Qwen2-VL-72B-Instruct est l’édition vision-langage 72B entraînée aux instructions autour de Qwen2. Elle reçoit du texte avec des images ou vidéos et génère une réponse textuelle. Le fabricant souligne la compréhension d’images de résolutions et rapports d’aspect différents, l’interprétation du texte dans les images, le raisonnement sur des relations visibles et les réponses sur des vidéos de plus de 20 minutes.
Capacités sur les images et vidéos
Pour une page de document, demandez le contenu précis nécessaire : paragraphe, ligne de tableau, formule ou conditions associées à une affirmation. Gardez la page lisible et indiquez si le résultat doit transcrire les formulations, les résumer ou en expliquer le sens. Une sortie documentaire utile peut conserver l’étiquette de section originale à côté du contenu extrait. Pour un diagramme, demandez comment les éléments étiquetés sont reliés et indiquez la relation à expliquer.
L’usage vidéo documenté inclut questions, dialogue et contenu écrit fondés sur la séquence visible. Définissez l’événement ou le changement à examiner : apparition d’un objet, événement précédant une étape ou lien entre une action démontrée et une procédure écrite. Demandez une description ordonnée des événements ou une comparaison des étapes visibles avec la procédure fournie. L’affirmation du fabricant concernant plus de 20 minutes décrit la compréhension de longues vidéos; ce n’est pas une durée maximale fixe ni la garantie que tout clip brut entre dans une configuration d’entrée inchangée.
Usage d’agents visuels
La version positionne aussi Qwen2-VL pour les agents visuels reliés à des appareils mobiles, robots et autres outils. Son annonce décrit des scénarios d’appels de fonctions et d’interpréteur de code, par exemple produire du code à partir d’un diagramme ou demander une recherche externe avec une question visuelle. L’application environnante fournit les outils, exécute l’action proposée et renvoie le résultat. La réponse textuelle du modèle, seule, ne clique pas sur une commande, ne déplace pas un appareil et n’exécute pas le programme généré.
Une tâche d’interface pratique peut fournir une capture d’écran et le but de l’utilisateur, puis demander la commande visible pertinente pour l’étape suivante et les éléments justifiant ce choix. Gardez l’observation, l’action proposée et l’exécution réelle comme parties distinctes du processus. Cela exploite l’orientation agents visuels tout en rendant le résultat assez précis pour permettre à l’application d’agir.
Texte multilingue dans les images
Le fabricant décrit la reconnaissance de texte dans les images en anglais et chinois, dans la plupart des langues européennes et notamment en japonais, coréen, arabe et vietnamien. Une page multilingue peut donc être abordée comme une tâche de lecture visuelle. Demandez d’abord la transcription originale lorsque les formulations exactes comptent, puis une traduction ou explication dans la langue choisie. Préservez les libellés et nombres plutôt que de mélanger reconnaissance et réécriture non précisée.
Résolution dynamique et information de position
Qwen2-VL associe un encodeur visuel au modèle linguistique Qwen2. Naive Dynamic Resolution convertit différentes tailles d’image en différents nombres de jetons visuels. Multimodal Rotary Position Embedding sépare les informations de position pour représenter l’ordre textuel, les images bidimensionnelles et la structure temporelle et spatiale des vidéos. Ces fonctions expliquent comment une même famille traite une page, plusieurs images ou une séquence vidéo.
Le processeur d’images de la fiche documente une plage par défaut de 4 à 16 384 jetons visuels par image. L’application peut ajuster les pixels minimaux et maximaux en préservant le rapport d’aspect ou demander des dimensions arrondies à un multiple de 28. La plage d’exemple de 256 à 1 280 jetons est une illustration configurable, pas une limite universelle distincte d’image. Davantage de détail utilise plus de calcul et de jetons visuels; conservez donc les libellés, titres et petits objets nécessaires à la question lors de la préparation.
