Bevezetés: a 7B vizuális nyelvi kiadás
A Qwen2-VL-7B-Instruct a Qwen2-VL utasításokra finomhangolt 7B tagja. Szöveges utasításokat egyesít képekkel vagy videóval, és szöveges válaszokat állít elő. Hasznos kimenetei közé tartozik egy oldal magyarázata, képek összehasonlítása, látható események leírása vagy egy diagramra vonatkozó kérdés megválaszolása. Ez továbbra is ez a pontos Qwen2-VL-kiadás; az újabb Qwen2.5-VL és Qwen3-VL modell-ellenőrzőpontok saját képességekkel és identitással rendelkeznek.
Mit ad hozzá a Qwen2-VL
A Qwen különböző képfelbontások és képarányok melletti vizuális megértést, valamint videós kérdésmegválaszolást, párbeszédet és tartalomalkotást ír le. A család dokumentált videós képessége 20 percnél hosszabb anyagra is kiterjed. Az időtartam önmagában nem igazolja, hány képkockát dolgoz fel egy alkalmazás, és nem garantálja minden esemény felidézését. A többnyelvű kép-szöveg megértés kiterjed az angolra és kínaira, számos európai nyelvre, a japánra, koreaira, arabra és vietnamira.
A gyártó telefonokkal, robotokkal és más eszközökkel történő integrációt is leír vizuális megfigyelések és szöveges utasítások révén. Ez alkalmazási munkafolyamat: a modell értelmezi a vizuális környezetet, és segít műveleteket választani, amelyeket a kapcsolódó szoftver vagy hardver hajt végre. A képernyő felismerése önmagában nem ad neki irányítást a képernyő felett.
Architekturális változások
A dinamikus felbontás változó számú vizuális tokenné alakít egy képet, ahelyett hogy minden bemenetet ugyanabba a reprezentációba kényszerítene. Az M-ROPE elkülöníti a szöveg, a kétdimenziós képek és a háromdimenziós videóadatok pozícióinformációit, és egyesíti a térbeli és időbeli szerkezetet. A közzétett 7B konfiguráció 32 768 pozíciót sorol fel. A szöveg, a vizuális tokenek és a generált kimenet a véges szekvenciakereten osztoznak, ezért a képfelbontás és a videó mintavételezése befolyásolja a kérésben elférő anyag mennyiségét.
Képek és beszélgetések előkészítése
A hivatalos példák egyetlen képet, több képet és kizárólag szöveges beszélgetéseket is támogatnak. A képet konkrét kérdéssel csatold, ne olyan tág utasításra hagyatkozz, mint az „elemezz mindent”. Dokumentumoldalnál kérj megnevezett mezőket, és az idézetekben őrizd meg az írásjeleket. Két, tervet bemutató képernyőképet láss el az „első” és „második” címkével, majd kérj táblázatot a látható változásokról. Diagramnál kérd a feliratokat, mértékegységeket és a megadott trendet alátámasztó értékeket. Ezek a vizuális kérdésmegválaszolás gyakorlati alkalmazásai, nem hibátlan adatkinyerésre tett ígéretek.
A gyártó segédprogramjai helyi fájlokból, kódolt képadatokból vagy képelérési helyekről fogadnak képeket; dokumentált videós példája helyi videófájlokat vagy rendezett képkockalistát használ. Az alkalmazás feltöltési formátumai külön interfészdöntés tárgyai. Őrizd meg az eredeti képkockasorrendet, és add meg a képkockalista által képviselt időintervallumot. A példák szöveget generálnak; ezt a modell-ellenőrzőpontot nem kép- vagy videógenerátorként írják le.
Felbontás és videó-előkészítés
A Qwen előfeldolgozója alapértelmezés szerint képenként négy és 16 384 közötti vizuális tokent használ. A min_pixels és max_pixels beállításokat teszi elérhetővé a részletesség, memória és számítási igény egyensúlyához; egy dokumentált példa 256–1280 vizuális tokent céloz. A képek a kiválasztott határokon belül, képarányuk megtartásával méreteződnek át. A kifejezetten megadott átméretezett méreteket 28 többszörösére kerekítik. A sűrű táblázat vagy apró írás megfelelő felbontást igényelhet az olvashatósághoz; annak növelése az elérhető vizuális és kontextuskeretből is többet fogyaszt.
