Introducción: la edición de visión y lenguaje de 7B
Qwen2-VL-7B-Instruct es el miembro de 7B de Qwen2-VL ajustado para seguir instrucciones. Combina instrucciones de texto con imágenes o video y produce respuestas de texto. Las salidas útiles incluyen la explicación de una página, una comparación de imágenes, una descripción de eventos visibles o la respuesta a una pregunta sobre una gráfica. Conserva la identidad de esta versión exacta de Qwen2-VL; los puntos de control más recientes Qwen2.5-VL y Qwen3-VL tienen sus propias capacidades e identidades.
Qué agrega Qwen2-VL
Qwen describe comprensión visual con distintas resoluciones y relaciones de aspecto de imagen, además de preguntas y respuestas sobre video, diálogo y creación de contenido. La capacidad de video documentada de la familia incluye material de más de 20 minutos. La duración por sí sola no establece cuántos fotogramas procesa una aplicación ni garantiza que recuerde todos los eventos. La comprensión multilingüe de imagen y texto incluye inglés y chino, muchos idiomas europeos, japonés, coreano, árabe y vietnamita.
El fabricante también describe la integración con teléfonos, robots y otros dispositivos mediante observaciones visuales e instrucciones de texto. Ese es un flujo de trabajo de la aplicación: el modelo interpreta el entorno visual y ayuda a elegir acciones, mientras que el software o hardware conectado las realiza. Reconocer una pantalla no le otorga por sí mismo control sobre ella.
Cambios en la arquitectura
La resolución dinámica convierte una imagen en una cantidad variable de tokens visuales, en lugar de forzar todas las entradas a la misma representación. M-ROPE separa la información de posición del texto, las imágenes bidimensionales y la información tridimensional del video, combinando la estructura espacial y temporal. La configuración publicada de 7B indica 32,768 posiciones. El texto, los tokens visuales y la salida generada comparten un presupuesto finito de secuencia, por lo que la resolución de imagen y el muestreo de video afectan la cantidad de material que puede incluir una solicitud.
Preparación de imágenes y conversaciones
Los ejemplos oficiales admiten una sola imagen, varias imágenes y conversaciones solo de texto. Adjunta la imagen con una pregunta específica en lugar de depender de una instrucción amplia como “analiza todo”. Para una página de documento, pide campos específicos y conserva la puntuación en las citas. Para dos capturas de pantalla de diseño, etiquétalas como primera y segunda y después solicita una tabla de cambios visibles. Para una gráfica, pide sus etiquetas, unidades y los valores que respaldan una tendencia indicada. Son aplicaciones prácticas de las preguntas y respuestas visuales, no promesas de extracción sin errores.
Las utilidades del fabricante aceptan imágenes de archivos locales, datos de imagen codificados o ubicaciones de imágenes; su ejemplo de video documentado utiliza archivos de video locales o una lista ordenada de fotogramas. Los formatos de carga de la aplicación siguen siendo una decisión independiente de la interfaz. Conserva el orden original de los fotogramas e indica el intervalo de tiempo representado por una lista de fotogramas. Los ejemplos generan texto; este punto de control no se describe como un generador de imágenes o video.
Resolución y preparación de video
El procesador de Qwen utiliza un rango predeterminado de cuatro a 16,384 tokens visuales por imagen. Expone min_pixels y max_pixels para equilibrar el detalle con la memoria y el cómputo, con un ejemplo documentado que apunta a 256–1,280 tokens visuales. Las imágenes cambian de tamaño dentro de los límites elegidos y conservan su relación de aspecto. Las dimensiones de redimensionamiento explícitas se redondean a un múltiplo de 28. Una tabla densa o un texto pequeño pueden necesitar suficiente resolución para seguir siendo legibles; aumentarla también consume una mayor parte del presupuesto visual y de contexto disponible.
El ejemplo de video muestra una tasa de muestreo de un fotograma por segundo y un límite de píxeles configurable. Son ajustes de ejemplo, no una tasa obligatoria universal ni un límite estricto de medios. Para revisar un evento, proporciona el clip pertinente y pide una descripción ordenada de los cambios visibles. Los eventos muy cercanos entre sí pueden requerir un muestreo más fino que un resumen general de la escena. Qwen2-VL no comprende la información de audio de los videos, por lo que el diálogo hablado o los efectos de sonido requieren un flujo de trabajo de audio independiente.
