Qwen2.5-VL-7B-Instruct est l’édition 7B de Qwen2.5-VL ajustée aux instructions. Il associe une instruction textuelle à des images ou à une vidéo et renvoie un résultat textuel. Les principales améliorations du concepteur concernent la reconnaissance d’objets et de détails visuels, l’analyse du texte et des mises en page, les tâches d’agent visuel, la compréhension d’événements dans de longues vidéos, la localisation d’objets et l’extraction structurée de documents.
Comprendre le contenu visuel
Cette famille va au-delà de l’identification du sujet principal d’une photographie. Les tâches documentées comprennent l’analyse du texte, des graphiques, des icônes, des illustrations et de la disposition des éléments dans une image. Pour un graphique, précisez la série ou la relation à examiner et conservez les axes, la légende et les unités. Pour un schéma, demandez comment les composants étiquetés sont reliés et ce que leur disposition visible indique sur le processus.
Une comparaison utile peut fournir un dessin original et sa version révisée, identifier chacun et demander les changements visibles par rapport à une courte liste d’exigences. Demandez conjointement l’observation et la région d’image concernée. La réponse a ainsi un objectif concret, au lieu de demander une description générale de deux images sans rapport.
Flux de travail d’agent visuel
Le concepteur présente Qwen2.5-VL comme un agent visuel capable de raisonner sur un écran et de guider des outils dans des tâches sur ordinateur ou téléphone. Le modèle fournit une interprétation et une opération proposée ; l’application d’agent qui l’entoure fournit les commandes, exécute l’opération et renvoie le nouvel état. Une réponse textuelle ou une coordonnée prédite constitue donc une partie de ce flux de travail intégré.
Pour une question d’interface, fournissez la capture d’écran et l’objectif réel, puis demandez quelle commande visible est pertinente et quelle est l’étape suivante. Définissez précisément la sortie : le libellé de la commande, son emplacement et l’action prévue. Si l’application exécute ensuite cette action, la capture suivante fournit l’entrée visuelle actualisée pour une nouvelle décision.
Vidéos longues et localisation d’événements
Le concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification du segment contenant un événement demandé. Cela étend la description vidéo à la localisation temporelle. Une tâche peut demander quand un objet apparaît pour la première fois, où une démonstration atteint une étape précise ou quel événement visible précède un autre. Précisez si le résultat doit être un résumé, une liste chronologique d’événements ou des heures de début et de fin accompagnées d’une description.
La famille est entraînée avec un échantillonnage dynamique de la fréquence d’images et aligne les informations de position temporelle sur le temps absolu. Les informations de fréquence d’images relèvent donc de la préparation vidéo et ne sont pas un libellé arbitraire à supprimer lorsque les horodatages comptent. La capacité documentée sur les vidéos longues ne constitue pas une spécification universelle de taille de fichier ou de durée maximale pour chaque mode d’entrée.
Localisation d’objets et documents structurés
Qwen2.5-VL peut renvoyer des cadres englobants ou des points et organiser les coordonnées et les attributs en JSON. Cette version utilise des coordonnées à l’échelle des dimensions réelles de l’image plutôt que les coordonnées normalisées traditionnelles. Précisez si la tâche exige un cadre englobant, un point particulier ou une description d’objet, et conservez les dimensions de l’image ainsi que les informations de redimensionnement nécessaires pour interpréter la position renvoyée.
Par exemple, une demande d’inventaire visuel peut solliciter chaque objet cible, son cadre et un attribut visible. Une tâche fondée sur des points peut demander l’emplacement d’une commande étiquetée ou d’une partie précise d’un objet. Il s’agit de propositions de sortie, pas de noms de champs fixes à utiliser dans chaque requête. Associez chaque coordonnée à son image source lorsque plusieurs images sont fournies.
Le concepteur souligne séparément l’extraction structurée de factures numérisées, de formulaires et de tableaux. Définissez les champs, conservez les libellés originaux et demandez une représentation explicite lorsqu’une valeur est illisible. Pour un tableau, gardez les en-têtes de colonnes et les unités avec les lignes demandées. Un enregistrement pratique peut contenir l’identifiant du document, le libellé du champ, la valeur extraite et son emplacement, afin de permettre une comparaison ultérieure ou une inspection humaine.
