Qwen2.5-VL-7B-Instruct è l’edizione 7B di Qwen2.5-VL ottimizzata per seguire istruzioni. Collega un’istruzione testuale a immagini o video e restituisce un risultato testuale. I miglioramenti principali del produttore riguardano riconoscimento di oggetti e dettagli visivi, analisi di testo e layout, attività da agente visivo, comprensione di eventi in video lunghi, localizzazione di oggetti ed estrazione strutturata dai documenti.
Comprendere i contenuti visivi
La famiglia va oltre l’identificazione del soggetto principale di una fotografia. Le attività documentate includono l’analisi di testo, grafici, icone, elementi grafici e disposizione degli elementi in un’immagine. Per un grafico, specificare la serie o la relazione da esaminare e preservare assi, legenda e unità. Per un diagramma, chiedere come si collegano i componenti etichettati e cosa rivela sul processo la disposizione visibile.
Un confronto utile può fornire un progetto originale e uno rivisto, identificarli e chiedere le modifiche visibili rispetto a un breve elenco di requisiti. Richiedere insieme l’osservazione e la regione pertinente dell’immagine. Questo dà alla risposta uno scopo concreto, anziché chiedere una descrizione generale di due immagini non correlate.
Flussi con agenti visivi
Il produttore presenta Qwen2.5-VL come agente visivo capace di ragionare su una schermata e dirigere strumenti in attività al computer o al telefono. Il modello fornisce un’interpretazione e un’operazione proposta; l’applicazione agente circostante fornisce i controlli, esegue l’operazione e restituisce il nuovo stato. Una risposta testuale o una coordinata prevista costituiscono quindi una parte di quel flusso integrato.
Per una domanda sull’interfaccia, fornire lo screenshot e l’obiettivo effettivo, quindi chiedere quale controllo visibile sia pertinente e cosa fare dopo. Mantenere specifico l’output richiesto: etichetta del controllo, posizione e azione prevista. Se l’applicazione esegue poi tale azione, lo screenshot successivo fornisce l’input visivo aggiornato per una decisione seguente.
Video lunghi e localizzazione degli eventi
Il produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione del segmento contenente un evento richiesto. Questo estende la descrizione video alla localizzazione temporale. Un’attività può chiedere quando compare per la prima volta un oggetto, dove una dimostrazione raggiunge un determinato passaggio o quale evento visibile precede un altro. Specificare se il risultato deve essere un riepilogo, un elenco ordinato di eventi oppure tempi iniziali e finali con una descrizione dell’evento.
La famiglia viene addestrata con campionamento dinamico della frequenza dei fotogrammi e allinea le informazioni posizionali temporali al tempo assoluto. Le informazioni sulla frequenza dei fotogrammi fanno quindi parte della preparazione del video, anziché essere un’etichetta arbitraria eliminabile quando contano i timestamp. La capacità documentata sui video lunghi non è una specifica universale di dimensione del file o durata massima per ogni percorso di input.
Localizzazione degli oggetti e documenti strutturati
Qwen2.5-VL può restituire riquadri di delimitazione o punti e organizzare coordinate e attributi in JSON. La versione usa coordinate sulla scala delle dimensioni effettive dell’immagine anziché coordinate normalizzate tradizionali. Specificare se l’attività richiede un riquadro contenitore, un punto particolare o una descrizione dell’oggetto, e conservare le dimensioni dell’immagine e le informazioni sul ridimensionamento necessarie a interpretare la posizione restituita.
Ad esempio, una richiesta di inventario visivo può chiedere ogni oggetto di interesse, il suo riquadro e un attributo visibile. Un’attività basata su punti può chiedere la posizione di un controllo etichettato o di una parte specifica di un oggetto. Sono proposte di struttura dell’output, non nomi di campi fissi da usare in ogni richiesta. Mantenere ogni coordinata associata all’immagine sorgente quando vengono fornite più immagini.
Il produttore evidenzia separatamente l’estrazione strutturata da scansioni di fatture, moduli e tabelle. Definire i campi, preservare le etichette originali e richiedere una rappresentazione esplicita quando un valore non è leggibile. Per una tabella, mantenere intestazioni di colonna e unità insieme alle righe richieste. Un record pratico può contenere identificatore del documento, etichetta del campo, valore estratto e posizione, rendendo l’output utilizzabile per un confronto successivo o un’ispezione umana.
