Qwen2-VL-72B-Instruct ialah edisi visual-bahasa 72B yang ditala untuk arahan dan dibina berasaskan Qwen2. Model menerima teks bersama imej atau video dan menjana jawapan teks. Pembuat menekankan pemahaman imej dengan resolusi dan nisbah aspek berbeza, pentafsiran teks dalam imej, penaakulan tentang hubungan yang terlihat serta jawapan kepada soalan tentang video lebih panjang daripada 20 minit.
Keupayaan imej dan video
Untuk halaman dokumen, minta kandungan khusus yang diperlukan: perenggan, baris jadual, formula atau syarat yang terikat pada pernyataan. Pastikan halaman boleh dibaca dan nyatakan sama ada hasil perlu menyalin perkataan, meringkaskannya atau menerangkan maknanya. Output dokumen yang berguna boleh mengekalkan label bahagian asal di sebelah kandungan yang diekstrak. Untuk rajah, tanyakan cara elemen berlabel saling terhubung dan kenal pasti hubungan yang memerlukan penerangan.
Penggunaan video yang didokumenkan merangkumi soalan, dialog dan kandungan bertulis berdasarkan urutan yang terlihat. Tentukan peristiwa atau perubahan untuk diperiksa: masa objek muncul, perkara yang berlaku sebelum langkah tertentu atau cara tindakan yang ditunjukkan berkaitan dengan prosedur bertulis. Minta penerangan peristiwa mengikut turutan atau perbandingan antara langkah yang terlihat dengan prosedur yang dibekalkan. Pernyataan pembuat tentang lebih daripada 20 minit menerangkan pemahaman video panjang; ia bukan tempoh video maksimum tetap atau jaminan bahawa setiap klip mentah muat dalam konfigurasi input yang tidak diubah.
Penggunaan ejen visual
Keluaran ini turut memposisikan Qwen2-VL untuk ejen visual yang disambungkan kepada peranti mudah alih, robot dan alat lain. Pengumumannya menerangkan senario panggilan fungsi dan pentafsir kod, seperti menghasilkan kod daripada rajah atau menggunakan soalan visual untuk meminta carian luaran. Aplikasi yang mengelilinginya membekalkan alat tersebut, melaksanakan tindakan yang dicadangkan dan mengembalikan hasil. Respons teks model sahaja tidak mengklik kawalan, menggerakkan peranti atau melaksanakan program yang dijana.
Tugas antara muka yang praktikal boleh membekalkan tangkapan skrin dan matlamat pengguna, kemudian meminta kawalan yang terlihat dan relevan dengan langkah seterusnya serta bukti yang menyokong pilihan itu. Kekalkan pemerhatian, tindakan yang dicadangkan dan pelaksanaan sebenar sebagai bahagian berasingan dalam aliran kerja. Ini menggunakan fokus ejen visual sambil menjadikan hasil yang diminta cukup khusus untuk aplikasi mengambil tindakan.
Teks berbilang bahasa dalam imej
Pembuat menerangkan pengecaman teks dalam imej merentas bahasa Inggeris dan Cina, kebanyakan bahasa Eropah serta bahasa termasuk Jepun, Korea, Arab dan Vietnam. Oleh itu, halaman berbilang bahasa boleh didekati sebagai tugas pembacaan visual. Minta transkripsi asal dahulu apabila perkataan tepat penting, kemudian terjemahan atau penerangan dalam bahasa pilihan. Kekalkan label dan nombor, bukannya mencampurkan pengecaman dengan penulisan semula yang tidak ditentukan.
Resolusi dinamik dan maklumat kedudukan
Qwen2-VL menggabungkan pengekod penglihatan dengan model bahasa Qwen2. Naive Dynamic Resolution memetakan saiz imej berbeza kepada bilangan token visual berbeza. Multimodal Rotary Position Embedding memisahkan maklumat kedudukan supaya model boleh mewakili turutan teks, imej dua dimensi serta struktur masa dan ruang video. Ciri ini menerangkan cara keluarga yang sama mengendalikan halaman, beberapa imej atau urutan video.
Pemproses imej dalam kad model mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Aplikasi boleh melaraskan piksel minimum dan maksimum sambil mengekalkan nisbah aspek, atau meminta dimensi yang dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token ialah ilustrasi yang boleh dikonfigurasi, bukannya had imej universal berasingan. Lebih banyak butiran imej menggunakan lebih banyak pengiraan dan token visual, maka kekalkan label, tajuk dan objek kecil yang diperlukan oleh soalan semasa menyediakan imej.
