Qwen2-VL-72B-Instruct es la edición de visión y lenguaje 72B ajustada para seguir instrucciones, construida sobre Qwen2. Recibe texto junto con imágenes o vídeo y genera una respuesta textual. El fabricante destaca la comprensión de imágenes con distintas resoluciones y relaciones de aspecto, la interpretación de texto dentro de imágenes, el razonamiento sobre relaciones visibles y las respuestas a preguntas sobre vídeos de más de 20 minutos.
Capacidades de imagen y vídeo
Para una página documental, pide el contenido concreto que necesitas: un párrafo, una fila de tabla, una fórmula o las condiciones asociadas a una afirmación. Mantén la página legible e indica si el resultado debe transcribir las palabras, resumirlas o explicar su significado. Una salida documental útil puede conservar la etiqueta de sección original junto al contenido extraído. Para un diagrama, pregunta cómo se conectan los elementos etiquetados e identifica la relación que debe explicarse.
El uso de vídeo documentado incluye preguntas, diálogo y contenido escrito basado en la secuencia visible. Define el suceso o cambio que se debe examinar: cuándo aparece un objeto, qué ocurre antes de un paso concreto o cómo se relaciona una acción demostrada con un procedimiento escrito. Solicita una descripción ordenada de sucesos o una comparación entre los pasos visibles y el procedimiento proporcionado. La afirmación del fabricante de más de 20 minutos describe comprensión de vídeo largo; no es una duración máxima fija ni una garantía de que cualquier clip sin procesar quepa en una configuración de entrada sin cambios.
Uso como agente visual
La versión también posiciona Qwen2-VL para agentes visuales conectados a dispositivos móviles, robots y otras herramientas. Su anuncio describe escenarios de llamadas a funciones e intérprete de código, como producir código a partir de un diagrama o utilizar una pregunta visual para solicitar una consulta externa. La aplicación que rodea al modelo proporciona esas herramientas, ejecuta la acción propuesta y devuelve el resultado. La respuesta textual del modelo por sí sola no pulsa un control, mueve un dispositivo ni ejecuta el programa generado.
Una tarea práctica de interfaz puede proporcionar una captura de pantalla y el objetivo del usuario y pedir después el control visible pertinente para el siguiente paso y la evidencia que respalda esa elección. Mantén la observación, la acción propuesta y la ejecución real como partes independientes del flujo. Así se utiliza su orientación hacia agentes visuales y se concreta suficientemente el resultado solicitado para que la aplicación pueda actuar sobre él.
Texto multilingüe dentro de imágenes
El fabricante describe reconocimiento de texto en imágenes en inglés y chino, la mayoría de idiomas europeos y otros como japonés, coreano, árabe y vietnamita. Por tanto, una página multilingüe puede tratarse como una tarea de lectura visual. Solicita primero la transcripción original cuando importen las palabras exactas y después una traducción o explicación en el idioma elegido. Conserva las etiquetas y los números, en lugar de mezclar el reconocimiento con una reescritura no especificada.
Resolución dinámica e información posicional
Qwen2-VL combina un codificador visual con el modelo de lenguaje Qwen2. Naive Dynamic Resolution transforma distintos tamaños de imagen en cantidades distintas de tokens visuales. Multimodal Rotary Position Embedding separa la información posicional para que el modelo pueda representar el orden textual, las imágenes bidimensionales y la estructura temporal y espacial del vídeo. Estas funciones explican cómo la misma familia maneja una página, varias imágenes o una secuencia de vídeo.
El procesador de imágenes de la ficha documenta un intervalo predeterminado de 4 a 16.384 tokens visuales por imagen. La aplicación puede ajustar los píxeles mínimos y máximos conservando la relación de aspecto o solicitar dimensiones que se redondean a un múltiplo de 28. El intervalo de ejemplo de 256 a 1.280 tokens es una ilustración configurable, no otro límite universal de imagen. Más detalle de imagen consume más cálculo y tokens visuales, así que conserva las etiquetas, los encabezados y los objetos pequeños necesarios para la pregunta al preparar la imagen.
