Qwen2.5-VL-7B-Instruct adalah edisi 7B Qwen2.5-VL yang disetel untuk mengikuti instruksi. Model ini menghubungkan instruksi teks dengan gambar atau video dan mengembalikan hasil berupa teks. Peningkatan utama dari pembuatnya mencakup pengenalan objek dan detail visual, analisis teks dan tata letak, tugas agen visual, pemahaman kejadian dalam video panjang, penentuan lokasi objek, serta ekstraksi terstruktur dari dokumen.
Memahami konten visual
Keluarga model ini melampaui pengenalan subjek utama sebuah foto. Tugas yang didokumentasikan mencakup analisis teks, bagan, ikon, grafis, dan susunan elemen di dalam gambar. Untuk bagan, tentukan seri atau hubungan yang hendak diperiksa dan pertahankan sumbu, legenda, serta satuannya. Untuk diagram, tanyakan bagaimana komponen berlabel saling terhubung dan apa yang ditunjukkan susunan yang terlihat tentang proses tersebut.
Perbandingan yang berguna dapat menyertakan desain asli dan desain revisi, menandai keduanya, lalu meminta perubahan yang terlihat berdasarkan daftar persyaratan singkat. Minta pengamatan beserta bagian gambar yang relevan. Ini memberi jawaban tujuan konkret, alih-alih meminta deskripsi umum tentang dua gambar yang tidak berkaitan.
Alur kerja agen visual
Pembuatnya memosisikan Qwen2.5-VL sebagai agen visual yang dapat menalar tentang layar dan mengarahkan alat dalam tugas penggunaan komputer atau ponsel. Model memberikan interpretasi dan usulan operasi; aplikasi agen yang menaunginya menyediakan kontrol, menjalankan operasi, lalu mengembalikan keadaan baru. Dengan demikian, jawaban teks atau koordinat yang diprediksi merupakan salah satu bagian dari alur kerja terintegrasi tersebut.
Untuk pertanyaan tentang antarmuka, berikan tangkapan layar dan tujuan sebenarnya, lalu tanyakan kontrol yang terlihat mana yang relevan dan apa yang perlu dilakukan selanjutnya. Buat keluaran yang diminta tetap spesifik: label kontrol, lokasinya, dan tindakan yang dimaksud. Jika aplikasi kemudian menjalankan tindakan itu, tangkapan layar berikutnya menjadi masukan visual terbaru untuk keputusan selanjutnya.
Video panjang dan penentuan waktu kejadian
Pembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang memuat kejadian yang diminta. Ini memperluas deskripsi video menjadi penentuan waktu kejadian. Sebuah tugas dapat menanyakan kapan objek pertama kali muncul, di bagian mana demonstrasi mencapai langkah tertentu, atau kejadian yang terlihat mana yang berlangsung sebelum kejadian lain. Nyatakan apakah hasilnya harus berupa ringkasan, daftar kejadian berurutan, atau waktu mulai dan selesai beserta deskripsi kejadian.
Keluarga model ini dilatih dengan pengambilan sampel laju bingkai dinamis dan menyelaraskan informasi posisi temporal dengan waktu absolut. Karena itu, informasi laju bingkai merupakan bagian dari persiapan video, bukan label sembarang yang dapat dibuang ketika stempel waktu penting. Kemampuan video panjang yang didokumentasikan bukanlah spesifikasi ukuran berkas atau durasi maksimum yang berlaku universal untuk setiap jalur masukan.
Penentuan lokasi objek dan dokumen terstruktur
Qwen2.5-VL dapat mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut dalam bentuk JSON. Rilis ini menggunakan koordinat pada skala ukuran gambar sebenarnya, alih-alih koordinat ternormalisasi konvensional. Tentukan apakah tugas memerlukan kotak yang melingkupi objek, titik tertentu, atau deskripsi objek, dan pertahankan dimensi gambar serta informasi pengubahan ukuran yang diperlukan untuk menafsirkan lokasi yang dikembalikan.
Sebagai contoh, permintaan inventaris visual dapat meminta setiap objek sasaran, kotaknya, dan sebuah atribut yang terlihat. Tugas berbasis titik dapat meminta lokasi kontrol berlabel atau bagian objek yang ditentukan. Ini merupakan rancangan keluaran yang diusulkan, bukan nama kolom tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat tetap dikaitkan dengan gambar asalnya ketika beberapa gambar disertakan.