Architecture et préparation des entrées
Le modèle associe une résolution d’image dynamique et un échantillonnage vidéo dynamique à des informations de position rotative multimodales actualisées. Son encodeur visuel utilise l’attention par fenêtres, SwiGLU et RMSNorm. Ces modifications architecturales favorisent le traitement visuel et temporel ; elles n’ajoutent ni entrée audio ni génération d’images au flux documenté de résultats textuels.
La fiche illustre une image unique, plusieurs images, une séquence d’images vidéo, un fichier ou une référence vidéo, ainsi que des conversations par lots. Le processeur d’images documente une plage par défaut de 4 à 16 384 jetons visuels par image. Les réglages minimum et maximum de pixels préservent le rapport d’aspect ; les dimensions exactes demandées sont arrondies à un multiple de 28. L’exemple de 256 à 1 280 jetons visuels est une illustration réglable, pas une limite d’image stricte distincte. Préservez les détails nécessaires à la question lors du choix du redimensionnement.
Contexte et réglages sensibles à la localisation
La configuration publiée fixe le nombre maximal de positions à 128 000. La section sur les textes longs de la fiche du modèle décrit séparément une base de 32 768 jetons et un exemple d’extension YaRN. Elle avertit explicitement que cette extension affecte fortement la localisation temporelle et spatiale et ne la recommande pas. Le guide traite aussi de la modification des positions maximales pour les vidéos longues ; ce sont des notes de configuration, pas une limite d’entrée inconditionnelle applicable à toutes les tâches.
Alignez la configuration exacte de cette version et le prétraitement visuel sur la tâche, surtout lorsque les coordonnées ou les heures d’événements comptent. L’exemple de génération de 128 jetons de la fiche ne spécifie pas une capacité maximale de sortie distincte. Qwen2.5-VL-7B-Instruct produit du texte, des coordonnées et des observations structurées ; une action externe, une image rendue, une vidéo ou une réponse parlée exige un autre composant applicatif.
", "aboutText": "Qwen2.5-VL-7B-Instruct est l’édition 7B de Qwen2.5-VL ajustée aux instructions. Il associe une instruction textuelle à des images ou à une vidéo et renvoie un résultat textuel. Les principales améliorations du concepteur concernent la reconnaissance d’objets et de détails visuels, l’analyse du texte et des mises en page, les tâches d’agent visuel, la compréhension d’événements dans de longues vidéos, la localisation d’objets et l’extraction structurée de documents.\n\nComprendre le contenu visuel\n\nCette famille va au-delà de l’identification du sujet principal d’une photographie. Les tâches documentées comprennent l’analyse du texte, des graphiques, des icônes, des illustrations et de la disposition des éléments dans une image. Pour un graphique, précisez la série ou la relation à examiner et conservez les axes, la légende et les unités. Pour un schéma, demandez comment les composants étiquetés sont reliés et ce que leur disposition visible indique sur le processus.\n\nUne comparaison utile peut fournir un dessin original et sa version révisée, identifier chacun et demander les changements visibles par rapport à une courte liste d’exigences. Demandez conjointement l’observation et la région d’image concernée. La réponse a ainsi un objectif concret, au lieu de demander une description générale de deux images sans rapport.\n\nFlux de travail d’agent visuel\n\nLe concepteur présente Qwen2.5-VL comme un agent visuel capable de raisonner sur un écran et de guider des outils dans des tâches sur ordinateur ou téléphone. Le modèle fournit une interprétation et une opération proposée ; l’application d’agent qui l’entoure fournit les commandes, exécute l’opération et renvoie le nouvel état. Une réponse textuelle ou une coordonnée prédite constitue donc une partie de ce flux de travail intégré.\n\nPour une question d’interface, fournissez la capture d’écran et l’objectif réel, puis demandez quelle commande visible est pertinente et quelle est l’étape suivante. Définissez précisément la sortie : le libellé de la commande, son emplacement et l’action prévue. Si l’application exécute ensuite cette action, la capture suivante fournit l’entrée visuelle actualisée pour une nouvelle décision.\n\nVidéos longues et localisation d’événements\n\nLe concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification du segment contenant un événement demandé. Cela étend la description vidéo à la localisation temporelle. Une tâche peut demander quand un objet apparaît pour la première fois, où une démonstration atteint une étape précise ou quel événement visible précède un autre. Précisez si le résultat doit être un résumé, une liste chronologique d’événements ou des heures de début et de fin accompagnées d’une description.