Limitaciones conocidas
Qwen registra un corte de los datos de entrenamiento de imágenes en junio de 2023, sin garantía de conocimiento sobre personas, productos o eventos posteriores. El reconocimiento de personas específicas y de propiedades intelectuales es incompleto. Las instrucciones complejas de varios pasos, el conteo de objetos en escenas concurridas y las relaciones espaciales, especialmente en tres dimensiones, son debilidades documentadas. Divide una tarea visual complicada en preguntas claras, solicita la evidencia visible que respalda el resultado y revisa los números extraídos y el texto citado contra la imagen. Un pie de imagen plausible no debe tratarse como un conteo preciso ni como una ubicación tridimensional medida.
Los ejemplos breves de generación de la ficha no establecen un límite estricto de salida independiente. Planea el tamaño de la respuesta junto con la entrada de texto y visual, y conserva suficiente detalle en la fuente para la pregunta específica. Así, la selección del modelo y la preparación de la entrada resultan más útiles que suponer que cualquier imagen o video largo produce una respuesta igual de confiable.
", "aboutText": "Introducción: la edición de visión y lenguaje de 7B\n\nQwen2-VL-7B-Instruct es el miembro de 7B de Qwen2-VL ajustado para seguir instrucciones. Combina instrucciones de texto con imágenes o video y produce respuestas de texto. Las salidas útiles incluyen la explicación de una página, una comparación de imágenes, una descripción de eventos visibles o la respuesta a una pregunta sobre una gráfica. Conserva la identidad de esta versión exacta de Qwen2-VL; los puntos de control más recientes Qwen2.5-VL y Qwen3-VL tienen sus propias capacidades e identidades.\n\nQué agrega Qwen2-VL\n\nQwen describe comprensión visual con distintas resoluciones y relaciones de aspecto de imagen, además de preguntas y respuestas sobre video, diálogo y creación de contenido. La capacidad de video documentada de la familia incluye material de más de 20 minutos. La duración por sí sola no establece cuántos fotogramas procesa una aplicación ni garantiza que recuerde todos los eventos. La comprensión multilingüe de imagen y texto incluye inglés y chino, muchos idiomas europeos, japonés, coreano, árabe y vietnamita.\n\nEl fabricante también describe la integración con teléfonos, robots y otros dispositivos mediante observaciones visuales e instrucciones de texto. Ese es un flujo de trabajo de la aplicación: el modelo interpreta el entorno visual y ayuda a elegir acciones, mientras que el software o hardware conectado las realiza. Reconocer una pantalla no le otorga por sí mismo control sobre ella.\n\nCambios en la arquitectura\n\nLa resolución dinámica convierte una imagen en una cantidad variable de tokens visuales, en lugar de forzar todas las entradas a la misma representación. M-ROPE separa la información de posición del texto, las imágenes bidimensionales y la información tridimensional del video, combinando la estructura espacial y temporal. La configuración publicada de 7B indica 32,768 posiciones. El texto, los tokens visuales y la salida generada comparten un presupuesto finito de secuencia, por lo que la resolución de imagen y el muestreo de video afectan la cantidad de material que puede incluir una solicitud.\n\nPreparación de imágenes y conversaciones\n\nLos ejemplos oficiales admiten una sola imagen, varias imágenes y conversaciones solo de texto. Adjunta la imagen con una pregunta específica en lugar de depender de una instrucción amplia como “analiza todo”. Para una página de documento, pide campos específicos y conserva la puntuación en las citas. Para dos capturas de pantalla de diseño, etiquétalas como primera y segunda y después solicita una tabla de cambios visibles. Para una gráfica, pide sus etiquetas, unidades y los valores que respaldan una tendencia indicada. Son aplicaciones prácticas de las preguntas y respuestas visuales, no promesas de extracción sin errores.\n\nLas utilidades del fabricante aceptan imágenes de archivos locales, datos de imagen codificados o ubicaciones de imágenes; su ejemplo de video documentado utiliza archivos de video locales o una lista ordenada de fotogramas. Los formatos de carga de la aplicación siguen siendo una decisión independiente de la interfaz. Conserva el orden original de los fotogramas e indica el intervalo de tiempo representado por una lista de fotogramas. Los ejemplos generan texto; este punto de control no se describe como un generador de imágenes o video.