Qwen2.5-VL-7B-Instruct on Qwen2.5-VL:n ohjeviritetty 7B-versio. Se yhdistää tekstiohjeen kuviin tai videoon ja palauttaa tekstimuotoisen tuloksen. Valmistajan keskeiset parannukset kattavat objektien ja visuaalisten yksityiskohtien tunnistuksen, tekstin ja asettelujen analyysin, visuaalisten agenttien tehtävät, pitkien videoiden tapahtumien ymmärtämisen, objektien paikannuksen ja rakenteisen tiedon poiminnan dokumenteista.
Visuaalisen sisällön ymmärtäminen
Perheen toiminta ulottuu valokuvan pääkohteen tunnistamista pidemmälle. Sen dokumentoituihin tehtäviin kuuluvat tekstin, kuvaajien, kuvakkeiden, grafiikan ja kuvassa olevien elementtien järjestelyn analysointi. Määrittele kuvaajasta tutkittava sarja tai suhde ja säilytä akselit, selite ja yksiköt. Kysy kaaviosta, miten nimetyt komponentit liittyvät toisiinsa ja mitä näkyvä järjestely kertoo prosessista.
Hyödyllisessä vertailussa voi antaa alkuperäisen ja muokatun suunnitelman, yksilöidä ne ja pyytää näkyviä muutoksia lyhyttä vaatimusluetteloa vasten. Pyydä havainto ja olennainen kuva-alue yhdessä. Näin vastauksella on konkreettinen tarkoitus sen sijaan, että pyydettäisiin yleiskuvausta kahdesta irrallisesta kuvasta.
Visuaalisten agenttien työnkulut
Valmistaja asemoi Qwen2.5-VL:n visuaaliseksi agentiksi, joka voi päätellä näytön sisällöstä ja ohjata työkaluja tietokoneen tai puhelimen käyttötehtävissä. Malli tarjoaa tulkinnan ja ehdotetun toiminnon; ympäröivä agenttisovellus tarjoaa ohjaimet, suorittaa toiminnon ja palauttaa uuden tilan. Tekstivastaus tai ennustettu koordinaatti on siten yksi osa tätä integroitua työnkulkua.
Anna käyttöliittymäkysymykseen kuvakaappaus ja todellinen tavoite ja kysy sitten, mikä näkyvä ohjain on olennainen ja mitä seuraavaksi tulee tehdä. Pidä pyydetty tulos täsmällisenä: ohjaimen nimike, sijainti ja aiottu toiminto. Jos sovellus suorittaa toiminnon, seuraava kuvakaappaus tarjoaa päivitetyn visuaalisen syötteen myöhempää päätöstä varten.
Pitkät videot ja tapahtumien paikannus
Valmistaja kuvaa yli tunnin mittaisten videoiden ymmärtämisen ja pyydetyn tapahtuman sisältävän jakson tunnistamisen. Tämä laajentaa videon kuvailun ajalliseksi paikannukseksi. Tehtävässä voi kysyä, milloin objekti ilmestyy ensi kertaa, missä demonstraatio saavuttaa tietyn vaiheen tai mikä näkyvä tapahtuma edeltää toista. Ilmoita, pitääkö tuloksen olla yhteenveto, järjestetty tapahtumaluettelo vai alku- ja loppuajat tapahtumakuvauksineen.
Malliperheen koulutuksessa käytetään dynaamista ruutujen näytteistystaajuutta, ja ajallinen sijaintitieto kohdistetaan absoluuttiseen aikaan. Ruututaajuustieto kuuluu siksi videon valmisteluun eikä ole mielivaltainen merkintä, jonka voi hylätä aikaleimojen ollessa tärkeitä. Dokumentoitu pitkien videoiden kyky ei ole yleinen tiedostokoon tai enimmäiskeston määrittely kaikille syötepoluille.
Objektien paikannus ja rakenteiset dokumentit
Qwen2.5-VL voi palauttaa rajauslaatikoita tai pisteitä ja järjestää koordinaatit ja ominaisuudet JSON-muotoon. Julkaisu käyttää koordinaatteja kuvan todellisen koon mittakaavassa perinteisten normalisoitujen koordinaattien sijaan. Määrittele, tarvitseeko tehtävä ympäröivän laatikon, tietyn pisteen vai objektikuvauksen, ja säilytä kuvan mitat sekä palautetun sijainnin tulkintaan tarvittavat koonmuutostiedot.
Esimerkiksi visuaalinen inventointipyyntö voi pyytää kunkin kohdeobjektin, sen laatikon ja näkyvän ominaisuuden. Pisteeseen perustuva tehtävä voi pyytää nimetyn ohjaimen tai objektin määritellyn osan sijainnin. Nämä ovat ehdotettuja tulosrakenteita, eivät kiinteitä kenttänimiä, joita jokaisen pyynnön tulee käyttää. Pidä jokainen koordinaatti yhteydessä lähdekuvaansa, kun kuvia annetaan useita.