Preparación de entrada y contexto
El fabricante demuestra una imagen, múltiples imágenes, vídeo proporcionado como secuencia de fotogramas o archivo local y conversaciones por lotes. La preparación de imágenes incluye archivos locales, datos de imagen codificados y referencias de imágenes. El ejemplo de vídeo utiliza una frecuencia de fotogramas seleccionada; no establece una frecuencia de muestreo obligatoria para todos los vídeos. Identifica el orden y el papel de las imágenes múltiples y proporciona la información necesaria para interpretar una secuencia, en lugar de tratar fotogramas ajenos entre sí como una sola escena.
La configuración publicada establece las posiciones máximas en 32.768. El material visual y las instrucciones textuales deben planificarse dentro del contexto realmente configurado. El ejemplo de generación de 128 tokens de la ficha es solo un ajuste de ejemplo; no publica una capacidad máxima de salida independiente. La edición 72B debe conservar su propia configuración, en lugar de heredar los ajustes de contexto largo de Qwen2.5-VL u otro modelo Qwen.
Limitaciones sustanciales
El fabricante declara explícitamente que Qwen2-VL no comprende el audio contenido en los vídeos. Por tanto, la información hablada debe aportarse por separado si la pregunta depende de ella. El conjunto de datos de entrenamiento de imágenes se describe como actualizado hasta junio de 2023; es una afirmación sobre ese conjunto de datos, no una promesa de conocimiento visual actual.
Las limitaciones documentadas también incluyen reconocimiento incompleto de personas concretas o propiedades intelectuales con nombre, dificultad con instrucciones complejas de varios pasos, recuento débil en escenas complejas y limitaciones de razonamiento espacial tridimensional. Cuando la tarea dependa de alguna de estas capacidades, centra la pregunta en los objetos o la relación necesarios y conserva la evidencia visual junto a la respuesta. Material de origen claro y una salida definida facilitan examinar el resultado sin sustituir esas limitaciones declaradas por una garantía de precisión.
", "aboutText": "Qwen2-VL-72B-Instruct es la edición de visión y lenguaje 72B ajustada para seguir instrucciones, construida sobre Qwen2. Recibe texto junto con imágenes o vídeo y genera una respuesta textual. El fabricante destaca la comprensión de imágenes con distintas resoluciones y relaciones de aspecto, la interpretación de texto dentro de imágenes, el razonamiento sobre relaciones visibles y las respuestas a preguntas sobre vídeos de más de 20 minutos.\n\nCapacidades de imagen y vídeo\n\nPara una página documental, pide el contenido concreto que necesitas: un párrafo, una fila de tabla, una fórmula o las condiciones asociadas a una afirmación. Mantén la página legible e indica si el resultado debe transcribir las palabras, resumirlas o explicar su significado. Una salida documental útil puede conservar la etiqueta de sección original junto al contenido extraído. Para un diagrama, pregunta cómo se conectan los elementos etiquetados e identifica la relación que debe explicarse.\n\nEl uso de vídeo documentado incluye preguntas, diálogo y contenido escrito basado en la secuencia visible. Define el suceso o cambio que se debe examinar: cuándo aparece un objeto, qué ocurre antes de un paso concreto o cómo se relaciona una acción demostrada con un procedimiento escrito. Solicita una descripción ordenada de sucesos o una comparación entre los pasos visibles y el procedimiento proporcionado. La afirmación del fabricante de más de 20 minutos describe comprensión de vídeo largo; no es una duración máxima fija ni una garantía de que cualquier clip sin procesar quepa en una configuración de entrada sin cambios.\n\nUso como agente visual\n\nLa versión también posiciona Qwen2-VL para agentes visuales conectados a dispositivos móviles, robots y otras herramientas. Su anuncio describe escenarios de llamadas a funciones e intérprete de código, como producir código a partir de un diagrama o utilizar una pregunta visual para solicitar una consulta externa. La aplicación que rodea al modelo proporciona esas herramientas, ejecuta la acción propuesta y devuelve el resultado. La respuesta textual del modelo por sí sola no pulsa un control, mueve un dispositivo ni ejecuta el programa generado.\n\nUna tarea práctica de interfaz puede proporcionar una captura de pantalla y el objetivo del usuario y pedir después el control visible pertinente para el siguiente paso y la evidencia que respalda esa elección. Mantén la observación, la acción propuesta y la ejecución real como partes independientes del flujo. Así se utiliza su orientación hacia agentes visuales y se concreta suficientemente el resultado solicitado para que la aplicación pueda actuar sobre él.