Introduzione: l’edizione 3B ottimizzata per le istruzioni
Qwen2.5-VL-3B-Instruct è il membro 3B di Qwen2.5-VL. Accetta istruzioni testuali con immagini o video e genera risposte testuali, compresi dati strutturati. Sceglierlo per una domanda visiva chiaramente definita, un’attività di estrazione da documenti o una spiegazione che colleghi i contenuti visibili alla richiesta dell’utente. Queste dimensioni e questa versione mantengono una propria identità; non si deve presumere che le funzionalità aggiunte specificamente ad altre dimensioni o a generazioni Qwen successive si applichino a questo checkpoint.
Comprensione visiva e flussi con agenti
Qwen descrive il riconoscimento di oggetti comuni e l’analisi di scritte, grafici, icone, elementi grafici e layout di pagina. Per un modulo, specificare i campi richiesti e il significato di un valore vuoto. Per un grafico, chiedere assi, unità e valori visibili a sostegno della conclusione. Una richiesta mirata rende l’output più facile da confrontare con l’immagine originale rispetto a una richiesta generica di descrivere tutto.
La famiglia supporta anche il ragionamento da agente visivo e la direzione di strumenti per flussi al computer o al telefono. Il modello può interpretare un’interfaccia e contribuire alla scelta di un’azione; gli strumenti applicativi collegati eseguono tale azione. La revisione di uno screenshot può chiedere quale controllo corrisponda a un’attività e quali informazioni visibili sostengano la scelta. Questo uso del ragionamento visivo non concede di per sé il controllo di un dispositivo.
Video lunghi e localizzazione degli eventi
Il produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione dei segmenti pertinenti a un evento richiesto. È una capacità della famiglia, non un limite incondizionato di caricamento dei media né una garanzia che ogni fotogramma venga conservato. Preparare la clip pertinente, preservarne le informazioni temporali e porre una domanda precisa sull’evento, sulla sequenza o sul cambiamento. L’approccio di elaborazione video del modello usa informazioni sulla frequenza dei fotogrammi per allineare le osservazioni visive al tempo assoluto.
Localizzazione e documenti strutturati
Qwen2.5-VL può restituire le posizioni degli oggetti come riquadri di delimitazione o punti, con coordinate e attributi in JSON. Per un’attività di localizzazione, nominare l’oggetto di interesse e specificare se il risultato debba essere un punto o un riquadro. Rendere esplicita la convenzione delle coordinate nell’applicazione che usa il risultato, anziché dedurre una misura fisica da una fotografia arbitraria.
Il produttore documenta anche l’estrazione strutturata da fatture scansionate, moduli e tabelle. Fornire una pagina leggibile e uno schema di output: ad esempio, nome del campo, testo estratto e regione visibile che lo sostiene. Conservare unità, separatori decimali e intestazioni delle tabelle nella fonte. Trattare contenuti incerti o illeggibili come casi da revisionare anziché chiedere al modello di inventare un valore mancante. Questi esempi di preparazione applicano capacità documentate; non garantiscono un’estrazione esatta.
Modifiche architetturali
La risoluzione dinamica delle immagini viene estesa al video tramite addestramento a frequenza variabile dei fotogrammi. La codifica posizionale multimodale aggiornata rappresenta la sequenza temporale e il tempo assoluto, contribuendo a identificare momenti specifici e variazioni di velocità. L’encoder visivo usa attenzione a finestre insieme a SwiGLU e RMSNorm. Queste modifiche descrivono come il modello elabora il materiale visivo; non stabiliscono una latenza fissa per una particolare applicazione.
Preparare immagini e video
Gli esempi ufficiali coprono immagini singole, immagini multiple, conversazioni solo testuali, file video ed elenchi ordinati di fotogrammi. Etichettare gli input visivi multipli affinché una domanda possa riferirsi a ciascuno. Per confrontare immagini, richiedere una tabella organizzata secondo le etichette e limitare il risultato alle differenze visibili. Per una cronologia video, conservare ordine dei fotogrammi e tempi anziché presentare immagini scollegate come se avessero una durata nota.