Persediaan input dan konteks
Pembuat menunjukkan satu imej, berbilang imej, video yang dibekalkan sebagai urutan bingkai atau fail setempat, serta perbualan berkelompok. Persediaan imej merangkumi fail setempat, data imej yang dikodkan dan rujukan imej. Contoh video dalam kad menggunakan kadar bingkai yang dipilih; contoh itu tidak menetapkan satu kadar pensampelan wajib untuk setiap video. Kenal pasti turutan dan peranan berbilang imej serta berikan maklumat yang diperlukan untuk mentafsir urutan, bukannya menganggap bingkai tidak berkaitan sebagai satu adegan.
Konfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 32,768. Bahan visual dan arahan teks perlu dirancang dalam konteks terkonfigurasi sebenar. Contoh penjanaan 128 token dalam kad hanyalah tetapan contoh; ia tidak menerbitkan kapasiti output maksimum berasingan. Edisi 72B perlu mengekalkan konfigurasinya sendiri, bukannya mewarisi tetapan konteks panjang Qwen2.5-VL atau model Qwen yang lain.
Keterbatasan substantif
Pembuat menyatakan secara jelas bahawa Qwen2-VL tidak memahami audio dalam video. Maklumat pertuturan perlu dibekalkan secara berasingan jika soalan bergantung padanya. Set data latihan imej diterangkan sebagai dikemas kini sehingga Jun 2023; ini ialah pernyataan tentang set data itu, bukannya janji pengetahuan visual semasa.
Keterbatasan yang didokumenkan turut merangkumi pengecaman tidak lengkap terhadap orang tertentu atau harta intelek bernama, kesukaran dengan arahan berbilang langkah yang rumit, pengiraan bilangan yang lemah dalam adegan kompleks dan keterbatasan penaakulan ruang tiga dimensi. Apabila tugas bergantung pada keupayaan ini, fokuskan soalan pada objek atau hubungan yang diperlukan dan simpan bukti visual di sebelah jawapan. Bahan sumber jelas dan output yang ditentukan memudahkan pemeriksaan hasil tanpa menggantikan keterbatasan tersebut dengan jaminan ketepatan.
", "aboutText": "Qwen2-VL-72B-Instruct ialah edisi visual-bahasa 72B yang ditala untuk arahan dan dibina berasaskan Qwen2. Model menerima teks bersama imej atau video dan menjana jawapan teks. Pembuat menekankan pemahaman imej dengan resolusi dan nisbah aspek berbeza, pentafsiran teks dalam imej, penaakulan tentang hubungan yang terlihat serta jawapan kepada soalan tentang video lebih panjang daripada 20 minit.\n\nKeupayaan imej dan video\n\nUntuk halaman dokumen, minta kandungan khusus yang diperlukan: perenggan, baris jadual, formula atau syarat yang terikat pada pernyataan. Pastikan halaman boleh dibaca dan nyatakan sama ada hasil perlu menyalin perkataan, meringkaskannya atau menerangkan maknanya. Output dokumen yang berguna boleh mengekalkan label bahagian asal di sebelah kandungan yang diekstrak. Untuk rajah, tanyakan cara elemen berlabel saling terhubung dan kenal pasti hubungan yang memerlukan penerangan.\n\nPenggunaan video yang didokumenkan merangkumi soalan, dialog dan kandungan bertulis berdasarkan urutan yang terlihat. Tentukan peristiwa atau perubahan untuk diperiksa: masa objek muncul, perkara yang berlaku sebelum langkah tertentu atau cara tindakan yang ditunjukkan berkaitan dengan prosedur bertulis. Minta penerangan peristiwa mengikut turutan atau perbandingan antara langkah yang terlihat dengan prosedur yang dibekalkan. Pernyataan pembuat tentang lebih daripada 20 minit menerangkan pemahaman video panjang; ia bukan tempoh video maksimum tetap atau jaminan bahawa setiap klip mentah muat dalam konfigurasi input yang tidak diubah.\n\nPenggunaan ejen visual\n\nKeluaran ini turut memposisikan Qwen2-VL untuk ejen visual yang disambungkan kepada peranti mudah alih, robot dan alat lain. Pengumumannya menerangkan senario panggilan fungsi dan pentafsir kod, seperti menghasilkan kod daripada rajah atau menggunakan soalan visual untuk meminta carian luaran. Aplikasi yang mengelilinginya membekalkan alat tersebut, melaksanakan tindakan yang dicadangkan dan mengembalikan hasil. Respons teks model sahaja tidak mengklik kawalan, menggerakkan peranti atau melaksanakan program yang dijana.\n\nTugas antara muka yang praktikal boleh membekalkan tangkapan skrin dan matlamat pengguna, kemudian meminta kawalan yang terlihat dan relevan dengan langkah seterusnya serta bukti yang menyokong pilihan itu. Kekalkan pemerhatian, tindakan yang dicadangkan dan pelaksanaan sebenar sebagai bahagian berasingan dalam aliran kerja. Ini menggunakan fokus ejen visual sambil menjadikan hasil yang diminta cukup khusus untuk aplikasi mengambil tindakan.