Pembuatnya juga menyoroti ekstraksi terstruktur dari hasil pindai faktur, formulir, dan tabel. Tetapkan kolomnya, pertahankan label asli, dan minta representasi eksplisit ketika suatu nilai tidak dapat dibaca. Untuk tabel, sertakan judul kolom dan satuan bersama baris yang diminta. Catatan praktis dapat memuat pengenal dokumen, label kolom, nilai hasil ekstraksi, dan lokasi, sehingga keluaran dapat digunakan untuk perbandingan atau pemeriksaan manusia selanjutnya.
Arsitektur dan persiapan masukan
Model ini menggabungkan resolusi gambar dinamis dan pengambilan sampel video dinamis dengan informasi posisi rotari multimodal yang diperbarui. Encoder visinya menggunakan window attention, SwiGLU, dan RMSNorm. Ini merupakan perubahan arsitektur yang mendukung pemrosesan visual dan temporal; perubahan tersebut tidak menambahkan masukan audio atau pembuatan gambar ke alur kerja hasil teks yang didokumentasikan.
Kartu model memperagakan satu gambar, beberapa gambar, urutan bingkai video, berkas atau referensi video, serta percakapan dalam batch. Pemroses gambar mendokumentasikan rentang bawaan 4 hingga 16,384 token visual per gambar. Pengaturan piksel minimum dan maksimum mempertahankan rasio aspek; dimensi persis yang diminta dibulatkan ke kelipatan 28. Contoh rentang 256 hingga 1,280 token visual merupakan ilustrasi yang dapat disesuaikan, bukan batas gambar tegas yang terpisah. Pertahankan detail yang diperlukan oleh pertanyaan saat memilih pengubahan ukuran.
Konteks dan pengaturan yang sensitif terhadap penentuan lokasi dan waktu
Konfigurasi yang dirilis menetapkan posisi maksimum sebesar 128,000. Bagian teks panjang pada kartu model secara terpisah menjelaskan dasar 32,768 token dan contoh perluasan YaRN. Bagian tersebut secara eksplisit memperingatkan bahwa perluasan ini sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya. Panduan juga membahas perubahan posisi maksimum untuk video panjang; ini merupakan catatan konfigurasi, bukan satu batas masukan tanpa syarat untuk setiap tugas.
Selaraskan konfigurasi rilis yang tepat dan prapemrosesan visual dengan tugas, terutama ketika koordinat atau waktu kejadian penting. Contoh pembuatan keluaran 128 token pada kartu model tidak menentukan kapasitas keluaran maksimum yang terpisah. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat, dan temuan terstruktur; tindakan eksternal, gambar yang dirender, video, atau jawaban lisan memerlukan komponen aplikasi lain.
", "aboutText": "Qwen2.5-VL-7B-Instruct adalah edisi 7B Qwen2.5-VL yang disetel untuk mengikuti instruksi. Model ini menghubungkan instruksi teks dengan gambar atau video dan mengembalikan hasil berupa teks. Peningkatan utama dari pembuatnya mencakup pengenalan objek dan detail visual, analisis teks dan tata letak, tugas agen visual, pemahaman kejadian dalam video panjang, penentuan lokasi objek, serta ekstraksi terstruktur dari dokumen.\n\nMemahami konten visual\n\nKeluarga model ini melampaui pengenalan subjek utama sebuah foto. Tugas yang didokumentasikan mencakup analisis teks, bagan, ikon, grafis, dan susunan elemen di dalam gambar. Untuk bagan, tentukan seri atau hubungan yang hendak diperiksa dan pertahankan sumbu, legenda, serta satuannya. Untuk diagram, tanyakan bagaimana komponen berlabel saling terhubung dan apa yang ditunjukkan susunan yang terlihat tentang proses tersebut.\n\nPerbandingan yang berguna dapat menyertakan desain asli dan desain revisi, menandai keduanya, lalu meminta perubahan yang terlihat berdasarkan daftar persyaratan singkat. Minta pengamatan beserta bagian gambar yang relevan. Ini memberi jawaban tujuan konkret, alih-alih meminta deskripsi umum tentang dua gambar yang tidak berkaitan.