Architettura e preparazione dell’input
Il modello combina risoluzione dinamica delle immagini e campionamento dinamico dei video con informazioni posizionali rotatorie multimodali aggiornate. Il suo encoder visivo usa attenzione a finestre, SwiGLU e RMSNorm. Sono modifiche architetturali a supporto dell’elaborazione visiva e temporale; non aggiungono input audio o generazione di immagini al flusso documentato con risultato testuale.
La scheda mostra un’immagine singola, immagini multiple, una sequenza di fotogrammi video, un file video o un riferimento e conversazioni in batch. Il processore di immagini documenta un intervallo predefinito da 4 a 16,384 token visivi per immagine. Le impostazioni minime e massime dei pixel preservano il rapporto d’aspetto; le dimensioni esatte richieste vengono arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1,280 token visivi è un’illustrazione regolabile, non un limite rigido separato per le immagini. Nello scegliere il ridimensionamento, conservare il dettaglio necessario alla domanda.
Contesto e impostazioni sensibili alla localizzazione
La configurazione rilasciata imposta il massimo delle posizioni a 128,000. La sezione sui testi lunghi della scheda descrive separatamente una base di 32,768 token e un esempio di estensione YaRN. Avverte esplicitamente che questa estensione influisce significativamente sulla localizzazione temporale e spaziale e non la raccomanda. La guida tratta anche la modifica del massimo delle posizioni per i video lunghi; sono note di configurazione, non un unico limite incondizionato di input per ogni attività.
Mantenere la configurazione esatta della versione e la preelaborazione visiva allineate all’attività, soprattutto quando contano coordinate o tempi degli eventi. L’esempio di generazione da 128 token della scheda non specifica una capacità massima separata dell’output. Qwen2.5-VL-7B-Instruct produce testo, coordinate e risultati strutturati; un’azione esterna, un’immagine renderizzata, un video o una risposta parlata richiedono un altro componente applicativo.
", "aboutText": "Qwen2.5-VL-7B-Instruct è l’edizione 7B di Qwen2.5-VL ottimizzata per seguire istruzioni. Collega un’istruzione testuale a immagini o video e restituisce un risultato testuale. I miglioramenti principali del produttore riguardano riconoscimento di oggetti e dettagli visivi, analisi di testo e layout, attività da agente visivo, comprensione di eventi in video lunghi, localizzazione di oggetti ed estrazione strutturata dai documenti.\n\nComprendere i contenuti visivi\n\nLa famiglia va oltre l’identificazione del soggetto principale di una fotografia. Le attività documentate includono l’analisi di testo, grafici, icone, elementi grafici e disposizione degli elementi in un’immagine. Per un grafico, specificare la serie o la relazione da esaminare e preservare assi, legenda e unità. Per un diagramma, chiedere come si collegano i componenti etichettati e cosa rivela sul processo la disposizione visibile.\n\nUn confronto utile può fornire un progetto originale e uno rivisto, identificarli e chiedere le modifiche visibili rispetto a un breve elenco di requisiti. Richiedere insieme l’osservazione e la regione pertinente dell’immagine. Questo dà alla risposta uno scopo concreto, anziché chiedere una descrizione generale di due immagini non correlate.\n\nFlussi con agenti visivi\n\nIl produttore presenta Qwen2.5-VL come agente visivo capace di ragionare su una schermata e dirigere strumenti in attività al computer o al telefono. Il modello fornisce un’interpretazione e un’operazione proposta; l’applicazione agente circostante fornisce i controlli, esegue l’operazione e restituisce il nuovo stato. Una risposta testuale o una coordinata prevista costituiscono quindi una parte di quel flusso integrato.\n\nPer una domanda sull’interfaccia, fornire lo screenshot e l’obiettivo effettivo, quindi chiedere quale controllo visibile sia pertinente e cosa fare dopo. Mantenere specifico l’output richiesto: etichetta del controllo, posizione e azione prevista. Se l’applicazione esegue poi tale azione, lo screenshot successivo fornisce l’input visivo aggiornato per una decisione seguente.\n\nVideo lunghi e localizzazione degli eventi\n\nIl produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione del segmento contenente un evento richiesto. Questo estende la descrizione video alla localizzazione temporale. Un’attività può chiedere quando compare per la prima volta un oggetto, dove una dimostrazione raggiunge un determinato passaggio o quale evento visibile precede un altro. Specificare se il risultato deve essere un riepilogo, un elenco ordinato di eventi oppure tempi iniziali e finali con una descrizione dell’evento.