A Qwen2.5-VL-7B-Instruct a Qwen2.5-VL utasításokra hangolt 7B kiadása. Szöveges utasítást képekkel vagy videóval kapcsol össze, és szöveges eredményt ad vissza. A gyártó fő fejlesztései az objektumok és vizuális részletek felismerésére, a szövegek és elrendezések elemzésére, a vizuális ügynökfeladatokra, a hosszú videók eseményeinek megértésére, az objektumok helymeghatározására és a dokumentumok strukturált adatkinyerésére terjednek ki.
A vizuális tartalom megértése
A család túlmutat egy fénykép fő témájának azonosításán. Dokumentált feladatai közé tartozik a képen belüli szövegek, diagramok, ikonok, grafikák és az elemek elrendezésének elemzése. Diagramnál határozza meg a vizsgálandó adatsort vagy kapcsolatot, és őrizze meg a tengelyeket, jelmagyarázatot és mértékegységeket. Ábránál kérdezze meg, hogyan kapcsolódnak a feliratozott komponensek, és mit mond el a látható elrendezés a folyamatról.
Hasznos összehasonlításhoz megadhat egy eredeti és egy átdolgozott tervet, azonosíthatja, melyik melyik, és rövid követelménylista alapján kérdezhet rá a látható változásokra. Kérje együtt a megfigyelést és a releváns képrégiót. Ez konkrét célt ad a válasznak két egymással nem összefüggő kép általános leírásának kérése helyett.
Vizuális ügynök-munkafolyamatok
A gyártó a Qwen2.5-VL-t olyan vizuális ügynökként pozicionálja, amely képes képernyőről következtetni, és számítógépes vagy telefonos feladatokban eszközöket irányítani. A modell értelmezést és javasolt műveletet ad; a környező ügynökalkalmazás biztosítja a vezérlőket, végrehajtja a műveletet és visszaadja az új állapotot. A szöveges válasz vagy becsült koordináta ezért az integrált munkafolyamat egyik része.
Felületkérdéshez adja meg a képernyőképet és a tényleges célt, majd kérdezze meg, melyik látható vezérlő releváns, és mit kell tenni következőként. Legyen konkrét a kért kimenet: a vezérlő felirata, helye és a kívánt művelet. Ha az alkalmazás ezután végrehajtja a műveletet, a következő képernyőkép frissített vizuális bemenetet biztosít a későbbi döntéshez.
Hosszú videók és az események időbeli meghatározása
A gyártó egy óránál hosszabb videók megértését és a kért eseményt tartalmazó szakasz azonosítását írja le. Ez a videóleírást időbeli helymeghatározássá bővíti. Egy feladat kérdezheti, mikor jelenik meg először egy objektum, hol ér el egy bemutató egy adott lépéshez, vagy melyik látható esemény történik egy másik előtt. Adja meg, hogy az eredmény összefoglaló, rendezett eseménylista vagy eseményleírással kiegészített kezdő és befejező időpont legyen.
A család dinamikus képkockasebesség-mintavételezéssel tanul, és az időbeli pozicionális információt abszolút időhöz igazítja. A képkockasebesség-információ ezért a videó előkészítéséhez tartozik, nem tetszőleges címke, amely elhagyható, ha az időbélyegek számítanak. A dokumentált hosszúvideó-képesség nem minden bemeneti útra érvényes, általános fájlméret- vagy maximális időtartam-specifikáció.
Objektum-helymeghatározás és strukturált dokumentumok
A Qwen2.5-VL befoglaló téglalapokat vagy pontokat adhat vissza, és JSON-ként rendezheti a koordinátákat és attribútumokat. A kiadás a tényleges képméret skáláján megadott koordinátákat használ a hagyományos normalizált koordináták helyett. Adja meg, hogy a feladathoz befoglaló téglalapra, adott pontra vagy objektumleírásra van-e szükség, és őrizze meg a képméreteket és a visszaadott hely értelmezéséhez szükséges átméretezési információkat.
Például egy vizuális készletfelmérési kérés minden célobjektumhoz kérheti annak keretét és egy látható attribútumát. Pontalapú feladat kérheti egy feliratozott vezérlő vagy egy objektum megadott részének helyét. Ezek javasolt kimeneti kialakítások, nem minden kérésnél kötelező rögzített mezőnevek. Több kép megadásakor minden koordinátát tartson a saját forrásképéhez kapcsolva.