Valmistaja korostaa erikseen rakenteista poimintaa skannatuista laskuista, lomakkeista ja taulukoista. Määrittele kentät, säilytä alkuperäiset nimikkeet ja pyydä nimenomainen esitystapa arvolle, jota ei voida lukea. Pidä taulukon sarakeotsikot ja yksiköt pyydettyjen rivien yhteydessä. Käytännön tietue voi sisältää dokumenttitunnisteen, kenttänimikkeen, poimitun arvon ja sijainnin, jolloin tulos soveltuu myöhempään vertailuun tai ihmisen tarkastettavaksi.
Arkkitehtuuri ja syötteen valmistelu
Malli yhdistää dynaamisen kuvaresoluution ja dynaamisen videonäytteistyksen päivitettyyn multimodaaliseen kiertävään sijaintitietoon. Sen näköenkooderi käyttää ikkuna-attentiota, SwiGLU:ta ja RMSNormia. Nämä ovat visuaalista ja ajallista käsittelyä tukevia arkkitehtuurimuutoksia; ne eivät lisää äänisyötettä tai kuvantuotantoa dokumentoituun tekstimuotoisen tuloksen työnkulkuun.
Kortti esittelee yhden kuvan, useita kuvia, videoruutusarjan, videotiedoston tai -viitteen ja eräkeskustelut. Kuvaprosessori dokumentoi oletusalueeksi 4–16,384 visuaalista tokenia kuvaa kohti. Pikselien vähimmäis- ja enimmäisasetukset säilyttävät kuvasuhteen; pyydetyt tarkat mitat pyöristetään luvun 28 monikerroiksi. Esimerkin 256–1,280 visuaalisen tokenin alue on säädettävä havainnollistus, ei erillinen ehdoton kuvaraja. Säilytä kysymyksen tarvitsemat yksityiskohdat kokoa muuttaessasi.
Konteksti ja paikannuksen kannalta herkät asetukset
Julkaistu konfiguraatio asettaa sijaintien enimmäismääräksi 128,000. Mallikortin pitkän tekstin osio kuvaa erikseen 32,768 tokenin lähtötason ja YaRN-laajennusesimerkin. Se varoittaa nimenomaisesti, että laajennus vaikuttaa merkittävästi ajalliseen ja spatiaaliseen paikannukseen, eikä suosittele sitä. Opas käsittelee myös sijaintien enimmäismäärän muuttamista pitkille videoille; nämä ovat konfiguraatiohuomautuksia, eivät yksi ehdoton syöteraja kaikille tehtäville.
Pidä täsmällinen julkaisukonfiguraatio ja visuaalinen esikäsittely tehtävään sopivina erityisesti silloin, kun koordinaatit tai tapahtuma-ajat ovat tärkeitä. Kortin 128 tokenin generointiesimerkki ei määrittele erillistä tulosteen enimmäiskapasiteettia. Qwen2.5-VL-7B-Instruct tuottaa tekstiä, koordinaatteja ja rakenteisia havaintoja; ulkoinen toiminto, renderöity kuva, video tai puhevastaus vaatii toisen sovelluskomponentin.
", "aboutText": "Qwen2.5-VL-7B-Instruct on Qwen2.5-VL:n ohjeviritetty 7B-versio. Se yhdistää tekstiohjeen kuviin tai videoon ja palauttaa tekstimuotoisen tuloksen. Valmistajan keskeiset parannukset kattavat objektien ja visuaalisten yksityiskohtien tunnistuksen, tekstin ja asettelujen analyysin, visuaalisten agenttien tehtävät, pitkien videoiden tapahtumien ymmärtämisen, objektien paikannuksen ja rakenteisen tiedon poiminnan dokumenteista.\n\nVisuaalisen sisällön ymmärtäminen\n\nPerheen toiminta ulottuu valokuvan pääkohteen tunnistamista pidemmälle. Sen dokumentoituihin tehtäviin kuuluvat tekstin, kuvaajien, kuvakkeiden, grafiikan ja kuvassa olevien elementtien järjestelyn analysointi. Määrittele kuvaajasta tutkittava sarja tai suhde ja säilytä akselit, selite ja yksiköt. Kysy kaaviosta, miten nimetyt komponentit liittyvät toisiinsa ja mitä näkyvä järjestely kertoo prosessista.\n\nHyödyllisessä vertailussa voi antaa alkuperäisen ja muokatun suunnitelman, yksilöidä ne ja pyytää näkyviä muutoksia lyhyttä vaatimusluetteloa vasten. Pyydä havainto ja olennainen kuva-alue yhdessä. Näin vastauksella on konkreettinen tarkoitus sen sijaan, että pyydettäisiin yleiskuvausta kahdesta irrallisesta kuvasta.