Introduction : l’édition 3B ajustée pour suivre les consignes
Qwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des consignes textuelles accompagnées d’images ou de vidéos et génère des réponses textuelles, y compris des données structurées. Choisissez-le pour une question visuelle clairement définie, une tâche d’extraction documentaire ou une explication reliant le contenu visible à la demande de l’utilisateur. Cette taille et cette version précises conservent leur propre identité; il ne faut pas supposer que les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations Qwen ultérieures s’appliquent à ce point de contrôle.
Compréhension visuelle et processus d’agents
Qwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des éléments graphiques et des mises en page. Pour un formulaire, précisez les champs requis et la signification d’une valeur vide. Pour un graphique, demandez les axes, les unités et les valeurs visibles qui appuient la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image originale qu’une demande générale de tout décrire.
La famille prend aussi en charge le raisonnement d’agent visuel et la direction d’outils pour des processus sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à choisir une action; les outils de l’application connectée exécutent cette action. Une révision de capture d’écran peut demander quelle commande correspond à une tâche et quelle information visible appuie ce choix. Cette utilisation du raisonnement visuel ne donne pas à elle seule le contrôle d’un appareil.
Longues vidéos et localisation des événements
Le fabricant décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. C’est une capacité de la famille, et non une limite inconditionnelle de téléversement de médias ni une garantie de conservation de chaque image. Préparez l’extrait pertinent, conservez son information temporelle et posez une question précise sur l’événement, la séquence ou le changement. L’approche de traitement vidéo du modèle utilise l’information de fréquence d’images pour aligner les observations visuelles sur le temps absolu.
Localisation et documents structurés
Qwen2.5-VL peut retourner les emplacements d’objets sous forme de boîtes englobantes ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet cible et précisez si le résultat doit être un point ou une boîte. Rendez la convention de coordonnées explicite dans l’application qui consomme la sortie au lieu de déduire une mesure physique d’une photographie quelconque.
Le fabricant documente aussi l’extraction structurée de factures numérisées, de formulaires et de tableaux. Fournissez une page lisible et un schéma de sortie : par exemple, le nom du champ, le texte extrait et la région visible qui l’appuie. Préservez les unités, les séparateurs décimaux et les en-têtes des tableaux dans la source. Traitez le contenu incertain ou illisible comme un cas à réviser plutôt que de demander au modèle d’inventer une valeur manquante. Ces exemples de préparation appliquent des capacités documentées; ils ne garantissent pas une extraction exacte.
Changements d’architecture
La résolution dynamique des images est étendue à la vidéo grâce à un entraînement à fréquence d’images variable. Le codage positionnel multimodal mis à jour représente la séquence temporelle et le temps absolu, aidant à repérer des moments précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces changements décrivent la façon dont le modèle traite les documents visuels; ils n’établissent pas de latence fixe pour une application donnée.
Préparer les images et les vidéos
Les exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Identifiez les entrées visuelles multiples pour qu’une question puisse faire référence à chacune. Pour comparer des images, demandez un tableau organisé selon leurs étiquettes et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre et le minutage des images plutôt que de présenter des images déconnectées comme si elles avaient une durée connue.
La plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut viser 256–1,280 tokens en définissant des limites de pixels. Il maintient le rapport d’aspect dans ces limites, tandis que les dimensions redimensionnées explicites sont alignées sur des multiples de 28. Plus de détails consomment davantage de calcul et d’espace de séquence; un petit champ de texte peut donc exiger un recadrage de résolution plus élevée, contrairement à un résumé général de scène. Ce sont des réglages de traitement du fabricant; les options de téléversement de l’application peuvent différer.
Contexte et limites de fond
La configuration publiée du point de contrôle fixe le nombre maximal de positions à 128,000, tandis que la section sur les longs textes qui l’accompagne décrit toujours une configuration de départ de 32,768 tokens. Le guide décrit l’extrapolation YaRN, mais avertit qu’elle peut affecter beaucoup la localisation temporelle et spatiale et ne recommande pas cette méthode pour ces tâches. Il note séparément que le codage positionnel vidéo peut permettre un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être réduites à un plafond d’entrée unique universellement validé.
Le texte, le contenu visuel et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de l’espace pour le résultat et vérifiez le texte extrait, les coordonnées et les heures d’événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et n’établit pas de maximum strict distinct de sortie. Ce modèle retourne une analyse textuelle ou de l’information structurée; ses capacités de vision et de langage ne signifient pas qu’il génère des images ou des vidéos.
