מבוא: מהדורת השפה והראייה בגודל 7B
Qwen2-VL-7B-Instruct הוא חבר משפחת Qwen2-VL בגודל 7B המכוונן להוראות. הוא משלב הוראות טקסט עם תמונות או וידאו ומפיק תשובות טקסטואליות. פלטים שימושיים כוללים הסבר על עמוד, השוואת תמונות, תיאור אירועים נראים או תשובה לשאלה על תרשים. זו גרסת Qwen2-VL המסוימת הזו; לגרסאות Qwen2.5-VL ו־Qwen3-VL החדשות יותר יש יכולות וזהויות משלהן.
מה Qwen2-VL מוסיף
Qwen מתארת הבנה חזותית ברזולוציות תמונה וביחסי ממדים שונים, לצד מענה על שאלות על וידאו, דיאלוג ויצירת תוכן. יכולת הווידאו המתועדת של המשפחה כוללת חומר שאורכו יותר מ־20 דקות. משך לבדו אינו קובע כמה פריימים יישום מעבד ואינו מבטיח זכירה של כל אירוע. הבנת טקסט רב־לשוני בתמונות כוללת אנגלית וסינית, שפות אירופיות רבות, יפנית, קוריאנית, ערבית ווייטנאמית.
היצרנית מתארת גם שילוב עם טלפונים, רובוטים ומכשירים אחרים באמצעות תצפיות חזותיות והוראות טקסט. זהו תהליך עבודה של יישום: המודל מפרש את הסביבה החזותית ומסייע בבחירת פעולות, בעוד תוכנה או חומרה מחוברות מבצעות אותן. זיהוי מסך אינו מקנה לו כשלעצמו שליטה במסך.
שינויים בארכיטקטורה
רזולוציה דינמית ממירה תמונה למספר משתנה של טוקנים חזותיים במקום לכפות ייצוג זהה לכל קלט. M-ROPE מפריד מידע על מיקום עבור טקסט, תמונות דו־ממדיות ומידע וידאו תלת־ממדי, ומשלב מבנה מרחבי וזמני. תצורת 7B שפורסמה מציינת 32,768 מיקומים. טקסט, טוקנים חזותיים ופלט שנוצר חולקים תקציב רצף סופי, ולכן רזולוציית התמונות ודגימת הווידאו משפיעות על כמות החומר שאפשר לכלול בבקשה.
הכנת תמונות ושיחות
הדוגמאות הרשמיות תומכות בתמונה יחידה, בכמה תמונות ובשיחות טקסט בלבד. צרפו את התמונה עם שאלה מסוימת במקום להסתמך על הוראה רחבה כגון ״נתח הכול״. בעמוד מסמך, בקשו שדות נקובים ושימור סימני פיסוק בציטוטים. בשני צילומי מסך של עיצוב, סמנו אותם כראשון ושני ואז בקשו טבלה של שינויים נראים לעין. בתרשים, בקשו את התוויות, היחידות והערכים התומכים במגמה שצוינה. אלה שימושים מעשיים במענה על שאלות חזותיות, ולא הבטחה לחילוץ נטול שגיאות.
כלי העזר של היצרנית מקבלים תמונות מקבצים מקומיים, מנתוני תמונה מקודדים או ממיקומי תמונות; דוגמת הווידאו המתועדת משתמשת בקובצי וידאו מקומיים או ברשימת פריימים מסודרת. פורמטי ההעלאה של היישום נשארים החלטת ממשק נפרדת. שמרו על סדר הפריימים המקורי וציינו את פרק הזמן שרשימת הפריימים מייצגת. הדוגמאות מפיקות טקסט; גרסת מודל זו אינה מתוארת כמחולל תמונות או וידאו.