Préparation des entrées et contexte
Le fabricant montre une image unique, plusieurs images, une vidéo sous forme de séquence d’images ou de fichier local, et des conversations par lots. La préparation d’images inclut fichiers locaux, données d’images encodées et références d’images. L’exemple vidéo utilise une fréquence d’images choisie; il n’établit pas une fréquence d’échantillonnage obligatoire pour toute vidéo. Indiquez l’ordre et le rôle des images et fournissez les informations nécessaires à la compréhension d’une séquence, plutôt que de traiter des images sans rapport comme une seule scène.
La configuration publiée fixe les positions maximales à 32 768. Le matériel visuel et les instructions textuelles doivent tenir dans le contexte réellement configuré. L’exemple de génération de 128 jetons n’est qu’un réglage d’exemple; il ne publie pas de capacité maximale de sortie distincte. L’édition 72B doit conserver sa propre configuration plutôt que d’hériter des réglages de long contexte de Qwen2.5-VL ou d’un autre modèle Qwen.
Limites substantielles
Le fabricant précise explicitement que Qwen2-VL ne comprend pas l’audio contenu dans les vidéos. Les informations parlées doivent donc être fournies séparément si la question en dépend. Le jeu d’entraînement sur images est décrit comme actualisé jusqu’à juin 2023; cela concerne ce jeu de données et ne promet pas des connaissances visuelles actuelles.
Les limites documentées comprennent aussi la reconnaissance incomplète de personnes particulières ou de propriétés intellectuelles nommées, les difficultés avec des instructions complexes en plusieurs étapes, le comptage peu fiable dans les scènes complexes et les limites du raisonnement spatial tridimensionnel. Si la tâche dépend d’une de ces capacités, ciblez les objets ou relations nécessaires et conservez les éléments visuels à côté de la réponse. Une source claire et une sortie définie facilitent la vérification sans remplacer ces limites déclarées par une garantie d’exactitude.
", "aboutText": "Qwen2-VL-72B-Instruct est l’édition vision-langage 72B entraînée aux instructions autour de Qwen2. Elle reçoit du texte avec des images ou vidéos et génère une réponse textuelle. Le fabricant souligne la compréhension d’images de résolutions et rapports d’aspect différents, l’interprétation du texte dans les images, le raisonnement sur des relations visibles et les réponses sur des vidéos de plus de 20 minutes.\n\nCapacités sur les images et vidéos\n\nPour une page de document, demandez le contenu précis nécessaire : paragraphe, ligne de tableau, formule ou conditions associées à une affirmation. Gardez la page lisible et indiquez si le résultat doit transcrire les formulations, les résumer ou en expliquer le sens. Une sortie documentaire utile peut conserver l’étiquette de section originale à côté du contenu extrait. Pour un diagramme, demandez comment les éléments étiquetés sont reliés et indiquez la relation à expliquer.\n\nL’usage vidéo documenté inclut questions, dialogue et contenu écrit fondés sur la séquence visible. Définissez l’événement ou le changement à examiner : apparition d’un objet, événement précédant une étape ou lien entre une action démontrée et une procédure écrite. Demandez une description ordonnée des événements ou une comparaison des étapes visibles avec la procédure fournie. L’affirmation du fabricant concernant plus de 20 minutes décrit la compréhension de longues vidéos; ce n’est pas une durée maximale fixe ni la garantie que tout clip brut entre dans une configuration d’entrée inchangée.\n\nUsage d’agents visuels\n\nLa version positionne aussi Qwen2-VL pour les agents visuels reliés à des appareils mobiles, robots et autres outils. Son annonce décrit des scénarios d’appels de fonctions et d’interpréteur de code, par exemple produire du code à partir d’un diagramme ou demander une recherche externe avec une question visuelle. L’application environnante fournit les outils, exécute l’action proposée et renvoie le résultat. La réponse textuelle du modèle, seule, ne clique pas sur une commande, ne déplace pas un appareil et n’exécute pas le programme généré.\n\nUne tâche d’interface pratique peut fournir une capture d’écran et le but de l’utilisateur, puis demander la commande visible pertinente pour l’étape suivante et les éléments justifiant ce choix. Gardez l’observation, l’action proposée et l’exécution réelle comme parties distinctes du processus. Cela exploite l’orientation agents visuels tout en rendant le résultat assez précis pour permettre à l’application d’agir.