Introduction : l’édition 3B affinée pour suivre des instructions
Qwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des instructions 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 identité propre ; les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations ultérieures de Qwen ne doivent pas être supposées applicables à ce checkpoint.
Compréhension visuelle et flux de travail avec des agents
Qwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des illustrations 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 étayant la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image d’origine qu’une demande générale de tout décrire.
La famille prend aussi en charge le raisonnement d’agent visuel et le guidage d’outils pour des flux sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à décider d’une action ; les outils applicatifs connectés exécutent cette action. L’examen d’une capture d’écran peut demander quelle commande correspond à une tâche et quelles informations visibles justifient ce choix. Ce raisonnement visuel ne donne pas, à lui seul, le contrôle d’un appareil.
Longues vidéos et localisation des événements
Le concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. Il s’agit d’une capacité de la famille, et non d’une limite inconditionnelle de téléversement de médias ou de la garantie que chaque image est conservée. Préparez l’extrait pertinent, préservez ses informations temporelles et posez une question précise sur l’événement, la séquence ou le changement. Le traitement vidéo du modèle utilise la fréquence d’images pour aligner les observations visuelles sur le temps absolu.
Localisation et documents structurés
Qwen2.5-VL peut renvoyer l’emplacement d’objets sous forme de cadres englobants ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet ciblé et précisez si le résultat doit être un point ou un cadre. Rendez la convention de coordonnées explicite dans l’application consommatrice plutôt que de déduire une mesure physique d’une photographie quelconque.
Le concepteur documente aussi l’extraction structurée à partir 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 zone visible qui l’étaye. Conservez les unités, les séparateurs décimaux et les en-têtes de tableau de la source. Traitez les contenus incertains ou illisibles comme des cas à examiner 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.
Évolutions de l’architecture
La résolution dynamique des images s’étend à la vidéo grâce à un entraînement à fréquence d’images variable. L’encodage positionnel multimodal actualisé représente la séquence temporelle et le temps absolu, aidant à identifier des instants précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces évolutions décrivent le traitement des contenus visuels par le modèle ; elles n’établissent pas une latence fixe pour une application donnée.
Préparation des images et de la vidéo
Les exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Étiquetez les différentes entrées visuelles afin qu’une question puisse se référer à chacune. Pour comparer des images, demandez un tableau organisé par libellé et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre des images et leur minutage au lieu de présenter des images isolées comme si leur durée était connue.
La plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut cibler 256–1,280 tokens en fixant des bornes de pixels. Il conserve le rapport d’aspect dans ces bornes, tandis que les dimensions explicites de redimensionnement sont alignées sur des multiples de 28. Un niveau de détail supérieur consomme davantage de calcul et d’espace dans la séquence ; un petit champ textuel peut donc nécessiter un recadrage de résolution supérieure, contrairement à un résumé global de la scène. Ce sont des contrôles de traitement du concepteur ; les options de téléversement de l’application peuvent différer.
Contexte et limites substantielles
La configuration du checkpoint publié fixe le nombre maximal de positions à 128,000, tandis que la section associée sur les textes longs décrit encore une configuration initiale de 32,768 tokens. Le guide décrit l’extrapolation YaRN mais avertit qu’elle peut fortement affecter la localisation temporelle et spatiale et la déconseille pour ces tâches. Il indique séparément que l’encodage positionnel vidéo peut autoriser un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être fusionnées en un plafond d’entrée unique et universellement validé.
Le texte, les contenus visuels et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de la place au résultat et vérifiez le texte extrait, les coordonnées et les heures des événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et ne fixe pas de maximum strict distinct pour la sortie. Ce modèle renvoie une analyse textuelle ou des informations structurées ; ses capacités de langage visuel ne signifient pas qu’il génère des images ou de la vidéo.
