Pendahuluan: edisi 3B yang disetel untuk mengikuti instruksi
Qwen2.5-VL-3B-Instruct adalah anggota 3B dari Qwen2.5-VL. Model ini menerima instruksi teks beserta gambar atau video dan menghasilkan respons tekstual, termasuk data terstruktur. Pilih model ini untuk pertanyaan visual yang terdefinisi jelas, tugas ekstraksi dokumen, atau penjelasan yang menghubungkan konten yang terlihat dengan permintaan pengguna. Ukuran dan rilis yang spesifik ini memiliki identitas tersendiri; fitur yang ditambahkan khusus ke ukuran lain atau generasi Qwen yang lebih baru tidak boleh dianggap berlaku pada checkpoint ini.
Pemahaman visual dan alur kerja agen
Qwen menjelaskan pengenalan objek umum dan analisis tulisan, bagan, ikon, grafis, serta tata letak halaman. Untuk formulir, tentukan kolom yang diperlukan dan makna nilai kosong. Untuk bagan, minta sumbu, satuan, dan nilai yang terlihat yang mendukung kesimpulan. Permintaan terarah membuat keluaran lebih mudah dibandingkan dengan gambar asli daripada permintaan luas untuk mendeskripsikan semuanya.
Keluarga model ini juga mendukung penalaran agen visual dan pengarahan alat untuk alur kerja komputer atau ponsel. Model dapat menafsirkan antarmuka dan membantu memutuskan tindakan; alat aplikasi yang terhubung menjalankan tindakan tersebut. Tinjauan tangkapan layar dapat menanyakan kontrol mana yang sesuai dengan suatu tugas dan informasi yang terlihat apa yang mendukung pilihan itu. Penggunaan penalaran visual tersebut tidak dengan sendirinya memberikan kendali atas perangkat.
Video panjang dan penentuan waktu kejadian
Pembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang relevan dengan kejadian yang diminta. Ini merupakan kemampuan keluarga model, bukan batas unggahan media tanpa syarat atau jaminan bahwa setiap bingkai dipertahankan. Siapkan klip yang relevan, pertahankan informasi waktunya, dan ajukan pertanyaan tepat tentang kejadian, urutan, atau perubahan. Pendekatan pemrosesan video model menggunakan informasi laju bingkai untuk menyelaraskan pengamatan visual dengan waktu absolut.
Penentuan lokasi dan dokumen terstruktur
Qwen2.5-VL dapat mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penentuan lokasi, sebutkan objek sasaran dan tentukan apakah hasilnya harus berupa titik atau kotak. Buat konvensi koordinat eksplisit dalam aplikasi yang memakai hasilnya, alih-alih menyimpulkan pengukuran fisik dari foto sembarang.
Pembuatnya juga mendokumentasikan ekstraksi terstruktur dari faktur yang dipindai, formulir, dan tabel. Berikan halaman yang terbaca dan skema keluaran: misalnya, nama kolom, teks hasil ekstraksi, dan bagian yang terlihat yang mendukungnya. Pertahankan satuan, pemisah desimal, dan judul tabel pada sumber. Perlakukan konten yang tidak pasti atau tidak terbaca sebagai kasus yang perlu ditinjau, alih-alih meminta model mengarang nilai yang hilang. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan jaminan ekstraksi yang persis.
Perubahan arsitektur
Resolusi gambar dinamis diperluas ke video melalui pelatihan dengan laju bingkai variabel. Pengodean posisi multimodal yang diperbarui merepresentasikan urutan temporal dan waktu absolut, sehingga membantu mengidentifikasi momen tertentu dan perubahan kecepatan. Encoder visi menggunakan window attention bersama SwiGLU dan RMSNorm. Perubahan ini menjelaskan cara model memproses materi visual; perubahan tersebut tidak menetapkan latensi tetap untuk aplikasi tertentu.
Menyiapkan gambar dan video
Contoh resmi mencakup satu gambar, beberapa gambar, percakapan hanya teks, berkas video, dan daftar bingkai berurutan. Beri label pada beberapa masukan visual agar pertanyaan dapat merujuk ke masing-masing masukan. Untuk perbandingan gambar, minta tabel yang disusun menurut label dan batasi hasil pada perbedaan yang terlihat. Untuk lini masa video, pertahankan urutan bingkai dan waktu, alih-alih menyajikan gambar-gambar terpisah seolah-olah durasinya diketahui.
