Introduzione: l'edizione visione-linguaggio da 7 miliardi di parametri
Qwen2-VL-7B-Instruct è il membro di Qwen2-VL da 7 miliardi di parametri affinato per seguire istruzioni. Combina istruzioni testuali con immagini o video e produce risposte testuali. Gli output utili includono la spiegazione di una pagina, un confronto tra immagini, una descrizione di eventi visibili o una risposta a una domanda su un grafico. Rimane questa esatta versione Qwen2-VL; i checkpoint più recenti Qwen2.5-VL e Qwen3-VL hanno capacità e identità proprie.
Le aggiunte di Qwen2-VL
Qwen descrive la comprensione visiva di immagini con risoluzioni e proporzioni diverse, oltre a risposte a domande sui video, dialogo e creazione di contenuti. La capacità video documentata della famiglia include materiale di durata superiore a 20 minuti. La sola durata non stabilisce quanti fotogrammi elabori un'applicazione né garantisce il richiamo di ogni evento. La comprensione multilingue di immagini e testo include inglese e cinese, molte lingue europee, giapponese, coreano, arabo e vietnamita.
Il produttore descrive inoltre l'integrazione con telefoni, robot e altri dispositivi attraverso osservazioni visive e istruzioni testuali. Si tratta di un flusso applicativo: il modello interpreta l'ambiente visivo e aiuta a scegliere le azioni, mentre il software o l'hardware collegato le esegue. Riconoscere una schermata non gli conferisce autonomamente il controllo della schermata.
Modifiche all'architettura
La risoluzione dinamica converte un'immagine in un numero variabile di token visivi anziché forzare ogni input nella stessa rappresentazione. M-ROPE separa le informazioni di posizione per testo, immagini bidimensionali e informazioni video tridimensionali, combinando struttura spaziale e temporale. La configurazione pubblicata da 7 miliardi di parametri indica 32.768 posizioni. Testo, token visivi e output generato condividono il budget finito della sequenza, quindi la risoluzione delle immagini e il campionamento video influenzano la quantità di materiale includibile in una richiesta.
Preparazione di immagini e conversazioni
Gli esempi ufficiali supportano un'immagine singola, più immagini e conversazioni esclusivamente testuali. Allega l'immagine con una domanda specifica anziché affidarti a un'istruzione generica come «analizza tutto». Per una pagina di documento, richiedi campi specifici e conserva la punteggiatura nelle citazioni. Per due schermate di design, etichettale come prima e seconda, poi richiedi una tabella dei cambiamenti visibili. Per un grafico, richiedi etichette, unità e valori a sostegno di un andamento indicato. Sono applicazioni pratiche della risposta a domande visive, non promesse di estrazione senza errori.
Le utilità del produttore accettano immagini da file locali, dati immagine codificati o posizioni di immagini; l'esempio video documentato usa file video locali o un elenco ordinato di fotogrammi. I formati di caricamento dell'applicazione restano una decisione separata dell'interfaccia. Conserva l'ordine originale dei fotogrammi e indica l'intervallo temporale rappresentato dall'elenco. Gli esempi generano testo; questo checkpoint non è descritto come generatore di immagini o video.
Risoluzione e preparazione dei video
Il processore di Qwen usa un intervallo predefinito da quattro a 16.384 token visivi per immagine. Espone min_pixels e max_pixels per bilanciare dettaglio, memoria e calcolo, con un esempio documentato che mira a 256–1.280 token visivi. Le immagini vengono ridimensionate entro i limiti scelti mantenendone le proporzioni. Le dimensioni di ridimensionamento esplicite vengono arrotondate a un multiplo di 28. Una tabella densa o scritte piccole possono richiedere una risoluzione sufficiente per restare leggibili; aumentarla consuma anche una parte maggiore del budget visivo e di contesto disponibile.
L'esempio video mostra un campionamento di un fotogramma al secondo e un limite di pixel configurabile. Sono impostazioni di esempio, non una frequenza obbligatoria universale o un limite multimediale rigido. Per la revisione di un evento, fornisci la clip pertinente e richiedi un resoconto ordinato dei cambiamenti visibili. Eventi ravvicinati possono richiedere un campionamento più fine rispetto a un riepilogo generale della scena. Qwen2-VL non comprende le informazioni audio contenute nei video, quindi dialoghi parlati o effetti sonori richiedono un flusso audio separato.
