Qwen2.5-VL-72B-Instruct est l’édition 72B entraînée à suivre des instructions de Qwen2.5-VL, conçue pour comprendre des éléments visuels avec du texte. Qwen décrit la reconnaissance d’objets, produits et monuments, ainsi que l’interprétation du texte, des graphiques, icônes, éléments graphiques et mises en page dans les images. Les entrées combinent une question écrite avec une ou plusieurs images, ou une vidéo; la sortie est textuelle, y compris des descriptions structurées et des informations extraites. Par rapport à Qwen2-VL, le fabricant met en avant une meilleure perception du temps et de l’échelle des images et un encodeur visuel à résolution dynamique revu, utilisant une attention par fenêtres.
La localisation visuelle est une capacité distincte de la description d’une image. Le modèle peut renvoyer des cadres délimitant les objets ou des points, avec des libellés et attributs en JSON. Qwen2.5-VL utilise des coordonnées à l’échelle de la taille réelle de l’image plutôt qu’un système de coordonnées normalisées. Nommez les objets à localiser et indiquez les champs requis, comme bbox_2d et label, ainsi que l’interprétation des coordonnées. Si une image est redimensionnée avant l’analyse, conservez sa taille avec les coordonnées renvoyées pour pouvoir les interpréter sur la même image. Les exemples Qwen combinent détection, comptage et descriptions d’objets.
Le fabricant souligne la reconnaissance de texte dans diverses langues, orientations et scènes. Ses exemples extraient des lignes de texte, associent le texte à des positions et récupèrent des champs précis dans des reçus ou formulaires. Pour une consigne documentaire, fournissez un scan clair, définissez les champs et indiquez comment représenter les informations absentes ou illisibles. Un résultat illustratif peut être un enregistrement structuré contenant un identifiant de document, une date et des lignes de détail, en distinguant les incertitudes des éléments visiblement présents. L’image fournie constitue la preuve de cette extraction.
L’annonce de Qwen présente QwenVL HTML pour analyser les documents avec des informations de mise en page. Elle montre des magazines, articles de recherche, pages web et captures d’écran mobiles, en combinant titres, paragraphes, images et formules avec les informations des cadres délimitants. Cela sert lorsque l’ordre de lecture et la structure de la page importent autant que les mots. Demandez explicitement la représentation : texte brut pour la lecture, JSON pour des champs sélectionnés ou le format HTML du fabricant orienté mise en page. Un rapport scanné peut être organisé en titres et paragraphes avant qu’une autre instruction demande la synthèse d’une section particulière.
Pour la vidéo, Qwen documente la compréhension d’éléments durant plus d’une heure, la recherche d’événements et la localisation temporelle à la seconde près. L’entraînement à fréquence d’images dynamique et l’encodage du temps absolu aident à représenter le rythme et la position des événements. Les exemples officiels identifient le segment où se produit une action décrite et renvoient une série d’événements avec heures de début, de fin et descriptions. Nommez l’événement recherché et précisez des secondes ou un format d’horodatage. Une consigne pratique peut demander les segments pertinents d’une longue démonstration, puis une description concise de ce qui se passe dans chacun.
Le modèle est aussi présenté comme un agent visuel pour ordinateur et appareil mobile : il peut raisonner à partir d’un écran et orienter des outils vers une tâche. La localisation et la compréhension de l’écran peuvent identifier une commande pertinente ou la prochaine interaction souhaitée. Une application fournit l’écran, les actions disponibles et l’objectif, exécute une action demandée et renvoie le nouvel état. Par exemple, la consigne peut demander la commande nécessaire pour atteindre une vue précise, avec un point ou cadre qui l’identifie. La description textuelle d’action du modèle et l’interaction exécutée par l’application sont des étapes distinctes.
Le processeur Qwen permet de contrôler le nombre de pixels des images. Sa plage par défaut documentée est de 4 à 16 384 jetons visuels par image; 256 à 1 280 jetons est un réglage illustratif, pas une limite universelle d’image. Le redimensionnement peut préserver le rapport d’aspect et les dimensions explicites sont arrondies à un multiple de 28. Une résolution supérieure utilise plus de calcul et peut préserver les petits textes ou les détails de diagrammes denses. Adaptez la préparation à la question, en gardant les libellés importants lisibles et la page ou zone pertinente claire. Les exemples vidéo utilisent des séquences d’images ou une vidéo accompagnée de sa fréquence d’images, ce qui importe lorsque la réponse doit contenir des horodatages.