\n\nLa famiglia viene addestrata con campionamento dinamico della frequenza dei fotogrammi e allinea le informazioni posizionali temporali al tempo assoluto. Le informazioni sulla frequenza dei fotogrammi fanno quindi parte della preparazione del video, anziché essere un’etichetta arbitraria eliminabile quando contano i timestamp. La capacità documentata sui video lunghi non è una specifica universale di dimensione del file o durata massima per ogni percorso di input.\n\nLocalizzazione degli oggetti e documenti strutturati\n\nQwen2.5-VL può restituire riquadri di delimitazione o punti e organizzare coordinate e attributi in JSON. La versione usa coordinate sulla scala delle dimensioni effettive dell’immagine anziché coordinate normalizzate tradizionali. Specificare se l’attività richiede un riquadro contenitore, un punto particolare o una descrizione dell’oggetto, e conservare le dimensioni dell’immagine e le informazioni sul ridimensionamento necessarie a interpretare la posizione restituita.\n\nAd esempio, una richiesta di inventario visivo può chiedere ogni oggetto di interesse, il suo riquadro e un attributo visibile. Un’attività basata su punti può chiedere la posizione di un controllo etichettato o di una parte specifica di un oggetto. Sono proposte di struttura dell’output, non nomi di campi fissi da usare in ogni richiesta. Mantenere ogni coordinata associata all’immagine sorgente quando vengono fornite più immagini.\n\nIl produttore evidenzia separatamente l’estrazione strutturata da scansioni di fatture, moduli e tabelle. Definire i campi, preservare le etichette originali e richiedere una rappresentazione esplicita quando un valore non è leggibile. Per una tabella, mantenere intestazioni di colonna e unità insieme alle righe richieste. Un record pratico può contenere identificatore del documento, etichetta del campo, valore estratto e posizione, rendendo l’output utilizzabile per un confronto successivo o un’ispezione umana.\n\nArchitettura e preparazione dell’input\n\nIl modello combina risoluzione dinamica delle immagini e campionamento dinamico dei video con informazioni posizionali rotatorie multimodali aggiornate. Il suo encoder visivo usa attenzione a finestre, SwiGLU e RMSNorm. Sono modifiche architetturali a supporto dell’elaborazione visiva e temporale; non aggiungono input audio o generazione di immagini al flusso documentato con risultato testuale.\n\nLa scheda mostra un’immagine singola, immagini multiple, una sequenza di fotogrammi video, un file video o un riferimento e conversazioni in batch. Il processore di immagini documenta un intervallo predefinito da 4 a 16,384 token visivi per immagine. Le impostazioni minime e massime dei pixel preservano il rapporto d’aspetto; le dimensioni esatte richieste vengono arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1,280 token visivi è un’illustrazione regolabile, non un limite rigido separato per le immagini. Nello scegliere il ridimensionamento, conservare il dettaglio necessario alla domanda.\n\nContesto e impostazioni sensibili alla localizzazione\n\nLa configurazione rilasciata imposta il massimo delle posizioni a 128,000. La sezione sui testi lunghi della scheda descrive separatamente una base di 32,768 token e un esempio di estensione YaRN. Avverte esplicitamente che questa estensione influisce significativamente sulla localizzazione temporale e spaziale e non la raccomanda. La guida tratta anche la modifica del massimo delle posizioni per i video lunghi; sono note di configurazione, non un unico limite incondizionato di input per ogni attività.\n\nMantenere la configurazione esatta della versione e la preelaborazione visiva allineate all’attività, soprattutto quando contano coordinate o tempi degli eventi. L’esempio di generazione da 128 token della scheda non specifica una capacità massima separata dell’output. Qwen2.5-VL-7B-Instruct produce testo, coordinate e risultati strutturati; un’azione esterna, un’immagine renderizzata, un video o una risposta parlata richiedono un altro componente applicativo.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è un modello visivo-linguistico per immagini, documenti e video. Produce testo e risultati strutturati, compresi riquadri degli oggetti, punti e attributi, e introduce nell’edizione 7B la localizzazione temporale degli eventi e le capacità di agente visivo.
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.
