Qwen2-VL-72B-Instruct è l’edizione visivo-linguistica 72B ottimizzata per seguire istruzioni, costruita su Qwen2. Riceve testo insieme a immagini o video e genera una risposta testuale. Il produttore evidenzia comprensione di immagini con diverse risoluzioni e proporzioni, interpretazione del testo nelle immagini, ragionamento su relazioni visibili e risposte a domande su video più lunghi di 20 minuti.
Capacità relative a immagini e video
Per una pagina di documento, chiedi il contenuto specifico necessario: un paragrafo, una riga di tabella, una formula o le condizioni collegate a un’affermazione. Mantieni la pagina leggibile e indica se il risultato deve trascrivere le parole, riassumerle o spiegarne il significato. Un output documentale utile può conservare l’etichetta originale della sezione accanto al contenuto estratto. Per un diagramma, chiedi come si collegano gli elementi etichettati e identifica la relazione da spiegare.
L’uso video documentato include domande, dialogo e contenuti scritti basati sulla sequenza visibile. Definisci l’evento o il cambiamento da esaminare: quando appare un oggetto, cosa accade prima di un determinato passaggio o come un’azione mostrata si collega a una procedura scritta. Chiedi una descrizione ordinata degli eventi o un confronto tra passaggi visibili e procedura fornita. L’affermazione del produttore sui video di oltre 20 minuti descrive comprensione di video lunghi; non è una durata massima fissa né una garanzia che ogni clip grezza rientri in una configurazione di input invariata.
Uso come agente visivo
La versione posiziona Qwen2-VL anche per agenti visivi collegati a dispositivi mobili, robot e altri strumenti. L’annuncio descrive scenari di chiamate a funzioni e interprete di codice, come produrre codice da un diagramma o usare una domanda visiva per richiedere una ricerca esterna. L’applicazione circostante fornisce gli strumenti, esegue l’azione proposta e restituisce il risultato. La sola risposta testuale del modello non fa clic su un controllo, muove un dispositivo o esegue il programma generato.
Un compito pratico sull’interfaccia può fornire una schermata e l’obiettivo dell’utente, poi chiedere il controllo visibile pertinente al passaggio successivo e le evidenze che sostengono la scelta. Mantieni osservazione, azione proposta ed esecuzione effettiva come parti separate del flusso. Questo sfrutta l’orientamento agli agenti visivi rendendo il risultato richiesto sufficientemente specifico perché l’applicazione possa agire.
Testo multilingue nelle immagini
Il produttore descrive il riconoscimento del testo nelle immagini in inglese e cinese, nella maggior parte delle lingue europee e in lingue come giapponese, coreano, arabo e vietnamita. Una pagina multilingue può quindi essere affrontata come compito di lettura visiva. Chiedi prima la trascrizione originale quando contano le parole esatte, poi una traduzione o spiegazione nella lingua scelta. Conserva etichette e numeri anziché mescolare riconoscimento e riscrittura non specificata.
Risoluzione dinamica e informazioni posizionali
Qwen2-VL combina un encoder visivo con il modello linguistico Qwen2. Naive Dynamic Resolution associa dimensioni diverse delle immagini a quantità diverse di token visivi. Multimodal Rotary Position Embedding separa le informazioni posizionali affinché il modello possa rappresentare ordine del testo, immagini bidimensionali e struttura temporale e spaziale dei video. Queste caratteristiche spiegano come la stessa famiglia gestisce una pagina, più immagini o una sequenza video.
Il processore di immagini della scheda documenta un intervallo predefinito da 4 a 16.384 token visivi per immagine. L’applicazione può regolare pixel minimi e massimi mantenendo le proporzioni, oppure richiedere dimensioni arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1.280 token è un’illustrazione configurabile, non un ulteriore limite universale delle immagini. Più dettaglio richiede più calcolo e token visivi, quindi conserva etichette, intestazioni e piccoli oggetti necessari alla domanda quando prepari l’immagine.