\n\nLa famille est entraînée avec un échantillonnage dynamique de la fréquence d’images et aligne les informations de position temporelle sur le temps absolu. Les informations de fréquence d’images relèvent donc de la préparation vidéo et ne sont pas un libellé arbitraire à supprimer lorsque les horodatages comptent. La capacité documentée sur les vidéos longues ne constitue pas une spécification universelle de taille de fichier ou de durée maximale pour chaque mode d’entrée.\n\nLocalisation d’objets et documents structurés\n\nQwen2.5-VL peut renvoyer des cadres englobants ou des points et organiser les coordonnées et les attributs en JSON. Cette version utilise des coordonnées à l’échelle des dimensions réelles de l’image plutôt que les coordonnées normalisées traditionnelles. Précisez si la tâche exige un cadre englobant, un point particulier ou une description d’objet, et conservez les dimensions de l’image ainsi que les informations de redimensionnement nécessaires pour interpréter la position renvoyée.\n\nPar exemple, une demande d’inventaire visuel peut solliciter chaque objet cible, son cadre et un attribut visible. Une tâche fondée sur des points peut demander l’emplacement d’une commande étiquetée ou d’une partie précise d’un objet. Il s’agit de propositions de sortie, pas de noms de champs fixes à utiliser dans chaque requête. Associez chaque coordonnée à son image source lorsque plusieurs images sont fournies.\n\nLe concepteur souligne séparément l’extraction structurée de factures numérisées, de formulaires et de tableaux. Définissez les champs, conservez les libellés originaux et demandez une représentation explicite lorsqu’une valeur est illisible. Pour un tableau, gardez les en-têtes de colonnes et les unités avec les lignes demandées. Un enregistrement pratique peut contenir l’identifiant du document, le libellé du champ, la valeur extraite et son emplacement, afin de permettre une comparaison ultérieure ou une inspection humaine.\n\nArchitecture et préparation des entrées\n\nLe modèle associe une résolution d’image dynamique et un échantillonnage vidéo dynamique à des informations de position rotative multimodales actualisées. Son encodeur visuel utilise l’attention par fenêtres, SwiGLU et RMSNorm. Ces modifications architecturales favorisent le traitement visuel et temporel ; elles n’ajoutent ni entrée audio ni génération d’images au flux documenté de résultats textuels.\n\nLa fiche illustre une image unique, plusieurs images, une séquence d’images vidéo, un fichier ou une référence vidéo, ainsi que des conversations par lots. Le processeur d’images documente une plage par défaut de 4 à 16 384 jetons visuels par image. Les réglages minimum et maximum de pixels préservent le rapport d’aspect ; les dimensions exactes demandées sont arrondies à un multiple de 28. L’exemple de 256 à 1 280 jetons visuels est une illustration réglable, pas une limite d’image stricte distincte. Préservez les détails nécessaires à la question lors du choix du redimensionnement.\n\nContexte et réglages sensibles à la localisation\n\nLa configuration publiée fixe le nombre maximal de positions à 128 000. La section sur les textes longs de la fiche du modèle décrit séparément une base de 32 768 jetons et un exemple d’extension YaRN. Elle avertit explicitement que cette extension affecte fortement la localisation temporelle et spatiale et ne la recommande pas. Le guide traite aussi de la modification des positions maximales pour les vidéos longues ; ce sont des notes de configuration, pas une limite d’entrée inconditionnelle applicable à toutes les tâches.\n\nAlignez la configuration exacte de cette version et le prétraitement visuel sur la tâche, surtout lorsque les coordonnées ou les heures d’événements comptent. L’exemple de génération de 128 jetons de la fiche ne spécifie pas une capacité maximale de sortie distincte. Qwen2.5-VL-7B-Instruct produit du texte, des coordonnées et des observations structurées ; une action externe, une image rendue, une vidéo ou une réponse parlée exige un autre composant applicatif.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est un modèle vision-langage pour les images, les documents et la vidéo. Il produit du texte et des observations structurées, notamment des cadres d’objets, des points et des attributs, et apporte à l’édition 7B la localisation temporelle d’événements et les capacités d’agent visuel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-VL-7B-Instruct est l’édition 7B de Qwen2.5-VL ajustée aux instructions. Il associe une instruction textuelle à des images ou à une vidéo et renvoie un résultat textuel. Les principales améliorations du concepteur concernent la reconnaissance d’objets et de détails visuels, l’analyse du texte et des mises en page, les tâches d’agent visuel, la compréhension d’événements dans de longues vidéos, la localisation d’objets et l’extraction structurée de documents.