Limiti noti
Qwen registra giugno 2023 come termine temporale dei dati di addestramento sulle immagini, senza garanzie di conoscenza di persone, prodotti o eventi successivi. Il riconoscimento di individui specifici e proprietà intellettuali è incompleto. Istruzioni complesse in più passaggi, conteggi di oggetti in scene affollate e relazioni spaziali, soprattutto in tre dimensioni, sono debolezze documentate. Suddividi un'attività visiva complicata in domande chiare, richiedi le prove visibili a sostegno del risultato e verifica numeri estratti e testo citato sull'immagine. Una didascalia plausibile non va trattata come un conteggio preciso o una posizione tridimensionale misurata.
I brevi esempi di generazione della scheda non stabiliscono un tetto rigido separato per l'output. Pianifica la dimensione della risposta insieme all'input testuale e visivo, conservando nella fonte dettagli sufficienti per la domanda specifica. Questo rende la selezione del modello e la preparazione dell'input più utili dell'ipotesi che qualsiasi immagine o video lungo produca una risposta altrettanto affidabile.
", "aboutText": "Introduzione: l'edizione visione-linguaggio da 7 miliardi di parametri\n\nQwen2-VL-7B-Instruct è il membro di Qwen2-VL da 7 miliardi di parametri affinato per seguire istruzioni. Combina istruzioni testuali con immagini o video e produce risposte testuali. Gli output utili includono la spiegazione di una pagina, un confronto tra immagini, una descrizione di eventi visibili o una risposta a una domanda su un grafico. Rimane questa esatta versione Qwen2-VL; i checkpoint più recenti Qwen2.5-VL e Qwen3-VL hanno capacità e identità proprie.\n\nLe aggiunte di Qwen2-VL\n\nQwen descrive la comprensione visiva di immagini con risoluzioni e proporzioni diverse, oltre a risposte a domande sui video, dialogo e creazione di contenuti. La capacità video documentata della famiglia include materiale di durata superiore a 20 minuti. La sola durata non stabilisce quanti fotogrammi elabori un'applicazione né garantisce il richiamo di ogni evento. La comprensione multilingue di immagini e testo include inglese e cinese, molte lingue europee, giapponese, coreano, arabo e vietnamita.\n\nIl produttore descrive inoltre l'integrazione con telefoni, robot e altri dispositivi attraverso osservazioni visive e istruzioni testuali. Si tratta di un flusso applicativo: il modello interpreta l'ambiente visivo e aiuta a scegliere le azioni, mentre il software o l'hardware collegato le esegue. Riconoscere una schermata non gli conferisce autonomamente il controllo della schermata.\n\nModifiche all'architettura\n\nLa risoluzione dinamica converte un'immagine in un numero variabile di token visivi anziché forzare ogni input nella stessa rappresentazione. M-ROPE separa le informazioni di posizione per testo, immagini bidimensionali e informazioni video tridimensionali, combinando struttura spaziale e temporale. La configurazione pubblicata da 7 miliardi di parametri indica 32.768 posizioni. Testo, token visivi e output generato condividono il budget finito della sequenza, quindi la risoluzione delle immagini e il campionamento video influenzano la quantità di materiale includibile in una richiesta.\n\nPreparazione di immagini e conversazioni\n\nGli esempi ufficiali supportano un'immagine singola, più immagini e conversazioni esclusivamente testuali. Allega l'immagine con una domanda specifica anziché affidarti a un'istruzione generica come «analizza tutto». Per una pagina di documento, richiedi campi specifici e conserva la punteggiatura nelle citazioni. Per due schermate di design, etichettale come prima e seconda, poi richiedi una tabella dei cambiamenti visibili. Per un grafico, richiedi etichette, unità e valori a sostegno di un andamento indicato. Sono applicazioni pratiche della risposta a domande visive, non promesse di estrazione senza errori.\n\nLe utilità del produttore accettano immagini da file locali, dati immagine codificati o posizioni di immagini; l'esempio video documentato usa file video locali o un elenco ordinato di fotogrammi. I formati di caricamento dell'applicazione restano una decisione separata dell'interfaccia. Conserva l'ordine originale dei fotogrammi e indica l'intervallo temporale rappresentato dall'elenco. Gli esempi generano testo; questo checkpoint non è descritto come generatore di immagini o video.