\n\nResolución y preparación de video\n\nEl procesador de Qwen utiliza un rango predeterminado de cuatro a 16,384 tokens visuales por imagen. Expone min_pixels y max_pixels para equilibrar el detalle con la memoria y el cómputo, con un ejemplo documentado que apunta a 256–1,280 tokens visuales. Las imágenes cambian de tamaño dentro de los límites elegidos y conservan su relación de aspecto. Las dimensiones de redimensionamiento explícitas se redondean a un múltiplo de 28. Una tabla densa o un texto pequeño pueden necesitar suficiente resolución para seguir siendo legibles; aumentarla también consume una mayor parte del presupuesto visual y de contexto disponible.\n\nEl ejemplo de video muestra una tasa de muestreo de un fotograma por segundo y un límite de píxeles configurable. Son ajustes de ejemplo, no una tasa obligatoria universal ni un límite estricto de medios. Para revisar un evento, proporciona el clip pertinente y pide una descripción ordenada de los cambios visibles. Los eventos muy cercanos entre sí pueden requerir un muestreo más fino que un resumen general de la escena. Qwen2-VL no comprende la información de audio de los videos, por lo que el diálogo hablado o los efectos de sonido requieren un flujo de trabajo de audio independiente.\n\nLimitaciones conocidas\n\nQwen registra un corte de los datos de entrenamiento de imágenes en junio de 2023, sin garantía de conocimiento sobre personas, productos o eventos posteriores. El reconocimiento de personas específicas y de propiedades intelectuales es incompleto. Las instrucciones complejas de varios pasos, el conteo de objetos en escenas concurridas y las relaciones espaciales, especialmente en tres dimensiones, son debilidades documentadas. Divide una tarea visual complicada en preguntas claras, solicita la evidencia visible que respalda el resultado y revisa los números extraídos y el texto citado contra la imagen. Un pie de imagen plausible no debe tratarse como un conteo preciso ni como una ubicación tridimensional medida.\n\nLos ejemplos breves de generación de la ficha no establecen un límite estricto de salida independiente. Planea el tamaño de la respuesta junto con la entrada de texto y visual, y conserva suficiente detalle en la fuente para la pregunta específica. Así, la selección del modelo y la preparación de la entrada resultan más útiles que suponer que cualquier imagen o video largo produce una respuesta igual de confiable.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct es el modelo de visión y lenguaje de Qwen ajustado para seguir instrucciones con texto, imágenes y video, que devuelve texto. Úsalo para hacer preguntas sobre páginas de documentos, comparar imágenes o describir eventos visuales, con resolución de imagen dinámica y limitaciones documentadas en conteo, razonamiento espacial y comprensión del audio de los videos.
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 de visión y lenguaje de 7B
Qwen2-VL-7B-Instruct es el miembro de 7B de Qwen2-VL ajustado para seguir instrucciones. Combina instrucciones de texto con imágenes o video y produce respuestas de texto. Las salidas útiles incluyen la explicación de una página, una comparación de imágenes, una descripción de eventos visibles o la respuesta a una pregunta sobre una gráfica. Conserva la identidad de esta versión exacta de Qwen2-VL; los puntos de control más recientes Qwen2.5-VL y Qwen3-VL tienen sus propias capacidades e identidades.
Qué agrega Qwen2-VL
Qwen describe comprensión visual con distintas resoluciones y relaciones de aspecto de imagen, además de preguntas y respuestas sobre video, diálogo y creación de contenido. La capacidad de video documentada de la familia incluye material de más de 20 minutos. La duración por sí sola no establece cuántos fotogramas procesa una aplicación ni garantiza que recuerde todos los eventos. La comprensión multilingüe de imagen y texto incluye inglés y chino, muchos idiomas europeos, japonés, coreano, árabe y vietnamita.
El fabricante también describe la integración con teléfonos, robots y otros dispositivos mediante observaciones visuales e instrucciones de texto. Ese es un flujo de trabajo de la aplicación: el modelo interpreta el entorno visual y ayuda a elegir acciones, mientras que el software o hardware conectado las realiza. Reconocer una pantalla no le otorga por sí mismo control sobre ella.
Cambios en la arquitectura
La resolución dinámica convierte una imagen en una cantidad variable de tokens visuales, en lugar de forzar todas las entradas a la misma representación. M-ROPE separa la información de posición del texto, las imágenes bidimensionales y la información tridimensional del video, combinando la estructura espacial y temporal. La configuración publicada de 7B indica 32,768 posiciones. El texto, los tokens visuales y la salida generada comparten un presupuesto finito de secuencia, por lo que la resolución de imagen y el muestreo de video afectan la cantidad de material que puede incluir una solicitud.