\n\nTexto multilingüe dentro de imágenes\n\nEl fabricante describe reconocimiento de texto en imágenes en inglés y chino, la mayoría de idiomas europeos y otros como japonés, coreano, árabe y vietnamita. Por tanto, una página multilingüe puede tratarse como una tarea de lectura visual. Solicita primero la transcripción original cuando importen las palabras exactas y después una traducción o explicación en el idioma elegido. Conserva las etiquetas y los números, en lugar de mezclar el reconocimiento con una reescritura no especificada.\n\nResolución dinámica e información posicional\n\nQwen2-VL combina un codificador visual con el modelo de lenguaje Qwen2. Naive Dynamic Resolution transforma distintos tamaños de imagen en cantidades distintas de tokens visuales. Multimodal Rotary Position Embedding separa la información posicional para que el modelo pueda representar el orden textual, las imágenes bidimensionales y la estructura temporal y espacial del vídeo. Estas funciones explican cómo la misma familia maneja una página, varias imágenes o una secuencia de vídeo.\n\nEl procesador de imágenes de la ficha documenta un intervalo predeterminado de 4 a 16.384 tokens visuales por imagen. La aplicación puede ajustar los píxeles mínimos y máximos conservando la relación de aspecto o solicitar dimensiones que se redondean a un múltiplo de 28. El intervalo de ejemplo de 256 a 1.280 tokens es una ilustración configurable, no otro límite universal de imagen. Más detalle de imagen consume más cálculo y tokens visuales, así que conserva las etiquetas, los encabezados y los objetos pequeños necesarios para la pregunta al preparar la imagen.\n\nPreparación de entrada y contexto\n\nEl fabricante demuestra una imagen, múltiples imágenes, vídeo proporcionado como secuencia de fotogramas o archivo local y conversaciones por lotes. La preparación de imágenes incluye archivos locales, datos de imagen codificados y referencias de imágenes. El ejemplo de vídeo utiliza una frecuencia de fotogramas seleccionada; no establece una frecuencia de muestreo obligatoria para todos los vídeos. Identifica el orden y el papel de las imágenes múltiples y proporciona la información necesaria para interpretar una secuencia, en lugar de tratar fotogramas ajenos entre sí como una sola escena.\n\nLa configuración publicada establece las posiciones máximas en 32.768. El material visual y las instrucciones textuales deben planificarse dentro del contexto realmente configurado. El ejemplo de generación de 128 tokens de la ficha es solo un ajuste de ejemplo; no publica una capacidad máxima de salida independiente. La edición 72B debe conservar su propia configuración, en lugar de heredar los ajustes de contexto largo de Qwen2.5-VL u otro modelo Qwen.\n\nLimitaciones sustanciales\n\nEl fabricante declara explícitamente que Qwen2-VL no comprende el audio contenido en los vídeos. Por tanto, la información hablada debe aportarse por separado si la pregunta depende de ella. El conjunto de datos de entrenamiento de imágenes se describe como actualizado hasta junio de 2023; es una afirmación sobre ese conjunto de datos, no una promesa de conocimiento visual actual.\n\nLas limitaciones documentadas también incluyen reconocimiento incompleto de personas concretas o propiedades intelectuales con nombre, dificultad con instrucciones complejas de varios pasos, recuento débil en escenas complejas y limitaciones de razonamiento espacial tridimensional. Cuando la tarea dependa de alguna de estas capacidades, centra la pregunta en los objetos o la relación necesarios y conserva la evidencia visual junto a la respuesta. Material de origen claro y una salida definida facilitan examinar el resultado sin sustituir esas limitaciones declaradas por una garantía de precisión.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combina texto, imágenes y vídeo para preguntas visuales, lectura de documentos y texto multilingüe dentro de imágenes. Su fabricante describe comprensión de vídeos de más de 20 minutos, resolución de imagen dinámica e integraciones con agentes visuales; la respuesta es texto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2-VL-72B-Instruct es la edición de visión y lenguaje 72B ajustada para seguir instrucciones, construida sobre Qwen2. Recibe texto junto con imágenes o vídeo y genera una respuesta textual. El fabricante destaca la comprensión de imágenes con distintas resoluciones y relaciones de aspecto, la interpretación de texto dentro de imágenes, el razonamiento sobre relaciones visibles y las respuestas a preguntas sobre vídeos de más de 20 minutos.