\n\nTeks berbilang bahasa dalam imej\n\nPembuat menerangkan pengecaman teks dalam imej merentas bahasa Inggeris dan Cina, kebanyakan bahasa Eropah serta bahasa termasuk Jepun, Korea, Arab dan Vietnam. Oleh itu, halaman berbilang bahasa boleh didekati sebagai tugas pembacaan visual. Minta transkripsi asal dahulu apabila perkataan tepat penting, kemudian terjemahan atau penerangan dalam bahasa pilihan. Kekalkan label dan nombor, bukannya mencampurkan pengecaman dengan penulisan semula yang tidak ditentukan.\n\nResolusi dinamik dan maklumat kedudukan\n\nQwen2-VL menggabungkan pengekod penglihatan dengan model bahasa Qwen2. Naive Dynamic Resolution memetakan saiz imej berbeza kepada bilangan token visual berbeza. Multimodal Rotary Position Embedding memisahkan maklumat kedudukan supaya model boleh mewakili turutan teks, imej dua dimensi serta struktur masa dan ruang video. Ciri ini menerangkan cara keluarga yang sama mengendalikan halaman, beberapa imej atau urutan video.\n\nPemproses imej dalam kad model mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Aplikasi boleh melaraskan piksel minimum dan maksimum sambil mengekalkan nisbah aspek, atau meminta dimensi yang dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token ialah ilustrasi yang boleh dikonfigurasi, bukannya had imej universal berasingan. Lebih banyak butiran imej menggunakan lebih banyak pengiraan dan token visual, maka kekalkan label, tajuk dan objek kecil yang diperlukan oleh soalan semasa menyediakan imej.\n\nPersediaan input dan konteks\n\nPembuat menunjukkan satu imej, berbilang imej, video yang dibekalkan sebagai urutan bingkai atau fail setempat, serta perbualan berkelompok. Persediaan imej merangkumi fail setempat, data imej yang dikodkan dan rujukan imej. Contoh video dalam kad menggunakan kadar bingkai yang dipilih; contoh itu tidak menetapkan satu kadar pensampelan wajib untuk setiap video. Kenal pasti turutan dan peranan berbilang imej serta berikan maklumat yang diperlukan untuk mentafsir urutan, bukannya menganggap bingkai tidak berkaitan sebagai satu adegan.\n\nKonfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 32,768. Bahan visual dan arahan teks perlu dirancang dalam konteks terkonfigurasi sebenar. Contoh penjanaan 128 token dalam kad hanyalah tetapan contoh; ia tidak menerbitkan kapasiti output maksimum berasingan. Edisi 72B perlu mengekalkan konfigurasinya sendiri, bukannya mewarisi tetapan konteks panjang Qwen2.5-VL atau model Qwen yang lain.\n\nKeterbatasan substantif\n\nPembuat menyatakan secara jelas bahawa Qwen2-VL tidak memahami audio dalam video. Maklumat pertuturan perlu dibekalkan secara berasingan jika soalan bergantung padanya. Set data latihan imej diterangkan sebagai dikemas kini sehingga Jun 2023; ini ialah pernyataan tentang set data itu, bukannya janji pengetahuan visual semasa.\n\nKeterbatasan yang didokumenkan turut merangkumi pengecaman tidak lengkap terhadap orang tertentu atau harta intelek bernama, kesukaran dengan arahan berbilang langkah yang rumit, pengiraan bilangan yang lemah dalam adegan kompleks dan keterbatasan penaakulan ruang tiga dimensi. Apabila tugas bergantung pada keupayaan ini, fokuskan soalan pada objek atau hubungan yang diperlukan dan simpan bukti visual di sebelah jawapan. Bahan sumber jelas dan output yang ditentukan memudahkan pemeriksaan hasil tanpa menggantikan keterbatasan tersebut dengan jaminan ketepatan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct menggabungkan teks, imej dan video untuk soalan visual, pembacaan dokumen dan teks berbilang bahasa dalam imej. Pembuatnya menerangkan pemahaman video melebihi 20 minit, resolusi imej dinamik dan integrasi ejen visual; jawapannya ialah teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2-VL-72B-Instruct ialah edisi visual-bahasa 72B yang ditala untuk arahan dan dibina berasaskan Qwen2. Model menerima teks bersama imej atau video dan menjana jawapan teks. Pembuat menekankan pemahaman imej dengan resolusi dan nisbah aspek berbeza, pentafsiran teks dalam imej, penaakulan tentang hubungan yang terlihat serta jawapan kepada soalan tentang video lebih panjang daripada 20 minit.
