Qwen2.5-VL-7B-Instruct es la edición 7B de Qwen2.5-VL ajustada para seguir instrucciones. Vincula una instrucción de texto con imágenes o video y devuelve un resultado en texto. Las principales mejoras del fabricante abarcan el reconocimiento de objetos y detalles visuales, el análisis de texto y diseños, las tareas de agente visual, la comprensión de eventos en videos largos, la localización de objetos y la extracción estructurada de documentos.
Comprensión del contenido visual
La familia va más allá de identificar el sujeto principal de una fotografía. Sus tareas documentadas incluyen analizar texto, gráficas, íconos, elementos gráficos y la disposición de los elementos dentro de una imagen. Para una gráfica, especifica la serie o relación que se debe examinar y conserva los ejes, la leyenda y las unidades. Para un diagrama, pregunta cómo se conectan los componentes etiquetados y qué indica su disposición visible sobre el proceso.
Una comparación útil puede incluir un diseño original y uno revisado, identificar cuál es cuál y solicitar los cambios visibles respecto de una lista breve de requisitos. Pide que cada observación se acompañe de la región pertinente de la imagen. Esto da a la respuesta un propósito concreto, en lugar de pedir una descripción general de dos imágenes sin relación.
Flujos de trabajo de agente visual
El fabricante presenta Qwen2.5-VL como un agente visual capaz de razonar sobre una pantalla y dirigir herramientas en tareas de uso de computadoras o teléfonos. El modelo proporciona una interpretación y una operación propuesta; la aplicación de agente que lo integra aporta los controles, ejecuta la operación y devuelve el nuevo estado. Por lo tanto, una respuesta en texto o una coordenada predicha constituye una parte de ese flujo de trabajo integrado.
Para una pregunta sobre una interfaz, proporciona la captura de pantalla y el objetivo real; después, pregunta qué control visible es pertinente y qué se debe hacer a continuación. Mantén la salida solicitada específica: la etiqueta del control, su ubicación y la acción prevista. Si la aplicación realiza esa acción, la siguiente captura de pantalla proporciona la entrada visual actualizada para una decisión posterior.
Videos largos y localización de eventos
El fabricante describe la comprensión de videos de más de una hora y la identificación del segmento que contiene un evento solicitado. Esto amplía la descripción de video hacia la localización temporal. Una tarea puede preguntar cuándo aparece un objeto por primera vez, en qué momento una demostración llega a un paso determinado o qué evento visible ocurre antes que otro. Indica si el resultado debe ser un resumen, una lista ordenada de eventos o tiempos de inicio y fin con una descripción del evento.
La familia se entrena con muestreo dinámico de la frecuencia de fotogramas y alinea la información posicional temporal con el tiempo absoluto. Por ello, la información de frecuencia de fotogramas forma parte de la preparación del video, en lugar de ser una etiqueta arbitraria que pueda descartarse cuando las marcas de tiempo importan. La capacidad documentada para videos largos no constituye una especificación universal de tamaño de archivo o duración máxima para todas las vías de entrada.
Localización de objetos y documentos estructurados
Qwen2.5-VL puede devolver cuadros delimitadores o puntos y organizar coordenadas y atributos como JSON. La versión utiliza coordenadas en la escala del tamaño real de la imagen, en lugar de las coordenadas normalizadas tradicionales. Especifica si la tarea requiere un recuadro envolvente, un punto concreto o una descripción del objeto, y conserva las dimensiones de la imagen y cualquier información de redimensionamiento necesaria para interpretar la ubicación devuelta.
Por ejemplo, una solicitud de inventario visual puede pedir cada objeto objetivo, su recuadro y un atributo visible. Una tarea basada en puntos puede solicitar la ubicación de un control etiquetado o de una parte específica de un objeto. Son propuestas de diseño de salida, no nombres de campos fijos que toda solicitud deba usar. Mantén cada coordenada asociada con su imagen de origen cuando se proporcionen varias imágenes.
Por separado, el fabricante destaca la extracción estructurada de escaneos de facturas, formularios y tablas. Define los campos, conserva las etiquetas originales y solicita una representación explícita cuando un valor no pueda leerse. Para una tabla, conserva los encabezados de columna y las unidades junto con las filas solicitadas. Un registro práctico puede contener el identificador del documento, la etiqueta del campo, el valor extraído y la ubicación, para que la salida pueda usarse en una comparación posterior o una inspección humana.