L’intervallo predefinito documentato del processore di immagini va da quattro a 16,384 token visivi per immagine. Il relativo esempio può puntare a 256–1,280 token impostando i limiti dei pixel. Mantiene il rapporto d’aspetto entro tali limiti, mentre le dimensioni di ridimensionamento esplicite sono allineate a multipli di 28. Un maggiore dettaglio consuma più calcolo e spazio nella sequenza, quindi un piccolo campo di testo può richiedere un ritaglio a risoluzione maggiore, mentre un riepilogo generale della scena può non averne bisogno. Sono controlli di elaborazione del produttore; le opzioni di caricamento dell’applicazione possono differire.
Contesto e limiti sostanziali
La configurazione del checkpoint pubblicato imposta il massimo delle posizioni a 128,000, mentre la sezione di accompagnamento sui testi lunghi tratta ancora una configurazione iniziale da 32,768 token. La guida descrive l’estrapolazione YaRN, ma avverte che può influire significativamente sulla localizzazione temporale e spaziale e non raccomanda questo metodo per tali attività. Nota separatamente che la codifica posizionale video può consentire un’impostazione maggiore delle posizioni, fornendo 64K come esempio. Queste diverse descrizioni di configurazione non devono essere ridotte a un unico limite di input universalmente convalidato.
Testo, materiale visivo e risposta condividono un budget di sequenza finito. Mantenere leggibile il contenuto pertinente, riservare spazio al risultato e verificare testo estratto, coordinate e tempi degli eventi rispetto all’originale. L’esempio di generazione da 128 token della scheda è illustrativo e non stabilisce un massimo rigido separato dell’output. Questo modello restituisce analisi testuali o informazioni strutturate; le sue capacità visivo-linguistiche non significano che generi immagini o video.
", "aboutText": "Introduzione: l’edizione 3B ottimizzata per le istruzioni\n\nQwen2.5-VL-3B-Instruct è il membro 3B di Qwen2.5-VL. Accetta istruzioni testuali con immagini o video e genera risposte testuali, compresi dati strutturati. Sceglierlo per una domanda visiva chiaramente definita, un’attività di estrazione da documenti o una spiegazione che colleghi i contenuti visibili alla richiesta dell’utente. Queste dimensioni e questa versione mantengono una propria identità; non si deve presumere che le funzionalità aggiunte specificamente ad altre dimensioni o a generazioni Qwen successive si applichino a questo checkpoint.\n\nComprensione visiva e flussi con agenti\n\nQwen descrive il riconoscimento di oggetti comuni e l’analisi di scritte, grafici, icone, elementi grafici e layout di pagina. Per un modulo, specificare i campi richiesti e il significato di un valore vuoto. Per un grafico, chiedere assi, unità e valori visibili a sostegno della conclusione. Una richiesta mirata rende l’output più facile da confrontare con l’immagine originale rispetto a una richiesta generica di descrivere tutto.\n\nLa famiglia supporta anche il ragionamento da agente visivo e la direzione di strumenti per flussi al computer o al telefono. Il modello può interpretare un’interfaccia e contribuire alla scelta di un’azione; gli strumenti applicativi collegati eseguono tale azione. La revisione di uno screenshot può chiedere quale controllo corrisponda a un’attività e quali informazioni visibili sostengano la scelta. Questo uso del ragionamento visivo non concede di per sé il controllo di un dispositivo.\n\nVideo lunghi e localizzazione degli eventi\n\nIl produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione dei segmenti pertinenti a un evento richiesto. È una capacità della famiglia, non un limite incondizionato di caricamento dei media né una garanzia che ogni fotogramma venga conservato. Preparare la clip pertinente, preservarne le informazioni temporali e porre una domanda precisa sull’evento, sulla sequenza o sul cambiamento. L’approccio di elaborazione video del modello usa informazioni sulla frequenza dei fotogrammi per allineare le osservazioni visive al tempo assoluto.