La configuration actuelle de la fiche est réglée sur 32 768 jetons de contexte. Elle décrit une extension YaRN, mais avertit qu’elle peut affecter fortement la localisation temporelle et spatiale et ne la recommande pas pour ces tâches. Elle traite séparément de l’augmentation du réglage des positions pour les longues vidéos. La compréhension à l’échelle d’une heure est une capacité documentée plutôt qu’une limite universelle de durée de téléversement ou de longueur de sortie. Choisissez un résultat conservant les informations nécessaires ensuite : champs pour un enregistrement, coordonnées pour la localisation, mise en page pour un document ou descriptions horodatées pour une vidéo.
", "aboutText": "Qwen2.5-VL-72B-Instruct est l’édition 72B entraînée à suivre des instructions de Qwen2.5-VL, conçue pour comprendre des éléments visuels avec du texte. Qwen décrit la reconnaissance d’objets, produits et monuments, ainsi que l’interprétation du texte, des graphiques, icônes, éléments graphiques et mises en page dans les images. Les entrées combinent une question écrite avec une ou plusieurs images, ou une vidéo; la sortie est textuelle, y compris des descriptions structurées et des informations extraites. Par rapport à Qwen2-VL, le fabricant met en avant une meilleure perception du temps et de l’échelle des images et un encodeur visuel à résolution dynamique revu, utilisant une attention par fenêtres.\n\nLa localisation visuelle est une capacité distincte de la description d’une image. Le modèle peut renvoyer des cadres délimitant les objets ou des points, avec des libellés et attributs en JSON. Qwen2.5-VL utilise des coordonnées à l’échelle de la taille réelle de l’image plutôt qu’un système de coordonnées normalisées. Nommez les objets à localiser et indiquez les champs requis, comme bbox_2d et label, ainsi que l’interprétation des coordonnées. Si une image est redimensionnée avant l’analyse, conservez sa taille avec les coordonnées renvoyées pour pouvoir les interpréter sur la même image. Les exemples Qwen combinent détection, comptage et descriptions d’objets.\n\nLe fabricant souligne la reconnaissance de texte dans diverses langues, orientations et scènes. Ses exemples extraient des lignes de texte, associent le texte à des positions et récupèrent des champs précis dans des reçus ou formulaires. Pour une consigne documentaire, fournissez un scan clair, définissez les champs et indiquez comment représenter les informations absentes ou illisibles. Un résultat illustratif peut être un enregistrement structuré contenant un identifiant de document, une date et des lignes de détail, en distinguant les incertitudes des éléments visiblement présents. L’image fournie constitue la preuve de cette extraction.\n\nL’annonce de Qwen présente QwenVL HTML pour analyser les documents avec des informations de mise en page. Elle montre des magazines, articles de recherche, pages web et captures d’écran mobiles, en combinant titres, paragraphes, images et formules avec les informations des cadres délimitants. Cela sert lorsque l’ordre de lecture et la structure de la page importent autant que les mots. Demandez explicitement la représentation : texte brut pour la lecture, JSON pour des champs sélectionnés ou le format HTML du fabricant orienté mise en page. Un rapport scanné peut être organisé en titres et paragraphes avant qu’une autre instruction demande la synthèse d’une section particulière.\n\nPour la vidéo, Qwen documente la compréhension d’éléments durant plus d’une heure, la recherche d’événements et la localisation temporelle à la seconde près. L’entraînement à fréquence d’images dynamique et l’encodage du temps absolu aident à représenter le rythme et la position des événements. Les exemples officiels identifient le segment où se produit une action décrite et renvoient une série d’événements avec heures de début, de fin et descriptions. Nommez l’événement recherché et précisez des secondes ou un format d’horodatage. Une consigne pratique peut demander les segments pertinents d’une longue démonstration, puis une description concise de ce qui se passe dans chacun.\n\nLe modèle est aussi présenté comme un agent visuel pour ordinateur et appareil mobile : il peut raisonner à partir d’un écran et orienter des outils vers une tâche. La localisation et la compréhension de l’écran peuvent identifier une commande pertinente ou la prochaine interaction souhaitée. Une application fournit l’écran, les actions disponibles et l’objectif, exécute une action demandée et renvoie le nouvel état. Par exemple, la consigne peut demander la commande nécessaire pour atteindre une vue précise, avec un point ou cadre qui l’identifie. La description textuelle d’action du modèle et l’interaction exécutée par l’application sont des étapes distinctes.