Arquitectura y preparación de entradas
El modelo combina resolución dinámica de imágenes y muestreo dinámico de video con información posicional rotatoria multimodal actualizada. Su codificador visual usa atención por ventanas, SwiGLU y RMSNorm. Estos son cambios de arquitectura que respaldan el procesamiento visual y temporal; no añaden entrada de audio ni generación de imágenes al flujo documentado de resultados en texto.
La ficha demuestra una sola imagen, varias imágenes, una secuencia de fotogramas de video, un archivo o referencia de video y conversaciones por lotes. El procesador de imágenes documenta un rango predeterminado de 4 a 16,384 tokens visuales por imagen. Los ajustes de píxeles mínimos y máximos conservan la relación de aspecto; las dimensiones exactas solicitadas se redondean a un múltiplo de 28. El rango de ejemplo de 256 a 1,280 tokens visuales es una ilustración ajustable, no un límite de imagen estricto independiente. Conserva el detalle que requiere la pregunta al elegir un redimensionamiento.
Contexto y ajustes sensibles a la localización
La configuración publicada establece las posiciones máximas en 128,000. Por separado, la sección de texto largo de la ficha del modelo describe una base de 32,768 tokens y un ejemplo de extensión con YaRN. Advierte explícitamente que esta extensión afecta de manera significativa la localización temporal y espacial, y no la recomienda. La guía también aborda el cambio de las posiciones máximas para videos largos; se trata de notas de configuración, no de un único límite incondicional de entrada para todas las tareas.
Mantén la configuración exacta de la versión y el preprocesamiento visual alineados con la tarea, especialmente cuando importen las coordenadas o los tiempos de los eventos. El ejemplo de generación de 128 tokens de la ficha no especifica una capacidad máxima de salida independiente. Qwen2.5-VL-7B-Instruct produce texto, coordenadas y hallazgos estructurados; una acción externa, una imagen renderizada, un video o una respuesta hablada requieren otro componente de la aplicación.
", "aboutText": "Qwen2.5-VL-7B-Instruct es la edición 7B de Qwen2.5-VL ajustada para seguir instrucciones. Vincula una instrucción de texto con imágenes o video y devuelve un resultado en texto. Las principales mejoras del fabricante abarcan el reconocimiento de objetos y detalles visuales, el análisis de texto y diseños, las tareas de agente visual, la comprensión de eventos en videos largos, la localización de objetos y la extracción estructurada de documentos.\n\nComprensión del contenido visual\n\nLa familia va más allá de identificar el sujeto principal de una fotografía. Sus tareas documentadas incluyen analizar texto, gráficas, íconos, elementos gráficos y la disposición de los elementos dentro de una imagen. Para una gráfica, especifica la serie o relación que se debe examinar y conserva los ejes, la leyenda y las unidades. Para un diagrama, pregunta cómo se conectan los componentes etiquetados y qué indica su disposición visible sobre el proceso.\n\nUna comparación útil puede incluir un diseño original y uno revisado, identificar cuál es cuál y solicitar los cambios visibles respecto de una lista breve de requisitos. Pide que cada observación se acompañe de la región pertinente de la imagen. Esto da a la respuesta un propósito concreto, en lugar de pedir una descripción general de dos imágenes sin relación.\n\nFlujos de trabajo de agente visual\n\nEl fabricante presenta Qwen2.5-VL como un agente visual capaz de razonar sobre una pantalla y dirigir herramientas en tareas de uso de computadoras o teléfonos. El modelo proporciona una interpretación y una operación propuesta; la aplicación de agente que lo integra aporta los controles, ejecuta la operación y devuelve el nuevo estado. Por lo tanto, una respuesta en texto o una coordenada predicha constituye una parte de ese flujo de trabajo integrado.\n\nPara una pregunta sobre una interfaz, proporciona la captura de pantalla y el objetivo real; después, pregunta qué control visible es pertinente y qué se debe hacer a continuación. Mantén la salida solicitada específica: la etiqueta del control, su ubicación y la acción prevista. Si la aplicación realiza esa acción, la siguiente captura de pantalla proporciona la entrada visual actualizada para una decisión posterior.\n\nVideos largos y localización de eventos\n\nEl fabricante describe la comprensión de videos de más de una hora y la identificación del segmento que contiene un evento solicitado. Esto amplía la descripción de video hacia la localización temporal. Una tarea puede preguntar cuándo aparece un objeto por primera vez, en qué momento una demostración llega a un paso determinado o qué evento visible ocurre antes que otro. Indica si el resultado debe ser un resumen, una lista ordenada de eventos o tiempos de inicio y fin con una descripción del evento.