Preparazione dell’input e contesto
Il produttore dimostra una singola immagine, più immagini, video fornito come sequenza di fotogrammi o file locale e conversazioni in batch. La preparazione delle immagini comprende file locali, dati di immagini codificati e riferimenti alle immagini. L’esempio video usa una frequenza di fotogrammi scelta; non stabilisce una frequenza di campionamento obbligatoria per ogni video. Identifica ordine e ruolo di più immagini e fornisci le informazioni necessarie a interpretare una sequenza anziché trattare fotogrammi estranei come un’unica scena.
La configurazione rilasciata imposta le posizioni massime a 32.768. Materiale visivo e istruzioni testuali vanno pianificati nel contesto effettivamente configurato. L’esempio di generazione di 128 token nella scheda è solo un’impostazione di esempio; non pubblica una capacità massima di output separata. L’edizione 72B deve conservare la propria configurazione anziché ereditare le impostazioni di contesto lungo di Qwen2.5-VL o di un altro modello Qwen.
Limitazioni sostanziali
Il produttore dichiara esplicitamente che Qwen2-VL non comprende l’audio contenuto nei video. Le informazioni parlate vanno quindi fornite separatamente se la domanda dipende da esse. Il dataset di addestramento delle immagini è descritto come aggiornato fino a giugno 2023; è un’affermazione su quel dataset, non una promessa di conoscenza visiva attuale.
Le limitazioni documentate includono anche riconoscimento incompleto di persone specifiche o proprietà intellettuali con un nome, difficoltà con istruzioni articolate in più passaggi, debole capacità di conteggio in scene complesse e limiti nel ragionamento spaziale tridimensionale. Quando il compito dipende da una di queste capacità, concentra la domanda sugli oggetti o sulla relazione necessari e conserva le evidenze visive accanto alla risposta. Materiale sorgente chiaro e output definito rendono il risultato più facile da esaminare senza sostituire i limiti dichiarati con una garanzia di accuratezza.
", "aboutText": "Qwen2-VL-72B-Instruct è l’edizione visivo-linguistica 72B ottimizzata per seguire istruzioni, costruita su Qwen2. Riceve testo insieme a immagini o video e genera una risposta testuale. Il produttore evidenzia comprensione di immagini con diverse risoluzioni e proporzioni, interpretazione del testo nelle immagini, ragionamento su relazioni visibili e risposte a domande su video più lunghi di 20 minuti.\n\nCapacità relative a immagini e video\n\nPer una pagina di documento, chiedi il contenuto specifico necessario: un paragrafo, una riga di tabella, una formula o le condizioni collegate a un’affermazione. Mantieni la pagina leggibile e indica se il risultato deve trascrivere le parole, riassumerle o spiegarne il significato. Un output documentale utile può conservare l’etichetta originale della sezione accanto al contenuto estratto. Per un diagramma, chiedi come si collegano gli elementi etichettati e identifica la relazione da spiegare.\n\nL’uso video documentato include domande, dialogo e contenuti scritti basati sulla sequenza visibile. Definisci l’evento o il cambiamento da esaminare: quando appare un oggetto, cosa accade prima di un determinato passaggio o come un’azione mostrata si collega a una procedura scritta. Chiedi una descrizione ordinata degli eventi o un confronto tra passaggi visibili e procedura fornita. L’affermazione del produttore sui video di oltre 20 minuti descrive comprensione di video lunghi; non è una durata massima fissa né una garanzia che ogni clip grezza rientri in una configurazione di input invariata.\n\nUso come agente visivo\n\nLa versione posiziona Qwen2-VL anche per agenti visivi collegati a dispositivi mobili, robot e altri strumenti. L’annuncio descrive scenari di chiamate a funzioni e interprete di codice, come produrre codice da un diagramma o usare una domanda visiva per richiedere una ricerca esterna. L’applicazione circostante fornisce gli strumenti, esegue l’azione proposta e restituisce il risultato. La sola risposta testuale del modello non fa clic su un controllo, muove un dispositivo o esegue il programma generato.\n\nUn compito pratico sull’interfaccia può fornire una schermata e l’obiettivo dell’utente, poi chiedere il controllo visibile pertinente al passaggio successivo e le evidenze che sostengono la scelta. Mantieni osservazione, azione proposta ed esecuzione effettiva come parti separate del flusso. Questo sfrutta l’orientamento agli agenti visivi rendendo il risultato richiesto sufficientemente specifico perché l’applicazione possa agire.