", "aboutText": "Introduction : l’édition 3B affinée pour suivre des instructions\n\nQwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des instructions 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 identité propre ; les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations ultérieures de Qwen ne doivent pas être supposées applicables à ce checkpoint.\n\nCompréhension visuelle et flux de travail avec des agents\n\nQwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des illustrations 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 étayant la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image d’origine qu’une demande générale de tout décrire.\n\nLa famille prend aussi en charge le raisonnement d’agent visuel et le guidage d’outils pour des flux sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à décider d’une action ; les outils applicatifs connectés exécutent cette action. L’examen d’une capture d’écran peut demander quelle commande correspond à une tâche et quelles informations visibles justifient ce choix. Ce raisonnement visuel ne donne pas, à lui seul, le contrôle d’un appareil.\n\nLongues vidéos et localisation des événements\n\nLe concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. Il s’agit d’une capacité de la famille, et non d’une limite inconditionnelle de téléversement de médias ou de la garantie que chaque image est conservée. Préparez l’extrait pertinent, préservez ses informations temporelles et posez une question précise sur l’événement, la séquence ou le changement. Le traitement vidéo du modèle utilise la fréquence d’images pour aligner les observations visuelles sur le temps absolu.\n\nLocalisation et documents structurés\n\nQwen2.5-VL peut renvoyer l’emplacement d’objets sous forme de cadres englobants ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet ciblé et précisez si le résultat doit être un point ou un cadre. Rendez la convention de coordonnées explicite dans l’application consommatrice plutôt que de déduire une mesure physique d’une photographie quelconque.\n\nLe concepteur documente aussi l’extraction structurée à partir 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 zone visible qui l’étaye. Conservez les unités, les séparateurs décimaux et les en-têtes de tableau de la source. Traitez les contenus incertains ou illisibles comme des cas à examiner 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\nÉvolutions de l’architecture\n\nLa résolution dynamique des images s’étend à la vidéo grâce à un entraînement à fréquence d’images variable. L’encodage positionnel multimodal actualisé représente la séquence temporelle et le temps absolu, aidant à identifier des instants précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces évolutions décrivent le traitement des contenus visuels par le modèle ; elles n’établissent pas une latence fixe pour une application donnée.\n\nPréparation des images et de la vidéo\n\nLes exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Étiquetez les différentes entrées visuelles afin qu’une question puisse se référer à chacune. Pour comparer des images, demandez un tableau organisé par libellé et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre des images et leur minutage au lieu de présenter des images isolées comme si leur durée était connue.\n\nLa plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut cibler 256–1,280 tokens en fixant des bornes de pixels. Il conserve le rapport d’aspect dans ces bornes, tandis que les dimensions explicites de redimensionnement sont alignées sur des multiples de 28. Un niveau de détail supérieur consomme davantage de calcul et d’espace dans la séquence ; un petit champ textuel peut donc nécessiter un recadrage de résolution supérieure, contrairement à un résumé global de la scène. Ce sont des contrôles de traitement du concepteur ; les options de téléversement de l’application peuvent différer.\n\nContexte et limites substantielles\n\nLa configuration du checkpoint publié fixe le nombre maximal de positions à 128,000, tandis que la section associée sur les textes longs décrit encore une configuration initiale de 32,768 tokens. Le guide décrit l’extrapolation YaRN mais avertit qu’elle peut fortement affecter la localisation temporelle et spatiale et la déconseille pour ces tâches. Il indique séparément que l’encodage positionnel vidéo peut autoriser un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être fusionnées en un plafond d’entrée unique et universellement validé.\n\nLe texte, les contenus visuels et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de la place au résultat et vérifiez le texte extrait, les coordonnées et les heures des événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et ne fixe pas de maximum strict distinct pour la sortie. Ce modèle renvoie une analyse textuelle ou des informations structurées ; ses capacités de langage visuel ne signifient pas qu’il génère des images ou de la vidéo.", "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 langage visuel de Qwen, affiné pour suivre des instructions, pour le texte, les images et la vidéo. Il renvoie du texte et des informations visuelles structurées, 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 affinée pour suivre des instructions
Qwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des instructions 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 identité propre ; les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations ultérieures de Qwen ne doivent pas être supposées applicables à ce checkpoint.
Compréhension visuelle et flux de travail avec des agents
Qwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des illustrations 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 étayant la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image d’origine qu’une demande générale de tout décrire.
La famille prend aussi en charge le raisonnement d’agent visuel et le guidage d’outils pour des flux sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à décider d’une action ; les outils applicatifs connectés exécutent cette action. L’examen d’une capture d’écran peut demander quelle commande correspond à une tâche et quelles informations visibles justifient ce choix. Ce raisonnement visuel ne donne pas, à lui seul, le contrôle d’un appareil.