Comprendre le contenu visuel
Cette famille va au-delà de l’identification du sujet principal d’une photographie. Les tâches documentées comprennent l’analyse du texte, des graphiques, des icônes, des illustrations et de la disposition des éléments dans une image. Pour un graphique, précisez la série ou la relation à examiner et conservez les axes, la légende et les unités. Pour un schéma, demandez comment les composants étiquetés sont reliés et ce que leur disposition visible indique sur le processus.
Une comparaison utile peut fournir un dessin original et sa version révisée, identifier chacun et demander les changements visibles par rapport à une courte liste d’exigences. Demandez conjointement l’observation et la région d’image concernée. La réponse a ainsi un objectif concret, au lieu de demander une description générale de deux images sans rapport.
Flux de travail d’agent visuel
Le concepteur présente Qwen2.5-VL comme un agent visuel capable de raisonner sur un écran et de guider des outils dans des tâches sur ordinateur ou téléphone. Le modèle fournit une interprétation et une opération proposée ; l’application d’agent qui l’entoure fournit les commandes, exécute l’opération et renvoie le nouvel état. Une réponse textuelle ou une coordonnée prédite constitue donc une partie de ce flux de travail intégré.
Pour une question d’interface, fournissez la capture d’écran et l’objectif réel, puis demandez quelle commande visible est pertinente et quelle est l’étape suivante. Définissez précisément la sortie : le libellé de la commande, son emplacement et l’action prévue. Si l’application exécute ensuite cette action, la capture suivante fournit l’entrée visuelle actualisée pour une nouvelle décision.
Vidéos longues et localisation d’événements
Le concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification du segment contenant un événement demandé. Cela étend la description vidéo à la localisation temporelle. Une tâche peut demander quand un objet apparaît pour la première fois, où une démonstration atteint une étape précise ou quel événement visible précède un autre. Précisez si le résultat doit être un résumé, une liste chronologique d’événements ou des heures de début et de fin accompagnées d’une description.
La famille est entraînée avec un échantillonnage dynamique de la fréquence d’images et aligne les informations de position temporelle sur le temps absolu. Les informations de fréquence d’images relèvent donc de la préparation vidéo et ne sont pas un libellé arbitraire à supprimer lorsque les horodatages comptent. La capacité documentée sur les vidéos longues ne constitue pas une spécification universelle de taille de fichier ou de durée maximale pour chaque mode d’entrée.
Localisation d’objets et documents structurés
Qwen2.5-VL peut renvoyer des cadres englobants ou des points et organiser les coordonnées et les attributs en JSON. Cette version utilise des coordonnées à l’échelle des dimensions réelles de l’image plutôt que les coordonnées normalisées traditionnelles. Précisez si la tâche exige un cadre englobant, un point particulier ou une description d’objet, et conservez les dimensions de l’image ainsi que les informations de redimensionnement nécessaires pour interpréter la position renvoyée.
Par exemple, une demande d’inventaire visuel peut solliciter chaque objet cible, son cadre et un attribut visible. Une tâche fondée sur des points peut demander l’emplacement d’une commande étiquetée ou d’une partie précise d’un objet. Il s’agit de propositions de sortie, pas de noms de champs fixes à utiliser dans chaque requête. Associez chaque coordonnée à son image source lorsque plusieurs images sont fournies.
Le concepteur souligne séparément l’extraction structurée de factures numérisées, de formulaires et de tableaux. Définissez les champs, conservez les libellés originaux et demandez une représentation explicite lorsqu’une valeur est illisible. Pour un tableau, gardez les en-têtes de colonnes et les unités avec les lignes demandées. Un enregistrement pratique peut contenir l’identifiant du document, le libellé du champ, la valeur extraite et son emplacement, afin de permettre une comparaison ultérieure ou une inspection humaine.