\n\nTexte multilingue dans les images\n\nLe fabricant décrit la reconnaissance de texte dans les images en anglais et chinois, dans la plupart des langues européennes et notamment en japonais, coréen, arabe et vietnamien. Une page multilingue peut donc être abordée comme une tâche de lecture visuelle. Demandez d’abord la transcription originale lorsque les formulations exactes comptent, puis une traduction ou explication dans la langue choisie. Préservez les libellés et nombres plutôt que de mélanger reconnaissance et réécriture non précisée.\n\nRésolution dynamique et information de position\n\nQwen2-VL associe un encodeur visuel au modèle linguistique Qwen2. Naive Dynamic Resolution convertit différentes tailles d’image en différents nombres de jetons visuels. Multimodal Rotary Position Embedding sépare les informations de position pour représenter l’ordre textuel, les images bidimensionnelles et la structure temporelle et spatiale des vidéos. Ces fonctions expliquent comment une même famille traite une page, plusieurs images ou une séquence vidéo.\n\nLe processeur d’images de la fiche documente une plage par défaut de 4 à 16 384 jetons visuels par image. L’application peut ajuster les pixels minimaux et maximaux en préservant le rapport d’aspect ou demander des dimensions arrondies à un multiple de 28. La plage d’exemple de 256 à 1 280 jetons est une illustration configurable, pas une limite universelle distincte d’image. Davantage de détail utilise plus de calcul et de jetons visuels; conservez donc les libellés, titres et petits objets nécessaires à la question lors de la préparation.\n\nPréparation des entrées et contexte\n\nLe fabricant montre une image unique, plusieurs images, une vidéo sous forme de séquence d’images ou de fichier local, et des conversations par lots. La préparation d’images inclut fichiers locaux, données d’images encodées et références d’images. L’exemple vidéo utilise une fréquence d’images choisie; il n’établit pas une fréquence d’échantillonnage obligatoire pour toute vidéo. Indiquez l’ordre et le rôle des images et fournissez les informations nécessaires à la compréhension d’une séquence, plutôt que de traiter des images sans rapport comme une seule scène.\n\nLa configuration publiée fixe les positions maximales à 32 768. Le matériel visuel et les instructions textuelles doivent tenir dans le contexte réellement configuré. L’exemple de génération de 128 jetons n’est qu’un réglage d’exemple; il ne publie pas de capacité maximale de sortie distincte. L’édition 72B doit conserver sa propre configuration plutôt que d’hériter des réglages de long contexte de Qwen2.5-VL ou d’un autre modèle Qwen.\n\nLimites substantielles\n\nLe fabricant précise explicitement que Qwen2-VL ne comprend pas l’audio contenu dans les vidéos. Les informations parlées doivent donc être fournies séparément si la question en dépend. Le jeu d’entraînement sur images est décrit comme actualisé jusqu’à juin 2023; cela concerne ce jeu de données et ne promet pas des connaissances visuelles actuelles.\n\nLes limites documentées comprennent aussi la reconnaissance incomplète de personnes particulières ou de propriétés intellectuelles nommées, les difficultés avec des instructions complexes en plusieurs étapes, le comptage peu fiable dans les scènes complexes et les limites du raisonnement spatial tridimensionnel. Si la tâche dépend d’une de ces capacités, ciblez les objets ou relations nécessaires et conservez les éléments visuels à côté de la réponse. Une source claire et une sortie définie facilitent la vérification sans remplacer ces limites déclarées par une garantie d’exactitude.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combine texte, images et vidéos pour les questions visuelles, la lecture documentaire et le texte multilingue dans les images. Son fabricant décrit la compréhension vidéo au-delà de 20 minutes, la résolution dynamique et les intégrations d’agents visuels; la réponse est textuelle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2-VL-72B-Instruct est l’édition vision-langage 72B entraînée aux instructions autour de Qwen2. Elle reçoit du texte avec des images ou vidéos et génère une réponse textuelle. Le fabricant souligne la compréhension d’images de résolutions et rapports d’aspect différents, l’interprétation du texte dans les images, le raisonnement sur des relations visibles et les réponses sur des vidéos de plus de 20 minutes.