רזולוציה והכנת וידאו
המעבד של Qwen משתמש בטווח ברירת מחדל של ארבעה עד 16,384 טוקנים חזותיים לכל תמונה. הוא חושף את min_pixels ואת max_pixels לאיזון בין פירוט לבין זיכרון וחישוב, עם דוגמה מתועדת המכוונת ל־256–1,280 טוקנים חזותיים. גודל התמונות משתנה בתוך הגבולות שנבחרו תוך שמירה על יחס הממדים. ממדים מפורשים לשינוי גודל מעוגלים לכפולה של 28. טבלה צפופה או כתב קטן עשויים לדרוש רזולוציה מספקת כדי להישאר קריאים; הגדלתה צורכת גם חלק גדול יותר מתקציב הראייה וההקשר הזמין.
דוגמת הווידאו מציגה קצב דגימה של פריים אחד בשנייה וגבול פיקסלים הניתן להגדרה. אלה הגדרות לדוגמה, ולא קצב נדרש אחיד או מגבלת מדיה קשיחה. לסקירת אירוע, ספקו את המקטע הרלוונטי ובקשו תיאור מסודר של שינויים נראים. אירועים סמוכים בזמן עשויים לדרוש דגימה צפופה יותר מסיכום כללי של סצנה. Qwen2-VL אינו מבין מידע אודיו בתוך סרטונים, ולכן דיאלוג מדובר או אפקטים קוליים דורשים תהליך אודיו נפרד.
מגבלות ידועות
Qwen מציינת שתאריך החיתוך של נתוני אימון התמונות הוא יוני 2023, ללא הבטחה לידע על אנשים, מוצרים או אירועים מאוחרים יותר. זיהוי של אנשים מסוימים ושל קניין רוחני אינו מלא. הוראות מורכבות מרובות שלבים, ספירת אובייקטים בסצנות עמוסות ויחסים מרחביים — במיוחד בתלת־ממד — הם נקודות חולשה מתועדות. פצלו משימה חזותית מסובכת לשאלות ברורות, בקשו את הראיות הנראות התומכות בתוצאה ובדקו מספרים שחולצו וטקסט מצוטט מול התמונה. אין להתייחס לכיתוב סביר כאל ספירה מדויקת או מיקום תלת־ממדי שנמדד.
דוגמאות היצירה הקצרות בכרטיס אינן קובעות תקרת פלט קשיחה נפרדת. תכננו את גודל התשובה לצד קלט הטקסט והראייה, ושמרו במקור די פירוט עבור השאלה המסוימת. כך בחירת המודל והכנת הקלט מועילות יותר מהנחה שכל תמונה או כל סרטון ארוך מניבים תשובה אמינה באותה מידה.
", "aboutText": "מבוא: מהדורת השפה והראייה בגודל 7B\n\nQwen2-VL-7B-Instruct הוא חבר משפחת Qwen2-VL בגודל 7B המכוונן להוראות. הוא משלב הוראות טקסט עם תמונות או וידאו ומפיק תשובות טקסטואליות. פלטים שימושיים כוללים הסבר על עמוד, השוואת תמונות, תיאור אירועים נראים או תשובה לשאלה על תרשים. זו גרסת Qwen2-VL המסוימת הזו; לגרסאות Qwen2.5-VL ו־Qwen3-VL החדשות יותר יש יכולות וזהויות משלהן.\n\nמה Qwen2-VL מוסיף\n\nQwen מתארת הבנה חזותית ברזולוציות תמונה וביחסי ממדים שונים, לצד מענה על שאלות על וידאו, דיאלוג ויצירת תוכן. יכולת הווידאו המתועדת של המשפחה כוללת חומר שאורכו יותר מ־20 דקות. משך לבדו אינו קובע כמה פריימים יישום מעבד ואינו מבטיח זכירה של כל אירוע. הבנת טקסט רב־לשוני בתמונות כוללת אנגלית וסינית, שפות אירופיות רבות, יפנית, קוריאנית, ערבית ווייטנאמית.