\n\nLocalizzazione e documenti strutturati\n\nQwen2.5-VL può restituire le posizioni degli oggetti come riquadri di delimitazione o punti, con coordinate e attributi in JSON. Per un’attività di localizzazione, nominare l’oggetto di interesse e specificare se il risultato debba essere un punto o un riquadro. Rendere esplicita la convenzione delle coordinate nell’applicazione che usa il risultato, anziché dedurre una misura fisica da una fotografia arbitraria.\n\nIl produttore documenta anche l’estrazione strutturata da fatture scansionate, moduli e tabelle. Fornire una pagina leggibile e uno schema di output: ad esempio, nome del campo, testo estratto e regione visibile che lo sostiene. Conservare unità, separatori decimali e intestazioni delle tabelle nella fonte. Trattare contenuti incerti o illeggibili come casi da revisionare anziché chiedere al modello di inventare un valore mancante. Questi esempi di preparazione applicano capacità documentate; non garantiscono un’estrazione esatta.\n\nModifiche architetturali\n\nLa risoluzione dinamica delle immagini viene estesa al video tramite addestramento a frequenza variabile dei fotogrammi. La codifica posizionale multimodale aggiornata rappresenta la sequenza temporale e il tempo assoluto, contribuendo a identificare momenti specifici e variazioni di velocità. L’encoder visivo usa attenzione a finestre insieme a SwiGLU e RMSNorm. Queste modifiche descrivono come il modello elabora il materiale visivo; non stabiliscono una latenza fissa per una particolare applicazione.\n\nPreparare immagini e video\n\nGli esempi ufficiali coprono immagini singole, immagini multiple, conversazioni solo testuali, file video ed elenchi ordinati di fotogrammi. Etichettare gli input visivi multipli affinché una domanda possa riferirsi a ciascuno. Per confrontare immagini, richiedere una tabella organizzata secondo le etichette e limitare il risultato alle differenze visibili. Per una cronologia video, conservare ordine dei fotogrammi e tempi anziché presentare immagini scollegate come se avessero una durata nota.\n\nL’intervallo predefinito documentato del processore di immagini va da quattro a 16,384 token visivi per immagine. Il relativo esempio può puntare a 256–1,280 token impostando i limiti dei pixel. Mantiene il rapporto d’aspetto entro tali limiti, mentre le dimensioni di ridimensionamento esplicite sono allineate a multipli di 28. Un maggiore dettaglio consuma più calcolo e spazio nella sequenza, quindi un piccolo campo di testo può richiedere un ritaglio a risoluzione maggiore, mentre un riepilogo generale della scena può non averne bisogno. Sono controlli di elaborazione del produttore; le opzioni di caricamento dell’applicazione possono differire.\n\nContesto e limiti sostanziali\n\nLa configurazione del checkpoint pubblicato imposta il massimo delle posizioni a 128,000, mentre la sezione di accompagnamento sui testi lunghi tratta ancora una configurazione iniziale da 32,768 token. La guida descrive l’estrapolazione YaRN, ma avverte che può influire significativamente sulla localizzazione temporale e spaziale e non raccomanda questo metodo per tali attività. Nota separatamente che la codifica posizionale video può consentire un’impostazione maggiore delle posizioni, fornendo 64K come esempio. Queste diverse descrizioni di configurazione non devono essere ridotte a un unico limite di input universalmente convalidato.\n\nTesto, materiale visivo e risposta condividono un budget di sequenza finito. Mantenere leggibile il contenuto pertinente, riservare spazio al risultato e verificare testo estratto, coordinate e tempi degli eventi rispetto all’originale. L’esempio di generazione da 128 token della scheda è illustrativo e non stabilisce un massimo rigido separato dell’output. Questo modello restituisce analisi testuali o informazioni strutturate; le sue capacità visivo-linguistiche non significano che generi immagini o video.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct è il modello visivo-linguistico compatto di Qwen ottimizzato per le istruzioni, per testo, immagini e video. Restituisce testo e informazioni visive strutturate, compresi campi di documenti, coordinate di oggetti e descrizioni di eventi, con risoluzione dinamica ed elaborazione video che tiene conto della dimensione temporale.
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.