Capacidades de imagen y vídeo
Para una página documental, pide el contenido concreto que necesitas: un párrafo, una fila de tabla, una fórmula o las condiciones asociadas a una afirmación. Mantén la página legible e indica si el resultado debe transcribir las palabras, resumirlas o explicar su significado. Una salida documental útil puede conservar la etiqueta de sección original junto al contenido extraído. Para un diagrama, pregunta cómo se conectan los elementos etiquetados e identifica la relación que debe explicarse.
El uso de vídeo documentado incluye preguntas, diálogo y contenido escrito basado en la secuencia visible. Define el suceso o cambio que se debe examinar: cuándo aparece un objeto, qué ocurre antes de un paso concreto o cómo se relaciona una acción demostrada con un procedimiento escrito. Solicita una descripción ordenada de sucesos o una comparación entre los pasos visibles y el procedimiento proporcionado. La afirmación del fabricante de más de 20 minutos describe comprensión de vídeo largo; no es una duración máxima fija ni una garantía de que cualquier clip sin procesar quepa en una configuración de entrada sin cambios.
Uso como agente visual
La versión también posiciona Qwen2-VL para agentes visuales conectados a dispositivos móviles, robots y otras herramientas. Su anuncio describe escenarios de llamadas a funciones e intérprete de código, como producir código a partir de un diagrama o utilizar una pregunta visual para solicitar una consulta externa. La aplicación que rodea al modelo proporciona esas herramientas, ejecuta la acción propuesta y devuelve el resultado. La respuesta textual del modelo por sí sola no pulsa un control, mueve un dispositivo ni ejecuta el programa generado.
Una tarea práctica de interfaz puede proporcionar una captura de pantalla y el objetivo del usuario y pedir después el control visible pertinente para el siguiente paso y la evidencia que respalda esa elección. Mantén la observación, la acción propuesta y la ejecución real como partes independientes del flujo. Así se utiliza su orientación hacia agentes visuales y se concreta suficientemente el resultado solicitado para que la aplicación pueda actuar sobre él.
Texto multilingüe dentro de imágenes
El fabricante describe reconocimiento de texto en imágenes en inglés y chino, la mayoría de idiomas europeos y otros como japonés, coreano, árabe y vietnamita. Por tanto, una página multilingüe puede tratarse como una tarea de lectura visual. Solicita primero la transcripción original cuando importen las palabras exactas y después una traducción o explicación en el idioma elegido. Conserva las etiquetas y los números, en lugar de mezclar el reconocimiento con una reescritura no especificada.
Resolución dinámica e información posicional
Qwen2-VL combina un codificador visual con el modelo de lenguaje Qwen2. Naive Dynamic Resolution transforma distintos tamaños de imagen en cantidades distintas de tokens visuales. Multimodal Rotary Position Embedding separa la información posicional para que el modelo pueda representar el orden textual, las imágenes bidimensionales y la estructura temporal y espacial del vídeo. Estas funciones explican cómo la misma familia maneja una página, varias imágenes o una secuencia de vídeo.
El procesador de imágenes de la ficha documenta un intervalo predeterminado de 4 a 16.384 tokens visuales por imagen. La aplicación puede ajustar los píxeles mínimos y máximos conservando la relación de aspecto o solicitar dimensiones que se redondean a un múltiplo de 28. El intervalo de ejemplo de 256 a 1.280 tokens es una ilustración configurable, no otro límite universal de imagen. Más detalle de imagen consume más cálculo y tokens visuales, así que conserva las etiquetas, los encabezados y los objetos pequeños necesarios para la pregunta al preparar la imagen.
Preparación de entrada y contexto
El fabricante demuestra una imagen, múltiples imágenes, vídeo proporcionado como secuencia de fotogramas o archivo local y conversaciones por lotes. La preparación de imágenes incluye archivos locales, datos de imagen codificados y referencias de imágenes. El ejemplo de vídeo utiliza una frecuencia de fotogramas seleccionada; no establece una frecuencia de muestreo obligatoria para todos los vídeos. Identifica el orden y el papel de las imágenes múltiples y proporciona la información necesaria para interpretar una secuencia, en lugar de tratar fotogramas ajenos entre sí como una sola escena.