Qwen2.5-VL-7B-Instruct è l’edizione 7B di Qwen2.5-VL ottimizzata per seguire istruzioni. Collega un’istruzione testuale a immagini o video e restituisce un risultato testuale. I miglioramenti principali del produttore riguardano riconoscimento di oggetti e dettagli visivi, analisi di testo e layout, attività da agente visivo, comprensione di eventi in video lunghi, localizzazione di oggetti ed estrazione strutturata dai documenti.
Comprendere i contenuti visivi
La famiglia va oltre l’identificazione del soggetto principale di una fotografia. Le attività documentate includono l’analisi di testo, grafici, icone, elementi grafici e disposizione degli elementi in un’immagine. Per un grafico, specificare la serie o la relazione da esaminare e preservare assi, legenda e unità. Per un diagramma, chiedere come si collegano i componenti etichettati e cosa rivela sul processo la disposizione visibile.
Un confronto utile può fornire un progetto originale e uno rivisto, identificarli e chiedere le modifiche visibili rispetto a un breve elenco di requisiti. Richiedere insieme l’osservazione e la regione pertinente dell’immagine. Questo dà alla risposta uno scopo concreto, anziché chiedere una descrizione generale di due immagini non correlate.
Flussi con agenti visivi
Il produttore presenta Qwen2.5-VL come agente visivo capace di ragionare su una schermata e dirigere strumenti in attività al computer o al telefono. Il modello fornisce un’interpretazione e un’operazione proposta; l’applicazione agente circostante fornisce i controlli, esegue l’operazione e restituisce il nuovo stato. Una risposta testuale o una coordinata prevista costituiscono quindi una parte di quel flusso integrato.
Per una domanda sull’interfaccia, fornire lo screenshot e l’obiettivo effettivo, quindi chiedere quale controllo visibile sia pertinente e cosa fare dopo. Mantenere specifico l’output richiesto: etichetta del controllo, posizione e azione prevista. Se l’applicazione esegue poi tale azione, lo screenshot successivo fornisce l’input visivo aggiornato per una decisione seguente.
Video lunghi e localizzazione degli eventi
Il produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione del segmento contenente un evento richiesto. Questo estende la descrizione video alla localizzazione temporale. Un’attività può chiedere quando compare per la prima volta un oggetto, dove una dimostrazione raggiunge un determinato passaggio o quale evento visibile precede un altro. Specificare se il risultato deve essere un riepilogo, un elenco ordinato di eventi oppure tempi iniziali e finali con una descrizione dell’evento.
La famiglia viene addestrata con campionamento dinamico della frequenza dei fotogrammi e allinea le informazioni posizionali temporali al tempo assoluto. Le informazioni sulla frequenza dei fotogrammi fanno quindi parte della preparazione del video, anziché essere un’etichetta arbitraria eliminabile quando contano i timestamp. La capacità documentata sui video lunghi non è una specifica universale di dimensione del file o durata massima per ogni percorso di input.
Localizzazione degli oggetti e documenti strutturati
Qwen2.5-VL può restituire riquadri di delimitazione o punti e organizzare coordinate e attributi in JSON. La versione usa coordinate sulla scala delle dimensioni effettive dell’immagine anziché coordinate normalizzate tradizionali. Specificare se l’attività richiede un riquadro contenitore, un punto particolare o una descrizione dell’oggetto, e conservare le dimensioni dell’immagine e le informazioni sul ridimensionamento necessarie a interpretare la posizione restituita.
Ad esempio, una richiesta di inventario visivo può chiedere ogni oggetto di interesse, il suo riquadro e un attributo visibile. Un’attività basata su punti può chiedere la posizione di un controllo etichettato o di una parte specifica di un oggetto. Sono proposte di struttura dell’output, non nomi di campi fissi da usare in ogni richiesta. Mantenere ogni coordinata associata all’immagine sorgente quando vengono fornite più immagini.
Il produttore evidenzia separatamente l’estrazione strutturata da scansioni di fatture, moduli e tabelle. Definire i campi, preservare le etichette originali e richiedere una rappresentazione esplicita quando un valore non è leggibile. Per una tabella, mantenere intestazioni di colonna e unità insieme alle righe richieste. Un record pratico può contenere identificatore del documento, etichetta del campo, valore estratto e posizione, rendendo l’output utilizzabile per un confronto successivo o un’ispezione umana.