\n\nVisuaalisten agenttien työnkulut\n\nValmistaja asemoi Qwen2.5-VL:n visuaaliseksi agentiksi, joka voi päätellä näytön sisällöstä ja ohjata työkaluja tietokoneen tai puhelimen käyttötehtävissä. Malli tarjoaa tulkinnan ja ehdotetun toiminnon; ympäröivä agenttisovellus tarjoaa ohjaimet, suorittaa toiminnon ja palauttaa uuden tilan. Tekstivastaus tai ennustettu koordinaatti on siten yksi osa tätä integroitua työnkulkua.\n\nAnna käyttöliittymäkysymykseen kuvakaappaus ja todellinen tavoite ja kysy sitten, mikä näkyvä ohjain on olennainen ja mitä seuraavaksi tulee tehdä. Pidä pyydetty tulos täsmällisenä: ohjaimen nimike, sijainti ja aiottu toiminto. Jos sovellus suorittaa toiminnon, seuraava kuvakaappaus tarjoaa päivitetyn visuaalisen syötteen myöhempää päätöstä varten.\n\nPitkät videot ja tapahtumien paikannus\n\nValmistaja kuvaa yli tunnin mittaisten videoiden ymmärtämisen ja pyydetyn tapahtuman sisältävän jakson tunnistamisen. Tämä laajentaa videon kuvailun ajalliseksi paikannukseksi. Tehtävässä voi kysyä, milloin objekti ilmestyy ensi kertaa, missä demonstraatio saavuttaa tietyn vaiheen tai mikä näkyvä tapahtuma edeltää toista. Ilmoita, pitääkö tuloksen olla yhteenveto, järjestetty tapahtumaluettelo vai alku- ja loppuajat tapahtumakuvauksineen.\n\nMalliperheen koulutuksessa käytetään dynaamista ruutujen näytteistystaajuutta, ja ajallinen sijaintitieto kohdistetaan absoluuttiseen aikaan. Ruututaajuustieto kuuluu siksi videon valmisteluun eikä ole mielivaltainen merkintä, jonka voi hylätä aikaleimojen ollessa tärkeitä. Dokumentoitu pitkien videoiden kyky ei ole yleinen tiedostokoon tai enimmäiskeston määrittely kaikille syötepoluille.\n\nObjektien paikannus ja rakenteiset dokumentit\n\nQwen2.5-VL voi palauttaa rajauslaatikoita tai pisteitä ja järjestää koordinaatit ja ominaisuudet JSON-muotoon. Julkaisu käyttää koordinaatteja kuvan todellisen koon mittakaavassa perinteisten normalisoitujen koordinaattien sijaan. Määrittele, tarvitseeko tehtävä ympäröivän laatikon, tietyn pisteen vai objektikuvauksen, ja säilytä kuvan mitat sekä palautetun sijainnin tulkintaan tarvittavat koonmuutostiedot.\n\nEsimerkiksi visuaalinen inventointipyyntö voi pyytää kunkin kohdeobjektin, sen laatikon ja näkyvän ominaisuuden. Pisteeseen perustuva tehtävä voi pyytää nimetyn ohjaimen tai objektin määritellyn osan sijainnin. Nämä ovat ehdotettuja tulosrakenteita, eivät kiinteitä kenttänimiä, joita jokaisen pyynnön tulee käyttää. Pidä jokainen koordinaatti yhteydessä lähdekuvaansa, kun kuvia annetaan useita.\n\nValmistaja korostaa erikseen rakenteista poimintaa skannatuista laskuista, lomakkeista ja taulukoista. Määrittele kentät, säilytä alkuperäiset nimikkeet ja pyydä nimenomainen esitystapa arvolle, jota ei voida lukea. Pidä taulukon sarakeotsikot ja yksiköt pyydettyjen rivien yhteydessä. Käytännön tietue voi sisältää dokumenttitunnisteen, kenttänimikkeen, poimitun arvon ja sijainnin, jolloin tulos soveltuu myöhempään vertailuun tai ihmisen tarkastettavaksi.\n\nArkkitehtuuri ja syötteen valmistelu\n\nMalli yhdistää dynaamisen kuvaresoluution ja dynaamisen videonäytteistyksen päivitettyyn multimodaaliseen kiertävään sijaintitietoon. Sen näköenkooderi käyttää ikkuna-attentiota, SwiGLU:ta ja RMSNormia. Nämä ovat visuaalista ja ajallista käsittelyä tukevia arkkitehtuurimuutoksia; ne eivät lisää äänisyötettä tai kuvantuotantoa dokumentoituun tekstimuotoisen tuloksen työnkulkuun.\n\nKortti esittelee yhden kuvan, useita kuvia, videoruutusarjan, videotiedoston tai -viitteen ja eräkeskustelut. Kuvaprosessori dokumentoi oletusalueeksi 4–16,384 visuaalista tokenia kuvaa kohti. Pikselien vähimmäis- ja enimmäisasetukset säilyttävät kuvasuhteen; pyydetyt tarkat mitat pyöristetään luvun 28 monikerroiksi. Esimerkin 256–1,280 visuaalisen tokenin alue on säädettävä havainnollistus, ei erillinen ehdoton kuvaraja. Säilytä kysymyksen tarvitsemat yksityiskohdat kokoa muuttaessasi.