", "aboutText": "Introduction : l’édition 3B ajustée pour suivre les consignes\n\nQwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des consignes textuelles accompagnées d’images ou de vidéos et génère des réponses textuelles, y compris des données structurées. Choisissez-le pour une question visuelle clairement définie, une tâche d’extraction documentaire ou une explication reliant le contenu visible à la demande de l’utilisateur. Cette taille et cette version précises conservent leur propre identité; il ne faut pas supposer que les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations Qwen ultérieures s’appliquent à ce point de contrôle.\n\nCompréhension visuelle et processus d’agents\n\nQwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des éléments graphiques et des mises en page. Pour un formulaire, précisez les champs requis et la signification d’une valeur vide. Pour un graphique, demandez les axes, les unités et les valeurs visibles qui appuient la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image originale qu’une demande générale de tout décrire.\n\nLa famille prend aussi en charge le raisonnement d’agent visuel et la direction d’outils pour des processus sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à choisir une action; les outils de l’application connectée exécutent cette action. Une révision de capture d’écran peut demander quelle commande correspond à une tâche et quelle information visible appuie ce choix. Cette utilisation du raisonnement visuel ne donne pas à elle seule le contrôle d’un appareil.\n\nLongues vidéos et localisation des événements\n\nLe fabricant décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. C’est une capacité de la famille, et non une limite inconditionnelle de téléversement de médias ni une garantie de conservation de chaque image. Préparez l’extrait pertinent, conservez son information temporelle et posez une question précise sur l’événement, la séquence ou le changement. L’approche de traitement vidéo du modèle utilise l’information de fréquence d’images pour aligner les observations visuelles sur le temps absolu.\n\nLocalisation et documents structurés\n\nQwen2.5-VL peut retourner les emplacements d’objets sous forme de boîtes englobantes ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet cible et précisez si le résultat doit être un point ou une boîte. Rendez la convention de coordonnées explicite dans l’application qui consomme la sortie au lieu de déduire une mesure physique d’une photographie quelconque.\n\nLe fabricant documente aussi l’extraction structurée de factures numérisées, de formulaires et de tableaux. Fournissez une page lisible et un schéma de sortie : par exemple, le nom du champ, le texte extrait et la région visible qui l’appuie. Préservez les unités, les séparateurs décimaux et les en-têtes des tableaux dans la source. Traitez le contenu incertain ou illisible comme un cas à réviser plutôt que de demander au modèle d’inventer une valeur manquante. Ces exemples de préparation appliquent des capacités documentées; ils ne garantissent pas une extraction exacte.\n\nChangements d’architecture\n\nLa résolution dynamique des images est étendue à la vidéo grâce à un entraînement à fréquence d’images variable. Le codage positionnel multimodal mis à jour représente la séquence temporelle et le temps absolu, aidant à repérer des moments précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces changements décrivent la façon dont le modèle traite les documents visuels; ils n’établissent pas de latence fixe pour une application donnée.\n\nPréparer les images et les vidéos\n\nLes exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Identifiez les entrées visuelles multiples pour qu’une question puisse faire référence à chacune. Pour comparer des images, demandez un tableau organisé selon leurs étiquettes et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre et le minutage des images plutôt que de présenter des images déconnectées comme si elles avaient une durée connue.\n\nLa plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut viser 256–1,280 tokens en définissant des limites de pixels. Il maintient le rapport d’aspect dans ces limites, tandis que les dimensions redimensionnées explicites sont alignées sur des multiples de 28. Plus de détails consomment davantage de calcul et d’espace de séquence; un petit champ de texte peut donc exiger un recadrage de résolution plus élevée, contrairement à un résumé général de scène. Ce sont des réglages de traitement du fabricant; les options de téléversement de l’application peuvent différer.\n\nContexte et limites de fond\n\nLa configuration publiée du point de contrôle fixe le nombre maximal de positions à 128,000, tandis que la section sur les longs textes qui l’accompagne décrit toujours une configuration de départ de 32,768 tokens. Le guide décrit l’extrapolation YaRN, mais avertit qu’elle peut affecter beaucoup la localisation temporelle et spatiale et ne recommande pas cette méthode pour ces tâches. Il note séparément que le codage positionnel vidéo peut permettre un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être réduites à un plafond d’entrée unique universellement validé.\n\nLe texte, le contenu visuel et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de l’espace pour le résultat et vérifiez le texte extrait, les coordonnées et les heures d’événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et n’établit pas de maximum strict distinct de sortie. Ce modèle retourne une analyse textuelle ou de l’information structurée; ses capacités de vision et de langage ne signifient pas qu’il génère des images ou des vidéos.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct est le modèle compact de vision et de langage de Qwen ajusté pour suivre les consignes, destiné au texte, aux images et à la vidéo. Il retourne du texte et de l’information visuelle structurée, notamment des champs de document, des coordonnées d’objets et des descriptions d’événements, avec une résolution dynamique et un traitement vidéo tenant compte du temps.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Introduction : l’édition 3B ajustée pour suivre les consignes
Qwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des consignes textuelles accompagnées d’images ou de vidéos et génère des réponses textuelles, y compris des données structurées. Choisissez-le pour une question visuelle clairement définie, une tâche d’extraction documentaire ou une explication reliant le contenu visible à la demande de l’utilisateur. Cette taille et cette version précises conservent leur propre identité; il ne faut pas supposer que les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations Qwen ultérieures s’appliquent à ce point de contrôle.