Introduzione: l’edizione 3B ottimizzata per le istruzioni
Qwen2.5-VL-3B-Instruct è il membro 3B di Qwen2.5-VL. Accetta istruzioni testuali con immagini o video e genera risposte testuali, compresi dati strutturati. Sceglierlo per una domanda visiva chiaramente definita, un’attività di estrazione da documenti o una spiegazione che colleghi i contenuti visibili alla richiesta dell’utente. Queste dimensioni e questa versione mantengono una propria identità; non si deve presumere che le funzionalità aggiunte specificamente ad altre dimensioni o a generazioni Qwen successive si applichino a questo checkpoint.
Comprensione visiva e flussi con agenti
Qwen descrive il riconoscimento di oggetti comuni e l’analisi di scritte, grafici, icone, elementi grafici e layout di pagina. Per un modulo, specificare i campi richiesti e il significato di un valore vuoto. Per un grafico, chiedere assi, unità e valori visibili a sostegno della conclusione. Una richiesta mirata rende l’output più facile da confrontare con l’immagine originale rispetto a una richiesta generica di descrivere tutto.
La famiglia supporta anche il ragionamento da agente visivo e la direzione di strumenti per flussi al computer o al telefono. Il modello può interpretare un’interfaccia e contribuire alla scelta di un’azione; gli strumenti applicativi collegati eseguono tale azione. La revisione di uno screenshot può chiedere quale controllo corrisponda a un’attività e quali informazioni visibili sostengano la scelta. Questo uso del ragionamento visivo non concede di per sé il controllo di un dispositivo.
Video lunghi e localizzazione degli eventi
Il produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione dei segmenti pertinenti a un evento richiesto. È una capacità della famiglia, non un limite incondizionato di caricamento dei media né una garanzia che ogni fotogramma venga conservato. Preparare la clip pertinente, preservarne le informazioni temporali e porre una domanda precisa sull’evento, sulla sequenza o sul cambiamento. L’approccio di elaborazione video del modello usa informazioni sulla frequenza dei fotogrammi per allineare le osservazioni visive al tempo assoluto.
Localizzazione e documenti strutturati
Qwen2.5-VL può restituire le posizioni degli oggetti come riquadri di delimitazione o punti, con coordinate e attributi in JSON. Per un’attività di localizzazione, nominare l’oggetto di interesse e specificare se il risultato debba essere un punto o un riquadro. Rendere esplicita la convenzione delle coordinate nell’applicazione che usa il risultato, anziché dedurre una misura fisica da una fotografia arbitraria.
Il produttore documenta anche l’estrazione strutturata da fatture scansionate, moduli e tabelle. Fornire una pagina leggibile e uno schema di output: ad esempio, nome del campo, testo estratto e regione visibile che lo sostiene. Conservare unità, separatori decimali e intestazioni delle tabelle nella fonte. Trattare contenuti incerti o illeggibili come casi da revisionare anziché chiedere al modello di inventare un valore mancante. Questi esempi di preparazione applicano capacità documentate; non garantiscono un’estrazione esatta.
Modifiche architetturali
La risoluzione dinamica delle immagini viene estesa al video tramite addestramento a frequenza variabile dei fotogrammi. La codifica posizionale multimodale aggiornata rappresenta la sequenza temporale e il tempo assoluto, contribuendo a identificare momenti specifici e variazioni di velocità. L’encoder visivo usa attenzione a finestre insieme a SwiGLU e RMSNorm. Queste modifiche descrivono come il modello elabora il materiale visivo; non stabiliscono una latenza fissa per una particolare applicazione.
Preparare immagini e video
Gli esempi ufficiali coprono immagini singole, immagini multiple, conversazioni solo testuali, file video ed elenchi ordinati di fotogrammi. Etichettare gli input visivi multipli affinché una domanda possa riferirsi a ciascuno. Per confrontare immagini, richiedere una tabella organizzata secondo le etichette e limitare il risultato alle differenze visibili. Per una cronologia video, conservare ordine dei fotogrammi e tempi anziché presentare immagini scollegate come se avessero una durata nota.