\n\nRisoluzione e preparazione dei video\n\nIl processore di Qwen usa un intervallo predefinito da quattro a 16.384 token visivi per immagine. Espone min_pixels e max_pixels per bilanciare dettaglio, memoria e calcolo, con un esempio documentato che mira a 256–1.280 token visivi. Le immagini vengono ridimensionate entro i limiti scelti mantenendone le proporzioni. Le dimensioni di ridimensionamento esplicite vengono arrotondate a un multiplo di 28. Una tabella densa o scritte piccole possono richiedere una risoluzione sufficiente per restare leggibili; aumentarla consuma anche una parte maggiore del budget visivo e di contesto disponibile.\n\nL'esempio video mostra un campionamento di un fotogramma al secondo e un limite di pixel configurabile. Sono impostazioni di esempio, non una frequenza obbligatoria universale o un limite multimediale rigido. Per la revisione di un evento, fornisci la clip pertinente e richiedi un resoconto ordinato dei cambiamenti visibili. Eventi ravvicinati possono richiedere un campionamento più fine rispetto a un riepilogo generale della scena. Qwen2-VL non comprende le informazioni audio contenute nei video, quindi dialoghi parlati o effetti sonori richiedono un flusso audio separato.\n\nLimiti noti\n\nQwen registra giugno 2023 come termine temporale dei dati di addestramento sulle immagini, senza garanzie di conoscenza di persone, prodotti o eventi successivi. Il riconoscimento di individui specifici e proprietà intellettuali è incompleto. Istruzioni complesse in più passaggi, conteggi di oggetti in scene affollate e relazioni spaziali, soprattutto in tre dimensioni, sono debolezze documentate. Suddividi un'attività visiva complicata in domande chiare, richiedi le prove visibili a sostegno del risultato e verifica numeri estratti e testo citato sull'immagine. Una didascalia plausibile non va trattata come un conteggio preciso o una posizione tridimensionale misurata.\n\nI brevi esempi di generazione della scheda non stabiliscono un tetto rigido separato per l'output. Pianifica la dimensione della risposta insieme all'input testuale e visivo, conservando nella fonte dettagli sufficienti per la domanda specifica. Questo rende la selezione del modello e la preparazione dell'input più utili dell'ipotesi che qualsiasi immagine o video lungo produca una risposta altrettanto affidabile.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct è il modello visione-linguaggio di Qwen affinato per seguire istruzioni, per testo, immagini e video, che restituisce testo. Usalo per porre domande su pagine di documenti, confrontare immagini o descrivere eventi visivi, con risoluzione dinamica delle immagini e limiti documentati nel conteggio, nel ragionamento spaziale e nella comprensione dell'audio nei video.
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 visione-linguaggio da 7 miliardi di parametri
Qwen2-VL-7B-Instruct è il membro di Qwen2-VL da 7 miliardi di parametri affinato per seguire istruzioni. Combina istruzioni testuali con immagini o video e produce risposte testuali. Gli output utili includono la spiegazione di una pagina, un confronto tra immagini, una descrizione di eventi visibili o una risposta a una domanda su un grafico. Rimane questa esatta versione Qwen2-VL; i checkpoint più recenti Qwen2.5-VL e Qwen3-VL hanno capacità e identità proprie.
Le aggiunte di Qwen2-VL
Qwen descrive la comprensione visiva di immagini con risoluzioni e proporzioni diverse, oltre a risposte a domande sui video, dialogo e creazione di contenuti. La capacità video documentata della famiglia include materiale di durata superiore a 20 minuti. La sola durata non stabilisce quanti fotogrammi elabori un'applicazione né garantisce il richiamo di ogni evento. La comprensione multilingue di immagini e testo include inglese e cinese, molte lingue europee, giapponese, coreano, arabo e vietnamita.
Il produttore descrive inoltre l'integrazione con telefoni, robot e altri dispositivi attraverso osservazioni visive e istruzioni testuali. Si tratta di un flusso applicativo: il modello interpreta l'ambiente visivo e aiuta a scegliere le azioni, mentre il software o l'hardware collegato le esegue. Riconoscere una schermata non gli conferisce autonomamente il controllo della schermata.
Modifiche all'architettura
La risoluzione dinamica converte un'immagine in un numero variabile di token visivi anziché forzare ogni input nella stessa rappresentazione. M-ROPE separa le informazioni di posizione per testo, immagini bidimensionali e informazioni video tridimensionali, combinando struttura spaziale e temporale. La configurazione pubblicata da 7 miliardi di parametri indica 32.768 posizioni. Testo, token visivi e output generato condividono il budget finito della sequenza, quindi la risoluzione delle immagini e il campionamento video influenzano la quantità di materiale includibile in una richiesta.