Rentang bawaan pemroses gambar yang didokumentasikan adalah empat hingga 16,384 token visual per gambar. Contohnya dapat menargetkan 256–1,280 token dengan menetapkan batas piksel. Pemroses mempertahankan rasio aspek di dalam batas tersebut, sedangkan dimensi pengubahan ukuran eksplisit diselaraskan ke kelipatan 28. Detail yang lebih banyak menghabiskan lebih banyak komputasi dan ruang urutan, sehingga kolom teks kecil mungkin memerlukan potongan beresolusi lebih tinggi, sedangkan ringkasan pemandangan umum mungkin tidak. Itu merupakan kontrol pemrosesan dari pembuatnya; opsi unggahan aplikasi dapat berbeda.
Konteks dan batasan substantif
Konfigurasi checkpoint yang dipublikasikan menetapkan posisi maksimum sebesar 128,000, sedangkan bagian teks panjang yang menyertainya masih membahas konfigurasi awal 32,768 token. Panduan menjelaskan ekstrapolasi YaRN, tetapi memperingatkan bahwa metode tersebut dapat sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya untuk tugas-tugas itu. Panduan secara terpisah mencatat bahwa pengodean posisi video dapat memungkinkan pengaturan posisi yang lebih besar, dengan 64K sebagai contoh. Berbagai deskripsi konfigurasi ini tidak boleh digabungkan menjadi satu batas atas masukan yang tervalidasi secara universal.
Teks, materi visual, dan jawaban berbagi anggaran urutan yang terbatas. Jaga agar konten yang relevan tetap terbaca, sisakan ruang untuk hasil, dan periksa teks hasil ekstraksi, koordinat, serta waktu kejadian terhadap sumber aslinya. Contoh pembuatan keluaran 128 token pada kartu model bersifat ilustratif dan tidak menetapkan batas keluaran tegas yang terpisah. Model ini mengembalikan analisis tekstual atau informasi terstruktur; kemampuan visi-bahasanya tidak berarti model menghasilkan gambar atau video.
", "aboutText": "Pendahuluan: edisi 3B yang disetel untuk mengikuti instruksi\n\nQwen2.5-VL-3B-Instruct adalah anggota 3B dari Qwen2.5-VL. Model ini menerima instruksi teks beserta gambar atau video dan menghasilkan respons tekstual, termasuk data terstruktur. Pilih model ini untuk pertanyaan visual yang terdefinisi jelas, tugas ekstraksi dokumen, atau penjelasan yang menghubungkan konten yang terlihat dengan permintaan pengguna. Ukuran dan rilis yang spesifik ini memiliki identitas tersendiri; fitur yang ditambahkan khusus ke ukuran lain atau generasi Qwen yang lebih baru tidak boleh dianggap berlaku pada checkpoint ini.\n\nPemahaman visual dan alur kerja agen\n\nQwen menjelaskan pengenalan objek umum dan analisis tulisan, bagan, ikon, grafis, serta tata letak halaman. Untuk formulir, tentukan kolom yang diperlukan dan makna nilai kosong. Untuk bagan, minta sumbu, satuan, dan nilai yang terlihat yang mendukung kesimpulan. Permintaan terarah membuat keluaran lebih mudah dibandingkan dengan gambar asli daripada permintaan luas untuk mendeskripsikan semuanya.\n\nKeluarga model ini juga mendukung penalaran agen visual dan pengarahan alat untuk alur kerja komputer atau ponsel. Model dapat menafsirkan antarmuka dan membantu memutuskan tindakan; alat aplikasi yang terhubung menjalankan tindakan tersebut. Tinjauan tangkapan layar dapat menanyakan kontrol mana yang sesuai dengan suatu tugas dan informasi yang terlihat apa yang mendukung pilihan itu. Penggunaan penalaran visual tersebut tidak dengan sendirinya memberikan kendali atas perangkat.\n\nVideo panjang dan penentuan waktu kejadian\n\nPembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang relevan dengan kejadian yang diminta. Ini merupakan kemampuan keluarga model, bukan batas unggahan media tanpa syarat atau jaminan bahwa setiap bingkai dipertahankan. Siapkan klip yang relevan, pertahankan informasi waktunya, dan ajukan pertanyaan tepat tentang kejadian, urutan, atau perubahan. Pendekatan pemrosesan video model menggunakan informasi laju bingkai untuk menyelaraskan pengamatan visual dengan waktu absolut.\n\nPenentuan lokasi dan dokumen terstruktur\n\nQwen2.5-VL dapat mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penentuan lokasi, sebutkan objek sasaran dan tentukan apakah hasilnya harus berupa titik atau kotak. Buat konvensi koordinat eksplisit dalam aplikasi yang memakai hasilnya, alih-alih menyimpulkan pengukuran fisik dari foto sembarang.