La configuración publicada establece las posiciones máximas en 32.768. El material visual y las instrucciones textuales deben planificarse dentro del contexto realmente configurado. El ejemplo de generación de 128 tokens de la ficha es solo un ajuste de ejemplo; no publica una capacidad máxima de salida independiente. La edición 72B debe conservar su propia configuración, en lugar de heredar los ajustes de contexto largo de Qwen2.5-VL u otro modelo Qwen.
Limitaciones sustanciales
El fabricante declara explícitamente que Qwen2-VL no comprende el audio contenido en los vídeos. Por tanto, la información hablada debe aportarse por separado si la pregunta depende de ella. El conjunto de datos de entrenamiento de imágenes se describe como actualizado hasta junio de 2023; es una afirmación sobre ese conjunto de datos, no una promesa de conocimiento visual actual.
Las limitaciones documentadas también incluyen reconocimiento incompleto de personas concretas o propiedades intelectuales con nombre, dificultad con instrucciones complejas de varios pasos, recuento débil en escenas complejas y limitaciones de razonamiento espacial tridimensional. Cuando la tarea dependa de alguna de estas capacidades, centra la pregunta en los objetos o la relación necesarios y conserva la evidencia visual junto a la respuesta. Material de origen claro y una salida definida facilitan examinar el resultado sin sustituir esas limitaciones declaradas por una garantía de precisión.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen2-VL-72B-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 $0.00118 / 1K tokens Salida · Tokens de salida $0.00118 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2-VL-72B-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='Qwen/Qwen2-VL-72B-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='Qwen/Qwen2-VL-72B-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 las cabeceras. 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 Qwen/Qwen2-VL-72B-Instruct
Usa las rutas de método indicadas arriba.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combina texto, imágenes y vídeo para preguntas visuales, lectura de documentos y texto multilingüe dentro de imágenes. Su fabricante describe comprensión de vídeos de más de 20 minutos, resolución de imagen dinámica e integraciones con agentes visuales; la respuesta es texto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen2-VL-72B-Instruct es la edición de visión y lenguaje 72B ajustada para seguir instrucciones, construida sobre Qwen2. Recibe texto junto con imágenes o vídeo y genera una respuesta textual. El fabricante destaca la comprensión de imágenes con distintas resoluciones y relaciones de aspecto, la interpretación de texto dentro de imágenes, el razonamiento sobre relaciones visibles y las respuestas a preguntas sobre vídeos de más de 20 minutos.
Capacidades de imagen y vídeo
Para una página documental, pide el contenido concreto que necesitas: un párrafo, una fila de tabla, una fórmula o las condiciones asociadas a una afirmación. Mantén la página legible e indica si el resultado debe transcribir las palabras, resumirlas o explicar su significado. Una salida documental útil puede conservar la etiqueta de sección original junto al contenido extraído. Para un diagrama, pregunta cómo se conectan los elementos etiquetados e identifica la relación que debe explicarse.
El uso de vídeo documentado incluye preguntas, diálogo y contenido escrito basado en la secuencia visible. Define el suceso o cambio que se debe examinar: cuándo aparece un objeto, qué ocurre antes de un paso concreto o cómo se relaciona una acción demostrada con un procedimiento escrito. Solicita una descripción ordenada de sucesos o una comparación entre los pasos visibles y el procedimiento proporcionado. La afirmación del fabricante de más de 20 minutos describe comprensión de vídeo largo; no es una duración máxima fija ni una garantía de que cualquier clip sin procesar quepa en una configuración de entrada sin cambios.
Uso como agente visual
La versión también posiciona Qwen2-VL para agentes visuales conectados a dispositivos móviles, robots y otras herramientas. Su anuncio describe escenarios de llamadas a funciones e intérprete de código, como producir código a partir de un diagrama o utilizar una pregunta visual para solicitar una consulta externa. La aplicación que rodea al modelo proporciona esas herramientas, ejecuta la acción propuesta y devuelve el resultado. La respuesta textual del modelo por sí sola no pulsa un control, mueve un dispositivo ni ejecuta el programa generado.