Preparazione di immagini e conversazioni
Gli esempi ufficiali supportano un'immagine singola, più immagini e conversazioni esclusivamente testuali. Allega l'immagine con una domanda specifica anziché affidarti a un'istruzione generica come «analizza tutto». Per una pagina di documento, richiedi campi specifici e conserva la punteggiatura nelle citazioni. Per due schermate di design, etichettale come prima e seconda, poi richiedi una tabella dei cambiamenti visibili. Per un grafico, richiedi etichette, unità e valori a sostegno di un andamento indicato. Sono applicazioni pratiche della risposta a domande visive, non promesse di estrazione senza errori.
Le utilità del produttore accettano immagini da file locali, dati immagine codificati o posizioni di immagini; l'esempio video documentato usa file video locali o un elenco ordinato di fotogrammi. I formati di caricamento dell'applicazione restano una decisione separata dell'interfaccia. Conserva l'ordine originale dei fotogrammi e indica l'intervallo temporale rappresentato dall'elenco. Gli esempi generano testo; questo checkpoint non è descritto come generatore di immagini o video.
Risoluzione e preparazione dei video
Il processore di Qwen usa un intervallo predefinito da quattro a 16.384 token visivi per immagine. Espone min_pixels e max_pixels per bilanciare dettaglio, memoria e calcolo, con un esempio documentato che mira a 256–1.280 token visivi. Le immagini vengono ridimensionate entro i limiti scelti mantenendone le proporzioni. Le dimensioni di ridimensionamento esplicite vengono arrotondate a un multiplo di 28. Una tabella densa o scritte piccole possono richiedere una risoluzione sufficiente per restare leggibili; aumentarla consuma anche una parte maggiore del budget visivo e di contesto disponibile.
L'esempio video mostra un campionamento di un fotogramma al secondo e un limite di pixel configurabile. Sono impostazioni di esempio, non una frequenza obbligatoria universale o un limite multimediale rigido. Per la revisione di un evento, fornisci la clip pertinente e richiedi un resoconto ordinato dei cambiamenti visibili. Eventi ravvicinati possono richiedere un campionamento più fine rispetto a un riepilogo generale della scena. Qwen2-VL non comprende le informazioni audio contenute nei video, quindi dialoghi parlati o effetti sonori richiedono un flusso audio separato.
Limiti noti
Qwen registra giugno 2023 come termine temporale dei dati di addestramento sulle immagini, senza garanzie di conoscenza di persone, prodotti o eventi successivi. Il riconoscimento di individui specifici e proprietà intellettuali è incompleto. Istruzioni complesse in più passaggi, conteggi di oggetti in scene affollate e relazioni spaziali, soprattutto in tre dimensioni, sono debolezze documentate. Suddividi un'attività visiva complicata in domande chiare, richiedi le prove visibili a sostegno del risultato e verifica numeri estratti e testo citato sull'immagine. Una didascalia plausibile non va trattata come un conteggio preciso o una posizione tridimensionale misurata.
I brevi esempi di generazione della scheda non stabiliscono un tetto rigido separato per l'output. Pianifica la dimensione della risposta insieme all'input testuale e visivo, conservando nella fonte dettagli sufficienti per la domanda specifica. Questo rende la selezione del modello e la preparazione dell'input più utili dell'ipotesi che qualsiasi immagine o video lungo produca una risposta altrettanto affidabile.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Output · Token in output $0.00142 / 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-VL-7B-Instruct-ultra", "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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra
Usa i percorsi dei metodi indicati sopra.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct è il modello visione-linguaggio di Qwen affinato per seguire istruzioni, per testo, immagini e video, che restituisce testo. Usalo per porre domande su pagine di documenti, confrontare immagini o descrivere eventi visivi, con risoluzione dinamica delle immagini e limiti documentati nel conteggio, nel ragionamento spaziale e nella comprensione dell'audio nei video.
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 visione-linguaggio da 7 miliardi di parametri
Qwen2-VL-7B-Instruct è il membro di Qwen2-VL da 7 miliardi di parametri affinato per seguire istruzioni. Combina istruzioni testuali con immagini o video e produce risposte testuali. Gli output utili includono la spiegazione di una pagina, un confronto tra immagini, una descrizione di eventi visibili o una risposta a una domanda su un grafico. Rimane questa esatta versione Qwen2-VL; i checkpoint più recenti Qwen2.5-VL e Qwen3-VL hanno capacità e identità proprie.
Le aggiunte di Qwen2-VL
Qwen descrive la comprensione visiva di immagini con risoluzioni e proporzioni diverse, oltre a risposte a domande sui video, dialogo e creazione di contenuti. La capacità video documentata della famiglia include materiale di durata superiore a 20 minuti. La sola durata non stabilisce quanti fotogrammi elabori un'applicazione né garantisce il richiamo di ogni evento. La comprensione multilingue di immagini e testo include inglese e cinese, molte lingue europee, giapponese, coreano, arabo e vietnamita.