Longues vidéos et localisation des événements
Le concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. Il s’agit d’une capacité de la famille, et non d’une limite inconditionnelle de téléversement de médias ou de la garantie que chaque image est conservée. Préparez l’extrait pertinent, préservez ses informations temporelles et posez une question précise sur l’événement, la séquence ou le changement. Le traitement vidéo du modèle utilise la fréquence d’images pour aligner les observations visuelles sur le temps absolu.
Localisation et documents structurés
Qwen2.5-VL peut renvoyer l’emplacement d’objets sous forme de cadres englobants ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet ciblé et précisez si le résultat doit être un point ou un cadre. Rendez la convention de coordonnées explicite dans l’application consommatrice plutôt que de déduire une mesure physique d’une photographie quelconque.
Le concepteur documente aussi l’extraction structurée à partir 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 zone visible qui l’étaye. Conservez les unités, les séparateurs décimaux et les en-têtes de tableau de la source. Traitez les contenus incertains ou illisibles comme des cas à examiner 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.
Évolutions de l’architecture
La résolution dynamique des images s’étend à la vidéo grâce à un entraînement à fréquence d’images variable. L’encodage positionnel multimodal actualisé représente la séquence temporelle et le temps absolu, aidant à identifier des instants précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces évolutions décrivent le traitement des contenus visuels par le modèle ; elles n’établissent pas une latence fixe pour une application donnée.
Préparation des images et de la vidéo
Les exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Étiquetez les différentes entrées visuelles afin qu’une question puisse se référer à chacune. Pour comparer des images, demandez un tableau organisé par libellé et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre des images et leur minutage au lieu de présenter des images isolées comme si leur durée était connue.
La plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut cibler 256–1,280 tokens en fixant des bornes de pixels. Il conserve le rapport d’aspect dans ces bornes, tandis que les dimensions explicites de redimensionnement sont alignées sur des multiples de 28. Un niveau de détail supérieur consomme davantage de calcul et d’espace dans la séquence ; un petit champ textuel peut donc nécessiter un recadrage de résolution supérieure, contrairement à un résumé global de la scène. Ce sont des contrôles de traitement du concepteur ; les options de téléversement de l’application peuvent différer.
Contexte et limites substantielles
La configuration du checkpoint publié fixe le nombre maximal de positions à 128,000, tandis que la section associée sur les textes longs décrit encore une configuration initiale de 32,768 tokens. Le guide décrit l’extrapolation YaRN mais avertit qu’elle peut fortement affecter la localisation temporelle et spatiale et la déconseille pour ces tâches. Il indique séparément que l’encodage positionnel vidéo peut autoriser un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être fusionnées en un plafond d’entrée unique et universellement validé.
Le texte, les contenus visuels et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de la place au résultat et vérifiez le texte extrait, les coordonnées et les heures des événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et ne fixe pas de maximum strict distinct pour la sortie. Ce modèle renvoie une analyse textuelle ou des informations structurées ; ses capacités de langage visuel ne signifient pas qu’il génère des images ou de la vidéo.
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’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2.5-vl-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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct est le modèle compact de langage visuel de Qwen, affiné pour suivre des instructions, pour le texte, les images et la vidéo. Il renvoie du texte et des informations visuelles structurées, 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 affinée pour suivre des instructions
Qwen2.5-VL-3B-Instruct est le membre 3B de Qwen2.5-VL. Il accepte des instructions 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 identité propre ; les fonctions ajoutées spécifiquement à d’autres tailles ou à des générations ultérieures de Qwen ne doivent pas être supposées applicables à ce checkpoint.
Compréhension visuelle et flux de travail avec des agents
Qwen décrit la reconnaissance d’objets courants et l’analyse de l’écriture, des graphiques, des icônes, des illustrations 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 étayant la conclusion. Une demande ciblée rend la sortie plus facile à comparer à l’image d’origine qu’une demande générale de tout décrire.