\n\nPembuatnya juga mendokumentasikan ekstraksi terstruktur dari faktur yang dipindai, formulir, dan tabel. Berikan halaman yang terbaca dan skema keluaran: misalnya, nama kolom, teks hasil ekstraksi, dan bagian yang terlihat yang mendukungnya. Pertahankan satuan, pemisah desimal, dan judul tabel pada sumber. Perlakukan konten yang tidak pasti atau tidak terbaca sebagai kasus yang perlu ditinjau, alih-alih meminta model mengarang nilai yang hilang. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan jaminan ekstraksi yang persis.\n\nPerubahan arsitektur\n\nResolusi gambar dinamis diperluas ke video melalui pelatihan dengan laju bingkai variabel. Pengodean posisi multimodal yang diperbarui merepresentasikan urutan temporal dan waktu absolut, sehingga membantu mengidentifikasi momen tertentu dan perubahan kecepatan. Encoder visi menggunakan window attention bersama SwiGLU dan RMSNorm. Perubahan ini menjelaskan cara model memproses materi visual; perubahan tersebut tidak menetapkan latensi tetap untuk aplikasi tertentu.\n\nMenyiapkan gambar dan video\n\nContoh resmi mencakup satu gambar, beberapa gambar, percakapan hanya teks, berkas video, dan daftar bingkai berurutan. Beri label pada beberapa masukan visual agar pertanyaan dapat merujuk ke masing-masing masukan. Untuk perbandingan gambar, minta tabel yang disusun menurut label dan batasi hasil pada perbedaan yang terlihat. Untuk lini masa video, pertahankan urutan bingkai dan waktu, alih-alih menyajikan gambar-gambar terpisah seolah-olah durasinya diketahui.\n\nRentang bawaan pemroses gambar yang didokumentasikan adalah empat hingga 16,384 token visual per gambar. Contohnya dapat menargetkan 256–1,280 token dengan menetapkan batas piksel. Pemroses mempertahankan rasio aspek di dalam batas tersebut, sedangkan dimensi pengubahan ukuran eksplisit diselaraskan ke kelipatan 28. Detail yang lebih banyak menghabiskan lebih banyak komputasi dan ruang urutan, sehingga kolom teks kecil mungkin memerlukan potongan beresolusi lebih tinggi, sedangkan ringkasan pemandangan umum mungkin tidak. Itu merupakan kontrol pemrosesan dari pembuatnya; opsi unggahan aplikasi dapat berbeda.\n\nKonteks dan batasan substantif\n\nKonfigurasi checkpoint yang dipublikasikan menetapkan posisi maksimum sebesar 128,000, sedangkan bagian teks panjang yang menyertainya masih membahas konfigurasi awal 32,768 token. Panduan menjelaskan ekstrapolasi YaRN, tetapi memperingatkan bahwa metode tersebut dapat sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya untuk tugas-tugas itu. Panduan secara terpisah mencatat bahwa pengodean posisi video dapat memungkinkan pengaturan posisi yang lebih besar, dengan 64K sebagai contoh. Berbagai deskripsi konfigurasi ini tidak boleh digabungkan menjadi satu batas atas masukan yang tervalidasi secara universal.\n\nTeks, materi visual, dan jawaban berbagi anggaran urutan yang terbatas. Jaga agar konten yang relevan tetap terbaca, sisakan ruang untuk hasil, dan periksa teks hasil ekstraksi, koordinat, serta waktu kejadian terhadap sumber aslinya. Contoh pembuatan keluaran 128 token pada kartu model bersifat ilustratif dan tidak menetapkan batas keluaran tegas yang terpisah. Model ini mengembalikan analisis tekstual atau informasi terstruktur; kemampuan visi-bahasanya tidak berarti model menghasilkan gambar atau video.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct adalah model visi-bahasa ringkas Qwen yang disetel untuk mengikuti instruksi untuk teks, gambar, dan video. Model ini mengembalikan teks dan informasi visual terstruktur, termasuk kolom dokumen, koordinat objek, dan deskripsi kejadian, dengan resolusi dinamis serta pemrosesan video yang memperhitungkan waktu.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Pendahuluan: edisi 3B yang disetel untuk mengikuti instruksi
Qwen2.5-VL-3B-Instruct adalah anggota 3B dari Qwen2.5-VL. Model ini menerima instruksi teks beserta gambar atau video dan menghasilkan respons tekstual, termasuk data terstruktur. Pilih model ini untuk pertanyaan visual yang terdefinisi jelas, tugas ekstraksi dokumen, atau penjelasan yang menghubungkan konten yang terlihat dengan permintaan pengguna. Ukuran dan rilis yang spesifik ini memiliki identitas tersendiri; fitur yang ditambahkan khusus ke ukuran lain atau generasi Qwen yang lebih baru tidak boleh dianggap berlaku pada checkpoint ini.