\n\nKonteksti ja paikannuksen kannalta herkät asetukset\n\nJulkaistu konfiguraatio asettaa sijaintien enimmäismääräksi 128,000. Mallikortin pitkän tekstin osio kuvaa erikseen 32,768 tokenin lähtötason ja YaRN-laajennusesimerkin. Se varoittaa nimenomaisesti, että laajennus vaikuttaa merkittävästi ajalliseen ja spatiaaliseen paikannukseen, eikä suosittele sitä. Opas käsittelee myös sijaintien enimmäismäärän muuttamista pitkille videoille; nämä ovat konfiguraatiohuomautuksia, eivät yksi ehdoton syöteraja kaikille tehtäville.\n\nPidä täsmällinen julkaisukonfiguraatio ja visuaalinen esikäsittely tehtävään sopivina erityisesti silloin, kun koordinaatit tai tapahtuma-ajat ovat tärkeitä. Kortin 128 tokenin generointiesimerkki ei määrittele erillistä tulosteen enimmäiskapasiteettia. Qwen2.5-VL-7B-Instruct tuottaa tekstiä, koordinaatteja ja rakenteisia havaintoja; ulkoinen toiminto, renderöity kuva, video tai puhevastaus vaatii toisen sovelluskomponentin.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekninen esimerkki englanniksi
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 on näkö- ja kielimalli kuville, dokumenteille ja videolle. Se tuottaa tekstiä ja rakenteisia havaintoja, kuten objektien rajauslaatikoita, pisteitä ja ominaisuuksia, ja tuo tapahtumien ajallisen paikannuksen sekä visuaalisten agenttien kyvyt 7B-versioon.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Qwen2.5-VL-7B-Instruct on Qwen2.5-VL:n ohjeviritetty 7B-versio. Se yhdistää tekstiohjeen kuviin tai videoon ja palauttaa tekstimuotoisen tuloksen. Valmistajan keskeiset parannukset kattavat objektien ja visuaalisten yksityiskohtien tunnistuksen, tekstin ja asettelujen analyysin, visuaalisten agenttien tehtävät, pitkien videoiden tapahtumien ymmärtämisen, objektien paikannuksen ja rakenteisen tiedon poiminnan dokumenteista.
Visuaalisen sisällön ymmärtäminen
Perheen toiminta ulottuu valokuvan pääkohteen tunnistamista pidemmälle. Sen dokumentoituihin tehtäviin kuuluvat tekstin, kuvaajien, kuvakkeiden, grafiikan ja kuvassa olevien elementtien järjestelyn analysointi. Määrittele kuvaajasta tutkittava sarja tai suhde ja säilytä akselit, selite ja yksiköt. Kysy kaaviosta, miten nimetyt komponentit liittyvät toisiinsa ja mitä näkyvä järjestely kertoo prosessista.
Hyödyllisessä vertailussa voi antaa alkuperäisen ja muokatun suunnitelman, yksilöidä ne ja pyytää näkyviä muutoksia lyhyttä vaatimusluetteloa vasten. Pyydä havainto ja olennainen kuva-alue yhdessä. Näin vastauksella on konkreettinen tarkoitus sen sijaan, että pyydettäisiin yleiskuvausta kahdesta irrallisesta kuvasta.
Visuaalisten agenttien työnkulut
Valmistaja asemoi Qwen2.5-VL:n visuaaliseksi agentiksi, joka voi päätellä näytön sisällöstä ja ohjata työkaluja tietokoneen tai puhelimen käyttötehtävissä. Malli tarjoaa tulkinnan ja ehdotetun toiminnon; ympäröivä agenttisovellus tarjoaa ohjaimet, suorittaa toiminnon ja palauttaa uuden tilan. Tekstivastaus tai ennustettu koordinaatti on siten yksi osa tätä integroitua työnkulkua.
Anna käyttöliittymäkysymykseen kuvakaappaus ja todellinen tavoite ja kysy sitten, mikä näkyvä ohjain on olennainen ja mitä seuraavaksi tulee tehdä. Pidä pyydetty tulos täsmällisenä: ohjaimen nimike, sijainti ja aiottu toiminto. Jos sovellus suorittaa toiminnon, seuraava kuvakaappaus tarjoaa päivitetyn visuaalisen syötteen myöhempää päätöstä varten.