Preparación de imágenes y conversaciones
Los ejemplos oficiales admiten una sola imagen, varias imágenes y conversaciones solo de texto. Adjunta la imagen con una pregunta específica en lugar de depender de una instrucción amplia como “analiza todo”. Para una página de documento, pide campos específicos y conserva la puntuación en las citas. Para dos capturas de pantalla de diseño, etiquétalas como primera y segunda y después solicita una tabla de cambios visibles. Para una gráfica, pide sus etiquetas, unidades y los valores que respaldan una tendencia indicada. Son aplicaciones prácticas de las preguntas y respuestas visuales, no promesas de extracción sin errores.
Las utilidades del fabricante aceptan imágenes de archivos locales, datos de imagen codificados o ubicaciones de imágenes; su ejemplo de video documentado utiliza archivos de video locales o una lista ordenada de fotogramas. Los formatos de carga de la aplicación siguen siendo una decisión independiente de la interfaz. Conserva el orden original de los fotogramas e indica el intervalo de tiempo representado por una lista de fotogramas. Los ejemplos generan texto; este punto de control no se describe como un generador de imágenes o video.
Resolución y preparación de video
El procesador de Qwen utiliza un rango predeterminado de cuatro a 16,384 tokens visuales por imagen. Expone min_pixels y max_pixels para equilibrar el detalle con la memoria y el cómputo, con un ejemplo documentado que apunta a 256–1,280 tokens visuales. Las imágenes cambian de tamaño dentro de los límites elegidos y conservan su relación de aspecto. Las dimensiones de redimensionamiento explícitas se redondean a un múltiplo de 28. Una tabla densa o un texto pequeño pueden necesitar suficiente resolución para seguir siendo legibles; aumentarla también consume una mayor parte del presupuesto visual y de contexto disponible.
El ejemplo de video muestra una tasa de muestreo de un fotograma por segundo y un límite de píxeles configurable. Son ajustes de ejemplo, no una tasa obligatoria universal ni un límite estricto de medios. Para revisar un evento, proporciona el clip pertinente y pide una descripción ordenada de los cambios visibles. Los eventos muy cercanos entre sí pueden requerir un muestreo más fino que un resumen general de la escena. Qwen2-VL no comprende la información de audio de los videos, por lo que el diálogo hablado o los efectos de sonido requieren un flujo de trabajo de audio independiente.
Limitaciones conocidas
Qwen registra un corte de los datos de entrenamiento de imágenes en junio de 2023, sin garantía de conocimiento sobre personas, productos o eventos posteriores. El reconocimiento de personas específicas y de propiedades intelectuales es incompleto. Las instrucciones complejas de varios pasos, el conteo de objetos en escenas concurridas y las relaciones espaciales, especialmente en tres dimensiones, son debilidades documentadas. Divide una tarea visual complicada en preguntas claras, solicita la evidencia visible que respalda el resultado y revisa los números extraídos y el texto citado contra la imagen. Un pie de imagen plausible no debe tratarse como un conteo preciso ni como una ubicación tridimensional medida.
Los ejemplos breves de generación de la ficha no establecen un límite estricto de salida independiente. Planea el tamaño de la respuesta junto con la entrada de texto y visual, y conserva suficiente detalle en la fuente para la pregunta específica. Así, la selección del modelo y la preparación de la entrada resultan más útiles que suponer que cualquier imagen o video largo produce una respuesta igual de confiable.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K tokens Salida · Tokens de salida $0.00142 / 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-VL-7B-Instruct-ultra", "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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra
Usa las rutas de método indicadas arriba.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct es el modelo de visión y lenguaje de Qwen ajustado para seguir instrucciones con texto, imágenes y video, que devuelve texto. Úsalo para hacer preguntas sobre páginas de documentos, comparar imágenes o describir eventos visuales, con resolución de imagen dinámica y limitaciones documentadas en conteo, razonamiento espacial y comprensión del audio de los videos.
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 de visión y lenguaje de 7B
Qwen2-VL-7B-Instruct es el miembro de 7B de Qwen2-VL ajustado para seguir instrucciones. Combina instrucciones de texto con imágenes o video y produce respuestas de texto. Las salidas útiles incluyen la explicación de una página, una comparación de imágenes, una descripción de eventos visibles o la respuesta a una pregunta sobre una gráfica. Conserva la identidad de esta versión exacta de Qwen2-VL; los puntos de control más recientes Qwen2.5-VL y Qwen3-VL tienen sus propias capacidades e identidades.
Qué agrega Qwen2-VL
Qwen describe comprensión visual con distintas resoluciones y relaciones de aspecto de imagen, además de preguntas y respuestas sobre video, diálogo y creación de contenido. La capacidad de video documentada de la familia incluye material de más de 20 minutos. La duración por sí sola no establece cuántos fotogramas procesa una aplicación ni garantiza que recuerde todos los eventos. La comprensión multilingüe de imagen y texto incluye inglés y chino, muchos idiomas europeos, japonés, coreano, árabe y vietnamita.