\n\nTesto multilingue nelle immagini\n\nIl produttore descrive il riconoscimento del testo nelle immagini in inglese e cinese, nella maggior parte delle lingue europee e in lingue come giapponese, coreano, arabo e vietnamita. Una pagina multilingue può quindi essere affrontata come compito di lettura visiva. Chiedi prima la trascrizione originale quando contano le parole esatte, poi una traduzione o spiegazione nella lingua scelta. Conserva etichette e numeri anziché mescolare riconoscimento e riscrittura non specificata.\n\nRisoluzione dinamica e informazioni posizionali\n\nQwen2-VL combina un encoder visivo con il modello linguistico Qwen2. Naive Dynamic Resolution associa dimensioni diverse delle immagini a quantità diverse di token visivi. Multimodal Rotary Position Embedding separa le informazioni posizionali affinché il modello possa rappresentare ordine del testo, immagini bidimensionali e struttura temporale e spaziale dei video. Queste caratteristiche spiegano come la stessa famiglia gestisce una pagina, più immagini o una sequenza video.\n\nIl processore di immagini della scheda documenta un intervallo predefinito da 4 a 16.384 token visivi per immagine. L’applicazione può regolare pixel minimi e massimi mantenendo le proporzioni, oppure richiedere dimensioni arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1.280 token è un’illustrazione configurabile, non un ulteriore limite universale delle immagini. Più dettaglio richiede più calcolo e token visivi, quindi conserva etichette, intestazioni e piccoli oggetti necessari alla domanda quando prepari l’immagine.\n\nPreparazione dell’input e contesto\n\nIl produttore dimostra una singola immagine, più immagini, video fornito come sequenza di fotogrammi o file locale e conversazioni in batch. La preparazione delle immagini comprende file locali, dati di immagini codificati e riferimenti alle immagini. L’esempio video usa una frequenza di fotogrammi scelta; non stabilisce una frequenza di campionamento obbligatoria per ogni video. Identifica ordine e ruolo di più immagini e fornisci le informazioni necessarie a interpretare una sequenza anziché trattare fotogrammi estranei come un’unica scena.\n\nLa configurazione rilasciata imposta le posizioni massime a 32.768. Materiale visivo e istruzioni testuali vanno pianificati nel contesto effettivamente configurato. L’esempio di generazione di 128 token nella scheda è solo un’impostazione di esempio; non pubblica una capacità massima di output separata. L’edizione 72B deve conservare la propria configurazione anziché ereditare le impostazioni di contesto lungo di Qwen2.5-VL o di un altro modello Qwen.\n\nLimitazioni sostanziali\n\nIl produttore dichiara esplicitamente che Qwen2-VL non comprende l’audio contenuto nei video. Le informazioni parlate vanno quindi fornite separatamente se la domanda dipende da esse. Il dataset di addestramento delle immagini è descritto come aggiornato fino a giugno 2023; è un’affermazione su quel dataset, non una promessa di conoscenza visiva attuale.\n\nLe limitazioni documentate includono anche riconoscimento incompleto di persone specifiche o proprietà intellettuali con un nome, difficoltà con istruzioni articolate in più passaggi, debole capacità di conteggio in scene complesse e limiti nel ragionamento spaziale tridimensionale. Quando il compito dipende da una di queste capacità, concentra la domanda sugli oggetti o sulla relazione necessari e conserva le evidenze visive accanto alla risposta. Materiale sorgente chiaro e output definito rendono il risultato più facile da esaminare senza sostituire i limiti dichiarati con una garanzia di accuratezza.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combina testo, immagini e video per domande visive, lettura di documenti e testo multilingue nelle immagini. Il produttore descrive comprensione video oltre i 20 minuti, risoluzione dinamica delle immagini e integrazioni con agenti visivi; la risposta è testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen2-VL-72B-Instruct è l’edizione visivo-linguistica 72B ottimizzata per seguire istruzioni, costruita su Qwen2. Riceve testo insieme a immagini o video e genera una risposta testuale. Il produttore evidenzia comprensione di immagini con diverse risoluzioni e proporzioni, interpretazione del testo nelle immagini, ragionamento su relazioni visibili e risposte a domande su video più lunghi di 20 minuti.
