultado debe ser un punto o un recuadro. Mantén explícita la convención de coordenadas en la aplicación que consume el resultado, en lugar de inferir una medida física a partir de una fotografía arbitraria.
El fabricante también documenta la extracción estructurada de facturas escaneadas, formularios y tablas. Proporciona una página legible y un esquema de salida: por ejemplo, nombre del campo, texto extraído y región visible que lo respalda. Conserva las unidades, los separadores decimales y los encabezados de tabla del original. Trata el contenido incierto o ilegible como un caso para revisión, en lugar de pedir al modelo que invente un valor faltante. Estos ejemplos de preparación aplican capacidades documentadas; no garantizan una extracción exacta.
Cambios de arquitectura
La resolución dinámica de imágenes se extiende al video mediante entrenamiento con frecuencia variable de fotogramas. La codificación posicional multimodal actualizada representa la secuencia temporal y el tiempo absoluto, lo que ayuda a identificar momentos concretos y cambios de velocidad. El codificador visual usa atención por ventanas junto con SwiGLU y RMSNorm. Estos cambios describen cómo el modelo procesa el material visual; no establecen una latencia fija para una aplicación particular.
Preparación de imágenes y video
Los ejemplos oficiales abarcan imágenes individuales, varias imágenes, conversaciones solo de texto, archivos de video y listas ordenadas de fotogramas. Etiqueta las distintas entradas visuales para que una pregunta pueda referirse a cada una. Para una comparación de imágenes, solicita una tabla organizada por las etiquetas y limita el resultado a las diferencias visibles. Para una línea de tiempo de video, conserva el orden y los tiempos de los fotogramas, en lugar de presentar imágenes desconectadas como si tuvieran una duración conocida.
El rango predeterminado documentado del procesador de imágenes va de cuatro a 16,384 tokens visuales por imagen. Su ejemplo puede apuntar a 256–1,280 tokens mediante límites de píxeles. Mantiene la relación de aspecto dentro de esos límites, mientras que las dimensiones de redimensionamiento explícitas se alinean a múltiplos de 28. Un mayor detalle consume más cómputo y espacio de secuencia, por lo que un campo de texto pequeño puede requerir un recorte de mayor resolución, mientras que un resumen general de una escena puede no necesitarlo. Esos son controles de procesamiento del fabricante; las opciones de carga de la aplicación pueden ser distintas.
Contexto y límites sustantivos
La configuración publicada del checkpoint establece las posiciones máximas en 128,000, mientras que la sección de texto largo que la acompaña todavía analiza una configuración inicial de 32,768 tokens. La guía describe la extrapolación con YaRN, pero advierte que puede afectar de manera significativa la localización temporal y espacial, y no recomienda ese método para esas tareas. Por separado, señala que la codificación posicional de video puede permitir un ajuste de posiciones mayor y da 64K como ejemplo. Estas distintas descripciones de configuración no deben reducirse a un único límite de entrada validado universalmente.
El texto, el material visual y la respuesta comparten un presupuesto finito de secuencia. Mantén legible el contenido pertinente, reserva espacio para el resultado y verifica el texto extraído, las coordenadas y los tiempos de los eventos contra el original. El ejemplo de generación de 128 tokens de la ficha es ilustrativo y no establece un máximo estricto de salida independiente. Este modelo devuelve análisis textual o información estructurada; sus capacidades de lenguaje visual no significan que genere imágenes o video.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-vl-3b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Usa las rutas de método indicadas arriba.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct es el modelo compacto de lenguaje visual de Qwen, ajustado para seguir instrucciones, para texto, imágenes y video. Devuelve texto e información visual estructurada, incluidos campos de documentos, coordenadas de objetos y descripciones de eventos, con resolución dinámica y procesamiento de video que tiene en cuenta el tiempo.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Introducción: la edición 3B ajustada para seguir instrucciones
Qwen2.5-VL-3B-Instruct es el integrante 3B de Qwen2.5-VL. Acepta instrucciones de texto con imágenes o video y genera respuestas textuales, incluidos datos estructurados. Elígelo para una pregunta visual claramente definida, una tarea de extracción de documentos o una explicación que vincule el contenido visible con la solicitud del usuario. Este tamaño y esta versión exactos conservan su propia identidad; no debe suponerse que las funciones añadidas específicamente a otros tamaños o a generaciones posteriores de Qwen se aplican a este checkpoint.
Comprensión visual y flujos de trabajo de agentes
Qwen describe el reconocimiento de objetos comunes y el análisis de escritura, gráficas, íconos, elementos gráficos y diseños de página. Para un formulario, especifica los campos requeridos y el significado de un valor vacío. Para una gráfica, pide los ejes, las unidades y los valores visibles que respaldan la conclusión. Una solicitud enfocada facilita comparar la salida con la imagen original, en comparación con una petición amplia de describir todo.