Pemahaman visual dan alur kerja agen
Qwen menjelaskan pengenalan objek umum dan analisis tulisan, bagan, ikon, grafis, serta tata letak halaman. Untuk formulir, tentukan kolom yang diperlukan dan makna nilai kosong. Untuk bagan, minta sumbu, satuan, dan nilai yang terlihat yang mendukung kesimpulan. Permintaan terarah membuat keluaran lebih mudah dibandingkan dengan gambar asli daripada permintaan luas untuk mendeskripsikan semuanya.
Keluarga model ini juga mendukung penalaran agen visual dan pengarahan alat untuk alur kerja komputer atau ponsel. Model dapat menafsirkan antarmuka dan membantu memutuskan tindakan; alat aplikasi yang terhubung menjalankan tindakan tersebut. Tinjauan tangkapan layar dapat menanyakan kontrol mana yang sesuai dengan suatu tugas dan informasi yang terlihat apa yang mendukung pilihan itu. Penggunaan penalaran visual tersebut tidak dengan sendirinya memberikan kendali atas perangkat.
Video panjang dan penentuan waktu kejadian
Pembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang relevan dengan kejadian yang diminta. Ini merupakan kemampuan keluarga model, bukan batas unggahan media tanpa syarat atau jaminan bahwa setiap bingkai dipertahankan. Siapkan klip yang relevan, pertahankan informasi waktunya, dan ajukan pertanyaan tepat tentang kejadian, urutan, atau perubahan. Pendekatan pemrosesan video model menggunakan informasi laju bingkai untuk menyelaraskan pengamatan visual dengan waktu absolut.
Penentuan lokasi dan dokumen terstruktur
Qwen2.5-VL dapat mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penentuan lokasi, sebutkan objek sasaran dan tentukan apakah hasilnya harus berupa titik atau kotak. Buat konvensi koordinat eksplisit dalam aplikasi yang memakai hasilnya, alih-alih menyimpulkan pengukuran fisik dari foto sembarang.
Pembuatnya juga mendokumentasikan ekstraksi terstruktur dari faktur yang dipindai, formulir, dan tabel. Berikan halaman yang terbaca dan skema keluaran: misalnya, nama kolom, teks hasil ekstraksi, dan bagian yang terlihat yang mendukungnya. Pertahankan satuan, pemisah desimal, dan judul tabel pada sumber. Perlakukan konten yang tidak pasti atau tidak terbaca sebagai kasus yang perlu ditinjau, alih-alih meminta model mengarang nilai yang hilang. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan jaminan ekstraksi yang persis.
Perubahan arsitektur
Resolusi gambar dinamis diperluas ke video melalui pelatihan dengan laju bingkai variabel. Pengodean posisi multimodal yang diperbarui merepresentasikan urutan temporal dan waktu absolut, sehingga membantu mengidentifikasi momen tertentu dan perubahan kecepatan. Encoder visi menggunakan window attention bersama SwiGLU dan RMSNorm. Perubahan ini menjelaskan cara model memproses materi visual; perubahan tersebut tidak menetapkan latensi tetap untuk aplikasi tertentu.
Menyiapkan gambar dan video
Contoh resmi mencakup satu gambar, beberapa gambar, percakapan hanya teks, berkas video, dan daftar bingkai berurutan. Beri label pada beberapa masukan visual agar pertanyaan dapat merujuk ke masing-masing masukan. Untuk perbandingan gambar, minta tabel yang disusun menurut label dan batasi hasil pada perbedaan yang terlihat. Untuk lini masa video, pertahankan urutan bingkai dan waktu, alih-alih menyajikan gambar-gambar terpisah seolah-olah durasinya diketahui.