\n\nLe processeur Qwen permet de contrôler le nombre de pixels des images. Sa plage par défaut documentée est de 4 à 16 384 jetons visuels par image; 256 à 1 280 jetons est un réglage illustratif, pas une limite universelle d’image. Le redimensionnement peut préserver le rapport d’aspect et les dimensions explicites sont arrondies à un multiple de 28. Une résolution supérieure utilise plus de calcul et peut préserver les petits textes ou les détails de diagrammes denses. Adaptez la préparation à la question, en gardant les libellés importants lisibles et la page ou zone pertinente claire. Les exemples vidéo utilisent des séquences d’images ou une vidéo accompagnée de sa fréquence d’images, ce qui importe lorsque la réponse doit contenir des horodatages.\n\nLa configuration actuelle de la fiche est réglée sur 32 768 jetons de contexte. Elle décrit une extension YaRN, mais avertit qu’elle peut affecter fortement la localisation temporelle et spatiale et ne la recommande pas pour ces tâches. Elle traite séparément de l’augmentation du réglage des positions pour les longues vidéos. La compréhension à l’échelle d’une heure est une capacité documentée plutôt qu’une limite universelle de durée de téléversement ou de longueur de sortie. Choisissez un résultat conservant les informations nécessaires ensuite : champs pour un enregistrement, coordonnées pour la localisation, mise en page pour un document ou descriptions horodatées pour une vidéo.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct est le modèle vision-langage de Qwen pour les images, documents, graphiques et vidéos. Il renvoie du texte, des données extraites structurées et des coordonnées visuelles, et peut localiser des événements dans de longues vidéos ou raisonner sur un écran d’ordinateur ou d’appareil mobile.
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-72B-Instruct est l’édition 72B entraînée à suivre des instructions de Qwen2.5-VL, conçue pour comprendre des éléments visuels avec du texte. Qwen décrit la reconnaissance d’objets, produits et monuments, ainsi que l’interprétation du texte, des graphiques, icônes, éléments graphiques et mises en page dans les images. Les entrées combinent une question écrite avec une ou plusieurs images, ou une vidéo; la sortie est textuelle, y compris des descriptions structurées et des informations extraites. Par rapport à Qwen2-VL, le fabricant met en avant une meilleure perception du temps et de l’échelle des images et un encodeur visuel à résolution dynamique revu, utilisant une attention par fenêtres.
La localisation visuelle est une capacité distincte de la description d’une image. Le modèle peut renvoyer des cadres délimitant les objets ou des points, avec des libellés et attributs en JSON. Qwen2.5-VL utilise des coordonnées à l’échelle de la taille réelle de l’image plutôt qu’un système de coordonnées normalisées. Nommez les objets à localiser et indiquez les champs requis, comme bbox_2d et label, ainsi que l’interprétation des coordonnées. Si une image est redimensionnée avant l’analyse, conservez sa taille avec les coordonnées renvoyées pour pouvoir les interpréter sur la même image. Les exemples Qwen combinent détection, comptage et descriptions d’objets.
Le fabricant souligne la reconnaissance de texte dans diverses langues, orientations et scènes. Ses exemples extraient des lignes de texte, associent le texte à des positions et récupèrent des champs précis dans des reçus ou formulaires. Pour une consigne documentaire, fournissez un scan clair, définissez les champs et indiquez comment représenter les informations absentes ou illisibles. Un résultat illustratif peut être un enregistrement structuré contenant un identifiant de document, une date et des lignes de détail, en distinguant les incertitudes des éléments visiblement présents. L’image fournie constitue la preuve de cette extraction.
L’annonce de Qwen présente QwenVL HTML pour analyser les documents avec des informations de mise en page. Elle montre des magazines, articles de recherche, pages web et captures d’écran mobiles, en combinant titres, paragraphes, images et formules avec les informations des cadres délimitants. Cela sert lorsque l’ordre de lecture et la structure de la page importent autant que les mots. Demandez explicitement la représentation : texte brut pour la lecture, JSON pour des champs sélectionnés ou le format HTML du fabricant orienté mise en page. Un rapport scanné peut être organisé en titres et paragraphes avant qu’une autre instruction demande la synthèse d’une section particulière.