\n\nLa familia se entrena con muestreo dinámico de la frecuencia de fotogramas y alinea la información posicional temporal con el tiempo absoluto. Por ello, la información de frecuencia de fotogramas forma parte de la preparación del video, en lugar de ser una etiqueta arbitraria que pueda descartarse cuando las marcas de tiempo importan. La capacidad documentada para videos largos no constituye una especificación universal de tamaño de archivo o duración máxima para todas las vías de entrada.\n\nLocalización de objetos y documentos estructurados\n\nQwen2.5-VL puede devolver cuadros delimitadores o puntos y organizar coordenadas y atributos como JSON. La versión utiliza coordenadas en la escala del tamaño real de la imagen, en lugar de las coordenadas normalizadas tradicionales. Especifica si la tarea requiere un recuadro envolvente, un punto concreto o una descripción del objeto, y conserva las dimensiones de la imagen y cualquier información de redimensionamiento necesaria para interpretar la ubicación devuelta.\n\nPor ejemplo, una solicitud de inventario visual puede pedir cada objeto objetivo, su recuadro y un atributo visible. Una tarea basada en puntos puede solicitar la ubicación de un control etiquetado o de una parte específica de un objeto. Son propuestas de diseño de salida, no nombres de campos fijos que toda solicitud deba usar. Mantén cada coordenada asociada con su imagen de origen cuando se proporcionen varias imágenes.\n\nPor separado, el fabricante destaca la extracción estructurada de escaneos de facturas, formularios y tablas. Define los campos, conserva las etiquetas originales y solicita una representación explícita cuando un valor no pueda leerse. Para una tabla, conserva los encabezados de columna y las unidades junto con las filas solicitadas. Un registro práctico puede contener el identificador del documento, la etiqueta del campo, el valor extraído y la ubicación, para que la salida pueda usarse en una comparación posterior o una inspección humana.\n\nArquitectura y preparación de entradas\n\nEl modelo combina resolución dinámica de imágenes y muestreo dinámico de video con información posicional rotatoria multimodal actualizada. Su codificador visual usa atención por ventanas, SwiGLU y RMSNorm. Estos son cambios de arquitectura que respaldan el procesamiento visual y temporal; no añaden entrada de audio ni generación de imágenes al flujo documentado de resultados en texto.\n\nLa ficha demuestra una sola imagen, varias imágenes, una secuencia de fotogramas de video, un archivo o referencia de video y conversaciones por lotes. El procesador de imágenes documenta un rango predeterminado de 4 a 16,384 tokens visuales por imagen. Los ajustes de píxeles mínimos y máximos conservan la relación de aspecto; las dimensiones exactas solicitadas se redondean a un múltiplo de 28. El rango de ejemplo de 256 a 1,280 tokens visuales es una ilustración ajustable, no un límite de imagen estricto independiente. Conserva el detalle que requiere la pregunta al elegir un redimensionamiento.\n\nContexto y ajustes sensibles a la localización\n\nLa configuración publicada establece las posiciones máximas en 128,000. Por separado, la sección de texto largo de la ficha del modelo describe una base de 32,768 tokens y un ejemplo de extensión con YaRN. Advierte explícitamente que esta extensión afecta de manera significativa la localización temporal y espacial, y no la recomienda. La guía también aborda el cambio de las posiciones máximas para videos largos; se trata de notas de configuración, no de un único límite incondicional de entrada para todas las tareas.\n\nMantén la configuración exacta de la versión y el preprocesamiento visual alineados con la tarea, especialmente cuando importen las coordenadas o los tiempos de los eventos. El ejemplo de generación de 128 tokens de la ficha no especifica una capacidad máxima de salida independiente. Qwen2.5-VL-7B-Instruct produce texto, coordenadas y hallazgos estructurados; una acción externa, una imagen renderizada, un video o una respuesta hablada requieren otro componente de la aplicación.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract a transcribed invoice table\n\nExtract 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.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct es un modelo de lenguaje visual para imágenes, documentos y video. Produce texto y hallazgos estructurados, incluidos recuadros de objetos, puntos y atributos, e incorpora localización temporal de eventos y capacidades de agente visual en la edición 7B.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-VL-7B-Instruct es la edición 7B de Qwen2.5-VL ajustada para seguir instrucciones. Vincula una instrucción de texto con imágenes o video y devuelve un resultado en texto. Las principales mejoras del fabricante abarcan el reconocimiento de objetos y detalles visuales, el análisis de texto y diseños, las tareas de agente visual, la comprensión de eventos en videos largos, la localización de objetos y la extracción estructurada de documentos.