L’intervallo predefinito documentato del processore di immagini va da quattro a 16,384 token visivi per immagine. Il relativo esempio può puntare a 256–1,280 token impostando i limiti dei pixel. Mantiene il rapporto d’aspetto entro tali limiti, mentre le dimensioni di ridimensionamento esplicite sono allineate a multipli di 28. Un maggiore dettaglio consuma più calcolo e spazio nella sequenza, quindi un piccolo campo di testo può richiedere un ritaglio a risoluzione maggiore, mentre un riepilogo generale della scena può non averne bisogno. Sono controlli di elaborazione del produttore; le opzioni di caricamento dell’applicazione possono differire.
Contesto e limiti sostanziali
La configurazione del checkpoint pubblicato imposta il massimo delle posizioni a 128,000, mentre la sezione di accompagnamento sui testi lunghi tratta ancora una configurazione iniziale da 32,768 token. La guida descrive l’estrapolazione YaRN, ma avverte che può influire significativamente sulla localizzazione temporale e spaziale e non raccomanda questo metodo per tali attività. Nota separatamente che la codifica posizionale video può consentire un’impostazione maggiore delle posizioni, fornendo 64K come esempio. Queste diverse descrizioni di configurazione non devono essere ridotte a un unico limite di input universalmente convalidato.
Testo, materiale visivo e risposta condividono un budget di sequenza finito. Mantenere leggibile il contenuto pertinente, riservare spazio al risultato e verificare testo estratto, coordinate e tempi degli eventi rispetto all’originale. L’esempio di generazione da 128 token della scheda è illustrativo e non stabilisce un massimo rigido separato dell’output. Questo modello restituisce analisi testuali o informazioni strutturate; le sue capacità visivo-linguistiche non significano che generi immagini o video.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-vl-3b-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 $0.0004 / 1K token Output · Token in output $0.0012 / 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": "qwen2.5-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen2.5-vl-3b-instruct
Usa i percorsi dei metodi indicati sopra.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct è il modello visivo-linguistico compatto di Qwen ottimizzato per le istruzioni, per testo, immagini e video. Restituisce testo e informazioni visive strutturate, compresi campi di documenti, coordinate di oggetti e descrizioni di eventi, con risoluzione dinamica ed elaborazione video che tiene conto della dimensione temporale.
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.
Introduzione: l’edizione 3B ottimizzata per le istruzioni
Qwen2.5-VL-3B-Instruct è il membro 3B di Qwen2.5-VL. Accetta istruzioni testuali con immagini o video e genera risposte testuali, compresi dati strutturati. Sceglierlo per una domanda visiva chiaramente definita, un’attività di estrazione da documenti o una spiegazione che colleghi i contenuti visibili alla richiesta dell’utente. Queste dimensioni e questa versione mantengono una propria identità; non si deve presumere che le funzionalità aggiunte specificamente ad altre dimensioni o a generazioni Qwen successive si applichino a questo checkpoint.
Comprensione visiva e flussi con agenti
Qwen descrive il riconoscimento di oggetti comuni e l’analisi di scritte, grafici, icone, elementi grafici e layout di pagina. Per un modulo, specificare i campi richiesti e il significato di un valore vuoto. Per un grafico, chiedere assi, unità e valori visibili a sostegno della conclusione. Una richiesta mirata rende l’output più facile da confrontare con l’immagine originale rispetto a una richiesta generica di descrivere tutto.
La famiglia supporta anche il ragionamento da agente visivo e la direzione di strumenti per flussi al computer o al telefono. Il modello può interpretare un’interfaccia e contribuire alla scelta di un’azione; gli strumenti applicativi collegati eseguono tale azione. La revisione di uno screenshot può chiedere quale controllo corrisponda a un’attività e quali informazioni visibili sostengano la scelta. Questo uso del ragionamento visivo non concede di per sé il controllo di un dispositivo.
Video lunghi e localizzazione degli eventi
Il produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione dei segmenti pertinenti a un evento richiesto. È una capacità della famiglia, non un limite incondizionato di caricamento dei media né una garanzia che ogni fotogramma venga conservato. Preparare la clip pertinente, preservarne le informazioni temporali e porre una domanda precisa sull’evento, sulla sequenza o sul cambiamento. L’approccio di elaborazione video del modello usa informazioni sulla frequenza dei fotogrammi per allineare le osservazioni visive al tempo assoluto.