\n\nAlur kerja agen visual\n\nPembuatnya memosisikan Qwen2.5-VL sebagai agen visual yang dapat menalar tentang layar dan mengarahkan alat dalam tugas penggunaan komputer atau ponsel. Model memberikan interpretasi dan usulan operasi; aplikasi agen yang menaunginya menyediakan kontrol, menjalankan operasi, lalu mengembalikan keadaan baru. Dengan demikian, jawaban teks atau koordinat yang diprediksi merupakan salah satu bagian dari alur kerja terintegrasi tersebut.\n\nUntuk pertanyaan tentang antarmuka, berikan tangkapan layar dan tujuan sebenarnya, lalu tanyakan kontrol yang terlihat mana yang relevan dan apa yang perlu dilakukan selanjutnya. Buat keluaran yang diminta tetap spesifik: label kontrol, lokasinya, dan tindakan yang dimaksud. Jika aplikasi kemudian menjalankan tindakan itu, tangkapan layar berikutnya menjadi masukan visual terbaru untuk keputusan selanjutnya.\n\nVideo panjang dan penentuan waktu kejadian\n\nPembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang memuat kejadian yang diminta. Ini memperluas deskripsi video menjadi penentuan waktu kejadian. Sebuah tugas dapat menanyakan kapan objek pertama kali muncul, di bagian mana demonstrasi mencapai langkah tertentu, atau kejadian yang terlihat mana yang berlangsung sebelum kejadian lain. Nyatakan apakah hasilnya harus berupa ringkasan, daftar kejadian berurutan, atau waktu mulai dan selesai beserta deskripsi kejadian.\n\nKeluarga model ini dilatih dengan pengambilan sampel laju bingkai dinamis dan menyelaraskan informasi posisi temporal dengan waktu absolut. Karena itu, informasi laju bingkai merupakan bagian dari persiapan video, bukan label sembarang yang dapat dibuang ketika stempel waktu penting. Kemampuan video panjang yang didokumentasikan bukanlah spesifikasi ukuran berkas atau durasi maksimum yang berlaku universal untuk setiap jalur masukan.\n\nPenentuan lokasi objek dan dokumen terstruktur\n\nQwen2.5-VL dapat mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut dalam bentuk JSON. Rilis ini menggunakan koordinat pada skala ukuran gambar sebenarnya, alih-alih koordinat ternormalisasi konvensional. Tentukan apakah tugas memerlukan kotak yang melingkupi objek, titik tertentu, atau deskripsi objek, dan pertahankan dimensi gambar serta informasi pengubahan ukuran yang diperlukan untuk menafsirkan lokasi yang dikembalikan.\n\nSebagai contoh, permintaan inventaris visual dapat meminta setiap objek sasaran, kotaknya, dan sebuah atribut yang terlihat. Tugas berbasis titik dapat meminta lokasi kontrol berlabel atau bagian objek yang ditentukan. Ini merupakan rancangan keluaran yang diusulkan, bukan nama kolom tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat tetap dikaitkan dengan gambar asalnya ketika beberapa gambar disertakan.\n\nPembuatnya juga menyoroti ekstraksi terstruktur dari hasil pindai faktur, formulir, dan tabel. Tetapkan kolomnya, pertahankan label asli, dan minta representasi eksplisit ketika suatu nilai tidak dapat dibaca. Untuk tabel, sertakan judul kolom dan satuan bersama baris yang diminta. Catatan praktis dapat memuat pengenal dokumen, label kolom, nilai hasil ekstraksi, dan lokasi, sehingga keluaran dapat digunakan untuk perbandingan atau pemeriksaan manusia selanjutnya.\n\nArsitektur dan persiapan masukan\n\nModel ini menggabungkan resolusi gambar dinamis dan pengambilan sampel video dinamis dengan informasi posisi rotari multimodal yang diperbarui. Encoder visinya menggunakan window attention, SwiGLU, dan RMSNorm. Ini merupakan perubahan arsitektur yang mendukung pemrosesan visual dan temporal; perubahan tersebut tidak menambahkan masukan audio atau pembuatan gambar ke alur kerja hasil teks yang didokumentasikan.