Il produttore descrive inoltre l'integrazione con telefoni, robot e altri dispositivi attraverso osservazioni visive e istruzioni testuali. Si tratta di un flusso applicativo: il modello interpreta l'ambiente visivo e aiuta a scegliere le azioni, mentre il software o l'hardware collegato le esegue. Riconoscere una schermata non gli conferisce autonomamente il controllo della schermata.
Modifiche all'architettura
La risoluzione dinamica converte un'immagine in un numero variabile di token visivi anziché forzare ogni input nella stessa rappresentazione. M-ROPE separa le informazioni di posizione per testo, immagini bidimensionali e informazioni video tridimensionali, combinando struttura spaziale e temporale. La configurazione pubblicata da 7 miliardi di parametri indica 32.768 posizioni. Testo, token visivi e output generato condividono il budget finito della sequenza, quindi la risoluzione delle immagini e il campionamento video influenzano la quantità di materiale includibile in una richiesta.
Preparazione di immagini e conversazioni
Gli esempi ufficiali supportano un'immagine singola, più immagini e conversazioni esclusivamente testuali. Allega l'immagine con una domanda specifica anziché affidarti a un'istruzione generica come «analizza tutto». Per una pagina di documento, richiedi campi specifici e conserva la punteggiatura nelle citazioni. Per due schermate di design, etichettale come prima e seconda, poi richiedi una tabella dei cambiamenti visibili. Per un grafico, richiedi etichette, unità e valori a sostegno di un andamento indicato. Sono applicazioni pratiche della risposta a domande visive, non promesse di estrazione senza errori.
Le utilità del produttore accettano immagini da file locali, dati immagine codificati o posizioni di immagini; l'esempio video documentato usa file video locali o un elenco ordinato di fotogrammi. I formati di caricamento dell'applicazione restano una decisione separata dell'interfaccia. Conserva l'ordine originale dei fotogrammi e indica l'intervallo temporale rappresentato dall'elenco. Gli esempi generano testo; questo checkpoint non è descritto come generatore di immagini o video.
Risoluzione e preparazione dei video
Il processore di Qwen usa un intervallo predefinito da quattro a 16.384 token visivi per immagine. Espone min_pixels e max_pixels per bilanciare dettaglio, memoria e calcolo, con un esempio documentato che mira a 256–1.280 token visivi. Le immagini vengono ridimensionate entro i limiti scelti mantenendone le proporzioni. Le dimensioni di ridimensionamento esplicite vengono arrotondate a un multiplo di 28. Una tabella densa o scritte piccole possono richiedere una risoluzione sufficiente per restare leggibili; aumentarla consuma anche una parte maggiore del budget visivo e di contesto disponibile.
L'esempio video mostra un campionamento di un fotogramma al secondo e un limite di pixel configurabile. Sono impostazioni di esempio, non una frequenza obbligatoria universale o un limite multimediale rigido. Per la revisione di un evento, fornisci la clip pertinente e richiedi un resoconto ordinato dei cambiamenti visibili. Eventi ravvicinati possono richiedere un campionamento più fine rispetto a un riepilogo generale della scena. Qwen2-VL non comprende le informazioni audio contenute nei video, quindi dialoghi parlati o effetti sonori richiedono un flusso audio separato.
Limiti noti
Qwen registra giugno 2023 come termine temporale dei dati di addestramento sulle immagini, senza garanzie di conoscenza di persone, prodotti o eventi successivi. Il riconoscimento di individui specifici e proprietà intellettuali è incompleto. Istruzioni complesse in più passaggi, conteggi di oggetti in scene affollate e relazioni spaziali, soprattutto in tre dimensioni, sono debolezze documentate. Suddividi un'attività visiva complicata in domande chiare, richiedi le prove visibili a sostegno del risultato e verifica numeri estratti e testo citato sull'immagine. Una didascalia plausibile non va trattata come un conteggio preciso o una posizione tridimensionale misurata.
I brevi esempi di generazione della scheda non stabiliscono un tetto rigido separato per l'output. Pianifica la dimensione della risposta insieme all'input testuale e visivo, conservando nella fonte dettagli sufficienti per la domanda specifica. Questo rende la selezione del modello e la preparazione dell'input più utili dell'ipotesi che qualsiasi immagine o video lungo produca una risposta altrettanto affidabile.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Output · Token in output $0.00142 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.