A gyártó külön kiemeli a számlaszkenekből, űrlapokból és táblázatokból történő strukturált adatkinyerést. Határozza meg a mezőket, őrizze meg az eredeti feliratokat, és kérjen egyértelmű jelölést, ha egy érték nem olvasható. Táblázatnál tartsa meg az oszlopfejléceket és mértékegységeket a kért sorokkal együtt. Egy gyakorlati rekord tartalmazhatja a dokumentumazonosítót, a mező feliratát, a kinyert értéket és annak helyét, így a kimenet későbbi összehasonlításhoz vagy emberi ellenőrzéshez használható.
Architektúra és bemenet-előkészítés
A modell a dinamikus képfelbontást és dinamikus videómintavételezést frissített multimodális forgó pozicionális információval egyesíti. Vizuális kódolója ablakos figyelmet, SwiGLU-t és RMSNorm-ot használ. Ezek a vizuális és időbeli feldolgozást támogató architekturális változások; nem adnak hangbemenetet vagy képgenerálást a dokumentált, szöveges eredményű munkafolyamathoz.
A kártya bemutat egyetlen képet, több képet, videóképkocka-sorozatot, videófájlt vagy hivatkozást és kötegelt beszélgetéseket. A képfeldolgozó képenként 4 és 16,384 közötti vizuális tokent dokumentál alapértelmezett tartományként. A minimális és maximális pixelbeállítások megőrzik a képarányt; a kért pontos méreteket 28 többszörösére kerekíti. A 256 és 1,280 vizuális token közötti példatartomány állítható szemléltetés, nem külön merev képkorlát. Átméretezéskor őrizze meg a kérdéshez szükséges részletességet.
Kontextus és a helymeghatározásra érzékeny beállítások
A közzétett konfiguráció a maximális pozíciószámot 128,000-re állítja. A modellkártya hosszú szövegekről szóló része külön 32,768 tokenes alapértéket és YaRN-bővítési példát ír le. Kifejezetten figyelmeztet, hogy a bővítés jelentősen befolyásolja az időbeli és térbeli helymeghatározást, és nem ajánlja. Az útmutató hosszú videókhoz a maximális pozíciószám módosítását is tárgyalja; ezek konfigurációs megjegyzések, nem minden feladatra érvényes, egyetlen feltétel nélküli bemeneti korlát.
A kiadás pontos konfigurációját és a vizuális előfeldolgozást igazítsa a feladathoz, különösen, ha koordináták vagy eseményidők számítanak. A kártya 128 tokenes generálási példája nem határoz meg külön maximális kimeneti kapacitást. A Qwen2.5-VL-7B-Instruct szöveget, koordinátákat és strukturált megállapításokat állít elő; külső művelethez, renderelt képhez, videóhoz vagy beszédválaszhoz másik alkalmazáskomponens szükséges.
", "aboutText": "A Qwen2.5-VL-7B-Instruct a Qwen2.5-VL utasításokra hangolt 7B kiadása. Szöveges utasítást képekkel vagy videóval kapcsol össze, és szöveges eredményt ad vissza. A gyártó fő fejlesztései az objektumok és vizuális részletek felismerésére, a szövegek és elrendezések elemzésére, a vizuális ügynökfeladatokra, a hosszú videók eseményeinek megértésére, az objektumok helymeghatározására és a dokumentumok strukturált adatkinyerésére terjednek ki.\n\nA vizuális tartalom megértése\n\nA család túlmutat egy fénykép fő témájának azonosításán. Dokumentált feladatai közé tartozik a képen belüli szövegek, diagramok, ikonok, grafikák és az elemek elrendezésének elemzése. Diagramnál határozza meg a vizsgálandó adatsort vagy kapcsolatot, és őrizze meg a tengelyeket, jelmagyarázatot és mértékegységeket. Ábránál kérdezze meg, hogyan kapcsolódnak a feliratozott komponensek, és mit mond el a látható elrendezés a folyamatról.\n\nHasznos összehasonlításhoz megadhat egy eredeti és egy átdolgozott tervet, azonosíthatja, melyik melyik, és rövid követelménylista alapján kérdezhet rá a látható változásokra. Kérje együtt a megfigyelést és a releváns képrégiót. Ez konkrét célt ad a válasznak két egymással nem összefüggő kép általános leírásának kérése helyett.