El fabricante también describe la integración con teléfonos, robots y otros dispositivos mediante observaciones visuales e instrucciones de texto. Ese es un flujo de trabajo de la aplicación: el modelo interpreta el entorno visual y ayuda a elegir acciones, mientras que el software o hardware conectado las realiza. Reconocer una pantalla no le otorga por sí mismo control sobre ella.
Cambios en la arquitectura
La resolución dinámica convierte una imagen en una cantidad variable de tokens visuales, en lugar de forzar todas las entradas a la misma representación. M-ROPE separa la información de posición del texto, las imágenes bidimensionales y la información tridimensional del video, combinando la estructura espacial y temporal. La configuración publicada de 7B indica 32,768 posiciones. El texto, los tokens visuales y la salida generada comparten un presupuesto finito de secuencia, por lo que la resolución de imagen y el muestreo de video afectan la cantidad de material que puede incluir una solicitud.
Preparación de imágenes y conversaciones
Los ejemplos oficiales admiten una sola imagen, varias imágenes y conversaciones solo de texto. Adjunta la imagen con una pregunta específica en lugar de depender de una instrucción amplia como “analiza todo”. Para una página de documento, pide campos específicos y conserva la puntuación en las citas. Para dos capturas de pantalla de diseño, etiquétalas como primera y segunda y después solicita una tabla de cambios visibles. Para una gráfica, pide sus etiquetas, unidades y los valores que respaldan una tendencia indicada. Son aplicaciones prácticas de las preguntas y respuestas visuales, no promesas de extracción sin errores.
Las utilidades del fabricante aceptan imágenes de archivos locales, datos de imagen codificados o ubicaciones de imágenes; su ejemplo de video documentado utiliza archivos de video locales o una lista ordenada de fotogramas. Los formatos de carga de la aplicación siguen siendo una decisión independiente de la interfaz. Conserva el orden original de los fotogramas e indica el intervalo de tiempo representado por una lista de fotogramas. Los ejemplos generan texto; este punto de control no se describe como un generador de imágenes o video.
Resolución y preparación de video
El procesador de Qwen utiliza un rango predeterminado de cuatro a 16,384 tokens visuales por imagen. Expone min_pixels y max_pixels para equilibrar el detalle con la memoria y el cómputo, con un ejemplo documentado que apunta a 256–1,280 tokens visuales. Las imágenes cambian de tamaño dentro de los límites elegidos y conservan su relación de aspecto. Las dimensiones de redimensionamiento explícitas se redondean a un múltiplo de 28. Una tabla densa o un texto pequeño pueden necesitar suficiente resolución para seguir siendo legibles; aumentarla también consume una mayor parte del presupuesto visual y de contexto disponible.
El ejemplo de video muestra una tasa de muestreo de un fotograma por segundo y un límite de píxeles configurable. Son ajustes de ejemplo, no una tasa obligatoria universal ni un límite estricto de medios. Para revisar un evento, proporciona el clip pertinente y pide una descripción ordenada de los cambios visibles. Los eventos muy cercanos entre sí pueden requerir un muestreo más fino que un resumen general de la escena. Qwen2-VL no comprende la información de audio de los videos, por lo que el diálogo hablado o los efectos de sonido requieren un flujo de trabajo de audio independiente.
Limitaciones conocidas
Qwen registra un corte de los datos de entrenamiento de imágenes en junio de 2023, sin garantía de conocimiento sobre personas, productos o eventos posteriores. El reconocimiento de personas específicas y de propiedades intelectuales es incompleto. Las instrucciones complejas de varios pasos, el conteo de objetos en escenas concurridas y las relaciones espaciales, especialmente en tres dimensiones, son debilidades documentadas. Divide una tarea visual complicada en preguntas claras, solicita la evidencia visible que respalda el resultado y revisa los números extraídos y el texto citado contra la imagen. Un pie de imagen plausible no debe tratarse como un conteo preciso ni como una ubicación tridimensional medida.
Los ejemplos breves de generación de la ficha no establecen un límite estricto de salida independiente. Planea el tamaño de la respuesta junto con la entrada de texto y visual, y conserva suficiente detalle en la fuente para la pregunta específica. Así, la selección del modelo y la preparación de la entrada resultan más útiles que suponer que cualquier imagen o video largo produce una respuesta igual de confiable.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K tokens Salida · Tokens de salida $0.00142 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.