Architecture et préparation des entrées
Le modèle associe une résolution d’image dynamique et un échantillonnage vidéo dynamique à des informations de position rotative multimodales actualisées. Son encodeur visuel utilise l’attention par fenêtres, SwiGLU et RMSNorm. Ces modifications architecturales favorisent le traitement visuel et temporel ; elles n’ajoutent ni entrée audio ni génération d’images au flux documenté de résultats textuels.
La fiche illustre une image unique, plusieurs images, une séquence d’images vidéo, un fichier ou une référence vidéo, ainsi que des conversations par lots. Le processeur d’images documente une plage par défaut de 4 à 16 384 jetons visuels par image. Les réglages minimum et maximum de pixels préservent le rapport d’aspect ; les dimensions exactes demandées sont arrondies à un multiple de 28. L’exemple de 256 à 1 280 jetons visuels est une illustration réglable, pas une limite d’image stricte distincte. Préservez les détails nécessaires à la question lors du choix du redimensionnement.
Contexte et réglages sensibles à la localisation
La configuration publiée fixe le nombre maximal de positions à 128 000. La section sur les textes longs de la fiche du modèle décrit séparément une base de 32 768 jetons et un exemple d’extension YaRN. Elle avertit explicitement que cette extension affecte fortement la localisation temporelle et spatiale et ne la recommande pas. Le guide traite aussi de la modification des positions maximales pour les vidéos longues ; ce sont des notes de configuration, pas une limite d’entrée inconditionnelle applicable à toutes les tâches.
Alignez la configuration exacte de cette version et le prétraitement visuel sur la tâche, surtout lorsque les coordonnées ou les heures d’événements comptent. L’exemple de génération de 128 jetons de la fiche ne spécifie pas une capacité maximale de sortie distincte. Qwen2.5-VL-7B-Instruct produit du texte, des coordonnées et des observations structurées ; une action externe, une image rendue, une vidéo ou une réponse parlée exige un autre composant applicatif.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-vl-7b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0001 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct est un modèle vision-langage pour les images, les documents et la vidéo. Il produit du texte et des observations structurées, notamment des cadres d’objets, des points et des attributs, et apporte à l’édition 7B la localisation temporelle d’événements et les capacités d’agent visuel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2.5-VL-7B-Instruct est l’édition 7B de Qwen2.5-VL ajustée aux instructions. Il associe une instruction textuelle à des images ou à une vidéo et renvoie un résultat textuel. Les principales améliorations du concepteur concernent la reconnaissance d’objets et de détails visuels, l’analyse du texte et des mises en page, les tâches d’agent visuel, la compréhension d’événements dans de longues vidéos, la localisation d’objets et l’extraction structurée de documents.
Comprendre le contenu visuel
Cette famille va au-delà de l’identification du sujet principal d’une photographie. Les tâches documentées comprennent l’analyse du texte, des graphiques, des icônes, des illustrations et de la disposition des éléments dans une image. Pour un graphique, précisez la série ou la relation à examiner et conservez les axes, la légende et les unités. Pour un schéma, demandez comment les composants étiquetés sont reliés et ce que leur disposition visible indique sur le processus.
Une comparaison utile peut fournir un dessin original et sa version révisée, identifier chacun et demander les changements visibles par rapport à une courte liste d’exigences. Demandez conjointement l’observation et la région d’image concernée. La réponse a ainsi un objectif concret, au lieu de demander une description générale de deux images sans rapport.
Flux de travail d’agent visuel
Le concepteur présente Qwen2.5-VL comme un agent visuel capable de raisonner sur un écran et de guider des outils dans des tâches sur ordinateur ou téléphone. Le modèle fournit une interprétation et une opération proposée ; l’application d’agent qui l’entoure fournit les commandes, exécute l’opération et renvoie le nouvel état. Une réponse textuelle ou une coordonnée prédite constitue donc une partie de ce flux de travail intégré.
Pour une question d’interface, fournissez la capture d’écran et l’objectif réel, puis demandez quelle commande visible est pertinente et quelle est l’étape suivante. Définissez précisément la sortie : le libellé de la commande, son emplacement et l’action prévue. Si l’application exécute ensuite cette action, la capture suivante fournit l’entrée visuelle actualisée pour une nouvelle décision.