Pitkät videot ja tapahtumien paikannus
Valmistaja kuvaa yli tunnin mittaisten videoiden ymmärtämisen ja pyydetyn tapahtuman sisältävän jakson tunnistamisen. Tämä laajentaa videon kuvailun ajalliseksi paikannukseksi. Tehtävässä voi kysyä, milloin objekti ilmestyy ensi kertaa, missä demonstraatio saavuttaa tietyn vaiheen tai mikä näkyvä tapahtuma edeltää toista. Ilmoita, pitääkö tuloksen olla yhteenveto, järjestetty tapahtumaluettelo vai alku- ja loppuajat tapahtumakuvauksineen.
Malliperheen koulutuksessa käytetään dynaamista ruutujen näytteistystaajuutta, ja ajallinen sijaintitieto kohdistetaan absoluuttiseen aikaan. Ruututaajuustieto kuuluu siksi videon valmisteluun eikä ole mielivaltainen merkintä, jonka voi hylätä aikaleimojen ollessa tärkeitä. Dokumentoitu pitkien videoiden kyky ei ole yleinen tiedostokoon tai enimmäiskeston määrittely kaikille syötepoluille.
Objektien paikannus ja rakenteiset dokumentit
Qwen2.5-VL voi palauttaa rajauslaatikoita tai pisteitä ja järjestää koordinaatit ja ominaisuudet JSON-muotoon. Julkaisu käyttää koordinaatteja kuvan todellisen koon mittakaavassa perinteisten normalisoitujen koordinaattien sijaan. Määrittele, tarvitseeko tehtävä ympäröivän laatikon, tietyn pisteen vai objektikuvauksen, ja säilytä kuvan mitat sekä palautetun sijainnin tulkintaan tarvittavat koonmuutostiedot.
Esimerkiksi visuaalinen inventointipyyntö voi pyytää kunkin kohdeobjektin, sen laatikon ja näkyvän ominaisuuden. Pisteeseen perustuva tehtävä voi pyytää nimetyn ohjaimen tai objektin määritellyn osan sijainnin. Nämä ovat ehdotettuja tulosrakenteita, eivät kiinteitä kenttänimiä, joita jokaisen pyynnön tulee käyttää. Pidä jokainen koordinaatti yhteydessä lähdekuvaansa, kun kuvia annetaan useita.
Valmistaja korostaa erikseen rakenteista poimintaa skannatuista laskuista, lomakkeista ja taulukoista. Määrittele kentät, säilytä alkuperäiset nimikkeet ja pyydä nimenomainen esitystapa arvolle, jota ei voida lukea. Pidä taulukon sarakeotsikot ja yksiköt pyydettyjen rivien yhteydessä. Käytännön tietue voi sisältää dokumenttitunnisteen, kenttänimikkeen, poimitun arvon ja sijainnin, jolloin tulos soveltuu myöhempään vertailuun tai ihmisen tarkastettavaksi.
Arkkitehtuuri ja syötteen valmistelu
Malli yhdistää dynaamisen kuvaresoluution ja dynaamisen videonäytteistyksen päivitettyyn multimodaaliseen kiertävään sijaintitietoon. Sen näköenkooderi käyttää ikkuna-attentiota, SwiGLU:ta ja RMSNormia. Nämä ovat visuaalista ja ajallista käsittelyä tukevia arkkitehtuurimuutoksia; ne eivät lisää äänisyötettä tai kuvantuotantoa dokumentoituun tekstimuotoisen tuloksen työnkulkuun.
Kortti esittelee yhden kuvan, useita kuvia, videoruutusarjan, videotiedoston tai -viitteen ja eräkeskustelut. Kuvaprosessori dokumentoi oletusalueeksi 4–16,384 visuaalista tokenia kuvaa kohti. Pikselien vähimmäis- ja enimmäisasetukset säilyttävät kuvasuhteen; pyydetyt tarkat mitat pyöristetään luvun 28 monikerroiksi. Esimerkin 256–1,280 visuaalisen tokenin alue on säädettävä havainnollistus, ei erillinen ehdoton kuvaraja. Säilytä kysymyksen tarvitsemat yksityiskohdat kokoa muuttaessasi.
Konteksti ja paikannuksen kannalta herkät asetukset
Julkaistu konfiguraatio asettaa sijaintien enimmäismääräksi 128,000. Mallikortin pitkän tekstin osio kuvaa erikseen 32,768 tokenin lähtötason ja YaRN-laajennusesimerkin. Se varoittaa nimenomaisesti, että laajennus vaikuttaa merkittävästi ajalliseen ja spatiaaliseen paikannukseen, eikä suosittele sitä. Opas käsittelee myös sijaintien enimmäismäärän muuttamista pitkille videoille; nämä ovat konfiguraatiohuomautuksia, eivät yksi ehdoton syöteraja kaikille tehtäville.