Compréhension visuelle et processus d’agents
Qwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des éléments graphiques et des mises en page. Pour un formulaire, précisez les champs requis et la signification d’une valeur vide. Pour un graphique, demandez les axes, les unités et les valeurs visibles qui appuient la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image originale qu’une demande générale de tout décrire.
La famille prend aussi en charge le raisonnement d’agent visuel et la direction d’outils pour des processus sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à choisir une action; les outils de l’application connectée exécutent cette action. Une révision de capture d’écran peut demander quelle commande correspond à une tâche et quelle information visible appuie ce choix. Cette utilisation du raisonnement visuel ne donne pas à elle seule le contrôle d’un appareil.
Longues vidéos et localisation des événements
Le fabricant décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. C’est une capacité de la famille, et non une limite inconditionnelle de téléversement de médias ni une garantie de conservation de chaque image. Préparez l’extrait pertinent, conservez son information temporelle et posez une question précise sur l’événement, la séquence ou le changement. L’approche de traitement vidéo du modèle utilise l’information de fréquence d’images pour aligner les observations visuelles sur le temps absolu.
Localisation et documents structurés
Qwen2.5-VL peut retourner les emplacements d’objets sous forme de boîtes englobantes ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet cible et précisez si le résultat doit être un point ou une boîte. Rendez la convention de coordonnées explicite dans l’application qui consomme la sortie au lieu de déduire une mesure physique d’une photographie quelconque.
Le fabricant documente aussi l’extraction structurée de factures numérisées, de formulaires et de tableaux. Fournissez une page lisible et un schéma de sortie : par exemple, le nom du champ, le texte extrait et la région visible qui l’appuie. Préservez les unités, les séparateurs décimaux et les en-têtes des tableaux dans la source. Traitez le contenu incertain ou illisible comme un cas à réviser plutôt que de demander au modèle d’inventer une valeur manquante. Ces exemples de préparation appliquent des capacités documentées; ils ne garantissent pas une extraction exacte.
Changements d’architecture
La résolution dynamique des images est étendue à la vidéo grâce à un entraînement à fréquence d’images variable. Le codage positionnel multimodal mis à jour représente la séquence temporelle et le temps absolu, aidant à repérer des moments précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces changements décrivent la façon dont le modèle traite les documents visuels; ils n’établissent pas de latence fixe pour une application donnée.
Préparer les images et les vidéos
Les exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Identifiez les entrées visuelles multiples pour qu’une question puisse faire référence à chacune. Pour comparer des images, demandez un tableau organisé selon leurs étiquettes et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre et le minutage des images plutôt que de présenter des images déconnectées comme si elles avaient une durée connue.
La plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut viser 256–1,280 tokens en définissant des limites de pixels. Il maintient le rapport d’aspect dans ces limites, tandis que les dimensions redimensionnées explicites sont alignées sur des multiples de 28. Plus de détails consomment davantage de calcul et d’espace de séquence; un petit champ de texte peut donc exiger un recadrage de résolution plus élevée, contrairement à un résumé général de scène. Ce sont des réglages de traitement du fabricant; les options de téléversement de l’application peuvent différer.
Contexte et limites de fond
La configuration publiée du point de contrôle fixe le nombre maximal de positions à 128,000, tandis que la section sur les longs textes qui l’accompagne décrit toujours une configuration de départ de 32,768 tokens. Le guide décrit l’extrapolation YaRN, mais avertit qu’elle peut affecter beaucoup la localisation temporelle et spatiale et ne recommande pas cette méthode pour ces tâches. Il note séparément que le codage positionnel vidéo peut permettre un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être réduites à un plafond d’entrée unique universellement validé.