A videós példa másodpercenként egy képkockás mintavételezést és állítható pixelkorlátot mutat. Ezek példabeállítások, nem általánosan kötelező sebesség vagy szigorú médiakorlát. Eseményellenőrzéshez add meg a releváns klipet, és kérj rendezett leírást a látható változásokról. Az időben közeli események finomabb mintavételezést igényelhetnek, mint egy átfogó jelenetösszefoglaló. A Qwen2-VL nem érti a videókban lévő hanginformációt, ezért a beszélt párbeszéd vagy hangeffektusok külön hangfeldolgozási munkafolyamatot igényelnek.
Ismert korlátok
A Qwen a képi tanítóadatok záródátumaként 2023 júniusát rögzíti, és nem biztosítja a későbbi személyekre, termékekre vagy eseményekre vonatkozó tudást. Konkrét személyek és szellemi alkotások felismerése hiányos. Az összetett, több lépéses utasítások követése, a zsúfolt jelenetekben szereplő objektumok megszámlálása és a térbeli kapcsolatok felismerése, különösen három dimenzióban, dokumentált gyengeségek. Bontsd a bonyolult vizuális feladatot világos kérdésekre, kérd az eredményt alátámasztó látható bizonyítékot, és ellenőrizd a kinyert számokat és idézett szöveget a képen. A hihető feliratot nem szabad pontos darabszámként vagy mért háromdimenziós helyzetként kezelni.
A kártya rövid generálási példái nem igazolnak külön szigorú kimeneti plafont. A válasz méretét a szöveges és vizuális bemenettel együtt tervezd, és a forrásban őrizz meg elegendő részletet az adott kérdéshez. Így a modellválasztás és bemenet-előkészítés hasznosabb, mint annak feltételezése, hogy minden kép vagy minden hosszú videó egyformán megbízható választ ad.
", "aboutText": "Bevezetés: a 7B vizuális nyelvi kiadás\n\nA Qwen2-VL-7B-Instruct a Qwen2-VL utasításokra finomhangolt 7B tagja. Szöveges utasításokat egyesít képekkel vagy videóval, és szöveges válaszokat állít elő. Hasznos kimenetei közé tartozik egy oldal magyarázata, képek összehasonlítása, látható események leírása vagy egy diagramra vonatkozó kérdés megválaszolása. Ez továbbra is ez a pontos Qwen2-VL-kiadás; az újabb Qwen2.5-VL és Qwen3-VL modell-ellenőrzőpontok saját képességekkel és identitással rendelkeznek.\n\nMit ad hozzá a Qwen2-VL\n\nA Qwen különböző képfelbontások és képarányok melletti vizuális megértést, valamint videós kérdésmegválaszolást, párbeszédet és tartalomalkotást ír le. A család dokumentált videós képessége 20 percnél hosszabb anyagra is kiterjed. Az időtartam önmagában nem igazolja, hány képkockát dolgoz fel egy alkalmazás, és nem garantálja minden esemény felidézését. A többnyelvű kép-szöveg megértés kiterjed az angolra és kínaira, számos európai nyelvre, a japánra, koreaira, arabra és vietnamira.\n\nA gyártó telefonokkal, robotokkal és más eszközökkel történő integrációt is leír vizuális megfigyelések és szöveges utasítások révén. Ez alkalmazási munkafolyamat: a modell értelmezi a vizuális környezetet, és segít műveleteket választani, amelyeket a kapcsolódó szoftver vagy hardver hajt végre. A képernyő felismerése önmagában nem ad neki irányítást a képernyő felett.\n\nArchitekturális változások\n\nA dinamikus felbontás változó számú vizuális tokenné alakít egy képet, ahelyett hogy minden bemenetet ugyanabba a reprezentációba kényszerítene. Az M-ROPE elkülöníti a szöveg, a kétdimenziós képek és a háromdimenziós videóadatok pozícióinformációit, és egyesíti a térbeli és időbeli szerkezetet. A közzétett 7B konfiguráció 32 768 pozíciót sorol fel. A szöveg, a vizuális tokenek és a generált kimenet a véges szekvenciakereten osztoznak, ezért a képfelbontás és a videó mintavételezése befolyásolja a kérésben elférő anyag mennyiségét.\n\nKépek és beszélgetések előkészítése\n\nA hivatalos példák egyetlen képet, több képet és kizárólag szöveges beszélgetéseket is támogatnak. A képet konkrét kérdéssel csatold, ne olyan tág utasításra hagyatkozz, mint az „elemezz mindent”. Dokumentumoldalnál kérj megnevezett mezőket, és az idézetekben őrizd meg az írásjeleket. Két, tervet bemutató képernyőképet láss el az „első” és „második” címkével, majd kérj táblázatot a látható változásokról. Diagramnál kérd a feliratokat, mértékegységeket és a megadott trendet alátámasztó értékeket. Ezek a vizuális kérdésmegválaszolás gyakorlati alkalmazásai, nem hibátlan adatkinyerésre tett ígéretek.