\n\nVizuális ügynök-munkafolyamatok\n\nA gyártó a Qwen2.5-VL-t olyan vizuális ügynökként pozicionálja, amely képes képernyőről következtetni, és számítógépes vagy telefonos feladatokban eszközöket irányítani. A modell értelmezést és javasolt műveletet ad; a környező ügynökalkalmazás biztosítja a vezérlőket, végrehajtja a műveletet és visszaadja az új állapotot. A szöveges válasz vagy becsült koordináta ezért az integrált munkafolyamat egyik része.\n\nFelületkérdéshez adja meg a képernyőképet és a tényleges célt, majd kérdezze meg, melyik látható vezérlő releváns, és mit kell tenni következőként. Legyen konkrét a kért kimenet: a vezérlő felirata, helye és a kívánt művelet. Ha az alkalmazás ezután végrehajtja a műveletet, a következő képernyőkép frissített vizuális bemenetet biztosít a későbbi döntéshez.\n\nHosszú videók és az események időbeli meghatározása\n\nA gyártó egy óránál hosszabb videók megértését és a kért eseményt tartalmazó szakasz azonosítását írja le. Ez a videóleírást időbeli helymeghatározássá bővíti. Egy feladat kérdezheti, mikor jelenik meg először egy objektum, hol ér el egy bemutató egy adott lépéshez, vagy melyik látható esemény történik egy másik előtt. Adja meg, hogy az eredmény összefoglaló, rendezett eseménylista vagy eseményleírással kiegészített kezdő és befejező időpont legyen.\n\nA család dinamikus képkockasebesség-mintavételezéssel tanul, és az időbeli pozicionális információt abszolút időhöz igazítja. A képkockasebesség-információ ezért a videó előkészítéséhez tartozik, nem tetszőleges címke, amely elhagyható, ha az időbélyegek számítanak. A dokumentált hosszúvideó-képesség nem minden bemeneti útra érvényes, általános fájlméret- vagy maximális időtartam-specifikáció.\n\nObjektum-helymeghatározás és strukturált dokumentumok\n\nA Qwen2.5-VL befoglaló téglalapokat vagy pontokat adhat vissza, és JSON-ként rendezheti a koordinátákat és attribútumokat. A kiadás a tényleges képméret skáláján megadott koordinátákat használ a hagyományos normalizált koordináták helyett. Adja meg, hogy a feladathoz befoglaló téglalapra, adott pontra vagy objektumleírásra van-e szükség, és őrizze meg a képméreteket és a visszaadott hely értelmezéséhez szükséges átméretezési információkat.\n\nPéldául egy vizuális készletfelmérési kérés minden célobjektumhoz kérheti annak keretét és egy látható attribútumát. Pontalapú feladat kérheti egy feliratozott vezérlő vagy egy objektum megadott részének helyét. Ezek javasolt kimeneti kialakítások, nem minden kérésnél kötelező rögzített mezőnevek. Több kép megadásakor minden koordinátát tartson a saját forrásképéhez kapcsolva.\n\nA gyártó külön kiemeli a számlaszkenekből, űrlapokból és táblázatokból történő strukturált adatkinyerést. Határozza meg a mezőket, őrizze meg az eredeti feliratokat, és kérjen egyértelmű jelölést, ha egy érték nem olvasható. Táblázatnál tartsa meg az oszlopfejléceket és mértékegységeket a kért sorokkal együtt. Egy gyakorlati rekord tartalmazhatja a dokumentumazonosítót, a mező feliratát, a kinyert értéket és annak helyét, így a kimenet későbbi összehasonlításhoz vagy emberi ellenőrzéshez használható.\n\nArchitektúra és bemenet-előkészítés\n\nA modell a dinamikus képfelbontást és dinamikus videómintavételezést frissített multimodális forgó pozicionális információval egyesíti. Vizuális kódolója ablakos figyelmet, SwiGLU-t és RMSNorm-ot használ. Ezek a vizuális és időbeli feldolgozást támogató architekturális változások; nem adnak hangbemenetet vagy képgenerálást a dokumentált, szöveges eredményű munkafolyamathoz.