\n\nKartu model memperagakan satu gambar, beberapa gambar, urutan bingkai video, berkas atau referensi video, serta percakapan dalam batch. Pemroses gambar mendokumentasikan rentang bawaan 4 hingga 16,384 token visual per gambar. Pengaturan piksel minimum dan maksimum mempertahankan rasio aspek; dimensi persis yang diminta dibulatkan ke kelipatan 28. Contoh rentang 256 hingga 1,280 token visual merupakan ilustrasi yang dapat disesuaikan, bukan batas gambar tegas yang terpisah. Pertahankan detail yang diperlukan oleh pertanyaan saat memilih pengubahan ukuran.\n\nKonteks dan pengaturan yang sensitif terhadap penentuan lokasi dan waktu\n\nKonfigurasi yang dirilis menetapkan posisi maksimum sebesar 128,000. Bagian teks panjang pada kartu model secara terpisah menjelaskan dasar 32,768 token dan contoh perluasan YaRN. Bagian tersebut secara eksplisit memperingatkan bahwa perluasan ini sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya. Panduan juga membahas perubahan posisi maksimum untuk video panjang; ini merupakan catatan konfigurasi, bukan satu batas masukan tanpa syarat untuk setiap tugas.\n\nSelaraskan konfigurasi rilis yang tepat dan prapemrosesan visual dengan tugas, terutama ketika koordinat atau waktu kejadian penting. Contoh pembuatan keluaran 128 token pada kartu model tidak menentukan kapasitas keluaran maksimum yang terpisah. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat, dan temuan terstruktur; tindakan eksternal, gambar yang dirender, video, atau jawaban lisan memerlukan komponen aplikasi lain.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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-instructQwen2.5-VL-7B-Instruct adalah model visi-bahasa untuk gambar, dokumen, dan video. Model ini menghasilkan teks dan temuan terstruktur, termasuk kotak objek, titik, dan atribut, serta menghadirkan kemampuan penentuan waktu kejadian dan agen visual pada edisi 7B.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-VL-7B-Instruct adalah edisi 7B Qwen2.5-VL yang disetel untuk mengikuti instruksi. Model ini menghubungkan instruksi teks dengan gambar atau video dan mengembalikan hasil berupa teks. Peningkatan utama dari pembuatnya mencakup pengenalan objek dan detail visual, analisis teks dan tata letak, tugas agen visual, pemahaman kejadian dalam video panjang, penentuan lokasi objek, serta ekstraksi terstruktur dari dokumen.
Memahami konten visual
Keluarga model ini melampaui pengenalan subjek utama sebuah foto. Tugas yang didokumentasikan mencakup analisis teks, bagan, ikon, grafis, dan susunan elemen di dalam gambar. Untuk bagan, tentukan seri atau hubungan yang hendak diperiksa dan pertahankan sumbu, legenda, serta satuannya. Untuk diagram, tanyakan bagaimana komponen berlabel saling terhubung dan apa yang ditunjukkan susunan yang terlihat tentang proses tersebut.
Perbandingan yang berguna dapat menyertakan desain asli dan desain revisi, menandai keduanya, lalu meminta perubahan yang terlihat berdasarkan daftar persyaratan singkat. Minta pengamatan beserta bagian gambar yang relevan. Ini memberi jawaban tujuan konkret, alih-alih meminta deskripsi umum tentang dua gambar yang tidak berkaitan.
Alur kerja agen visual
Pembuatnya memosisikan Qwen2.5-VL sebagai agen visual yang dapat menalar tentang layar dan mengarahkan alat dalam tugas penggunaan komputer atau ponsel. Model memberikan interpretasi dan usulan operasi; aplikasi agen yang menaunginya menyediakan kontrol, menjalankan operasi, lalu mengembalikan keadaan baru. Dengan demikian, jawaban teks atau koordinat yang diprediksi merupakan salah satu bagian dari alur kerja terintegrasi tersebut.
Untuk pertanyaan tentang antarmuka, berikan tangkapan layar dan tujuan sebenarnya, lalu tanyakan kontrol yang terlihat mana yang relevan dan apa yang perlu dilakukan selanjutnya. Buat keluaran yang diminta tetap spesifik: label kontrol, lokasinya, dan tindakan yang dimaksud. Jika aplikasi kemudian menjalankan tindakan itu, tangkapan layar berikutnya menjadi masukan visual terbaru untuk keputusan selanjutnya.