La familia también admite razonamiento de agente visual y dirección de herramientas para flujos de trabajo en computadoras o teléfonos. El modelo puede interpretar una interfaz y ayudar a decidir una acción; las herramientas conectadas de la aplicación ejecutan esa acción. La revisión de una captura de pantalla puede preguntar qué control corresponde a una tarea y qué información visible respalda la elección. Ese uso del razonamiento visual no otorga por sí mismo control sobre un dispositivo.
Video largo y localización de eventos
El fabricante describe la comprensión de videos de más de una hora y la identificación de los segmentos pertinentes para un evento solicitado. Es una capacidad de la familia, no un límite incondicional de carga de medios ni una garantía de que se conserve cada fotograma. Prepara el clip pertinente, conserva su información temporal y plantea una pregunta precisa sobre el evento, la secuencia o el cambio. El enfoque de procesamiento de video del modelo usa información de frecuencia de fotogramas para alinear las observaciones visuales con el tiempo absoluto.
Localización y documentos estructurados
Qwen2.5-VL puede devolver ubicaciones de objetos como cuadros delimitadores o puntos, con coordenadas y atributos en JSON. Para una tarea de localización, nombra el objeto objetivo y especifica si el resultado debe ser un punto o un recuadro. Mantén explícita la convención de coordenadas en la aplicación que consume el resultado, en lugar de inferir una medida física a partir de una fotografía arbitraria.
El fabricante también documenta la extracción estructurada de facturas escaneadas, formularios y tablas. Proporciona una página legible y un esquema de salida: por ejemplo, nombre del campo, texto extraído y región visible que lo respalda. Conserva las unidades, los separadores decimales y los encabezados de tabla del original. Trata el contenido incierto o ilegible como un caso para revisión, en lugar de pedir al modelo que invente un valor faltante. Estos ejemplos de preparación aplican capacidades documentadas; no garantizan una extracción exacta.
Cambios de arquitectura
La resolución dinámica de imágenes se extiende al video mediante entrenamiento con frecuencia variable de fotogramas. La codificación posicional multimodal actualizada representa la secuencia temporal y el tiempo absoluto, lo que ayuda a identificar momentos concretos y cambios de velocidad. El codificador visual usa atención por ventanas junto con SwiGLU y RMSNorm. Estos cambios describen cómo el modelo procesa el material visual; no establecen una latencia fija para una aplicación particular.
Preparación de imágenes y video
Los ejemplos oficiales abarcan imágenes individuales, varias imágenes, conversaciones solo de texto, archivos de video y listas ordenadas de fotogramas. Etiqueta las distintas entradas visuales para que una pregunta pueda referirse a cada una. Para una comparación de imágenes, solicita una tabla organizada por las etiquetas y limita el resultado a las diferencias visibles. Para una línea de tiempo de video, conserva el orden y los tiempos de los fotogramas, en lugar de presentar imágenes desconectadas como si tuvieran una duración conocida.
El rango predeterminado documentado del procesador de imágenes va de cuatro a 16,384 tokens visuales por imagen. Su ejemplo puede apuntar a 256–1,280 tokens mediante límites de píxeles. Mantiene la relación de aspecto dentro de esos límites, mientras que las dimensiones de redimensionamiento explícitas se alinean a múltiplos de 28. Un mayor detalle consume más cómputo y espacio de secuencia, por lo que un campo de texto pequeño puede requerir un recorte de mayor resolución, mientras que un resumen general de una escena puede no necesitarlo. Esos son controles de procesamiento del fabricante; las opciones de carga de la aplicación pueden ser distintas.
Contexto y límites sustantivos
La configuración publicada del checkpoint establece las posiciones máximas en 128,000, mientras que la sección de texto largo que la acompaña todavía analiza una configuración inicial de 32,768 tokens. La guía describe la extrapolación con YaRN, pero advierte que puede afectar de manera significativa la localización temporal y espacial, y no recomienda ese método para esas tareas. Por separado, señala que la codificación posicional de video puede permitir un ajuste de posiciones mayor y da 64K como ejemplo. Estas distintas descripciones de configuración no deben reducirse a un único límite de entrada validado universalmente.
El texto, el material visual y la respuesta comparten un presupuesto finito de secuencia. Mantén legible el contenido pertinente, reserva espacio para el resultado y verifica el texto extraído, las coordenadas y los tiempos de los eventos contra el original. El ejemplo de generación de 128 tokens de la ficha es ilustrativo y no establece un máximo estricto de salida independiente. Este modelo devuelve análisis textual o información estructurada; sus capacidades de lenguaje visual no significan que genere imágenes o video.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-vl-3b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0004 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.