\n\nA kártya bemutat egyetlen képet, több képet, videóképkocka-sorozatot, videófájlt vagy hivatkozást és kötegelt beszélgetéseket. A képfeldolgozó képenként 4 és 16,384 közötti vizuális tokent dokumentál alapértelmezett tartományként. A minimális és maximális pixelbeállítások megőrzik a képarányt; a kért pontos méreteket 28 többszörösére kerekíti. A 256 és 1,280 vizuális token közötti példatartomány állítható szemléltetés, nem külön merev képkorlát. Átméretezéskor őrizze meg a kérdéshez szükséges részletességet.\n\nKontextus és a helymeghatározásra érzékeny beállítások\n\nA közzétett konfiguráció a maximális pozíciószámot 128,000-re állítja. A modellkártya hosszú szövegekről szóló része külön 32,768 tokenes alapértéket és YaRN-bővítési példát ír le. Kifejezetten figyelmeztet, hogy a bővítés jelentősen befolyásolja az időbeli és térbeli helymeghatározást, és nem ajánlja. Az útmutató hosszú videókhoz a maximális pozíciószám módosítását is tárgyalja; ezek konfigurációs megjegyzések, nem minden feladatra érvényes, egyetlen feltétel nélküli bemeneti korlát.\n\nA kiadás pontos konfigurációját és a vizuális előfeldolgozást igazítsa a feladathoz, különösen, ha koordináták vagy eseményidők számítanak. A kártya 128 tokenes generálási példája nem határoz meg külön maximális kimeneti kapacitást. A Qwen2.5-VL-7B-Instruct szöveget, koordinátákat és strukturált megállapításokat állít elő; külső művelethez, renderelt képhez, videóhoz vagy beszédválaszhoz másik alkalmazáskomponens szükséges.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructA Qwen2.5-VL-7B-Instruct vizuális nyelvi modell képekhez, dokumentumokhoz és videóhoz. Szöveget és strukturált megállapításokat állít elő, köztük objektumkereteket, pontokat és attribútumokat, és időbeli eseménymeghatározást, valamint vizuális ügynökképességeket biztosít a 7B kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen2.5-VL-7B-Instruct a Qwen2.5-VL utasításokra hangolt 7B kiadása. Szöveges utasítást képekkel vagy videóval kapcsol össze, és szöveges eredményt ad vissza. A gyártó fő fejlesztései az objektumok és vizuális részletek felismerésére, a szövegek és elrendezések elemzésére, a vizuális ügynökfeladatokra, a hosszú videók eseményeinek megértésére, az objektumok helymeghatározására és a dokumentumok strukturált adatkinyerésére terjednek ki.
A vizuális tartalom megértése
A család túlmutat egy fénykép fő témájának azonosításán. Dokumentált feladatai közé tartozik a képen belüli szövegek, diagramok, ikonok, grafikák és az elemek elrendezésének elemzése. Diagramnál határozza meg a vizsgálandó adatsort vagy kapcsolatot, és őrizze meg a tengelyeket, jelmagyarázatot és mértékegységeket. Ábránál kérdezze meg, hogyan kapcsolódnak a feliratozott komponensek, és mit mond el a látható elrendezés a folyamatról.
Hasznos összehasonlításhoz megadhat egy eredeti és egy átdolgozott tervet, azonosíthatja, melyik melyik, és rövid követelménylista alapján kérdezhet rá a látható változásokra. Kérje együtt a megfigyelést és a releváns képrégiót. Ez konkrét célt ad a válasznak két egymással nem összefüggő kép általános leírásának kérése helyett.
Vizuális ügynök-munkafolyamatok
A gyártó a Qwen2.5-VL-t olyan vizuális ügynökként pozicionálja, amely képes képernyőről következtetni, és számítógépes vagy telefonos feladatokban eszközöket irányítani. A modell értelmezést és javasolt műveletet ad; a környező ügynökalkalmazás biztosítja a vezérlőket, végrehajtja a műveletet és visszaadja az új állapotot. A szöveges válasz vagy becsült koordináta ezért az integrált munkafolyamat egyik része.
Felületkérdéshez adja meg a képernyőképet és a tényleges célt, majd kérdezze meg, melyik látható vezérlő releváns, és mit kell tenni következőként. Legyen konkrét a kért kimenet: a vezérlő felirata, helye és a kívánt művelet. Ha az alkalmazás ezután végrehajtja a műveletet, a következő képernyőkép frissített vizuális bemenetet biztosít a későbbi döntéshez.