\n\nהיצרנית מתארת גם שילוב עם טלפונים, רובוטים ומכשירים אחרים באמצעות תצפיות חזותיות והוראות טקסט. זהו תהליך עבודה של יישום: המודל מפרש את הסביבה החזותית ומסייע בבחירת פעולות, בעוד תוכנה או חומרה מחוברות מבצעות אותן. זיהוי מסך אינו מקנה לו כשלעצמו שליטה במסך.\n\nשינויים בארכיטקטורה\n\nרזולוציה דינמית ממירה תמונה למספר משתנה של טוקנים חזותיים במקום לכפות ייצוג זהה לכל קלט. M-ROPE מפריד מידע על מיקום עבור טקסט, תמונות דו־ממדיות ומידע וידאו תלת־ממדי, ומשלב מבנה מרחבי וזמני. תצורת 7B שפורסמה מציינת 32,768 מיקומים. טקסט, טוקנים חזותיים ופלט שנוצר חולקים תקציב רצף סופי, ולכן רזולוציית התמונות ודגימת הווידאו משפיעות על כמות החומר שאפשר לכלול בבקשה.\n\nהכנת תמונות ושיחות\n\nהדוגמאות הרשמיות תומכות בתמונה יחידה, בכמה תמונות ובשיחות טקסט בלבד. צרפו את התמונה עם שאלה מסוימת במקום להסתמך על הוראה רחבה כגון ״נתח הכול״. בעמוד מסמך, בקשו שדות נקובים ושימור סימני פיסוק בציטוטים. בשני צילומי מסך של עיצוב, סמנו אותם כראשון ושני ואז בקשו טבלה של שינויים נראים לעין. בתרשים, בקשו את התוויות, היחידות והערכים התומכים במגמה שצוינה. אלה שימושים מעשיים במענה על שאלות חזותיות, ולא הבטחה לחילוץ נטול שגיאות.\n\nכלי העזר של היצרנית מקבלים תמונות מקבצים מקומיים, מנתוני תמונה מקודדים או ממיקומי תמונות; דוגמת הווידאו המתועדת משתמשת בקובצי וידאו מקומיים או ברשימת פריימים מסודרת. פורמטי ההעלאה של היישום נשארים החלטת ממשק נפרדת. שמרו על סדר הפריימים המקורי וציינו את פרק הזמן שרשימת הפריימים מייצגת. הדוגמאות מפיקות טקסט; גרסת מודל זו אינה מתוארת כמחולל תמונות או וידאו.\n\nרזולוציה והכנת וידאו\n\nהמעבד של Qwen משתמש בטווח ברירת מחדל של ארבעה עד 16,384 טוקנים חזותיים לכל תמונה. הוא חושף את min_pixels ואת max_pixels לאיזון בין פירוט לבין זיכרון וחישוב, עם דוגמה מתועדת המכוונת ל־256–1,280 טוקנים חזותיים. גודל התמונות משתנה בתוך הגבולות שנבחרו תוך שמירה על יחס הממדים. ממדים מפורשים לשינוי גודל מעוגלים לכפולה של 28. טבלה צפופה או כתב קטן עשויים לדרוש רזולוציה מספקת כדי להישאר קריאים; הגדלתה צורכת גם חלק גדול יותר מתקציב הראייה וההקשר הזמין.\n\nדוגמת הווידאו מציגה קצב דגימה של פריים אחד בשנייה וגבול פיקסלים הניתן להגדרה. אלה הגדרות לדוגמה, ולא קצב נדרש אחיד או מגבלת מדיה קשיחה. לסקירת אירוע, ספקו את המקטע הרלוונטי ובקשו תיאור מסודר של שינויים נראים. אירועים סמוכים בזמן עשויים לדרוש דגימה צפופה יותר מסיכום כללי של סצנה. Qwen2-VL אינו מבין מידע אודיו בתוך סרטונים, ולכן דיאלוג מדובר או אפקטים קוליים דורשים תהליך אודיו נפרד.