Capacités sur les images et vidéos
Pour une page de document, demandez le contenu précis nécessaire : paragraphe, ligne de tableau, formule ou conditions associées à une affirmation. Gardez la page lisible et indiquez si le résultat doit transcrire les formulations, les résumer ou en expliquer le sens. Une sortie documentaire utile peut conserver l’étiquette de section originale à côté du contenu extrait. Pour un diagramme, demandez comment les éléments étiquetés sont reliés et indiquez la relation à expliquer.
L’usage vidéo documenté inclut questions, dialogue et contenu écrit fondés sur la séquence visible. Définissez l’événement ou le changement à examiner : apparition d’un objet, événement précédant une étape ou lien entre une action démontrée et une procédure écrite. Demandez une description ordonnée des événements ou une comparaison des étapes visibles avec la procédure fournie. L’affirmation du fabricant concernant plus de 20 minutes décrit la compréhension de longues vidéos; ce n’est pas une durée maximale fixe ni la garantie que tout clip brut entre dans une configuration d’entrée inchangée.
Usage d’agents visuels
La version positionne aussi Qwen2-VL pour les agents visuels reliés à des appareils mobiles, robots et autres outils. Son annonce décrit des scénarios d’appels de fonctions et d’interpréteur de code, par exemple produire du code à partir d’un diagramme ou demander une recherche externe avec une question visuelle. L’application environnante fournit les outils, exécute l’action proposée et renvoie le résultat. La réponse textuelle du modèle, seule, ne clique pas sur une commande, ne déplace pas un appareil et n’exécute pas le programme généré.
Une tâche d’interface pratique peut fournir une capture d’écran et le but de l’utilisateur, puis demander la commande visible pertinente pour l’étape suivante et les éléments justifiant ce choix. Gardez l’observation, l’action proposée et l’exécution réelle comme parties distinctes du processus. Cela exploite l’orientation agents visuels tout en rendant le résultat assez précis pour permettre à l’application d’agir.
Texte multilingue dans les images
Le fabricant décrit la reconnaissance de texte dans les images en anglais et chinois, dans la plupart des langues européennes et notamment en japonais, coréen, arabe et vietnamien. Une page multilingue peut donc être abordée comme une tâche de lecture visuelle. Demandez d’abord la transcription originale lorsque les formulations exactes comptent, puis une traduction ou explication dans la langue choisie. Préservez les libellés et nombres plutôt que de mélanger reconnaissance et réécriture non précisée.
Résolution dynamique et information de position
Qwen2-VL associe un encodeur visuel au modèle linguistique Qwen2. Naive Dynamic Resolution convertit différentes tailles d’image en différents nombres de jetons visuels. Multimodal Rotary Position Embedding sépare les informations de position pour représenter l’ordre textuel, les images bidimensionnelles et la structure temporelle et spatiale des vidéos. Ces fonctions expliquent comment une même famille traite une page, plusieurs images ou une séquence vidéo.
Le processeur d’images de la fiche documente une plage par défaut de 4 à 16 384 jetons visuels par image. L’application peut ajuster les pixels minimaux et maximaux en préservant le rapport d’aspect ou demander des dimensions arrondies à un multiple de 28. La plage d’exemple de 256 à 1 280 jetons est une illustration configurable, pas une limite universelle distincte d’image. Davantage de détail utilise plus de calcul et de jetons visuels; conservez donc les libellés, titres et petits objets nécessaires à la question lors de la préparation.