Capacità relative a immagini e video
Per una pagina di documento, chiedi il contenuto specifico necessario: un paragrafo, una riga di tabella, una formula o le condizioni collegate a un’affermazione. Mantieni la pagina leggibile e indica se il risultato deve trascrivere le parole, riassumerle o spiegarne il significato. Un output documentale utile può conservare l’etichetta originale della sezione accanto al contenuto estratto. Per un diagramma, chiedi come si collegano gli elementi etichettati e identifica la relazione da spiegare.
L’uso video documentato include domande, dialogo e contenuti scritti basati sulla sequenza visibile. Definisci l’evento o il cambiamento da esaminare: quando appare un oggetto, cosa accade prima di un determinato passaggio o come un’azione mostrata si collega a una procedura scritta. Chiedi una descrizione ordinata degli eventi o un confronto tra passaggi visibili e procedura fornita. L’affermazione del produttore sui video di oltre 20 minuti descrive comprensione di video lunghi; non è una durata massima fissa né una garanzia che ogni clip grezza rientri in una configurazione di input invariata.
Uso come agente visivo
La versione posiziona Qwen2-VL anche per agenti visivi collegati a dispositivi mobili, robot e altri strumenti. L’annuncio descrive scenari di chiamate a funzioni e interprete di codice, come produrre codice da un diagramma o usare una domanda visiva per richiedere una ricerca esterna. L’applicazione circostante fornisce gli strumenti, esegue l’azione proposta e restituisce il risultato. La sola risposta testuale del modello non fa clic su un controllo, muove un dispositivo o esegue il programma generato.
Un compito pratico sull’interfaccia può fornire una schermata e l’obiettivo dell’utente, poi chiedere il controllo visibile pertinente al passaggio successivo e le evidenze che sostengono la scelta. Mantieni osservazione, azione proposta ed esecuzione effettiva come parti separate del flusso. Questo sfrutta l’orientamento agli agenti visivi rendendo il risultato richiesto sufficientemente specifico perché l’applicazione possa agire.
Testo multilingue nelle immagini
Il produttore descrive il riconoscimento del testo nelle immagini in inglese e cinese, nella maggior parte delle lingue europee e in lingue come giapponese, coreano, arabo e vietnamita. Una pagina multilingue può quindi essere affrontata come compito di lettura visiva. Chiedi prima la trascrizione originale quando contano le parole esatte, poi una traduzione o spiegazione nella lingua scelta. Conserva etichette e numeri anziché mescolare riconoscimento e riscrittura non specificata.
Risoluzione dinamica e informazioni posizionali
Qwen2-VL combina un encoder visivo con il modello linguistico Qwen2. Naive Dynamic Resolution associa dimensioni diverse delle immagini a quantità diverse di token visivi. Multimodal Rotary Position Embedding separa le informazioni posizionali affinché il modello possa rappresentare ordine del testo, immagini bidimensionali e struttura temporale e spaziale dei video. Queste caratteristiche spiegano come la stessa famiglia gestisce una pagina, più immagini o una sequenza video.
Il processore di immagini della scheda documenta un intervallo predefinito da 4 a 16.384 token visivi per immagine. L’applicazione può regolare pixel minimi e massimi mantenendo le proporzioni, oppure richiedere dimensioni arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1.280 token è un’illustrazione configurabile, non un ulteriore limite universale delle immagini. Più dettaglio richiede più calcolo e token visivi, quindi conserva etichette, intestazioni e piccoli oggetti necessari alla domanda quando prepari l’immagine.
Preparazione dell’input e contesto
Il produttore dimostra una singola immagine, più immagini, video fornito come sequenza di fotogrammi o file locale e conversazioni in batch. La preparazione delle immagini comprende file locali, dati di immagini codificati e riferimenti alle immagini. L’esempio video usa una frequenza di fotogrammi scelta; non stabilisce una frequenza di campionamento obbligatoria per ogni video. Identifica ordine e ruolo di più immagini e fornisci le informazioni necessarie a interpretare una sequenza anziché trattare fotogrammi estranei come un’unica scena.