La famille prend aussi en charge le raisonnement d’agent visuel et le guidage d’outils pour des flux sur ordinateur ou téléphone. Le modèle peut interpréter une interface et aider à décider d’une action ; les outils applicatifs connectés exécutent cette action. L’examen d’une capture d’écran peut demander quelle commande correspond à une tâche et quelles informations visibles justifient ce choix. Ce raisonnement visuel ne donne pas, à lui seul, le contrôle d’un appareil.
Longues vidéos et localisation des événements
Le concepteur décrit la compréhension de vidéos de plus d’une heure et l’identification des segments pertinents pour un événement demandé. Il s’agit d’une capacité de la famille, et non d’une limite inconditionnelle de téléversement de médias ou de la garantie que chaque image est conservée. Préparez l’extrait pertinent, préservez ses informations temporelles et posez une question précise sur l’événement, la séquence ou le changement. Le traitement vidéo du modèle utilise la fréquence d’images pour aligner les observations visuelles sur le temps absolu.
Localisation et documents structurés
Qwen2.5-VL peut renvoyer l’emplacement d’objets sous forme de cadres englobants ou de points, avec des coordonnées et des attributs en JSON. Pour une tâche de localisation, nommez l’objet ciblé et précisez si le résultat doit être un point ou un cadre. Rendez la convention de coordonnées explicite dans l’application consommatrice plutôt que de déduire une mesure physique d’une photographie quelconque.
Le concepteur documente aussi l’extraction structurée à partir 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 zone visible qui l’étaye. Conservez les unités, les séparateurs décimaux et les en-têtes de tableau de la source. Traitez les contenus incertains ou illisibles comme des cas à examiner 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.
Évolutions de l’architecture
La résolution dynamique des images s’étend à la vidéo grâce à un entraînement à fréquence d’images variable. L’encodage positionnel multimodal actualisé représente la séquence temporelle et le temps absolu, aidant à identifier des instants précis et des changements de vitesse. L’encodeur visuel utilise l’attention par fenêtres avec SwiGLU et RMSNorm. Ces évolutions décrivent le traitement des contenus visuels par le modèle ; elles n’établissent pas une latence fixe pour une application donnée.
Préparation des images et de la vidéo
Les exemples officiels couvrent les images uniques, les images multiples, les conversations uniquement textuelles, les fichiers vidéo et les listes ordonnées d’images. Étiquetez les différentes entrées visuelles afin qu’une question puisse se référer à chacune. Pour comparer des images, demandez un tableau organisé par libellé et limitez le résultat aux différences visibles. Pour une chronologie vidéo, préservez l’ordre des images et leur minutage au lieu de présenter des images isolées comme si leur durée était connue.
La plage par défaut documentée du processeur d’images va de quatre à 16,384 tokens visuels par image. Son exemple peut cibler 256–1,280 tokens en fixant des bornes de pixels. Il conserve le rapport d’aspect dans ces bornes, tandis que les dimensions explicites de redimensionnement sont alignées sur des multiples de 28. Un niveau de détail supérieur consomme davantage de calcul et d’espace dans la séquence ; un petit champ textuel peut donc nécessiter un recadrage de résolution supérieure, contrairement à un résumé global de la scène. Ce sont des contrôles de traitement du concepteur ; les options de téléversement de l’application peuvent différer.
Contexte et limites substantielles
La configuration du checkpoint publié fixe le nombre maximal de positions à 128,000, tandis que la section associée sur les textes longs décrit encore une configuration initiale de 32,768 tokens. Le guide décrit l’extrapolation YaRN mais avertit qu’elle peut fortement affecter la localisation temporelle et spatiale et la déconseille pour ces tâches. Il indique séparément que l’encodage positionnel vidéo peut autoriser un réglage de positions plus élevé, avec 64K comme exemple. Ces différentes descriptions de configuration ne doivent pas être fusionnées en un plafond d’entrée unique et universellement validé.
Le texte, les contenus visuels et la réponse partagent un budget de séquence fini. Gardez le contenu pertinent lisible, réservez de la place au résultat et vérifiez le texte extrait, les coordonnées et les heures des événements par rapport à l’original. L’exemple de génération de 128 tokens de la fiche est illustratif et ne fixe pas de maximum strict distinct pour la sortie. Ce modèle renvoie une analyse textuelle ou des informations structurées ; ses capacités de langage visuel ne signifient pas qu’il génère des images ou de la vidéo.
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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0004 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen2.5-vl-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.