Localizzazione e documenti strutturati
Qwen2.5-VL può restituire le posizioni degli oggetti come riquadri di delimitazione o punti, con coordinate e attributi in JSON. Per un’attività di localizzazione, nominare l’oggetto di interesse e specificare se il risultato debba essere un punto o un riquadro. Rendere esplicita la convenzione delle coordinate nell’applicazione che usa il risultato, anziché dedurre una misura fisica da una fotografia arbitraria.
Il produttore documenta anche l’estrazione strutturata da fatture scansionate, moduli e tabelle. Fornire una pagina leggibile e uno schema di output: ad esempio, nome del campo, testo estratto e regione visibile che lo sostiene. Conservare unità, separatori decimali e intestazioni delle tabelle nella fonte. Trattare contenuti incerti o illeggibili come casi da revisionare anziché chiedere al modello di inventare un valore mancante. Questi esempi di preparazione applicano capacità documentate; non garantiscono un’estrazione esatta.
Modifiche architetturali
La risoluzione dinamica delle immagini viene estesa al video tramite addestramento a frequenza variabile dei fotogrammi. La codifica posizionale multimodale aggiornata rappresenta la sequenza temporale e il tempo assoluto, contribuendo a identificare momenti specifici e variazioni di velocità. L’encoder visivo usa attenzione a finestre insieme a SwiGLU e RMSNorm. Queste modifiche descrivono come il modello elabora il materiale visivo; non stabiliscono una latenza fissa per una particolare applicazione.
Preparare immagini e video
Gli esempi ufficiali coprono immagini singole, immagini multiple, conversazioni solo testuali, file video ed elenchi ordinati di fotogrammi. Etichettare gli input visivi multipli affinché una domanda possa riferirsi a ciascuno. Per confrontare immagini, richiedere una tabella organizzata secondo le etichette e limitare il risultato alle differenze visibili. Per una cronologia video, conservare ordine dei fotogrammi e tempi anziché presentare immagini scollegate come se avessero una durata nota.
L’intervallo predefinito documentato del processore di immagini va da quattro a 16,384 token visivi per immagine. Il relativo esempio può puntare a 256–1,280 token impostando i limiti dei pixel. Mantiene il rapporto d’aspetto entro tali limiti, mentre le dimensioni di ridimensionamento esplicite sono allineate a multipli di 28. Un maggiore dettaglio consuma più calcolo e spazio nella sequenza, quindi un piccolo campo di testo può richiedere un ritaglio a risoluzione maggiore, mentre un riepilogo generale della scena può non averne bisogno. Sono controlli di elaborazione del produttore; le opzioni di caricamento dell’applicazione possono differire.
Contesto e limiti sostanziali
La configurazione del checkpoint pubblicato imposta il massimo delle posizioni a 128,000, mentre la sezione di accompagnamento sui testi lunghi tratta ancora una configurazione iniziale da 32,768 token. La guida descrive l’estrapolazione YaRN, ma avverte che può influire significativamente sulla localizzazione temporale e spaziale e non raccomanda questo metodo per tali attività. Nota separatamente che la codifica posizionale video può consentire un’impostazione maggiore delle posizioni, fornendo 64K come esempio. Queste diverse descrizioni di configurazione non devono essere ridotte a un unico limite di input universalmente convalidato.
Testo, materiale visivo e risposta condividono un budget di sequenza finito. Mantenere leggibile il contenuto pertinente, riservare spazio al risultato e verificare testo estratto, coordinate e tempi degli eventi rispetto all’originale. L’esempio di generazione da 128 token della scheda è illustrativo e non stabilisce un massimo rigido separato dell’output. Questo modello restituisce analisi testuali o informazioni strutturate; le sue capacità visivo-linguistiche non significano che generi immagini o video.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-vl-3b-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 $0.0004 / 1K token Output · Token in output $0.0012 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-vl-3b-instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.