Architettura e preparazione dell’input
Il modello combina risoluzione dinamica delle immagini e campionamento dinamico dei video con informazioni posizionali rotatorie multimodali aggiornate. Il suo encoder visivo usa attenzione a finestre, SwiGLU e RMSNorm. Sono modifiche architetturali a supporto dell’elaborazione visiva e temporale; non aggiungono input audio o generazione di immagini al flusso documentato con risultato testuale.
La scheda mostra un’immagine singola, immagini multiple, una sequenza di fotogrammi video, un file video o un riferimento e conversazioni in batch. Il processore di immagini documenta un intervallo predefinito da 4 a 16,384 token visivi per immagine. Le impostazioni minime e massime dei pixel preservano il rapporto d’aspetto; le dimensioni esatte richieste vengono arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1,280 token visivi è un’illustrazione regolabile, non un limite rigido separato per le immagini. Nello scegliere il ridimensionamento, conservare il dettaglio necessario alla domanda.
Contesto e impostazioni sensibili alla localizzazione
La configurazione rilasciata imposta il massimo delle posizioni a 128,000. La sezione sui testi lunghi della scheda descrive separatamente una base di 32,768 token e un esempio di estensione YaRN. Avverte esplicitamente che questa estensione influisce significativamente sulla localizzazione temporale e spaziale e non la raccomanda. La guida tratta anche la modifica del massimo delle posizioni per i video lunghi; sono note di configurazione, non un unico limite incondizionato di input per ogni attività.
Mantenere la configurazione esatta della versione e la preelaborazione visiva allineate all’attività, soprattutto quando contano coordinate o tempi degli eventi. L’esempio di generazione da 128 token della scheda non specifica una capacità massima separata dell’output. Qwen2.5-VL-7B-Instruct produce testo, coordinate e risultati strutturati; un’azione esterna, un’immagine renderizzata, un video o una risposta parlata richiedono un altro componente applicativo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-vl-7b-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 $0.0001 / 1K token Output · Token in output $0.0001 / 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-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 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-7b-instruct
Usa i percorsi dei metodi indicati sopra.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct è un modello visivo-linguistico per immagini, documenti e video. Produce testo e risultati strutturati, compresi riquadri degli oggetti, punti e attributi, e introduce nell’edizione 7B la localizzazione temporale degli eventi e le capacità di agente visivo.
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.
Qwen2.5-VL-7B-Instruct è l’edizione 7B di Qwen2.5-VL ottimizzata per seguire istruzioni. Collega un’istruzione testuale a immagini o video e restituisce un risultato testuale. I miglioramenti principali del produttore riguardano riconoscimento di oggetti e dettagli visivi, analisi di testo e layout, attività da agente visivo, comprensione di eventi in video lunghi, localizzazione di oggetti ed estrazione strutturata dai documenti.
Comprendere i contenuti visivi
La famiglia va oltre l’identificazione del soggetto principale di una fotografia. Le attività documentate includono l’analisi di testo, grafici, icone, elementi grafici e disposizione degli elementi in un’immagine. Per un grafico, specificare la serie o la relazione da esaminare e preservare assi, legenda e unità. Per un diagramma, chiedere come si collegano i componenti etichettati e cosa rivela sul processo la disposizione visibile.
Un confronto utile può fornire un progetto originale e uno rivisto, identificarli e chiedere le modifiche visibili rispetto a un breve elenco di requisiti. Richiedere insieme l’osservazione e la regione pertinente dell’immagine. Questo dà alla risposta uno scopo concreto, anziché chiedere una descrizione generale di due immagini non correlate.
Flussi con agenti visivi
Il produttore presenta Qwen2.5-VL come agente visivo capace di ragionare su una schermata e dirigere strumenti in attività al computer o al telefono. Il modello fornisce un’interpretazione e un’operazione proposta; l’applicazione agente circostante fornisce i controlli, esegue l’operazione e restituisce il nuovo stato. Una risposta testuale o una coordinata prevista costituiscono quindi una parte di quel flusso integrato.
Per una domanda sull’interfaccia, fornire lo screenshot e l’obiettivo effettivo, quindi chiedere quale controllo visibile sia pertinente e cosa fare dopo. Mantenere specifico l’output richiesto: etichetta del controllo, posizione e azione prevista. Se l’applicazione esegue poi tale azione, lo screenshot successivo fornisce l’input visivo aggiornato per una decisione seguente.