\n\nמגבלות ידועות\n\nQwen מציינת שתאריך החיתוך של נתוני אימון התמונות הוא יוני 2023, ללא הבטחה לידע על אנשים, מוצרים או אירועים מאוחרים יותר. זיהוי של אנשים מסוימים ושל קניין רוחני אינו מלא. הוראות מורכבות מרובות שלבים, ספירת אובייקטים בסצנות עמוסות ויחסים מרחביים — במיוחד בתלת־ממד — הם נקודות חולשה מתועדות. פצלו משימה חזותית מסובכת לשאלות ברורות, בקשו את הראיות הנראות התומכות בתוצאה ובדקו מספרים שחולצו וטקסט מצוטט מול התמונה. אין להתייחס לכיתוב סביר כאל ספירה מדויקת או מיקום תלת־ממדי שנמדד.\n\nדוגמאות היצירה הקצרות בכרטיס אינן קובעות תקרת פלט קשיחה נפרדת. תכננו את גודל התשובה לצד קלט הטקסט והראייה, ושמרו במקור די פירוט עבור השאלה המסוימת. כך בחירת המודל והכנת הקלט מועילות יותר מהנחה שכל תמונה או כל סרטון ארוך מניבים תשובה אמינה באותה מידה.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct הוא מודל השפה והראייה של Qwen, המכוונן להוראות, לטקסט, לתמונות ולווידאו, ומחזיר טקסט. השתמשו בו לשאלות על עמודי מסמך, להשוואת תמונות או לתיאור אירועים חזותיים, עם רזולוציית תמונה דינמית ומגבלות מתועדות בספירה, בהסקה מרחבית ובהבנת אודיו בווידאו.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
מבוא: מהדורת השפה והראייה בגודל 7B
Qwen2-VL-7B-Instruct הוא חבר משפחת Qwen2-VL בגודל 7B המכוונן להוראות. הוא משלב הוראות טקסט עם תמונות או וידאו ומפיק תשובות טקסטואליות. פלטים שימושיים כוללים הסבר על עמוד, השוואת תמונות, תיאור אירועים נראים או תשובה לשאלה על תרשים. זו גרסת Qwen2-VL המסוימת הזו; לגרסאות Qwen2.5-VL ו־Qwen3-VL החדשות יותר יש יכולות וזהויות משלהן.
מה Qwen2-VL מוסיף
Qwen מתארת הבנה חזותית ברזולוציות תמונה וביחסי ממדים שונים, לצד מענה על שאלות על וידאו, דיאלוג ויצירת תוכן. יכולת הווידאו המתועדת של המשפחה כוללת חומר שאורכו יותר מ־20 דקות. משך לבדו אינו קובע כמה פריימים יישום מעבד ואינו מבטיח זכירה של כל אירוע. הבנת טקסט רב־לשוני בתמונות כוללת אנגלית וסינית, שפות אירופיות רבות, יפנית, קוריאנית, ערבית ווייטנאמית.
היצרנית מתארת גם שילוב עם טלפונים, רובוטים ומכשירים אחרים באמצעות תצפיות חזותיות והוראות טקסט. זהו תהליך עבודה של יישום: המודל מפרש את הסביבה החזותית ומסייע בבחירת פעולות, בעוד תוכנה או חומרה מחוברות מבצעות אותן. זיהוי מסך אינו מקנה לו כשלעצמו שליטה במסך.
שינויים בארכיטקטורה
רזולוציה דינמית ממירה תמונה למספר משתנה של טוקנים חזותיים במקום לכפות ייצוג זהה לכל קלט. M-ROPE מפריד מידע על מיקום עבור טקסט, תמונות דו־ממדיות ומידע וידאו תלת־ממדי, ומשלב מבנה מרחבי וזמני. תצורת 7B שפורסמה מציינת 32,768 מיקומים. טקסט, טוקנים חזותיים ופלט שנוצר חולקים תקציב רצף סופי, ולכן רזולוציית התמונות ודגימת הווידאו משפיעות על כמות החומר שאפשר לכלול בבקשה.