Pidä täsmällinen julkaisukonfiguraatio ja visuaalinen esikäsittely tehtävään sopivina erityisesti silloin, kun koordinaatit tai tapahtuma-ajat ovat tärkeitä. Kortin 128 tokenin generointiesimerkki ei määrittele erillistä tulosteen enimmäiskapasiteettia. Qwen2.5-VL-7B-Instruct tuottaa tekstiä, koordinaatteja ja rakenteisia havaintoja; ulkoinen toiminto, renderöity kuva, video tai puhevastaus vaatii toisen sovelluskomponentin.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat qwen2.5-vl-7b-instruct | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat Kohteiden vähimmäismäärä: 1 | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat Esimerkit: system, user, assistant, tool, function Ehdot: Nämä roolit esitetään nimenomaisesti lähdekoodin yhteensopivuustyypeissä; mallin täsmällinen roolijoukko pysyy mallikohtaisena. Riippuu mallista | Oletus— |
Kenttämessages[].content | Tyyppistring|content_part[]|null | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_calls | Tyyppitool_call[] | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_call_id | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: role=tool; käytä todella palautettua ID:tä | Oletus— |
Kenttämessages[].name | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].reasoning_content | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: Palauta todella saatu päättely takaisin mallille, kun kyseinen malli käyttää sitä | Oletus— |
Kenttämessages[].reasoning_details | Tyyppiobject|array | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttämax_completion_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Kenttästream_options.include_usage | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätop_p | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttästop | Tyyppistring|string[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools | Tyyppifunction_tool[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools[].type | Tyyppistring | VaatimusValinnainen | Arvot & rajat function Riippuu mallista | Oletus— |
Kenttätools[].function.name | Tyyppistring | VaatimusPakollinen | Arvot & rajat Sovelletaan, kun: funktiotyökalu annettu | Oletus— |
Kenttätools[].function.description | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätools[].function.parameters | TyyppiJSON_schema | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätool_choice | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäparallel_tool_calls | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäresponse_format | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning_effort | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäservice_tier | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäinstructions | Tyyppistring | VaatimusValinnainen | Arvot & rajat Yhteensopivuuskenttä | Oletus— |
Kenttäfunctions | Tyyppifunction[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäfunction_call | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäprompt_cache_options | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämodalities | Tyyppistring[] | VaatimusValinnainen | Arvot & rajat text | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Ehdot: provider.options hylätään tällä Ultran tekstireitillä | Oletus— |
Kenttäcache_control.ttl | Tyyppistring | VaatimusValinnainen | Arvot & rajat Ehdot: 1h hylätään varsinaisissa kehotevälimuistin kohdissa | Oletus— |
Teksti · UTF8-teksti
messages[].content
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages |
Parametrimaterial_types | Sopimustext |
Parametrimessages | Sopimusviestitaulukko role/content-rakenteella |
Parametrifile_material | Sopimusvarsinainen UTF-8-asiakirja lisätään sellaisenaan tekstinä; tiedoston ID:tä ei päätellä |
Parametrioptional_controls | Sopimusstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametricontrol_scope | Sopimusmallikohtainen; käyttäjän funktiotyökalut eroavat palvelun isännöimistä työkaluista |
Parametrioutput_modalities | Sopimustext |
Parametrihosted_operations | Sopimusfalse |
Parametrimultimodal_input_binding | Sopimusnull |
Elinkaari: synchronous_or_streamed
Lähetä mallin täsmällinen ID yhdessä messages-kentän kanssa.
Kontekstin pituus ei ole tuloksen yläraja.