Video lunghi e localizzazione degli eventi
Il produttore descrive la comprensione di video più lunghi di un’ora e l’identificazione del segmento contenente un evento richiesto. Questo estende la descrizione video alla localizzazione temporale. Un’attività può chiedere quando compare per la prima volta un oggetto, dove una dimostrazione raggiunge un determinato passaggio o quale evento visibile precede un altro. Specificare se il risultato deve essere un riepilogo, un elenco ordinato di eventi oppure tempi iniziali e finali con una descrizione dell’evento.
La famiglia viene addestrata con campionamento dinamico della frequenza dei fotogrammi e allinea le informazioni posizionali temporali al tempo assoluto. Le informazioni sulla frequenza dei fotogrammi fanno quindi parte della preparazione del video, anziché essere un’etichetta arbitraria eliminabile quando contano i timestamp. La capacità documentata sui video lunghi non è una specifica universale di dimensione del file o durata massima per ogni percorso di input.
Localizzazione degli oggetti e documenti strutturati
Qwen2.5-VL può restituire riquadri di delimitazione o punti e organizzare coordinate e attributi in JSON. La versione usa coordinate sulla scala delle dimensioni effettive dell’immagine anziché coordinate normalizzate tradizionali. Specificare se l’attività richiede un riquadro contenitore, un punto particolare o una descrizione dell’oggetto, e conservare le dimensioni dell’immagine e le informazioni sul ridimensionamento necessarie a interpretare la posizione restituita.
Ad esempio, una richiesta di inventario visivo può chiedere ogni oggetto di interesse, il suo riquadro e un attributo visibile. Un’attività basata su punti può chiedere la posizione di un controllo etichettato o di una parte specifica di un oggetto. Sono proposte di struttura dell’output, non nomi di campi fissi da usare in ogni richiesta. Mantenere ogni coordinata associata all’immagine sorgente quando vengono fornite più immagini.
Il produttore evidenzia separatamente l’estrazione strutturata da scansioni di fatture, moduli e tabelle. Definire i campi, preservare le etichette originali e richiedere una rappresentazione esplicita quando un valore non è leggibile. Per una tabella, mantenere intestazioni di colonna e unità insieme alle righe richieste. Un record pratico può contenere identificatore del documento, etichetta del campo, valore estratto e posizione, rendendo l’output utilizzabile per un confronto successivo o un’ispezione umana.
Architettura e preparazione dell’input
Il modello combina risoluzione dinamica delle immagini e campionamento dinamico dei video con informazioni posizionali rotatorie multimodali aggiornate. Il suo encoder visivo usa attenzione a finestre, SwiGLU e RMSNorm. Sono modifiche architetturali a supporto dell’elaborazione visiva e temporale; non aggiungono input audio o generazione di immagini al flusso documentato con risultato testuale.
La scheda mostra un’immagine singola, immagini multiple, una sequenza di fotogrammi video, un file video o un riferimento e conversazioni in batch. Il processore di immagini documenta un intervallo predefinito da 4 a 16,384 token visivi per immagine. Le impostazioni minime e massime dei pixel preservano il rapporto d’aspetto; le dimensioni esatte richieste vengono arrotondate a un multiplo di 28. L’intervallo di esempio da 256 a 1,280 token visivi è un’illustrazione regolabile, non un limite rigido separato per le immagini. Nello scegliere il ridimensionamento, conservare il dettaglio necessario alla domanda.
Contesto e impostazioni sensibili alla localizzazione
La configurazione rilasciata imposta il massimo delle posizioni a 128,000. La sezione sui testi lunghi della scheda descrive separatamente una base di 32,768 token e un esempio di estensione YaRN. Avverte esplicitamente che questa estensione influisce significativamente sulla localizzazione temporale e spaziale e non la raccomanda. La guida tratta anche la modifica del massimo delle posizioni per i video lunghi; sono note di configurazione, non un unico limite incondizionato di input per ogni attività.
Mantenere la configurazione esatta della versione e la preelaborazione visiva allineate all’attività, soprattutto quando contano coordinate o tempi degli eventi. L’esempio di generazione da 128 token della scheda non specifica una capacità massima separata dell’output. Qwen2.5-VL-7B-Instruct produce testo, coordinate e risultati strutturati; un’azione esterna, un’immagine renderizzata, un video o una risposta parlata richiedono un altro componente applicativo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen2.5-vl-7b-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 $0.0001 / 1K token Output · Token in output $0.0001 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-7b-instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.