Una tarea práctica de interfaz puede proporcionar una captura de pantalla y el objetivo del usuario y pedir después el control visible pertinente para el siguiente paso y la evidencia que respalda esa elección. Mantén la observación, la acción propuesta y la ejecución real como partes independientes del flujo. Así se utiliza su orientación hacia agentes visuales y se concreta suficientemente el resultado solicitado para que la aplicación pueda actuar sobre él.
Texto multilingüe dentro de imágenes
El fabricante describe reconocimiento de texto en imágenes en inglés y chino, la mayoría de idiomas europeos y otros como japonés, coreano, árabe y vietnamita. Por tanto, una página multilingüe puede tratarse como una tarea de lectura visual. Solicita primero la transcripción original cuando importen las palabras exactas y después una traducción o explicación en el idioma elegido. Conserva las etiquetas y los números, en lugar de mezclar el reconocimiento con una reescritura no especificada.
Resolución dinámica e información posicional
Qwen2-VL combina un codificador visual con el modelo de lenguaje Qwen2. Naive Dynamic Resolution transforma distintos tamaños de imagen en cantidades distintas de tokens visuales. Multimodal Rotary Position Embedding separa la información posicional para que el modelo pueda representar el orden textual, las imágenes bidimensionales y la estructura temporal y espacial del vídeo. Estas funciones explican cómo la misma familia maneja una página, varias imágenes o una secuencia de vídeo.
El procesador de imágenes de la ficha documenta un intervalo predeterminado de 4 a 16.384 tokens visuales por imagen. La aplicación puede ajustar los píxeles mínimos y máximos conservando la relación de aspecto o solicitar dimensiones que se redondean a un múltiplo de 28. El intervalo de ejemplo de 256 a 1.280 tokens es una ilustración configurable, no otro límite universal de imagen. Más detalle de imagen consume más cálculo y tokens visuales, así que conserva las etiquetas, los encabezados y los objetos pequeños necesarios para la pregunta al preparar la imagen.
Preparación de entrada y contexto
El fabricante demuestra una imagen, múltiples imágenes, vídeo proporcionado como secuencia de fotogramas o archivo local y conversaciones por lotes. La preparación de imágenes incluye archivos locales, datos de imagen codificados y referencias de imágenes. El ejemplo de vídeo utiliza una frecuencia de fotogramas seleccionada; no establece una frecuencia de muestreo obligatoria para todos los vídeos. Identifica el orden y el papel de las imágenes múltiples y proporciona la información necesaria para interpretar una secuencia, en lugar de tratar fotogramas ajenos entre sí como una sola escena.
La configuración publicada establece las posiciones máximas en 32.768. El material visual y las instrucciones textuales deben planificarse dentro del contexto realmente configurado. El ejemplo de generación de 128 tokens de la ficha es solo un ajuste de ejemplo; no publica una capacidad máxima de salida independiente. La edición 72B debe conservar su propia configuración, en lugar de heredar los ajustes de contexto largo de Qwen2.5-VL u otro modelo Qwen.
Limitaciones sustanciales
El fabricante declara explícitamente que Qwen2-VL no comprende el audio contenido en los vídeos. Por tanto, la información hablada debe aportarse por separado si la pregunta depende de ella. El conjunto de datos de entrenamiento de imágenes se describe como actualizado hasta junio de 2023; es una afirmación sobre ese conjunto de datos, no una promesa de conocimiento visual actual.
Las limitaciones documentadas también incluyen reconocimiento incompleto de personas concretas o propiedades intelectuales con nombre, dificultad con instrucciones complejas de varios pasos, recuento débil en escenas complejas y limitaciones de razonamiento espacial tridimensional. Cuando la tarea dependa de alguna de estas capacidades, centra la pregunta en los objetos o la relación necesarios y conserva la evidencia visual junto a la respuesta. Material de origen claro y una salida definida facilitan examinar el resultado sin sustituir esas limitaciones declaradas por una garantía de precisión.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen2-VL-72B-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 $0.00118 / 1K tokens Salida · Tokens de salida $0.00118 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Qwen/Qwen2-VL-72B-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': 'Qwen/Qwen2-VL-72B-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 las cabeceras. 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 Qwen/Qwen2-VL-72B-Instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.