Hosszú videók és az események időbeli meghatározása
A gyártó egy óránál hosszabb videók megértését és a kért eseményt tartalmazó szakasz azonosítását írja le. Ez a videóleírást időbeli helymeghatározássá bővíti. Egy feladat kérdezheti, mikor jelenik meg először egy objektum, hol ér el egy bemutató egy adott lépéshez, vagy melyik látható esemény történik egy másik előtt. Adja meg, hogy az eredmény összefoglaló, rendezett eseménylista vagy eseményleírással kiegészített kezdő és befejező időpont legyen.
A család dinamikus képkockasebesség-mintavételezéssel tanul, és az időbeli pozicionális információt abszolút időhöz igazítja. A képkockasebesség-információ ezért a videó előkészítéséhez tartozik, nem tetszőleges címke, amely elhagyható, ha az időbélyegek számítanak. A dokumentált hosszúvideó-képesség nem minden bemeneti útra érvényes, általános fájlméret- vagy maximális időtartam-specifikáció.
Objektum-helymeghatározás és strukturált dokumentumok
A Qwen2.5-VL befoglaló téglalapokat vagy pontokat adhat vissza, és JSON-ként rendezheti a koordinátákat és attribútumokat. A kiadás a tényleges képméret skáláján megadott koordinátákat használ a hagyományos normalizált koordináták helyett. Adja meg, hogy a feladathoz befoglaló téglalapra, adott pontra vagy objektumleírásra van-e szükség, és őrizze meg a képméreteket és a visszaadott hely értelmezéséhez szükséges átméretezési információkat.
Például egy vizuális készletfelmérési kérés minden célobjektumhoz kérheti annak keretét és egy látható attribútumát. Pontalapú feladat kérheti egy feliratozott vezérlő vagy egy objektum megadott részének helyét. Ezek javasolt kimeneti kialakítások, nem minden kérésnél kötelező rögzített mezőnevek. Több kép megadásakor minden koordinátát tartson a saját forrásképéhez kapcsolva.
A gyártó külön kiemeli a számlaszkenekből, űrlapokból és táblázatokból történő strukturált adatkinyerést. Határozza meg a mezőket, őrizze meg az eredeti feliratokat, és kérjen egyértelmű jelölést, ha egy érték nem olvasható. Táblázatnál tartsa meg az oszlopfejléceket és mértékegységeket a kért sorokkal együtt. Egy gyakorlati rekord tartalmazhatja a dokumentumazonosítót, a mező feliratát, a kinyert értéket és annak helyét, így a kimenet későbbi összehasonlításhoz vagy emberi ellenőrzéshez használható.
Architektúra és bemenet-előkészítés
A modell a dinamikus képfelbontást és dinamikus videómintavételezést frissített multimodális forgó pozicionális információval egyesíti. Vizuális kódolója ablakos figyelmet, SwiGLU-t és RMSNorm-ot használ. Ezek a vizuális és időbeli feldolgozást támogató architekturális változások; nem adnak hangbemenetet vagy képgenerálást a dokumentált, szöveges eredményű munkafolyamathoz.
A kártya bemutat egyetlen képet, több képet, videóképkocka-sorozatot, videófájlt vagy hivatkozást és kötegelt beszélgetéseket. A képfeldolgozó képenként 4 és 16,384 közötti vizuális tokent dokumentál alapértelmezett tartományként. A minimális és maximális pixelbeállítások megőrzik a képarányt; a kért pontos méreteket 28 többszörösére kerekíti. A 256 és 1,280 vizuális token közötti példatartomány állítható szemléltetés, nem külön merev képkorlát. Átméretezéskor őrizze meg a kérdéshez szükséges részletességet.
Kontextus és a helymeghatározásra érzékeny beállítások
A közzétett konfiguráció a maximális pozíciószámot 128,000-re állítja. A modellkártya hosszú szövegekről szóló része külön 32,768 tokenes alapértéket és YaRN-bővítési példát ír le. Kifejezetten figyelmeztet, hogy a bővítés jelentősen befolyásolja az időbeli és térbeli helymeghatározást, és nem ajánlja. Az útmutató hosszú videókhoz a maximális pozíciószám módosítását is tárgyalja; ezek konfigurációs megjegyzések, nem minden feladatra érvényes, egyetlen feltétel nélküli bemeneti korlát.