Video panjang dan penentuan waktu kejadian
Pembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang memuat kejadian yang diminta. Ini memperluas deskripsi video menjadi penentuan waktu kejadian. Sebuah tugas dapat menanyakan kapan objek pertama kali muncul, di bagian mana demonstrasi mencapai langkah tertentu, atau kejadian yang terlihat mana yang berlangsung sebelum kejadian lain. Nyatakan apakah hasilnya harus berupa ringkasan, daftar kejadian berurutan, atau waktu mulai dan selesai beserta deskripsi kejadian.
Keluarga model ini dilatih dengan pengambilan sampel laju bingkai dinamis dan menyelaraskan informasi posisi temporal dengan waktu absolut. Karena itu, informasi laju bingkai merupakan bagian dari persiapan video, bukan label sembarang yang dapat dibuang ketika stempel waktu penting. Kemampuan video panjang yang didokumentasikan bukanlah spesifikasi ukuran berkas atau durasi maksimum yang berlaku universal untuk setiap jalur masukan.
Penentuan lokasi objek dan dokumen terstruktur
Qwen2.5-VL dapat mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut dalam bentuk JSON. Rilis ini menggunakan koordinat pada skala ukuran gambar sebenarnya, alih-alih koordinat ternormalisasi konvensional. Tentukan apakah tugas memerlukan kotak yang melingkupi objek, titik tertentu, atau deskripsi objek, dan pertahankan dimensi gambar serta informasi pengubahan ukuran yang diperlukan untuk menafsirkan lokasi yang dikembalikan.
Sebagai contoh, permintaan inventaris visual dapat meminta setiap objek sasaran, kotaknya, dan sebuah atribut yang terlihat. Tugas berbasis titik dapat meminta lokasi kontrol berlabel atau bagian objek yang ditentukan. Ini merupakan rancangan keluaran yang diusulkan, bukan nama kolom tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat tetap dikaitkan dengan gambar asalnya ketika beberapa gambar disertakan.
Pembuatnya juga menyoroti ekstraksi terstruktur dari hasil pindai faktur, formulir, dan tabel. Tetapkan kolomnya, pertahankan label asli, dan minta representasi eksplisit ketika suatu nilai tidak dapat dibaca. Untuk tabel, sertakan judul kolom dan satuan bersama baris yang diminta. Catatan praktis dapat memuat pengenal dokumen, label kolom, nilai hasil ekstraksi, dan lokasi, sehingga keluaran dapat digunakan untuk perbandingan atau pemeriksaan manusia selanjutnya.
Arsitektur dan persiapan masukan
Model ini menggabungkan resolusi gambar dinamis dan pengambilan sampel video dinamis dengan informasi posisi rotari multimodal yang diperbarui. Encoder visinya menggunakan window attention, SwiGLU, dan RMSNorm. Ini merupakan perubahan arsitektur yang mendukung pemrosesan visual dan temporal; perubahan tersebut tidak menambahkan masukan audio atau pembuatan gambar ke alur kerja hasil teks yang didokumentasikan.
Kartu model memperagakan satu gambar, beberapa gambar, urutan bingkai video, berkas atau referensi video, serta percakapan dalam batch. Pemroses gambar mendokumentasikan rentang bawaan 4 hingga 16,384 token visual per gambar. Pengaturan piksel minimum dan maksimum mempertahankan rasio aspek; dimensi persis yang diminta dibulatkan ke kelipatan 28. Contoh rentang 256 hingga 1,280 token visual merupakan ilustrasi yang dapat disesuaikan, bukan batas gambar tegas yang terpisah. Pertahankan detail yang diperlukan oleh pertanyaan saat memilih pengubahan ukuran.
Konteks dan pengaturan yang sensitif terhadap penentuan lokasi dan waktu
Konfigurasi yang dirilis menetapkan posisi maksimum sebesar 128,000. Bagian teks panjang pada kartu model secara terpisah menjelaskan dasar 32,768 token dan contoh perluasan YaRN. Bagian tersebut secara eksplisit memperingatkan bahwa perluasan ini sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya. Panduan juga membahas perubahan posisi maksimum untuk video panjang; ini merupakan catatan konfigurasi, bukan satu batas masukan tanpa syarat untuk setiap tugas.