\n\nA gyártó segédprogramjai helyi fájlokból, kódolt képadatokból vagy képelérési helyekről fogadnak képeket; dokumentált videós példája helyi videófájlokat vagy rendezett képkockalistát használ. Az alkalmazás feltöltési formátumai külön interfészdöntés tárgyai. Őrizd meg az eredeti képkockasorrendet, és add meg a képkockalista által képviselt időintervallumot. A példák szöveget generálnak; ezt a modell-ellenőrzőpontot nem kép- vagy videógenerátorként írják le.\n\nFelbontás és videó-előkészítés\n\nA Qwen előfeldolgozója alapértelmezés szerint képenként négy és 16 384 közötti vizuális tokent használ. A min_pixels és max_pixels beállításokat teszi elérhetővé a részletesség, memória és számítási igény egyensúlyához; egy dokumentált példa 256–1280 vizuális tokent céloz. A képek a kiválasztott határokon belül, képarányuk megtartásával méreteződnek át. A kifejezetten megadott átméretezett méreteket 28 többszörösére kerekítik. A sűrű táblázat vagy apró írás megfelelő felbontást igényelhet az olvashatósághoz; annak növelése az elérhető vizuális és kontextuskeretből is többet fogyaszt.\n\nA videós példa másodpercenként egy képkockás mintavételezést és állítható pixelkorlátot mutat. Ezek példabeállítások, nem általánosan kötelező sebesség vagy szigorú médiakorlát. Eseményellenőrzéshez add meg a releváns klipet, és kérj rendezett leírást a látható változásokról. Az időben közeli események finomabb mintavételezést igényelhetnek, mint egy átfogó jelenetösszefoglaló. A Qwen2-VL nem érti a videókban lévő hanginformációt, ezért a beszélt párbeszéd vagy hangeffektusok külön hangfeldolgozási munkafolyamatot igényelnek.\n\nIsmert korlátok\n\nA Qwen a képi tanítóadatok záródátumaként 2023 júniusát rögzíti, és nem biztosítja a későbbi személyekre, termékekre vagy eseményekre vonatkozó tudást. Konkrét személyek és szellemi alkotások felismerése hiányos. Az összetett, több lépéses utasítások követése, a zsúfolt jelenetekben szereplő objektumok megszámlálása és a térbeli kapcsolatok felismerése, különösen három dimenzióban, dokumentált gyengeségek. Bontsd a bonyolult vizuális feladatot világos kérdésekre, kérd az eredményt alátámasztó látható bizonyítékot, és ellenőrizd a kinyert számokat és idézett szöveget a képen. A hihető feliratot nem szabad pontos darabszámként vagy mért háromdimenziós helyzetként kezelni.\n\nA kártya rövid generálási példái nem igazolnak külön szigorú kimeneti plafont. A válasz méretét a szöveges és vizuális bemenettel együtt tervezd, és a forrásban őrizz meg elegendő részletet az adott kérdéshez. Így a modellválasztás és bemenet-előkészítés hasznosabb, mint annak feltételezése, hogy minden kép vagy minden hosszú videó egyformán megbízható választ ad.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-ultraA Qwen2-VL-7B-Instruct a Qwen utasításokra finomhangolt vizuális nyelvi modellje szöveghez, képekhez és videóhoz, szöveges kimenettel. Használd dokumentumoldalakra vonatkozó kérdésekhez, képek összehasonlításához vagy vizuális események leírásához; dinamikus képfelbontást használ, és dokumentált korlátai vannak a számlálásban, térbeli következtetésben és a videóban lévő hang megértésében.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: a 7B vizuális nyelvi kiadás
A Qwen2-VL-7B-Instruct a Qwen2-VL utasításokra finomhangolt 7B tagja. Szöveges utasításokat egyesít képekkel vagy videóval, és szöveges válaszokat állít elő. Hasznos kimenetei közé tartozik egy oldal magyarázata, képek összehasonlítása, látható események leírása vagy egy diagramra vonatkozó kérdés megválaszolása. Ez továbbra is ez a pontos Qwen2-VL-kiadás; az újabb Qwen2.5-VL és Qwen3-VL modell-ellenőrzőpontok saját képességekkel és identitással rendelkeznek.