Rentang bawaan pemroses gambar yang didokumentasikan adalah empat hingga 16,384 token visual per gambar. Contohnya dapat menargetkan 256–1,280 token dengan menetapkan batas piksel. Pemroses mempertahankan rasio aspek di dalam batas tersebut, sedangkan dimensi pengubahan ukuran eksplisit diselaraskan ke kelipatan 28. Detail yang lebih banyak menghabiskan lebih banyak komputasi dan ruang urutan, sehingga kolom teks kecil mungkin memerlukan potongan beresolusi lebih tinggi, sedangkan ringkasan pemandangan umum mungkin tidak. Itu merupakan kontrol pemrosesan dari pembuatnya; opsi unggahan aplikasi dapat berbeda.
Konteks dan batasan substantif
Konfigurasi checkpoint yang dipublikasikan menetapkan posisi maksimum sebesar 128,000, sedangkan bagian teks panjang yang menyertainya masih membahas konfigurasi awal 32,768 token. Panduan menjelaskan ekstrapolasi YaRN, tetapi memperingatkan bahwa metode tersebut dapat sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya untuk tugas-tugas itu. Panduan secara terpisah mencatat bahwa pengodean posisi video dapat memungkinkan pengaturan posisi yang lebih besar, dengan 64K sebagai contoh. Berbagai deskripsi konfigurasi ini tidak boleh digabungkan menjadi satu batas atas masukan yang tervalidasi secara universal.
Teks, materi visual, dan jawaban berbagi anggaran urutan yang terbatas. Jaga agar konten yang relevan tetap terbaca, sisakan ruang untuk hasil, dan periksa teks hasil ekstraksi, koordinat, serta waktu kejadian terhadap sumber aslinya. Contoh pembuatan keluaran 128 token pada kartu model bersifat ilustratif dan tidak menetapkan batas keluaran tegas yang terpisah. Model ini mengembalikan analisis tekstual atau informasi terstruktur; kemampuan visi-bahasanya tidak berarti model menghasilkan gambar atau video.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-vl-3b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2.5-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Gunakan jalur metode yang ditampilkan di atas.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct adalah model visi-bahasa ringkas Qwen yang disetel untuk mengikuti instruksi untuk teks, gambar, dan video. Model ini mengembalikan teks dan informasi visual terstruktur, termasuk kolom dokumen, koordinat objek, dan deskripsi kejadian, dengan resolusi dinamis serta pemrosesan video yang memperhitungkan waktu.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Pendahuluan: edisi 3B yang disetel untuk mengikuti instruksi
Qwen2.5-VL-3B-Instruct adalah anggota 3B dari Qwen2.5-VL. Model ini menerima instruksi teks beserta gambar atau video dan menghasilkan respons tekstual, termasuk data terstruktur. Pilih model ini untuk pertanyaan visual yang terdefinisi jelas, tugas ekstraksi dokumen, atau penjelasan yang menghubungkan konten yang terlihat dengan permintaan pengguna. Ukuran dan rilis yang spesifik ini memiliki identitas tersendiri; fitur yang ditambahkan khusus ke ukuran lain atau generasi Qwen yang lebih baru tidak boleh dianggap berlaku pada checkpoint ini.
Pemahaman visual dan alur kerja agen
Qwen menjelaskan pengenalan objek umum dan analisis tulisan, bagan, ikon, grafis, serta tata letak halaman. Untuk formulir, tentukan kolom yang diperlukan dan makna nilai kosong. Untuk bagan, minta sumbu, satuan, dan nilai yang terlihat yang mendukung kesimpulan. Permintaan terarah membuat keluaran lebih mudah dibandingkan dengan gambar asli daripada permintaan luas untuk mendeskripsikan semuanya.
Keluarga model ini juga mendukung penalaran agen visual dan pengarahan alat untuk alur kerja komputer atau ponsel. Model dapat menafsirkan antarmuka dan membantu memutuskan tindakan; alat aplikasi yang terhubung menjalankan tindakan tersebut. Tinjauan tangkapan layar dapat menanyakan kontrol mana yang sesuai dengan suatu tugas dan informasi yang terlihat apa yang mendukung pilihan itu. Penggunaan penalaran visual tersebut tidak dengan sendirinya memberikan kendali atas perangkat.