Selaraskan konfigurasi rilis yang tepat dan prapemrosesan visual dengan tugas, terutama ketika koordinat atau waktu kejadian penting. Contoh pembuatan keluaran 128 token pada kartu model tidak menentukan kapasitas keluaran maksimum yang terpisah. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat, dan temuan terstruktur; tindakan eksternal, gambar yang dirender, video, atau jawaban lisan memerlukan komponen aplikasi lain.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-vl-7b-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 $0.0001 / 1K token Keluaran · Token keluaran $0.0001 / 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-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 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-7b-instruct
Gunakan jalur metode yang ditampilkan di atas.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct adalah model visi-bahasa untuk gambar, dokumen, dan video. Model ini menghasilkan teks dan temuan terstruktur, termasuk kotak objek, titik, dan atribut, serta menghadirkan kemampuan penentuan waktu kejadian dan agen visual pada edisi 7B.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen2.5-VL-7B-Instruct adalah edisi 7B Qwen2.5-VL yang disetel untuk mengikuti instruksi. Model ini menghubungkan instruksi teks dengan gambar atau video dan mengembalikan hasil berupa teks. Peningkatan utama dari pembuatnya mencakup pengenalan objek dan detail visual, analisis teks dan tata letak, tugas agen visual, pemahaman kejadian dalam video panjang, penentuan lokasi objek, serta ekstraksi terstruktur dari dokumen.
Memahami konten visual
Keluarga model ini melampaui pengenalan subjek utama sebuah foto. Tugas yang didokumentasikan mencakup analisis teks, bagan, ikon, grafis, dan susunan elemen di dalam gambar. Untuk bagan, tentukan seri atau hubungan yang hendak diperiksa dan pertahankan sumbu, legenda, serta satuannya. Untuk diagram, tanyakan bagaimana komponen berlabel saling terhubung dan apa yang ditunjukkan susunan yang terlihat tentang proses tersebut.
Perbandingan yang berguna dapat menyertakan desain asli dan desain revisi, menandai keduanya, lalu meminta perubahan yang terlihat berdasarkan daftar persyaratan singkat. Minta pengamatan beserta bagian gambar yang relevan. Ini memberi jawaban tujuan konkret, alih-alih meminta deskripsi umum tentang dua gambar yang tidak berkaitan.
Alur kerja agen visual
Pembuatnya memosisikan Qwen2.5-VL sebagai agen visual yang dapat menalar tentang layar dan mengarahkan alat dalam tugas penggunaan komputer atau ponsel. Model memberikan interpretasi dan usulan operasi; aplikasi agen yang menaunginya menyediakan kontrol, menjalankan operasi, lalu mengembalikan keadaan baru. Dengan demikian, jawaban teks atau koordinat yang diprediksi merupakan salah satu bagian dari alur kerja terintegrasi tersebut.
Untuk pertanyaan tentang antarmuka, berikan tangkapan layar dan tujuan sebenarnya, lalu tanyakan kontrol yang terlihat mana yang relevan dan apa yang perlu dilakukan selanjutnya. Buat keluaran yang diminta tetap spesifik: label kontrol, lokasinya, dan tindakan yang dimaksud. Jika aplikasi kemudian menjalankan tindakan itu, tangkapan layar berikutnya menjadi masukan visual terbaru untuk keputusan selanjutnya.
Video panjang dan penentuan waktu kejadian
Pembuatnya menjelaskan kemampuan memahami video berdurasi lebih dari satu jam dan mengidentifikasi segmen yang memuat kejadian yang diminta. Ini memperluas deskripsi video menjadi penentuan waktu kejadian. Sebuah tugas dapat menanyakan kapan objek pertama kali muncul, di bagian mana demonstrasi mencapai langkah tertentu, atau kejadian yang terlihat mana yang berlangsung sebelum kejadian lain. Nyatakan apakah hasilnya harus berupa ringkasan, daftar kejadian berurutan, atau waktu mulai dan selesai beserta deskripsi kejadian.