Comprensión del contenido visual
La familia va más allá de identificar el sujeto principal de una fotografía. Sus tareas documentadas incluyen analizar texto, gráficas, íconos, elementos gráficos y la disposición de los elementos dentro de una imagen. Para una gráfica, especifica la serie o relación que se debe examinar y conserva los ejes, la leyenda y las unidades. Para un diagrama, pregunta cómo se conectan los componentes etiquetados y qué indica su disposición visible sobre el proceso.
Una comparación útil puede incluir un diseño original y uno revisado, identificar cuál es cuál y solicitar los cambios visibles respecto de una lista breve de requisitos. Pide que cada observación se acompañe de la región pertinente de la imagen. Esto da a la respuesta un propósito concreto, en lugar de pedir una descripción general de dos imágenes sin relación.
Flujos de trabajo de agente visual
El fabricante presenta Qwen2.5-VL como un agente visual capaz de razonar sobre una pantalla y dirigir herramientas en tareas de uso de computadoras o teléfonos. El modelo proporciona una interpretación y una operación propuesta; la aplicación de agente que lo integra aporta los controles, ejecuta la operación y devuelve el nuevo estado. Por lo tanto, una respuesta en texto o una coordenada predicha constituye una parte de ese flujo de trabajo integrado.
Para una pregunta sobre una interfaz, proporciona la captura de pantalla y el objetivo real; después, pregunta qué control visible es pertinente y qué se debe hacer a continuación. Mantén la salida solicitada específica: la etiqueta del control, su ubicación y la acción prevista. Si la aplicación realiza esa acción, la siguiente captura de pantalla proporciona la entrada visual actualizada para una decisión posterior.
Videos largos y localización de eventos
El fabricante describe la comprensión de videos de más de una hora y la identificación del segmento que contiene un evento solicitado. Esto amplía la descripción de video hacia la localización temporal. Una tarea puede preguntar cuándo aparece un objeto por primera vez, en qué momento una demostración llega a un paso determinado o qué evento visible ocurre antes que otro. Indica si el resultado debe ser un resumen, una lista ordenada de eventos o tiempos de inicio y fin con una descripción del evento.
La familia se entrena con muestreo dinámico de la frecuencia de fotogramas y alinea la información posicional temporal con el tiempo absoluto. Por ello, la información de frecuencia de fotogramas forma parte de la preparación del video, en lugar de ser una etiqueta arbitraria que pueda descartarse cuando las marcas de tiempo importan. La capacidad documentada para videos largos no constituye una especificación universal de tamaño de archivo o duración máxima para todas las vías de entrada.
Localización de objetos y documentos estructurados
Qwen2.5-VL puede devolver cuadros delimitadores o puntos y organizar coordenadas y atributos como JSON. La versión utiliza coordenadas en la escala del tamaño real de la imagen, en lugar de las coordenadas normalizadas tradicionales. Especifica si la tarea requiere un recuadro envolvente, un punto concreto o una descripción del objeto, y conserva las dimensiones de la imagen y cualquier información de redimensionamiento necesaria para interpretar la ubicación devuelta.
Por ejemplo, una solicitud de inventario visual puede pedir cada objeto objetivo, su recuadro y un atributo visible. Una tarea basada en puntos puede solicitar la ubicación de un control etiquetado o de una parte específica de un objeto. Son propuestas de diseño de salida, no nombres de campos fijos que toda solicitud deba usar. Mantén cada coordenada asociada con su imagen de origen cuando se proporcionen varias imágenes.
Por separado, el fabricante destaca la extracción estructurada de escaneos de facturas, formularios y tablas. Define los campos, conserva las etiquetas originales y solicita una representación explícita cuando un valor no pueda leerse. Para una tabla, conserva los encabezados de columna y las unidades junto con las filas solicitadas. Un registro práctico puede contener el identificador del documento, la etiqueta del campo, el valor extraído y la ubicación, para que la salida pueda usarse en una comparación posterior o una inspección humana.