Le texte, le contenu visuel et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de l’espace pour le résultat et vérifiez le texte extrait, les coordonnées et les heures d’événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et n’établit pas de maximum strict distinct de sortie. Ce modèle retourne une analyse textuelle ou de l’information structurée; ses capacités de vision et de langage ne signifient pas qu’il génère des images ou des vidéos.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-vl-3b-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 $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0012 / 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": "qwen2.5-vl-3b-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-3b-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-3b-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 qwen2.5-vl-3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct est le modèle compact de vision et de langage de Qwen ajusté pour suivre les consignes, destiné au texte, aux images et à la vidéo. Il retourne du texte et de l’information visuelle structurée, notamment des champs de document, des coordonnées d’objets et des descriptions d’événements, avec une résolution dynamique et un traitement vidéo tenant compte du temps.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Introduction : l’édition 3B ajustée pour suivre les consignes
Qwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des consignes textuelles accompagnées d’images ou de vidéos et génère des réponses textuelles, y compris des données structurées. Choisissez-le pour une question visuelle clairement définie, une tâche d’extraction documentaire ou une explication reliant le contenu visible à la demande de l’utilisateur. Cette taille et cette version précises conservent leur propre identité; il ne faut pas supposer que les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations Qwen ultérieures s’appliquent à ce point de contrôle.
Compréhension visuelle et processus d’agents
Qwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des éléments graphiques et des mises en page. Pour un formulaire, précisez les champs requis et la signification d’une valeur vide. Pour un graphique, demandez les axes, les unités et les valeurs visibles qui appuient la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image originale qu’une demande générale de tout décrire.
La famille prend aussi en charge le raisonnement d’agent visuel et la direction d’outils pour des processus sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à choisir une action; les outils de l’application connectée exécutent cette action. Une révision de capture d’écran peut demander quelle commande correspond à une tâche et quelle information visible appuie ce choix. Cette utilisation du raisonnement visuel ne donne pas à elle seule le contrôle d’un appareil.
Longues vidéos et localisation des événements
Le fabricant décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. C’est une capacité de la famille, et non une limite inconditionnelle de téléversement de médias ni une garantie de conservation de chaque image. Préparez l’extrait pertinent, conservez son information temporelle et posez une question précise sur l’événement, la séquence ou le changement. L’approche de traitement vidéo du modèle utilise l’information de fréquence d’images pour aligner les observations visuelles sur le temps absolu.
Localisation et documents structurés
Qwen2.5-VL peut retourner les emplacements d’objets sous forme de boîtes englobantes ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet cible et précisez si le résultat doit être un point ou une boîte. Rendez la convention de coordonnées explicite dans l’application qui consomme la sortie au lieu de déduire une mesure physique d’une photographie quelconque.
Le fabricant documente aussi l’extraction structurée de factures numérisées, de formulaires et de tableaux. Fournissez une page lisible et un schéma de sortie : par exemple, le nom du champ, le texte extrait et la région visible qui l’appuie. Préservez les unités, les séparateurs décimaux et les en-têtes des tableaux dans la source. Traitez le contenu incertain ou illisible comme un cas à réviser plutôt que de demander au modèle d’inventer une valeur manquante. Ces exemples de préparation appliquent des capacités documentées; ils ne garantissent pas une extraction exacte.
Changements d’architecture
La résolution dynamique des images est étendue à la vidéo grâce à un entraînement à fréquence d’images variable. Le codage positionnel multimodal mis à jour représente la séquence temporelle et le temps absolu, aidant à repérer des moments précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces changements décrivent la façon dont le modèle traite les documents visuels; ils n’établissent pas de latence fixe pour une application donnée.
Préparer les images et les vidéos
Les exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Identifiez les entrées visuelles multiples pour qu’une question puisse faire référence à chacune. Pour comparer des images, demandez un tableau organisé selon leurs étiquettes et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre et le minutage des images plutôt que de présenter des images déconnectées comme si elles avaient une durée connue.
La plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut viser 256–1,280 tokens en définissant des limites de pixels. Il maintient le rapport d’aspect dans ces limites, tandis que les dimensions redimensionnées explicites sont alignées sur des multiples de 28. Plus de détails consomment davantage de calcul et d’espace de séquence; un petit champ de texte peut donc exiger un recadrage de résolution plus élevée, contrairement à un résumé général de scène. Ce sont des réglages de traitement du fabricant; les options de téléversement de l’application peuvent différer.
Contexte et limites de fond
La configuration publiée du point de contrôle fixe le nombre maximal de positions à 128,000, tandis que la section sur les longs textes qui l’accompagne décrit toujours une configuration de départ de 32,768 tokens. Le guide décrit l’extrapolation YaRN, mais avertit qu’elle peut affecter beaucoup la localisation temporelle et spatiale et ne recommande pas cette méthode pour ces tâches. Il note séparément que le codage positionnel vidéo peut permettre un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être réduites à un plafond d’entrée unique universellement validé.
Le texte, le contenu visuel et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de l’espace pour le résultat et vérifiez le texte extrait, les coordonnées et les heures d’événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et n’établit pas de maximum strict distinct de sortie. Ce modèle retourne une analyse textuelle ou de l’information structurée; ses capacités de vision et de langage ne signifient pas qu’il génère des images ou des vidéos.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen2.5-vl-3b-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 $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3b-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-3b-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 qwen2.5-vl-3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.