Préparation des entrées et contexte
Le fabricant montre une image unique, plusieurs images, une vidéo sous forme de séquence d’images ou de fichier local, et des conversations par lots. La préparation d’images inclut fichiers locaux, données d’images encodées et références d’images. L’exemple vidéo utilise une fréquence d’images choisie; il n’établit pas une fréquence d’échantillonnage obligatoire pour toute vidéo. Indiquez l’ordre et le rôle des images et fournissez les informations nécessaires à la compréhension d’une séquence, plutôt que de traiter des images sans rapport comme une seule scène.
La configuration publiée fixe les positions maximales à 32 768. Le matériel visuel et les instructions textuelles doivent tenir dans le contexte réellement configuré. L’exemple de génération de 128 jetons n’est qu’un réglage d’exemple; il ne publie pas de capacité maximale de sortie distincte. L’édition 72B doit conserver sa propre configuration plutôt que d’hériter des réglages de long contexte de Qwen2.5-VL ou d’un autre modèle Qwen.
Limites substantielles
Le fabricant précise explicitement que Qwen2-VL ne comprend pas l’audio contenu dans les vidéos. Les informations parlées doivent donc être fournies séparément si la question en dépend. Le jeu d’entraînement sur images est décrit comme actualisé jusqu’à juin 2023; cela concerne ce jeu de données et ne promet pas des connaissances visuelles actuelles.
Les limites documentées comprennent aussi la reconnaissance incomplète de personnes particulières ou de propriétés intellectuelles nommées, les difficultés avec des instructions complexes en plusieurs étapes, le comptage peu fiable dans les scènes complexes et les limites du raisonnement spatial tridimensionnel. Si la tâche dépend d’une de ces capacités, ciblez les objets ou relations nécessaires et conservez les éléments visuels à côté de la réponse. Une source claire et une sortie définie facilitent la vérification sans remplacer ces limites déclarées par une garantie d’exactitude.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00118 / 1K jetons Sortie · Jetons en sortie $0.00118 / 1K jetons Entrée · Lecture du cache $0 / 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-VL-72B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-VL-72B-Instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combine texte, images et vidéos pour les questions visuelles, la lecture documentaire et le texte multilingue dans les images. Son fabricant décrit la compréhension vidéo au-delà de 20 minutes, la résolution dynamique et les intégrations d’agents visuels; la réponse est textuelle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen2-VL-72B-Instruct est l’édition vision-langage 72B entraînée aux instructions autour de Qwen2. Elle reçoit du texte avec des images ou vidéos et génère une réponse textuelle. Le fabricant souligne la compréhension d’images de résolutions et rapports d’aspect différents, l’interprétation du texte dans les images, le raisonnement sur des relations visibles et les réponses sur des vidéos de plus de 20 minutes.
Capacités sur les images et vidéos
Pour une page de document, demandez le contenu précis nécessaire : paragraphe, ligne de tableau, formule ou conditions associées à une affirmation. Gardez la page lisible et indiquez si le résultat doit transcrire les formulations, les résumer ou en expliquer le sens. Une sortie documentaire utile peut conserver l’étiquette de section originale à côté du contenu extrait. Pour un diagramme, demandez comment les éléments étiquetés sont reliés et indiquez la relation à expliquer.
L’usage vidéo documenté inclut questions, dialogue et contenu écrit fondés sur la séquence visible. Définissez l’événement ou le changement à examiner : apparition d’un objet, événement précédant une étape ou lien entre une action démontrée et une procédure écrite. Demandez une description ordonnée des événements ou une comparaison des étapes visibles avec la procédure fournie. L’affirmation du fabricant concernant plus de 20 minutes décrit la compréhension de longues vidéos; ce n’est pas une durée maximale fixe ni la garantie que tout clip brut entre dans une configuration d’entrée inchangée.
Usage d’agents visuels
La version positionne aussi Qwen2-VL pour les agents visuels reliés à des appareils mobiles, robots et autres outils. Son annonce décrit des scénarios d’appels de fonctions et d’interpréteur de code, par exemple produire du code à partir d’un diagramme ou demander une recherche externe avec une question visuelle. L’application environnante fournit les outils, exécute l’action proposée et renvoie le résultat. La réponse textuelle du modèle, seule, ne clique pas sur une commande, ne déplace pas un appareil et n’exécute pas le programme généré.