Tekstitiedosto voi antaa tekstiä sellaisenaan; kuva-, ääni- ja tiedosto-objektisyötteet tarvitsevat täsmällisen sidonnan.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.0001 / 1K tokenia Tuloste · Tulostokenit $0.0001 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä jokainen vastausvaihtoehto sisältöineen, työkalukutsuineen ja päättelyineen. Kokoa SSE:ssä muutokset vastausvaihtoehdon ja työkalun indeksin mukaan ja säilytä lopullinen päättymissyy sekä käyttötiedot.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttächoices[].index | Tyyppiinteger |
Kenttächoices[].message.content | Tyyppistring|null |
Kenttächoices[].message.tool_calls | Tyyppitool_call[] |
Kenttächoices[].message.reasoning_content | Tyyppistring |
Kenttächoices[].message.reasoning_details | Tyyppiobject|array |
Kenttächoices[].finish_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Käytä yllä näytettyjä menetelmäpolkuja.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct on näkö- ja kielimalli kuville, dokumenteille ja videolle. Se tuottaa tekstiä ja rakenteisia havaintoja, kuten objektien rajauslaatikoita, pisteitä ja ominaisuuksia, ja tuo tapahtumien ajallisen paikannuksen sekä visuaalisten agenttien kyvyt 7B-versioon.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Qwen2.5-VL-7B-Instruct on Qwen2.5-VL:n ohjeviritetty 7B-versio. Se yhdistää tekstiohjeen kuviin tai videoon ja palauttaa tekstimuotoisen tuloksen. Valmistajan keskeiset parannukset kattavat objektien ja visuaalisten yksityiskohtien tunnistuksen, tekstin ja asettelujen analyysin, visuaalisten agenttien tehtävät, pitkien videoiden tapahtumien ymmärtämisen, objektien paikannuksen ja rakenteisen tiedon poiminnan dokumenteista.
Visuaalisen sisällön ymmärtäminen
Perheen toiminta ulottuu valokuvan pääkohteen tunnistamista pidemmälle. Sen dokumentoituihin tehtäviin kuuluvat tekstin, kuvaajien, kuvakkeiden, grafiikan ja kuvassa olevien elementtien järjestelyn analysointi. Määrittele kuvaajasta tutkittava sarja tai suhde ja säilytä akselit, selite ja yksiköt. Kysy kaaviosta, miten nimetyt komponentit liittyvät toisiinsa ja mitä näkyvä järjestely kertoo prosessista.
Hyödyllisessä vertailussa voi antaa alkuperäisen ja muokatun suunnitelman, yksilöidä ne ja pyytää näkyviä muutoksia lyhyttä vaatimusluetteloa vasten. Pyydä havainto ja olennainen kuva-alue yhdessä. Näin vastauksella on konkreettinen tarkoitus sen sijaan, että pyydettäisiin yleiskuvausta kahdesta irrallisesta kuvasta.
Visuaalisten agenttien työnkulut
Valmistaja asemoi Qwen2.5-VL:n visuaaliseksi agentiksi, joka voi päätellä näytön sisällöstä ja ohjata työkaluja tietokoneen tai puhelimen käyttötehtävissä. Malli tarjoaa tulkinnan ja ehdotetun toiminnon; ympäröivä agenttisovellus tarjoaa ohjaimet, suorittaa toiminnon ja palauttaa uuden tilan. Tekstivastaus tai ennustettu koordinaatti on siten yksi osa tätä integroitua työnkulkua.
Anna käyttöliittymäkysymykseen kuvakaappaus ja todellinen tavoite ja kysy sitten, mikä näkyvä ohjain on olennainen ja mitä seuraavaksi tulee tehdä. Pidä pyydetty tulos täsmällisenä: ohjaimen nimike, sijainti ja aiottu toiminto. Jos sovellus suorittaa toiminnon, seuraava kuvakaappaus tarjoaa päivitetyn visuaalisen syötteen myöhempää päätöstä varten.
Pitkät videot ja tapahtumien paikannus
Valmistaja kuvaa yli tunnin mittaisten videoiden ymmärtämisen ja pyydetyn tapahtuman sisältävän jakson tunnistamisen. Tämä laajentaa videon kuvailun ajalliseksi paikannukseksi. Tehtävässä voi kysyä, milloin objekti ilmestyy ensi kertaa, missä demonstraatio saavuttaa tietyn vaiheen tai mikä näkyvä tapahtuma edeltää toista. Ilmoita, pitääkö tuloksen olla yhteenveto, järjestetty tapahtumaluettelo vai alku- ja loppuajat tapahtumakuvauksineen.
Malliperheen koulutuksessa käytetään dynaamista ruutujen näytteistystaajuutta, ja ajallinen sijaintitieto kohdistetaan absoluuttiseen aikaan. Ruututaajuustieto kuuluu siksi videon valmisteluun eikä ole mielivaltainen merkintä, jonka voi hylätä aikaleimojen ollessa tärkeitä. Dokumentoitu pitkien videoiden kyky ei ole yleinen tiedostokoon tai enimmäiskeston määrittely kaikille syötepoluille.
Objektien paikannus ja rakenteiset dokumentit
Qwen2.5-VL voi palauttaa rajauslaatikoita tai pisteitä ja järjestää koordinaatit ja ominaisuudet JSON-muotoon. Julkaisu käyttää koordinaatteja kuvan todellisen koon mittakaavassa perinteisten normalisoitujen koordinaattien sijaan. Määrittele, tarvitseeko tehtävä ympäröivän laatikon, tietyn pisteen vai objektikuvauksen, ja säilytä kuvan mitat sekä palautetun sijainnin tulkintaan tarvittavat koonmuutostiedot.