הכנת תמונות ושיחות
הדוגמאות הרשמיות תומכות בתמונה יחידה, בכמה תמונות ובשיחות טקסט בלבד. צרפו את התמונה עם שאלה מסוימת במקום להסתמך על הוראה רחבה כגון ״נתח הכול״. בעמוד מסמך, בקשו שדות נקובים ושימור סימני פיסוק בציטוטים. בשני צילומי מסך של עיצוב, סמנו אותם כראשון ושני ואז בקשו טבלה של שינויים נראים לעין. בתרשים, בקשו את התוויות, היחידות והערכים התומכים במגמה שצוינה. אלה שימושים מעשיים במענה על שאלות חזותיות, ולא הבטחה לחילוץ נטול שגיאות.
כלי העזר של היצרנית מקבלים תמונות מקבצים מקומיים, מנתוני תמונה מקודדים או ממיקומי תמונות; דוגמת הווידאו המתועדת משתמשת בקובצי וידאו מקומיים או ברשימת פריימים מסודרת. פורמטי ההעלאה של היישום נשארים החלטת ממשק נפרדת. שמרו על סדר הפריימים המקורי וציינו את פרק הזמן שרשימת הפריימים מייצגת. הדוגמאות מפיקות טקסט; גרסת מודל זו אינה מתוארת כמחולל תמונות או וידאו.
רזולוציה והכנת וידאו
המעבד של Qwen משתמש בטווח ברירת מחדל של ארבעה עד 16,384 טוקנים חזותיים לכל תמונה. הוא חושף את min_pixels ואת max_pixels לאיזון בין פירוט לבין זיכרון וחישוב, עם דוגמה מתועדת המכוונת ל־256–1,280 טוקנים חזותיים. גודל התמונות משתנה בתוך הגבולות שנבחרו תוך שמירה על יחס הממדים. ממדים מפורשים לשינוי גודל מעוגלים לכפולה של 28. טבלה צפופה או כתב קטן עשויים לדרוש רזולוציה מספקת כדי להישאר קריאים; הגדלתה צורכת גם חלק גדול יותר מתקציב הראייה וההקשר הזמין.
דוגמת הווידאו מציגה קצב דגימה של פריים אחד בשנייה וגבול פיקסלים הניתן להגדרה. אלה הגדרות לדוגמה, ולא קצב נדרש אחיד או מגבלת מדיה קשיחה. לסקירת אירוע, ספקו את המקטע הרלוונטי ובקשו תיאור מסודר של שינויים נראים. אירועים סמוכים בזמן עשויים לדרוש דגימה צפופה יותר מסיכום כללי של סצנה. Qwen2-VL אינו מבין מידע אודיו בתוך סרטונים, ולכן דיאלוג מדובר או אפקטים קוליים דורשים תהליך אודיו נפרד.
מגבלות ידועות
Qwen מציינת שתאריך החיתוך של נתוני אימון התמונות הוא יוני 2023, ללא הבטחה לידע על אנשים, מוצרים או אירועים מאוחרים יותר. זיהוי של אנשים מסוימים ושל קניין רוחני אינו מלא. הוראות מורכבות מרובות שלבים, ספירת אובייקטים בסצנות עמוסות ויחסים מרחביים — במיוחד בתלת־ממד — הם נקודות חולשה מתועדות. פצלו משימה חזותית מסובכת לשאלות ברורות, בקשו את הראיות הנראות התומכות בתוצאה ובדקו מספרים שחולצו וטקסט מצוטט מול התמונה. אין להתייחס לכיתוב סביר כאל ספירה מדויקת או מיקום תלת־ממדי שנמדד.