Arquitectura y preparación de entradas
El modelo combina resolución dinámica de imágenes y muestreo dinámico de video con información posicional rotatoria multimodal actualizada. Su codificador visual usa atención por ventanas, SwiGLU y RMSNorm. Estos son cambios de arquitectura que respaldan el procesamiento visual y temporal; no añaden entrada de audio ni generación de imágenes al flujo documentado de resultados en texto.
La ficha demuestra una sola imagen, varias imágenes, una secuencia de fotogramas de video, un archivo o referencia de video y conversaciones por lotes. El procesador de imágenes documenta un rango predeterminado de 4 a 16,384 tokens visuales por imagen. Los ajustes de píxeles mínimos y máximos conservan la relación de aspecto; las dimensiones exactas solicitadas se redondean a un múltiplo de 28. El rango de ejemplo de 256 a 1,280 tokens visuales es una ilustración ajustable, no un límite de imagen estricto independiente. Conserva el detalle que requiere la pregunta al elegir un redimensionamiento.
Contexto y ajustes sensibles a la localización
La configuración publicada establece las posiciones máximas en 128,000. Por separado, la sección de texto largo de la ficha del modelo describe una base de 32,768 tokens y un ejemplo de extensión con YaRN. Advierte explícitamente que esta extensión afecta de manera significativa la localización temporal y espacial, y no la recomienda. La guía también aborda el cambio de las posiciones máximas para videos largos; se trata de notas de configuración, no de un único límite incondicional de entrada para todas las tareas.
Mantén la configuración exacta de la versión y el preprocesamiento visual alineados con la tarea, especialmente cuando importen las coordenadas o los tiempos de los eventos. El ejemplo de generación de 128 tokens de la ficha no especifica una capacidad máxima de salida independiente. Qwen2.5-VL-7B-Instruct produce texto, coordenadas y hallazgos estructurados; una acción externa, una imagen renderizada, un video o una respuesta hablada requieren otro componente de la aplicación.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-vl-7b-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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0001 / 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-7b-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-7b-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-7b-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-7b-instruct
Usa las rutas de método indicadas arriba.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct es un modelo de lenguaje visual para imágenes, documentos y video. Produce texto y hallazgos estructurados, incluidos recuadros de objetos, puntos y atributos, e incorpora localización temporal de eventos y capacidades de agente visual en la edición 7B.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2.5-VL-7B-Instruct es la edición 7B de Qwen2.5-VL ajustada para seguir instrucciones. Vincula una instrucción de texto con imágenes o video y devuelve un resultado en texto. Las principales mejoras del fabricante abarcan el reconocimiento de objetos y detalles visuales, el análisis de texto y diseños, las tareas de agente visual, la comprensión de eventos en videos largos, la localización de objetos y la extracción estructurada de documentos.
Comprensión del contenido visual
La familia va más allá de identificar el sujeto principal de una fotografía. Sus tareas documentadas incluyen analizar texto, gráficas, íconos, elementos gráficos y la disposición de los elementos dentro de una imagen. Para una gráfica, especifica la serie o relación que se debe examinar y conserva los ejes, la leyenda y las unidades. Para un diagrama, pregunta cómo se conectan los componentes etiquetados y qué indica su disposición visible sobre el proceso.
Una comparación útil puede incluir un diseño original y uno revisado, identificar cuál es cuál y solicitar los cambios visibles respecto de una lista breve de requisitos. Pide que cada observación se acompañe de la región pertinente de la imagen. Esto da a la respuesta un propósito concreto, en lugar de pedir una descripción general de dos imágenes sin relación.
Flujos de trabajo de agente visual
El fabricante presenta Qwen2.5-VL como un agente visual capaz de razonar sobre una pantalla y dirigir herramientas en tareas de uso de computadoras o teléfonos. El modelo proporciona una interpretación y una operación propuesta; la aplicación de agente que lo integra aporta los controles, ejecuta la operación y devuelve el nuevo estado. Por lo tanto, una respuesta en texto o una coordenada predicha constituye una parte de ese flujo de trabajo integrado.
Para una pregunta sobre una interfaz, proporciona la captura de pantalla y el objetivo real; después, pregunta qué control visible es pertinente y qué se debe hacer a continuación. Mantén la salida solicitada específica: la etiqueta del control, su ubicación y la acción prevista. Si la aplicación realiza esa acción, la siguiente captura de pantalla proporciona la entrada visual actualizada para una decisión posterior.