Pour la vidéo, Qwen documente la compréhension d’éléments durant plus d’une heure, la recherche d’événements et la localisation temporelle à la seconde près. L’entraînement à fréquence d’images dynamique et l’encodage du temps absolu aident à représenter le rythme et la position des événements. Les exemples officiels identifient le segment où se produit une action décrite et renvoient une série d’événements avec heures de début, de fin et descriptions. Nommez l’événement recherché et précisez des secondes ou un format d’horodatage. Une consigne pratique peut demander les segments pertinents d’une longue démonstration, puis une description concise de ce qui se passe dans chacun.
Le modèle est aussi présenté comme un agent visuel pour ordinateur et appareil mobile : il peut raisonner à partir d’un écran et orienter des outils vers une tâche. La localisation et la compréhension de l’écran peuvent identifier une commande pertinente ou la prochaine interaction souhaitée. Une application fournit l’écran, les actions disponibles et l’objectif, exécute une action demandée et renvoie le nouvel état. Par exemple, la consigne peut demander la commande nécessaire pour atteindre une vue précise, avec un point ou cadre qui l’identifie. La description textuelle d’action du modèle et l’interaction exécutée par l’application sont des étapes distinctes.
Le processeur Qwen permet de contrôler le nombre de pixels des images. Sa plage par défaut documentée est de 4 à 16 384 jetons visuels par image; 256 à 1 280 jetons est un réglage illustratif, pas une limite universelle d’image. Le redimensionnement peut préserver le rapport d’aspect et les dimensions explicites sont arrondies à un multiple de 28. Une résolution supérieure utilise plus de calcul et peut préserver les petits textes ou les détails de diagrammes denses. Adaptez la préparation à la question, en gardant les libellés importants lisibles et la page ou zone pertinente claire. Les exemples vidéo utilisent des séquences d’images ou une vidéo accompagnée de sa fréquence d’images, ce qui importe lorsque la réponse doit contenir des horodatages.
La configuration actuelle de la fiche est réglée sur 32 768 jetons de contexte. Elle décrit une extension YaRN, mais avertit qu’elle peut affecter fortement la localisation temporelle et spatiale et ne la recommande pas pour ces tâches. Elle traite séparément de l’augmentation du réglage des positions pour les longues vidéos. La compréhension à l’échelle d’une heure est une capacité documentée plutôt qu’une limite universelle de durée de téléversement ou de longueur de sortie. Choisissez un résultat conservant les informations nécessaires ensuite : champs pour un enregistrement, coordonnées pour la localisation, mise en page pour un document ou descriptions horodatées pour une vidéo.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen2.5-vl-72b-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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0016 / 1K jetons Sortie · Jetons en sortie $0.002 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0016 / 1K jetons Sortie · Jetons en sortie $0.002 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct est le modèle vision-langage de Qwen pour les images, documents, graphiques et vidéos. Il renvoie du texte, des données extraites structurées et des coordonnées visuelles, et peut localiser des événements dans de longues vidéos ou raisonner sur un écran d’ordinateur ou d’appareil mobile.
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-72B-Instruct est l’édition 72B entraînée à suivre des instructions de Qwen2.5-VL, conçue pour comprendre des éléments visuels avec du texte. Qwen décrit la reconnaissance d’objets, produits et monuments, ainsi que l’interprétation du texte, des graphiques, icônes, éléments graphiques et mises en page dans les images. Les entrées combinent une question écrite avec une ou plusieurs images, ou une vidéo; la sortie est textuelle, y compris des descriptions structurées et des informations extraites. Par rapport à Qwen2-VL, le fabricant met en avant une meilleure perception du temps et de l’échelle des images et un encodeur visuel à résolution dynamique revu, utilisant une attention par fenêtres.
La localisation visuelle est une capacité distincte de la description d’une image. Le modèle peut renvoyer des cadres délimitant les objets ou des points, avec des libellés et attributs en JSON. Qwen2.5-VL utilise des coordonnées à l’échelle de la taille réelle de l’image plutôt qu’un système de coordonnées normalisées. Nommez les objets à localiser et indiquez les champs requis, comme bbox_2d et label, ainsi que l’interprétation des coordonnées. Si une image est redimensionnée avant l’analyse, conservez sa taille avec les coordonnées renvoyées pour pouvoir les interpréter sur la même image. Les exemples Qwen combinent détection, comptage et descriptions d’objets.