A kiadás pontos konfigurációját és a vizuális előfeldolgozást igazítsa a feladathoz, különösen, ha koordináták vagy eseményidők számítanak. A kártya 128 tokenes generálási példája nem határoz meg külön maximális kimeneti kapacitást. A Qwen2.5-VL-7B-Instruct szöveget, koordinátákat és strukturált megállapításokat állít elő; külső művelethez, renderelt képhez, videóhoz vagy beszédválaszhoz másik alkalmazáskomponens szükséges.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen2.5-vl-7b-instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0001 / 1K token Kimenet · Kimeneti tokenek $0.0001 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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-7b-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-7b-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-7b-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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Használja a fent látható metódusútvonalakat.
qwen2.5-vl-7b-instructA Qwen2.5-VL-7B-Instruct vizuális nyelvi modell képekhez, dokumentumokhoz és videóhoz. Szöveget és strukturált megállapításokat állít elő, köztük objektumkereteket, pontokat és attribútumokat, és időbeli eseménymeghatározást, valamint vizuális ügynökképességeket biztosít a 7B kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen2.5-VL-7B-Instruct a Qwen2.5-VL utasításokra hangolt 7B kiadása. Szöveges utasítást képekkel vagy videóval kapcsol össze, és szöveges eredményt ad vissza. A gyártó fő fejlesztései az objektumok és vizuális részletek felismerésére, a szövegek és elrendezések elemzésére, a vizuális ügynökfeladatokra, a hosszú videók eseményeinek megértésére, az objektumok helymeghatározására és a dokumentumok strukturált adatkinyerésére terjednek ki.
A vizuális tartalom megértése
A család túlmutat egy fénykép fő témájának azonosításán. Dokumentált feladatai közé tartozik a képen belüli szövegek, diagramok, ikonok, grafikák és az elemek elrendezésének elemzése. Diagramnál határozza meg a vizsgálandó adatsort vagy kapcsolatot, és őrizze meg a tengelyeket, jelmagyarázatot és mértékegységeket. Ábránál kérdezze meg, hogyan kapcsolódnak a feliratozott komponensek, és mit mond el a látható elrendezés a folyamatról.
Hasznos összehasonlításhoz megadhat egy eredeti és egy átdolgozott tervet, azonosíthatja, melyik melyik, és rövid követelménylista alapján kérdezhet rá a látható változásokra. Kérje együtt a megfigyelést és a releváns képrégiót. Ez konkrét célt ad a válasznak két egymással nem összefüggő kép általános leírásának kérése helyett.
Vizuális ügynök-munkafolyamatok
A gyártó a Qwen2.5-VL-t olyan vizuális ügynökként pozicionálja, amely képes képernyőről következtetni, és számítógépes vagy telefonos feladatokban eszközöket irányítani. A modell értelmezést és javasolt műveletet ad; a környező ügynökalkalmazás biztosítja a vezérlőket, végrehajtja a műveletet és visszaadja az új állapotot. A szöveges válasz vagy becsült koordináta ezért az integrált munkafolyamat egyik része.
Felületkérdéshez adja meg a képernyőképet és a tényleges célt, majd kérdezze meg, melyik látható vezérlő releváns, és mit kell tenni következőként. Legyen konkrét a kért kimenet: a vezérlő felirata, helye és a kívánt művelet. Ha az alkalmazás ezután végrehajtja a műveletet, a következő képernyőkép frissített vizuális bemenetet biztosít a későbbi döntéshez.
Hosszú videók és az események időbeli meghatározása
A gyártó egy óránál hosszabb videók megértését és a kért eseményt tartalmazó szakasz azonosítását írja le. Ez a videóleírást időbeli helymeghatározássá bővíti. Egy feladat kérdezheti, mikor jelenik meg először egy objektum, hol ér el egy bemutató egy adott lépéshez, vagy melyik látható esemény történik egy másik előtt. Adja meg, hogy az eredmény összefoglaló, rendezett eseménylista vagy eseményleírással kiegészített kezdő és befejező időpont legyen.