La configurazione rilasciata imposta le posizioni massime a 32.768. Materiale visivo e istruzioni testuali vanno pianificati nel contesto effettivamente configurato. L’esempio di generazione di 128 token nella scheda è solo un’impostazione di esempio; non pubblica una capacità massima di output separata. L’edizione 72B deve conservare la propria configurazione anziché ereditare le impostazioni di contesto lungo di Qwen2.5-VL o di un altro modello Qwen.
Limitazioni sostanziali
Il produttore dichiara esplicitamente che Qwen2-VL non comprende l’audio contenuto nei video. Le informazioni parlate vanno quindi fornite separatamente se la domanda dipende da esse. Il dataset di addestramento delle immagini è descritto come aggiornato fino a giugno 2023; è un’affermazione su quel dataset, non una promessa di conoscenza visiva attuale.
Le limitazioni documentate includono anche riconoscimento incompleto di persone specifiche o proprietà intellettuali con un nome, difficoltà con istruzioni articolate in più passaggi, debole capacità di conteggio in scene complesse e limiti nel ragionamento spaziale tridimensionale. Quando il compito dipende da una di queste capacità, concentra la domanda sugli oggetti o sulla relazione necessari e conserva le evidenze visive accanto alla risposta. Materiale sorgente chiaro e output definito rendono il risultato più facile da esaminare senza sostituire i limiti dichiarati con una garanzia di accuratezza.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen2-VL-72B-Instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00118 / 1K token Output · Token in output $0.00118 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2-VL-72B-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='Qwen/Qwen2-VL-72B-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='Qwen/Qwen2-VL-72B-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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct
Usa i percorsi dei metodi indicati sopra.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combina testo, immagini e video per domande visive, lettura di documenti e testo multilingue nelle immagini. Il produttore descrive comprensione video oltre i 20 minuti, risoluzione dinamica delle immagini e integrazioni con agenti visivi; la risposta è testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen2-VL-72B-Instruct è l’edizione visivo-linguistica 72B ottimizzata per seguire istruzioni, costruita su Qwen2. Riceve testo insieme a immagini o video e genera una risposta testuale. Il produttore evidenzia comprensione di immagini con diverse risoluzioni e proporzioni, interpretazione del testo nelle immagini, ragionamento su relazioni visibili e risposte a domande su video più lunghi di 20 minuti.
Capacità relative a immagini e video
Per una pagina di documento, chiedi il contenuto specifico necessario: un paragrafo, una riga di tabella, una formula o le condizioni collegate a un’affermazione. Mantieni la pagina leggibile e indica se il risultato deve trascrivere le parole, riassumerle o spiegarne il significato. Un output documentale utile può conservare l’etichetta originale della sezione accanto al contenuto estratto. Per un diagramma, chiedi come si collegano gli elementi etichettati e identifica la relazione da spiegare.
L’uso video documentato include domande, dialogo e contenuti scritti basati sulla sequenza visibile. Definisci l’evento o il cambiamento da esaminare: quando appare un oggetto, cosa accade prima di un determinato passaggio o come un’azione mostrata si collega a una procedura scritta. Chiedi una descrizione ordinata degli eventi o un confronto tra passaggi visibili e procedura fornita. L’affermazione del produttore sui video di oltre 20 minuti descrive comprensione di video lunghi; non è una durata massima fissa né una garanzia che ogni clip grezza rientri in una configurazione di input invariata.
Uso come agente visivo
La versione posiziona Qwen2-VL anche per agenti visivi collegati a dispositivi mobili, robot e altri strumenti. L’annuncio descrive scenari di chiamate a funzioni e interprete di codice, come produrre codice da un diagramma o usare una domanda visiva per richiedere una ricerca esterna. L’applicazione circostante fornisce gli strumenti, esegue l’azione proposta e restituisce il risultato. La sola risposta testuale del modello non fa clic su un controllo, muove un dispositivo o esegue il programma generato.