Video panjang dan penentuan waktu kejadian
Pembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang relevan dengan kejadian yang diminta. Ini merupakan kemampuan keluarga model, bukan batas unggahan media tanpa syarat atau jaminan bahwa setiap bingkai dipertahankan. Siapkan klip yang relevan, pertahankan informasi waktunya, dan ajukan pertanyaan tepat tentang kejadian, urutan, atau perubahan. Pendekatan pemrosesan video model menggunakan informasi laju bingkai untuk menyelaraskan pengamatan visual dengan waktu absolut.
Penentuan lokasi dan dokumen terstruktur
Qwen2.5-VL dapat mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penentuan lokasi, sebutkan objek sasaran dan tentukan apakah hasilnya harus berupa titik atau kotak. Buat konvensi koordinat eksplisit dalam aplikasi yang memakai hasilnya, alih-alih menyimpulkan pengukuran fisik dari foto sembarang.
Pembuatnya juga mendokumentasikan ekstraksi terstruktur dari faktur yang dipindai, formulir, dan tabel. Berikan halaman yang terbaca dan skema keluaran: misalnya, nama kolom, teks hasil ekstraksi, dan bagian yang terlihat yang mendukungnya. Pertahankan satuan, pemisah desimal, dan judul tabel pada sumber. Perlakukan konten yang tidak pasti atau tidak terbaca sebagai kasus yang perlu ditinjau, alih-alih meminta model mengarang nilai yang hilang. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan; contoh tersebut bukan jaminan ekstraksi yang persis.
Perubahan arsitektur
Resolusi gambar dinamis diperluas ke video melalui pelatihan dengan laju bingkai variabel. Pengodean posisi multimodal yang diperbarui merepresentasikan urutan temporal dan waktu absolut, sehingga membantu mengidentifikasi momen tertentu dan perubahan kecepatan. Encoder visi menggunakan window attention bersama SwiGLU dan RMSNorm. Perubahan ini menjelaskan cara model memproses materi visual; perubahan tersebut tidak menetapkan latensi tetap untuk aplikasi tertentu.
Menyiapkan gambar dan video
Contoh resmi mencakup satu gambar, beberapa gambar, percakapan hanya teks, berkas video, dan daftar bingkai berurutan. Beri label pada beberapa masukan visual agar pertanyaan dapat merujuk ke masing-masing masukan. Untuk perbandingan gambar, minta tabel yang disusun menurut label dan batasi hasil pada perbedaan yang terlihat. Untuk lini masa video, pertahankan urutan bingkai dan waktu, alih-alih menyajikan gambar-gambar terpisah seolah-olah durasinya diketahui.
Rentang bawaan pemroses gambar yang didokumentasikan adalah empat hingga 16,384 token visual per gambar. Contohnya dapat menargetkan 256–1,280 token dengan menetapkan batas piksel. Pemroses mempertahankan rasio aspek di dalam batas tersebut, sedangkan dimensi pengubahan ukuran eksplisit diselaraskan ke kelipatan 28. Detail yang lebih banyak menghabiskan lebih banyak komputasi dan ruang urutan, sehingga kolom teks kecil mungkin memerlukan potongan beresolusi lebih tinggi, sedangkan ringkasan pemandangan umum mungkin tidak. Itu merupakan kontrol pemrosesan dari pembuatnya; opsi unggahan aplikasi dapat berbeda.
Konteks dan batasan substantif
Konfigurasi checkpoint yang dipublikasikan menetapkan posisi maksimum sebesar 128,000, sedangkan bagian teks panjang yang menyertainya masih membahas konfigurasi awal 32,768 token. Panduan menjelaskan ekstrapolasi YaRN, tetapi memperingatkan bahwa metode tersebut dapat sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya untuk tugas-tugas itu. Panduan secara terpisah mencatat bahwa pengodean posisi video dapat memungkinkan pengaturan posisi yang lebih besar, dengan 64K sebagai contoh. Berbagai deskripsi konfigurasi ini tidak boleh digabungkan menjadi satu batas atas masukan yang tervalidasi secara universal.
Teks, materi visual, dan jawaban berbagi anggaran urutan yang terbatas. Jaga agar konten yang relevan tetap terbaca, sisakan ruang untuk hasil, dan periksa teks hasil ekstraksi, koordinat, serta waktu kejadian terhadap sumber aslinya. Contoh pembuatan keluaran 128 token pada kartu model bersifat ilustratif dan tidak menetapkan batas keluaran tegas yang terpisah. Model ini mengembalikan analisis tekstual atau informasi terstruktur; kemampuan visi-bahasanya tidak berarti model menghasilkan gambar atau video.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-vl-3b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen2.5-vl-3b-instruct
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.