דוגמאות היצירה הקצרות בכרטיס אינן קובעות תקרת פלט קשיחה נפרדת. תכננו את גודל התשובה לצד קלט הטקסט והראייה, ושמרו במקור די פירוט עבור השאלה המסוימת. כך בחירת המודל והכנת הקלט מועילות יותר מהנחה שכל תמונה או כל סרטון ארוך מניבים תשובה אמינה באותה מידה.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות Qwen2-VL-7B-Instruct-ultra | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.00058 / 1K טוקנים פלט · טוקני פלט $0.00142 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen2-VL-7B-Instruct-ultra", "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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra',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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra Qwen2-VL-7B-Instruct-ultra
השתמשו בנתיבי השיטות המוצגים למעלה.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct הוא מודל השפה והראייה של Qwen, המכוונן להוראות, לטקסט, לתמונות ולווידאו, ומחזיר טקסט. השתמשו בו לשאלות על עמודי מסמך, להשוואת תמונות או לתיאור אירועים חזותיים, עם רזולוציית תמונה דינמית ומגבלות מתועדות בספירה, בהסקה מרחבית ובהבנת אודיו בווידאו.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
מבוא: מהדורת השפה והראייה בגודל 7B
Qwen2-VL-7B-Instruct הוא חבר משפחת Qwen2-VL בגודל 7B המכוונן להוראות. הוא משלב הוראות טקסט עם תמונות או וידאו ומפיק תשובות טקסטואליות. פלטים שימושיים כוללים הסבר על עמוד, השוואת תמונות, תיאור אירועים נראים או תשובה לשאלה על תרשים. זו גרסת Qwen2-VL המסוימת הזו; לגרסאות Qwen2.5-VL ו־Qwen3-VL החדשות יותר יש יכולות וזהויות משלהן.
מה Qwen2-VL מוסיף
Qwen מתארת הבנה חזותית ברזולוציות תמונה וביחסי ממדים שונים, לצד מענה על שאלות על וידאו, דיאלוג ויצירת תוכן. יכולת הווידאו המתועדת של המשפחה כוללת חומר שאורכו יותר מ־20 דקות. משך לבדו אינו קובע כמה פריימים יישום מעבד ואינו מבטיח זכירה של כל אירוע. הבנת טקסט רב־לשוני בתמונות כוללת אנגלית וסינית, שפות אירופיות רבות, יפנית, קוריאנית, ערבית ווייטנאמית.
היצרנית מתארת גם שילוב עם טלפונים, רובוטים ומכשירים אחרים באמצעות תצפיות חזותיות והוראות טקסט. זהו תהליך עבודה של יישום: המודל מפרש את הסביבה החזותית ומסייע בבחירת פעולות, בעוד תוכנה או חומרה מחוברות מבצעות אותן. זיהוי מסך אינו מקנה לו כשלעצמו שליטה במסך.
שינויים בארכיטקטורה
רזולוציה דינמית ממירה תמונה למספר משתנה של טוקנים חזותיים במקום לכפות ייצוג זהה לכל קלט. M-ROPE מפריד מידע על מיקום עבור טקסט, תמונות דו־ממדיות ומידע וידאו תלת־ממדי, ומשלב מבנה מרחבי וזמני. תצורת 7B שפורסמה מציינת 32,768 מיקומים. טקסט, טוקנים חזותיים ופלט שנוצר חולקים תקציב רצף סופי, ולכן רזולוציית התמונות ודגימת הווידאו משפיעות על כמות החומר שאפשר לכלול בבקשה.
הכנת תמונות ושיחות
הדוגמאות הרשמיות תומכות בתמונה יחידה, בכמה תמונות ובשיחות טקסט בלבד. צרפו את התמונה עם שאלה מסוימת במקום להסתמך על הוראה רחבה כגון ״נתח הכול״. בעמוד מסמך, בקשו שדות נקובים ושימור סימני פיסוק בציטוטים. בשני צילומי מסך של עיצוב, סמנו אותם כראשון ושני ואז בקשו טבלה של שינויים נראים לעין. בתרשים, בקשו את התוויות, היחידות והערכים התומכים במגמה שצוינה. אלה שימושים מעשיים במענה על שאלות חזותיות, ולא הבטחה לחילוץ נטול שגיאות.