A család dinamikus képkockasebesség-mintavételezéssel tanul, és az időbeli pozicionális információt abszolút időhöz igazítja. A képkockasebesség-információ ezért a videó előkészítéséhez tartozik, nem tetszőleges címke, amely elhagyható, ha az időbélyegek számítanak. A dokumentált hosszúvideó-képesség nem minden bemeneti útra érvényes, általános fájlméret- vagy maximális időtartam-specifikáció.
Objektum-helymeghatározás és strukturált dokumentumok
A Qwen2.5-VL befoglaló téglalapokat vagy pontokat adhat vissza, és JSON-ként rendezheti a koordinátákat és attribútumokat. A kiadás a tényleges képméret skáláján megadott koordinátákat használ a hagyományos normalizált koordináták helyett. Adja meg, hogy a feladathoz befoglaló téglalapra, adott pontra vagy objektumleírásra van-e szükség, és őrizze meg a képméreteket és a visszaadott hely értelmezéséhez szükséges átméretezési információkat.
Például egy vizuális készletfelmérési kérés minden célobjektumhoz kérheti annak keretét és egy látható attribútumát. Pontalapú feladat kérheti egy feliratozott vezérlő vagy egy objektum megadott részének helyét. Ezek javasolt kimeneti kialakítások, nem minden kérésnél kötelező rögzített mezőnevek. Több kép megadásakor minden koordinátát tartson a saját forrásképéhez kapcsolva.
A gyártó külön kiemeli a számlaszkenekből, űrlapokból és táblázatokból történő strukturált adatkinyerést. Határozza meg a mezőket, őrizze meg az eredeti feliratokat, és kérjen egyértelmű jelölést, ha egy érték nem olvasható. Táblázatnál tartsa meg az oszlopfejléceket és mértékegységeket a kért sorokkal együtt. Egy gyakorlati rekord tartalmazhatja a dokumentumazonosítót, a mező feliratát, a kinyert értéket és annak helyét, így a kimenet későbbi összehasonlításhoz vagy emberi ellenőrzéshez használható.
Architektúra és bemenet-előkészítés
A modell a dinamikus képfelbontást és dinamikus videómintavételezést frissített multimodális forgó pozicionális információval egyesíti. Vizuális kódolója ablakos figyelmet, SwiGLU-t és RMSNorm-ot használ. Ezek a vizuális és időbeli feldolgozást támogató architekturális változások; nem adnak hangbemenetet vagy képgenerálást a dokumentált, szöveges eredményű munkafolyamathoz.
A kártya bemutat egyetlen képet, több képet, videóképkocka-sorozatot, videófájlt vagy hivatkozást és kötegelt beszélgetéseket. A képfeldolgozó képenként 4 és 16,384 közötti vizuális tokent dokumentál alapértelmezett tartományként. A minimális és maximális pixelbeállítások megőrzik a képarányt; a kért pontos méreteket 28 többszörösére kerekíti. A 256 és 1,280 vizuális token közötti példatartomány állítható szemléltetés, nem külön merev képkorlát. Átméretezéskor őrizze meg a kérdéshez szükséges részletességet.
Kontextus és a helymeghatározásra érzékeny beállítások
A közzétett konfiguráció a maximális pozíciószámot 128,000-re állítja. A modellkártya hosszú szövegekről szóló része külön 32,768 tokenes alapértéket és YaRN-bővítési példát ír le. Kifejezetten figyelmeztet, hogy a bővítés jelentősen befolyásolja az időbeli és térbeli helymeghatározást, és nem ajánlja. Az útmutató hosszú videókhoz a maximális pozíciószám módosítását is tárgyalja; ezek konfigurációs megjegyzések, nem minden feladatra érvényes, egyetlen feltétel nélküli bemeneti korlát.
A kiadás pontos konfigurációját és a vizuális előfeldolgozást igazítsa a feladathoz, különösen, ha koordináták vagy eseményidők számítanak. A kártya 128 tokenes generálási példája nem határoz meg külön maximális kimeneti kapacitást. A Qwen2.5-VL-7B-Instruct szöveget, koordinátákat és strukturált megállapításokat állít elő; külső művelethez, renderelt képhez, videóhoz vagy beszédválaszhoz másik alkalmazáskomponens szükséges.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen2.5-vl-7b-instruct | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0001 / 1K token Kimenet · Kimeneti tokenek $0.0001 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-7b-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-7b-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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.