Le fabricant souligne la reconnaissance de texte dans diverses langues, orientations et scènes. Ses exemples extraient des lignes de texte, associent le texte à des positions et récupèrent des champs précis dans des reçus ou formulaires. Pour une consigne documentaire, fournissez un scan clair, définissez les champs et indiquez comment représenter les informations absentes ou illisibles. Un résultat illustratif peut être un enregistrement structuré contenant un identifiant de document, une date et des lignes de détail, en distinguant les incertitudes des éléments visiblement présents. L’image fournie constitue la preuve de cette extraction.
L’annonce de Qwen présente QwenVL HTML pour analyser les documents avec des informations de mise en page. Elle montre des magazines, articles de recherche, pages web et captures d’écran mobiles, en combinant titres, paragraphes, images et formules avec les informations des cadres délimitants. Cela sert lorsque l’ordre de lecture et la structure de la page importent autant que les mots. Demandez explicitement la représentation : texte brut pour la lecture, JSON pour des champs sélectionnés ou le format HTML du fabricant orienté mise en page. Un rapport scanné peut être organisé en titres et paragraphes avant qu’une autre instruction demande la synthèse d’une section particulière.
Pour la vidéo, Qwen documente la compréhension d’éléments durant plus d’une heure, la recherche d’événements et la localisation temporelle à la seconde près. L’entraînement à fréquence d’images dynamique et l’encodage du temps absolu aident à représenter le rythme et la position des événements. Les exemples officiels identifient le segment où se produit une action décrite et renvoient une série d’événements avec heures de début, de fin et descriptions. Nommez l’événement recherché et précisez des secondes ou un format d’horodatage. Une consigne pratique peut demander les segments pertinents d’une longue démonstration, puis une description concise de ce qui se passe dans chacun.
Le modèle est aussi présenté comme un agent visuel pour ordinateur et appareil mobile : il peut raisonner à partir d’un écran et orienter des outils vers une tâche. La localisation et la compréhension de l’écran peuvent identifier une commande pertinente ou la prochaine interaction souhaitée. Une application fournit l’écran, les actions disponibles et l’objectif, exécute une action demandée et renvoie le nouvel état. Par exemple, la consigne peut demander la commande nécessaire pour atteindre une vue précise, avec un point ou cadre qui l’identifie. La description textuelle d’action du modèle et l’interaction exécutée par l’application sont des étapes distinctes.
Le processeur Qwen permet de contrôler le nombre de pixels des images. Sa plage par défaut documentée est de 4 à 16 384 jetons visuels par image; 256 à 1 280 jetons est un réglage illustratif, pas une limite universelle d’image. Le redimensionnement peut préserver le rapport d’aspect et les dimensions explicites sont arrondies à un multiple de 28. Une résolution supérieure utilise plus de calcul et peut préserver les petits textes ou les détails de diagrammes denses. Adaptez la préparation à la question, en gardant les libellés importants lisibles et la page ou zone pertinente claire. Les exemples vidéo utilisent des séquences d’images ou une vidéo accompagnée de sa fréquence d’images, ce qui importe lorsque la réponse doit contenir des horodatages.
La configuration actuelle de la fiche est réglée sur 32 768 jetons de contexte. Elle décrit une extension YaRN, mais avertit qu’elle peut affecter fortement la localisation temporelle et spatiale et ne la recommande pas pour ces tâches. Elle traite séparément de l’augmentation du réglage des positions pour les longues vidéos. La compréhension à l’échelle d’une heure est une capacité documentée plutôt qu’une limite universelle de durée de téléversement ou de longueur de sortie. Choisissez un résultat conservant les informations nécessaires ensuite : champs pour un enregistrement, coordonnées pour la localisation, mise en page pour un document ou descriptions horodatées pour une vidéo.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen2.5-vl-72b-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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0016 / 1K jetons Sortie · Jetons en sortie $0.002 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0016 / 1K jetons Sortie · Jetons en sortie $0.002 / 1K jetons Entrée · Lecture du cache $0.0008 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.