Mit ad hozzá a Qwen2-VL
A Qwen különböző képfelbontások és képarányok melletti vizuális megértést, valamint videós kérdésmegválaszolást, párbeszédet és tartalomalkotást ír le. A család dokumentált videós képessége 20 percnél hosszabb anyagra is kiterjed. Az időtartam önmagában nem igazolja, hány képkockát dolgoz fel egy alkalmazás, és nem garantálja minden esemény felidézését. A többnyelvű kép-szöveg megértés kiterjed az angolra és kínaira, számos európai nyelvre, a japánra, koreaira, arabra és vietnamira.
A gyártó telefonokkal, robotokkal és más eszközökkel történő integrációt is leír vizuális megfigyelések és szöveges utasítások révén. Ez alkalmazási munkafolyamat: a modell értelmezi a vizuális környezetet, és segít műveleteket választani, amelyeket a kapcsolódó szoftver vagy hardver hajt végre. A képernyő felismerése önmagában nem ad neki irányítást a képernyő felett.
Architekturális változások
A dinamikus felbontás változó számú vizuális tokenné alakít egy képet, ahelyett hogy minden bemenetet ugyanabba a reprezentációba kényszerítene. Az M-ROPE elkülöníti a szöveg, a kétdimenziós képek és a háromdimenziós videóadatok pozícióinformációit, és egyesíti a térbeli és időbeli szerkezetet. A közzétett 7B konfiguráció 32 768 pozíciót sorol fel. A szöveg, a vizuális tokenek és a generált kimenet a véges szekvenciakereten osztoznak, ezért a képfelbontás és a videó mintavételezése befolyásolja a kérésben elférő anyag mennyiségét.
Képek és beszélgetések előkészítése
A hivatalos példák egyetlen képet, több képet és kizárólag szöveges beszélgetéseket is támogatnak. A képet konkrét kérdéssel csatold, ne olyan tág utasításra hagyatkozz, mint az „elemezz mindent”. Dokumentumoldalnál kérj megnevezett mezőket, és az idézetekben őrizd meg az írásjeleket. Két, tervet bemutató képernyőképet láss el az „első” és „második” címkével, majd kérj táblázatot a látható változásokról. Diagramnál kérd a feliratokat, mértékegységeket és a megadott trendet alátámasztó értékeket. Ezek a vizuális kérdésmegválaszolás gyakorlati alkalmazásai, nem hibátlan adatkinyerésre tett ígéretek.
A gyártó segédprogramjai helyi fájlokból, kódolt képadatokból vagy képelérési helyekről fogadnak képeket; dokumentált videós példája helyi videófájlokat vagy rendezett képkockalistát használ. Az alkalmazás feltöltési formátumai külön interfészdöntés tárgyai. Őrizd meg az eredeti képkockasorrendet, és add meg a képkockalista által képviselt időintervallumot. A példák szöveget generálnak; ezt a modell-ellenőrzőpontot nem kép- vagy videógenerátorként írják le.
Felbontás és videó-előkészítés
A Qwen előfeldolgozója alapértelmezés szerint képenként négy és 16 384 közötti vizuális tokent használ. A min_pixels és max_pixels beállításokat teszi elérhetővé a részletesség, memória és számítási igény egyensúlyához; egy dokumentált példa 256–1280 vizuális tokent céloz. A képek a kiválasztott határokon belül, képarányuk megtartásával méreteződnek át. A kifejezetten megadott átméretezett méreteket 28 többszörösére kerekítik. A sűrű táblázat vagy apró írás megfelelő felbontást igényelhet az olvashatósághoz; annak növelése az elérhető vizuális és kontextuskeretből is többet fogyaszt.