Esimerkiksi visuaalinen inventointipyyntö voi pyytää kunkin kohdeobjektin, sen laatikon ja näkyvän ominaisuuden. Pisteeseen perustuva tehtävä voi pyytää nimetyn ohjaimen tai objektin määritellyn osan sijainnin. Nämä ovat ehdotettuja tulosrakenteita, eivät kiinteitä kenttänimiä, joita jokaisen pyynnön tulee käyttää. Pidä jokainen koordinaatti yhteydessä lähdekuvaansa, kun kuvia annetaan useita.
Valmistaja korostaa erikseen rakenteista poimintaa skannatuista laskuista, lomakkeista ja taulukoista. Määrittele kentät, säilytä alkuperäiset nimikkeet ja pyydä nimenomainen esitystapa arvolle, jota ei voida lukea. Pidä taulukon sarakeotsikot ja yksiköt pyydettyjen rivien yhteydessä. Käytännön tietue voi sisältää dokumenttitunnisteen, kenttänimikkeen, poimitun arvon ja sijainnin, jolloin tulos soveltuu myöhempään vertailuun tai ihmisen tarkastettavaksi.
Arkkitehtuuri ja syötteen valmistelu
Malli yhdistää dynaamisen kuvaresoluution ja dynaamisen videonäytteistyksen päivitettyyn multimodaaliseen kiertävään sijaintitietoon. Sen näköenkooderi käyttää ikkuna-attentiota, SwiGLU:ta ja RMSNormia. Nämä ovat visuaalista ja ajallista käsittelyä tukevia arkkitehtuurimuutoksia; ne eivät lisää äänisyötettä tai kuvantuotantoa dokumentoituun tekstimuotoisen tuloksen työnkulkuun.
Kortti esittelee yhden kuvan, useita kuvia, videoruutusarjan, videotiedoston tai -viitteen ja eräkeskustelut. Kuvaprosessori dokumentoi oletusalueeksi 4–16,384 visuaalista tokenia kuvaa kohti. Pikselien vähimmäis- ja enimmäisasetukset säilyttävät kuvasuhteen; pyydetyt tarkat mitat pyöristetään luvun 28 monikerroiksi. Esimerkin 256–1,280 visuaalisen tokenin alue on säädettävä havainnollistus, ei erillinen ehdoton kuvaraja. Säilytä kysymyksen tarvitsemat yksityiskohdat kokoa muuttaessasi.
Konteksti ja paikannuksen kannalta herkät asetukset
Julkaistu konfiguraatio asettaa sijaintien enimmäismääräksi 128,000. Mallikortin pitkän tekstin osio kuvaa erikseen 32,768 tokenin lähtötason ja YaRN-laajennusesimerkin. Se varoittaa nimenomaisesti, että laajennus vaikuttaa merkittävästi ajalliseen ja spatiaaliseen paikannukseen, eikä suosittele sitä. Opas käsittelee myös sijaintien enimmäismäärän muuttamista pitkille videoille; nämä ovat konfiguraatiohuomautuksia, eivät yksi ehdoton syöteraja kaikille tehtäville.
Pidä täsmällinen julkaisukonfiguraatio ja visuaalinen esikäsittely tehtävään sopivina erityisesti silloin, kun koordinaatit tai tapahtuma-ajat ovat tärkeitä. Kortin 128 tokenin generointiesimerkki ei määrittele erillistä tulosteen enimmäiskapasiteettia. Qwen2.5-VL-7B-Instruct tuottaa tekstiä, koordinaatteja ja rakenteisia havaintoja; ulkoinen toiminto, renderöity kuva, video tai puhevastaus vaatii toisen sovelluskomponentin.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat qwen2.5-vl-7b-instruct | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat user, assistant | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF-8-teksti
messages[].content-merkkijono
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages, max_tokens |
Parametrioptional_controls | Sopimusstream |
Parametrimaterial_types | Sopimustext |
Parametritext_file_material | SopimusLue varsinainen UTF-8-asiakirja ja sijoita sen teksti ilmoitettuun syöte- tai viestisisällön merkkijonoon. |
Elinkaari: synchronous_or_streamed
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.0001 / 1K tokenia Tuloste · Tulostokenit $0.0001 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä kaikki sisältölohkot, päättelyallekirjoitukset ja todelliset työkalukäytön ID:t. Kokoa kaikki SSE-lohkomuutokset; ensimmäinen tekstilohko ei ole koko tulos.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttäid | Tyyppistring |
Kenttämodel | Tyyppistring |
Kenttäcontent[] | Tyyppitext|thinking|tool_use|other content block |
Kenttästop_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Käytä yllä näytettyjä menetelmäpolkuja.
Tekninen esimerkki englanniksi
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.