Un compito pratico sull’interfaccia può fornire una schermata e l’obiettivo dell’utente, poi chiedere il controllo visibile pertinente al passaggio successivo e le evidenze che sostengono la scelta. Mantieni osservazione, azione proposta ed esecuzione effettiva come parti separate del flusso. Questo sfrutta l’orientamento agli agenti visivi rendendo il risultato richiesto sufficientemente specifico perché l’applicazione possa agire.
Testo multilingue nelle immagini
Il produttore descrive il riconoscimento del testo nelle immagini in inglese e cinese, nella maggior parte delle lingue europee e in lingue come giapponese, coreano, arabo e vietnamita. Una pagina multilingue può quindi essere affrontata come compito di lettura visiva. Chiedi prima la trascrizione originale quando contano le parole esatte, poi una traduzione o spiegazione nella lingua scelta. Conserva etichette e numeri anziché mescolare riconoscimento e riscrittura non specificata.
Risoluzione dinamica e informazioni posizionali
Qwen2-VL combina un encoder visivo con il modello linguistico Qwen2. Naive Dynamic Resolution associa dimensioni diverse delle immagini a quantità diverse di token visivi. Multimodal Rotary Position Embedding separa le informazioni posizionali affinché il modello possa rappresentare ordine del testo, immagini bidimensionali e struttura temporale e spaziale dei video. Queste caratteristiche spiegano come la stessa famiglia gestisce una pagina, più immagini o una sequenza video.
Il processore di immagini della scheda documenta un intervallo predefinito da 4 a 16.384 token visivi per immagine. L’applicazione può regolare pixel minimi e massimi mantenendo le proporzioni, oppure richiedere dimensioni arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1.280 token è un’illustrazione configurabile, non un ulteriore limite universale delle immagini. Più dettaglio richiede più calcolo e token visivi, quindi conserva etichette, intestazioni e piccoli oggetti necessari alla domanda quando prepari l’immagine.
Preparazione dell’input e contesto
Il produttore dimostra una singola immagine, più immagini, video fornito come sequenza di fotogrammi o file locale e conversazioni in batch. La preparazione delle immagini comprende file locali, dati di immagini codificati e riferimenti alle immagini. L’esempio video usa una frequenza di fotogrammi scelta; non stabilisce una frequenza di campionamento obbligatoria per ogni video. Identifica ordine e ruolo di più immagini e fornisci le informazioni necessarie a interpretare una sequenza anziché trattare fotogrammi estranei come un’unica scena.
La configurazione rilasciata imposta le posizioni massime a 32.768. Materiale visivo e istruzioni testuali vanno pianificati nel contesto effettivamente configurato. L’esempio di generazione di 128 token nella scheda è solo un’impostazione di esempio; non pubblica una capacità massima di output separata. L’edizione 72B deve conservare la propria configurazione anziché ereditare le impostazioni di contesto lungo di Qwen2.5-VL o di un altro modello Qwen.
Limitazioni sostanziali
Il produttore dichiara esplicitamente che Qwen2-VL non comprende l’audio contenuto nei video. Le informazioni parlate vanno quindi fornite separatamente se la domanda dipende da esse. Il dataset di addestramento delle immagini è descritto come aggiornato fino a giugno 2023; è un’affermazione su quel dataset, non una promessa di conoscenza visiva attuale.
Le limitazioni documentate includono anche riconoscimento incompleto di persone specifiche o proprietà intellettuali con un nome, difficoltà con istruzioni articolate in più passaggi, debole capacità di conteggio in scene complesse e limiti nel ragionamento spaziale tridimensionale. Quando il compito dipende da una di queste capacità, concentra la domanda sugli oggetti o sulla relazione necessari e conserva le evidenze visive accanto alla risposta. Materiale sorgente chiaro e output definito rendono il risultato più facile da esaminare senza sostituire i limiti dichiarati con una garanzia di accuratezza.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen2-VL-72B-Instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00118 / 1K token Output · Token in output $0.00118 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Qwen/Qwen2-VL-72B-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': 'Qwen/Qwen2-VL-72B-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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.