A videós példa másodpercenként egy képkockás mintavételezést és állítható pixelkorlátot mutat. Ezek példabeállítások, nem általánosan kötelező sebesség vagy szigorú médiakorlát. Eseményellenőrzéshez add meg a releváns klipet, és kérj rendezett leírást a látható változásokról. Az időben közeli események finomabb mintavételezést igényelhetnek, mint egy átfogó jelenetösszefoglaló. A Qwen2-VL nem érti a videókban lévő hanginformációt, ezért a beszélt párbeszéd vagy hangeffektusok külön hangfeldolgozási munkafolyamatot igényelnek.
Ismert korlátok
A Qwen a képi tanítóadatok záródátumaként 2023 júniusát rögzíti, és nem biztosítja a későbbi személyekre, termékekre vagy eseményekre vonatkozó tudást. Konkrét személyek és szellemi alkotások felismerése hiányos. Az összetett, több lépéses utasítások követése, a zsúfolt jelenetekben szereplő objektumok megszámlálása és a térbeli kapcsolatok felismerése, különösen három dimenzióban, dokumentált gyengeségek. Bontsd a bonyolult vizuális feladatot világos kérdésekre, kérd az eredményt alátámasztó látható bizonyítékot, és ellenőrizd a kinyert számokat és idézett szöveget a képen. A hihető feliratot nem szabad pontos darabszámként vagy mért háromdimenziós helyzetként kezelni.
A kártya rövid generálási példái nem igazolnak külön szigorú kimeneti plafont. A válasz méretét a szöveges és vizuális bemenettel együtt tervezd, és a forrásban őrizz meg elegendő részletet az adott kérdéshez. Így a modellválasztás és bemenet-előkészítés hasznosabb, mint annak feltételezése, hogy minden kép vagy minden hosszú videó egyformán megbízható választ ad.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00142 / 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-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 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-VL-7B-Instruct-ultra
Használja a fent látható metódusútvonalakat.
Qwen2-VL-7B-Instruct-ultraA Qwen2-VL-7B-Instruct a Qwen utasításokra finomhangolt vizuális nyelvi modellje szöveghez, képekhez és videóhoz, szöveges kimenettel. Használd dokumentumoldalakra vonatkozó kérdésekhez, képek összehasonlításához vagy vizuális események leírásához; dinamikus képfelbontást használ, és dokumentált korlátai vannak a számlálásban, térbeli következtetésben és a videóban lévő hang megértésében.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: a 7B vizuális nyelvi kiadás
A Qwen2-VL-7B-Instruct a Qwen2-VL utasításokra finomhangolt 7B tagja. Szöveges utasításokat egyesít képekkel vagy videóval, és szöveges válaszokat állít elő. Hasznos kimenetei közé tartozik egy oldal magyarázata, képek összehasonlítása, látható események leírása vagy egy diagramra vonatkozó kérdés megválaszolása. Ez továbbra is ez a pontos Qwen2-VL-kiadás; az újabb Qwen2.5-VL és Qwen3-VL modell-ellenőrzőpontok saját képességekkel és identitással rendelkeznek.
Mit ad hozzá a Qwen2-VL
A Qwen különböző képfelbontások és képarányok melletti vizuális megértést, valamint videós kérdésmegválaszolást, párbeszédet és tartalomalkotást ír le. A család dokumentált videós képessége 20 percnél hosszabb anyagra is kiterjed. Az időtartam önmagában nem igazolja, hány képkockát dolgoz fel egy alkalmazás, és nem garantálja minden esemény felidézését. A többnyelvű kép-szöveg megértés kiterjed az angolra és kínaira, számos európai nyelvre, a japánra, koreaira, arabra és vietnamira.
A gyártó telefonokkal, robotokkal és más eszközökkel történő integrációt is leír vizuális megfigyelések és szöveges utasítások révén. Ez alkalmazási munkafolyamat: a modell értelmezi a vizuális környezetet, és segít műveleteket választani, amelyeket a kapcsolódó szoftver vagy hardver hajt végre. A képernyő felismerése önmagában nem ad neki irányítást a képernyő felett.