Vidéos longues et localisation d’événements
Le concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification du segment contenant un événement demandé. Cela étend la description vidéo à la localisation temporelle. Une tâche peut demander quand un objet apparaît pour la première fois, où une démonstration atteint une étape précise ou quel événement visible précède un autre. Précisez si le résultat doit être un résumé, une liste chronologique d’événements ou des heures de début et de fin accompagnées d’une description.
La famille est entraînée avec un échantillonnage dynamique de la fréquence d’images et aligne les informations de position temporelle sur le temps absolu. Les informations de fréquence d’images relèvent donc de la préparation vidéo et ne sont pas un libellé arbitraire à supprimer lorsque les horodatages comptent. La capacité documentée sur les vidéos longues ne constitue pas une spécification universelle de taille de fichier ou de durée maximale pour chaque mode d’entrée.
Localisation d’objets et documents structurés
Qwen2.5-VL peut renvoyer des cadres englobants ou des points et organiser les coordonnées et les attributs en JSON. Cette version utilise des coordonnées à l’échelle des dimensions réelles de l’image plutôt que les coordonnées normalisées traditionnelles. Précisez si la tâche exige un cadre englobant, un point particulier ou une description d’objet, et conservez les dimensions de l’image ainsi que les informations de redimensionnement nécessaires pour interpréter la position renvoyée.
Par exemple, une demande d’inventaire visuel peut solliciter chaque objet cible, son cadre et un attribut visible. Une tâche fondée sur des points peut demander l’emplacement d’une commande étiquetée ou d’une partie précise d’un objet. Il s’agit de propositions de sortie, pas de noms de champs fixes à utiliser dans chaque requête. Associez chaque coordonnée à son image source lorsque plusieurs images sont fournies.
Le concepteur souligne séparément l’extraction structurée de factures numérisées, de formulaires et de tableaux. Définissez les champs, conservez les libellés originaux et demandez une représentation explicite lorsqu’une valeur est illisible. Pour un tableau, gardez les en-têtes de colonnes et les unités avec les lignes demandées. Un enregistrement pratique peut contenir l’identifiant du document, le libellé du champ, la valeur extraite et son emplacement, afin de permettre une comparaison ultérieure ou une inspection humaine.
Architecture et préparation des entrées
Le modèle associe une résolution d’image dynamique et un échantillonnage vidéo dynamique à des informations de position rotative multimodales actualisées. Son encodeur visuel utilise l’attention par fenêtres, SwiGLU et RMSNorm. Ces modifications architecturales favorisent le traitement visuel et temporel ; elles n’ajoutent ni entrée audio ni génération d’images au flux documenté de résultats textuels.
La fiche illustre une image unique, plusieurs images, une séquence d’images vidéo, un fichier ou une référence vidéo, ainsi que des conversations par lots. Le processeur d’images documente une plage par défaut de 4 à 16 384 jetons visuels par image. Les réglages minimum et maximum de pixels préservent le rapport d’aspect ; les dimensions exactes demandées sont arrondies à un multiple de 28. L’exemple de 256 à 1 280 jetons visuels est une illustration réglable, pas une limite d’image stricte distincte. Préservez les détails nécessaires à la question lors du choix du redimensionnement.
Contexte et réglages sensibles à la localisation
La configuration publiée fixe le nombre maximal de positions à 128 000. La section sur les textes longs de la fiche du modèle décrit séparément une base de 32 768 jetons et un exemple d’extension YaRN. Elle avertit explicitement que cette extension affecte fortement la localisation temporelle et spatiale et ne la recommande pas. Le guide traite aussi de la modification des positions maximales pour les vidéos longues ; ce sont des notes de configuration, pas une limite d’entrée inconditionnelle applicable à toutes les tâches.
Alignez la configuration exacte de cette version et le prétraitement visuel sur la tâche, surtout lorsque les coordonnées ou les heures d’événements comptent. L’exemple de génération de 128 jetons de la fiche ne spécifie pas une capacité maximale de sortie distincte. Qwen2.5-VL-7B-Instruct produit du texte, des coordonnées et des observations structurées ; une action externe, une image rendue, une vidéo ou une réponse parlée exige un autre composant applicatif.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-vl-7b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0001 / 1K tokens Sortie · Tokens en sortie $0.0001 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.