Videos largos y localización de eventos
El fabricante describe la comprensión de videos de más de una hora y la identificación del segmento que contiene un evento solicitado. Esto amplía la descripción de video hacia la localización temporal. Una tarea puede preguntar cuándo aparece un objeto por primera vez, en qué momento una demostración llega a un paso determinado o qué evento visible ocurre antes que otro. Indica si el resultado debe ser un resumen, una lista ordenada de eventos o tiempos de inicio y fin con una descripción del evento.
La familia se entrena con muestreo dinámico de la frecuencia de fotogramas y alinea la información posicional temporal con el tiempo absoluto. Por ello, la información de frecuencia de fotogramas forma parte de la preparación del video, en lugar de ser una etiqueta arbitraria que pueda descartarse cuando las marcas de tiempo importan. La capacidad documentada para videos largos no constituye una especificación universal de tamaño de archivo o duración máxima para todas las vías de entrada.
Localización de objetos y documentos estructurados
Qwen2.5-VL puede devolver cuadros delimitadores o puntos y organizar coordenadas y atributos como JSON. La versión utiliza coordenadas en la escala del tamaño real de la imagen, en lugar de las coordenadas normalizadas tradicionales. Especifica si la tarea requiere un recuadro envolvente, un punto concreto o una descripción del objeto, y conserva las dimensiones de la imagen y cualquier información de redimensionamiento necesaria para interpretar la ubicación devuelta.
Por ejemplo, una solicitud de inventario visual puede pedir cada objeto objetivo, su recuadro y un atributo visible. Una tarea basada en puntos puede solicitar la ubicación de un control etiquetado o de una parte específica de un objeto. Son propuestas de diseño de salida, no nombres de campos fijos que toda solicitud deba usar. Mantén cada coordenada asociada con su imagen de origen cuando se proporcionen varias imágenes.
Por separado, el fabricante destaca la extracción estructurada de escaneos de facturas, formularios y tablas. Define los campos, conserva las etiquetas originales y solicita una representación explícita cuando un valor no pueda leerse. Para una tabla, conserva los encabezados de columna y las unidades junto con las filas solicitadas. Un registro práctico puede contener el identificador del documento, la etiqueta del campo, el valor extraído y la ubicación, para que la salida pueda usarse en una comparación posterior o una inspección humana.
Arquitectura y preparación de entradas
El modelo combina resolución dinámica de imágenes y muestreo dinámico de video con información posicional rotatoria multimodal actualizada. Su codificador visual usa atención por ventanas, SwiGLU y RMSNorm. Estos son cambios de arquitectura que respaldan el procesamiento visual y temporal; no añaden entrada de audio ni generación de imágenes al flujo documentado de resultados en texto.
La ficha demuestra una sola imagen, varias imágenes, una secuencia de fotogramas de video, un archivo o referencia de video y conversaciones por lotes. El procesador de imágenes documenta un rango predeterminado de 4 a 16,384 tokens visuales por imagen. Los ajustes de píxeles mínimos y máximos conservan la relación de aspecto; las dimensiones exactas solicitadas se redondean a un múltiplo de 28. El rango de ejemplo de 256 a 1,280 tokens visuales es una ilustración ajustable, no un límite de imagen estricto independiente. Conserva el detalle que requiere la pregunta al elegir un redimensionamiento.
Contexto y ajustes sensibles a la localización
La configuración publicada establece las posiciones máximas en 128,000. Por separado, la sección de texto largo de la ficha del modelo describe una base de 32,768 tokens y un ejemplo de extensión con YaRN. Advierte explícitamente que esta extensión afecta de manera significativa la localización temporal y espacial, y no la recomienda. La guía también aborda el cambio de las posiciones máximas para videos largos; se trata de notas de configuración, no de un único límite incondicional de entrada para todas las tareas.
Mantén la configuración exacta de la versión y el preprocesamiento visual alineados con la tarea, especialmente cuando importen las coordenadas o los tiempos de los eventos. El ejemplo de generación de 128 tokens de la ficha no especifica una capacidad máxima de salida independiente. Qwen2.5-VL-7B-Instruct produce texto, coordenadas y hallazgos estructurados; una acción externa, una imagen renderizada, un video o una respuesta hablada requieren otro componente de la aplicación.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen2.5-vl-7b-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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0001 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-7b-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-7b-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-7b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract a transcribed invoice table\n\nExtract 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.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.