Architekturális változások
A dinamikus felbontás változó számú vizuális tokenné alakít egy képet, ahelyett hogy minden bemenetet ugyanabba a reprezentációba kényszerítene. Az M-ROPE elkülöníti a szöveg, a kétdimenziós képek és a háromdimenziós videóadatok pozícióinformációit, és egyesíti a térbeli és időbeli szerkezetet. A közzétett 7B konfiguráció 32 768 pozíciót sorol fel. A szöveg, a vizuális tokenek és a generált kimenet a véges szekvenciakereten osztoznak, ezért a képfelbontás és a videó mintavételezése befolyásolja a kérésben elférő anyag mennyiségét.
Képek és beszélgetések előkészítése
A hivatalos példák egyetlen képet, több képet és kizárólag szöveges beszélgetéseket is támogatnak. A képet konkrét kérdéssel csatold, ne olyan tág utasításra hagyatkozz, mint az „elemezz mindent”. Dokumentumoldalnál kérj megnevezett mezőket, és az idézetekben őrizd meg az írásjeleket. Két, tervet bemutató képernyőképet láss el az „első” és „második” címkével, majd kérj táblázatot a látható változásokról. Diagramnál kérd a feliratokat, mértékegységeket és a megadott trendet alátámasztó értékeket. Ezek a vizuális kérdésmegválaszolás gyakorlati alkalmazásai, nem hibátlan adatkinyerésre tett ígéretek.
A gyártó segédprogramjai helyi fájlokból, kódolt képadatokból vagy képelérési helyekről fogadnak képeket; dokumentált videós példája helyi videófájlokat vagy rendezett képkockalistát használ. Az alkalmazás feltöltési formátumai külön interfészdöntés tárgyai. Őrizd meg az eredeti képkockasorrendet, és add meg a képkockalista által képviselt időintervallumot. A példák szöveget generálnak; ezt a modell-ellenőrzőpontot nem kép- vagy videógenerátorként írják le.
Felbontás és videó-előkészítés
A Qwen előfeldolgozója alapértelmezés szerint képenként négy és 16 384 közötti vizuális tokent használ. A min_pixels és max_pixels beállításokat teszi elérhetővé a részletesség, memória és számítási igény egyensúlyához; egy dokumentált példa 256–1280 vizuális tokent céloz. A képek a kiválasztott határokon belül, képarányuk megtartásával méreteződnek át. A kifejezetten megadott átméretezett méreteket 28 többszörösére kerekítik. A sűrű táblázat vagy apró írás megfelelő felbontást igényelhet az olvashatósághoz; annak növelése az elérhető vizuális és kontextuskeretből is többet fogyaszt.
A videós példa másodpercenként egy képkockás mintavételezést és állítható pixelkorlátot mutat. Ezek példabeállítások, nem általánosan kötelező sebesség vagy szigorú médiakorlát. Eseményellenőrzéshez add meg a releváns klipet, és kérj rendezett leírást a látható változásokról. Az időben közeli események finomabb mintavételezést igényelhetnek, mint egy átfogó jelenetösszefoglaló. A Qwen2-VL nem érti a videókban lévő hanginformációt, ezért a beszélt párbeszéd vagy hangeffektusok külön hangfeldolgozási munkafolyamatot igényelnek.
Ismert korlátok
A Qwen a képi tanítóadatok záródátumaként 2023 júniusát rögzíti, és nem biztosítja a későbbi személyekre, termékekre vagy eseményekre vonatkozó tudást. Konkrét személyek és szellemi alkotások felismerése hiányos. Az összetett, több lépéses utasítások követése, a zsúfolt jelenetekben szereplő objektumok megszámlálása és a térbeli kapcsolatok felismerése, különösen három dimenzióban, dokumentált gyengeségek. Bontsd a bonyolult vizuális feladatot világos kérdésekre, kérd az eredményt alátámasztó látható bizonyítékot, és ellenőrizd a kinyert számokat és idézett szöveget a képen. A hihető feliratot nem szabad pontos darabszámként vagy mért háromdimenziós helyzetként kezelni.
A kártya rövid generálási példái nem igazolnak külön szigorú kimeneti plafont. A válasz méretét a szöveges és vizuális bemenettel együtt tervezd, és a forrásban őrizz meg elegendő részletet az adott kérdéshez. Így a modellválasztás és bemenet-előkészítés hasznosabb, mint annak feltételezése, hogy minden kép vagy minden hosszú videó egyformán megbízható választ ad.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00142 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-VL-7B-Instruct-ultra
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
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.