Une tâche d’interface pratique peut fournir une capture d’écran et le but de l’utilisateur, puis demander la commande visible pertinente pour l’étape suivante et les éléments justifiant ce choix. Gardez l’observation, l’action proposée et l’exécution réelle comme parties distinctes du processus. Cela exploite l’orientation agents visuels tout en rendant le résultat assez précis pour permettre à l’application d’agir.
Texte multilingue dans les images
Le fabricant décrit la reconnaissance de texte dans les images en anglais et chinois, dans la plupart des langues européennes et notamment en japonais, coréen, arabe et vietnamien. Une page multilingue peut donc être abordée comme une tâche de lecture visuelle. Demandez d’abord la transcription originale lorsque les formulations exactes comptent, puis une traduction ou explication dans la langue choisie. Préservez les libellés et nombres plutôt que de mélanger reconnaissance et réécriture non précisée.
Résolution dynamique et information de position
Qwen2-VL associe un encodeur visuel au modèle linguistique Qwen2. Naive Dynamic Resolution convertit différentes tailles d’image en différents nombres de jetons visuels. Multimodal Rotary Position Embedding sépare les informations de position pour représenter l’ordre textuel, les images bidimensionnelles et la structure temporelle et spatiale des vidéos. Ces fonctions expliquent comment une même famille traite une page, plusieurs images ou une séquence vidéo.
Le processeur d’images de la fiche documente une plage par défaut de 4 à 16 384 jetons visuels par image. L’application peut ajuster les pixels minimaux et maximaux en préservant le rapport d’aspect ou demander des dimensions arrondies à un multiple de 28. La plage d’exemple de 256 à 1 280 jetons est une illustration configurable, pas une limite universelle distincte d’image. Davantage de détail utilise plus de calcul et de jetons visuels; conservez donc les libellés, titres et petits objets nécessaires à la question lors de la préparation.
Préparation des entrées et contexte
Le fabricant montre une image unique, plusieurs images, une vidéo sous forme de séquence d’images ou de fichier local, et des conversations par lots. La préparation d’images inclut fichiers locaux, données d’images encodées et références d’images. L’exemple vidéo utilise une fréquence d’images choisie; il n’établit pas une fréquence d’échantillonnage obligatoire pour toute vidéo. Indiquez l’ordre et le rôle des images et fournissez les informations nécessaires à la compréhension d’une séquence, plutôt que de traiter des images sans rapport comme une seule scène.
La configuration publiée fixe les positions maximales à 32 768. Le matériel visuel et les instructions textuelles doivent tenir dans le contexte réellement configuré. L’exemple de génération de 128 jetons n’est qu’un réglage d’exemple; il ne publie pas de capacité maximale de sortie distincte. L’édition 72B doit conserver sa propre configuration plutôt que d’hériter des réglages de long contexte de Qwen2.5-VL ou d’un autre modèle Qwen.
Limites substantielles
Le fabricant précise explicitement que Qwen2-VL ne comprend pas l’audio contenu dans les vidéos. Les informations parlées doivent donc être fournies séparément si la question en dépend. Le jeu d’entraînement sur images est décrit comme actualisé jusqu’à juin 2023; cela concerne ce jeu de données et ne promet pas des connaissances visuelles actuelles.
Les limites documentées comprennent aussi la reconnaissance incomplète de personnes particulières ou de propriétés intellectuelles nommées, les difficultés avec des instructions complexes en plusieurs étapes, le comptage peu fiable dans les scènes complexes et les limites du raisonnement spatial tridimensionnel. Si la tâche dépend d’une de ces capacités, ciblez les objets ou relations nécessaires et conservez les éléments visuels à côté de la réponse. Une source claire et une sortie définie facilitent la vérification sans remplacer ces limites déclarées par une garantie d’exactitude.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen2-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00118 / 1K jetons Sortie · Jetons en sortie $0.00118 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-VL-72B-Instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.