כלי העזר של היצרנית מקבלים תמונות מקבצים מקומיים, מנתוני תמונה מקודדים או ממיקומי תמונות; דוגמת הווידאו המתועדת משתמשת בקובצי וידאו מקומיים או ברשימת פריימים מסודרת. פורמטי ההעלאה של היישום נשארים החלטת ממשק נפרדת. שמרו על סדר הפריימים המקורי וציינו את פרק הזמן שרשימת הפריימים מייצגת. הדוגמאות מפיקות טקסט; גרסת מודל זו אינה מתוארת כמחולל תמונות או וידאו.
רזולוציה והכנת וידאו
המעבד של Qwen משתמש בטווח ברירת מחדל של ארבעה עד 16,384 טוקנים חזותיים לכל תמונה. הוא חושף את min_pixels ואת max_pixels לאיזון בין פירוט לבין זיכרון וחישוב, עם דוגמה מתועדת המכוונת ל־256–1,280 טוקנים חזותיים. גודל התמונות משתנה בתוך הגבולות שנבחרו תוך שמירה על יחס הממדים. ממדים מפורשים לשינוי גודל מעוגלים לכפולה של 28. טבלה צפופה או כתב קטן עשויים לדרוש רזולוציה מספקת כדי להישאר קריאים; הגדלתה צורכת גם חלק גדול יותר מתקציב הראייה וההקשר הזמין.
דוגמת הווידאו מציגה קצב דגימה של פריים אחד בשנייה וגבול פיקסלים הניתן להגדרה. אלה הגדרות לדוגמה, ולא קצב נדרש אחיד או מגבלת מדיה קשיחה. לסקירת אירוע, ספקו את המקטע הרלוונטי ובקשו תיאור מסודר של שינויים נראים. אירועים סמוכים בזמן עשויים לדרוש דגימה צפופה יותר מסיכום כללי של סצנה. Qwen2-VL אינו מבין מידע אודיו בתוך סרטונים, ולכן דיאלוג מדובר או אפקטים קוליים דורשים תהליך אודיו נפרד.
מגבלות ידועות
Qwen מציינת שתאריך החיתוך של נתוני אימון התמונות הוא יוני 2023, ללא הבטחה לידע על אנשים, מוצרים או אירועים מאוחרים יותר. זיהוי של אנשים מסוימים ושל קניין רוחני אינו מלא. הוראות מורכבות מרובות שלבים, ספירת אובייקטים בסצנות עמוסות ויחסים מרחביים — במיוחד בתלת־ממד — הם נקודות חולשה מתועדות. פצלו משימה חזותית מסובכת לשאלות ברורות, בקשו את הראיות הנראות התומכות בתוצאה ובדקו מספרים שחולצו וטקסט מצוטט מול התמונה. אין להתייחס לכיתוב סביר כאל ספירה מדויקת או מיקום תלת־ממדי שנמדד.
דוגמאות היצירה הקצרות בכרטיס אינן קובעות תקרת פלט קשיחה נפרדת. תכננו את גודל התשובה לצד קלט הטקסט והראייה, ושמרו במקור די פירוט עבור השאלה המסוימת. כך בחירת המודל והכנת הקלט מועילות יותר מהנחה שכל תמונה או כל סרטון ארוך מניבים תשובה אמינה באותה מידה.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות Qwen2-VL-7B-Instruct-ultra | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.00058 / 1K טוקנים פלט · טוקני פלט $0.00142 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra', '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 או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra Qwen2-VL-7B-Instruct-ultra
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.