Keluarga model ini dilatih dengan pengambilan sampel laju bingkai dinamis dan menyelaraskan informasi posisi temporal dengan waktu absolut. Karena itu, informasi laju bingkai merupakan bagian dari persiapan video, bukan label sembarang yang dapat dibuang ketika stempel waktu penting. Kemampuan video panjang yang didokumentasikan bukanlah spesifikasi ukuran berkas atau durasi maksimum yang berlaku universal untuk setiap jalur masukan.
Penentuan lokasi objek dan dokumen terstruktur
Qwen2.5-VL dapat mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut dalam bentuk JSON. Rilis ini menggunakan koordinat pada skala ukuran gambar sebenarnya, alih-alih koordinat ternormalisasi konvensional. Tentukan apakah tugas memerlukan kotak yang melingkupi objek, titik tertentu, atau deskripsi objek, dan pertahankan dimensi gambar serta informasi pengubahan ukuran yang diperlukan untuk menafsirkan lokasi yang dikembalikan.
Sebagai contoh, permintaan inventaris visual dapat meminta setiap objek sasaran, kotaknya, dan sebuah atribut yang terlihat. Tugas berbasis titik dapat meminta lokasi kontrol berlabel atau bagian objek yang ditentukan. Ini merupakan rancangan keluaran yang diusulkan, bukan nama kolom tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat tetap dikaitkan dengan gambar asalnya ketika beberapa gambar disertakan.
Pembuatnya juga menyoroti ekstraksi terstruktur dari hasil pindai faktur, formulir, dan tabel. Tetapkan kolomnya, pertahankan label asli, dan minta representasi eksplisit ketika suatu nilai tidak dapat dibaca. Untuk tabel, sertakan judul kolom dan satuan bersama baris yang diminta. Catatan praktis dapat memuat pengenal dokumen, label kolom, nilai hasil ekstraksi, dan lokasi, sehingga keluaran dapat digunakan untuk perbandingan atau pemeriksaan manusia selanjutnya.
Arsitektur dan persiapan masukan
Model ini menggabungkan resolusi gambar dinamis dan pengambilan sampel video dinamis dengan informasi posisi rotari multimodal yang diperbarui. Encoder visinya menggunakan window attention, SwiGLU, dan RMSNorm. Ini merupakan perubahan arsitektur yang mendukung pemrosesan visual dan temporal; perubahan tersebut tidak menambahkan masukan audio atau pembuatan gambar ke alur kerja hasil teks yang didokumentasikan.
Kartu model memperagakan satu gambar, beberapa gambar, urutan bingkai video, berkas atau referensi video, serta percakapan dalam batch. Pemroses gambar mendokumentasikan rentang bawaan 4 hingga 16,384 token visual per gambar. Pengaturan piksel minimum dan maksimum mempertahankan rasio aspek; dimensi persis yang diminta dibulatkan ke kelipatan 28. Contoh rentang 256 hingga 1,280 token visual merupakan ilustrasi yang dapat disesuaikan, bukan batas gambar tegas yang terpisah. Pertahankan detail yang diperlukan oleh pertanyaan saat memilih pengubahan ukuran.
Konteks dan pengaturan yang sensitif terhadap penentuan lokasi dan waktu
Konfigurasi yang dirilis menetapkan posisi maksimum sebesar 128,000. Bagian teks panjang pada kartu model secara terpisah menjelaskan dasar 32,768 token dan contoh perluasan YaRN. Bagian tersebut secara eksplisit memperingatkan bahwa perluasan ini sangat memengaruhi penentuan lokasi spasial dan waktu temporal, serta tidak merekomendasikannya. Panduan juga membahas perubahan posisi maksimum untuk video panjang; ini merupakan catatan konfigurasi, bukan satu batas masukan tanpa syarat untuk setiap tugas.
Selaraskan konfigurasi rilis yang tepat dan prapemrosesan visual dengan tugas, terutama ketika koordinat atau waktu kejadian penting. Contoh pembuatan keluaran 128 token pada kartu model tidak menentukan kapasitas keluaran maksimum yang terpisah. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat, dan temuan terstruktur; tindakan eksternal, gambar yang dirender, video, atau jawaban lisan memerlukan komponen aplikasi lain.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen2.5-vl-7b-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 $0.0001 / 1K token Keluaran · Token keluaran $0.0001 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-7b-instruct
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.