Keupayaan imej dan video
Untuk halaman dokumen, minta kandungan khusus yang diperlukan: perenggan, baris jadual, formula atau syarat yang terikat pada pernyataan. Pastikan halaman boleh dibaca dan nyatakan sama ada hasil perlu menyalin perkataan, meringkaskannya atau menerangkan maknanya. Output dokumen yang berguna boleh mengekalkan label bahagian asal di sebelah kandungan yang diekstrak. Untuk rajah, tanyakan cara elemen berlabel saling terhubung dan kenal pasti hubungan yang memerlukan penerangan.
Penggunaan video yang didokumenkan merangkumi soalan, dialog dan kandungan bertulis berdasarkan urutan yang terlihat. Tentukan peristiwa atau perubahan untuk diperiksa: masa objek muncul, perkara yang berlaku sebelum langkah tertentu atau cara tindakan yang ditunjukkan berkaitan dengan prosedur bertulis. Minta penerangan peristiwa mengikut turutan atau perbandingan antara langkah yang terlihat dengan prosedur yang dibekalkan. Pernyataan pembuat tentang lebih daripada 20 minit menerangkan pemahaman video panjang; ia bukan tempoh video maksimum tetap atau jaminan bahawa setiap klip mentah muat dalam konfigurasi input yang tidak diubah.
Penggunaan ejen visual
Keluaran ini turut memposisikan Qwen2-VL untuk ejen visual yang disambungkan kepada peranti mudah alih, robot dan alat lain. Pengumumannya menerangkan senario panggilan fungsi dan pentafsir kod, seperti menghasilkan kod daripada rajah atau menggunakan soalan visual untuk meminta carian luaran. Aplikasi yang mengelilinginya membekalkan alat tersebut, melaksanakan tindakan yang dicadangkan dan mengembalikan hasil. Respons teks model sahaja tidak mengklik kawalan, menggerakkan peranti atau melaksanakan program yang dijana.
Tugas antara muka yang praktikal boleh membekalkan tangkapan skrin dan matlamat pengguna, kemudian meminta kawalan yang terlihat dan relevan dengan langkah seterusnya serta bukti yang menyokong pilihan itu. Kekalkan pemerhatian, tindakan yang dicadangkan dan pelaksanaan sebenar sebagai bahagian berasingan dalam aliran kerja. Ini menggunakan fokus ejen visual sambil menjadikan hasil yang diminta cukup khusus untuk aplikasi mengambil tindakan.
Teks berbilang bahasa dalam imej
Pembuat menerangkan pengecaman teks dalam imej merentas bahasa Inggeris dan Cina, kebanyakan bahasa Eropah serta bahasa termasuk Jepun, Korea, Arab dan Vietnam. Oleh itu, halaman berbilang bahasa boleh didekati sebagai tugas pembacaan visual. Minta transkripsi asal dahulu apabila perkataan tepat penting, kemudian terjemahan atau penerangan dalam bahasa pilihan. Kekalkan label dan nombor, bukannya mencampurkan pengecaman dengan penulisan semula yang tidak ditentukan.
Resolusi dinamik dan maklumat kedudukan
Qwen2-VL menggabungkan pengekod penglihatan dengan model bahasa Qwen2. Naive Dynamic Resolution memetakan saiz imej berbeza kepada bilangan token visual berbeza. Multimodal Rotary Position Embedding memisahkan maklumat kedudukan supaya model boleh mewakili turutan teks, imej dua dimensi serta struktur masa dan ruang video. Ciri ini menerangkan cara keluarga yang sama mengendalikan halaman, beberapa imej atau urutan video.
Pemproses imej dalam kad model mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Aplikasi boleh melaraskan piksel minimum dan maksimum sambil mengekalkan nisbah aspek, atau meminta dimensi yang dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token ialah ilustrasi yang boleh dikonfigurasi, bukannya had imej universal berasingan. Lebih banyak butiran imej menggunakan lebih banyak pengiraan dan token visual, maka kekalkan label, tajuk dan objek kecil yang diperlukan oleh soalan semasa menyediakan imej.
Persediaan input dan konteks
Pembuat menunjukkan satu imej, berbilang imej, video yang dibekalkan sebagai urutan bingkai atau fail setempat, serta perbualan berkelompok. Persediaan imej merangkumi fail setempat, data imej yang dikodkan dan rujukan imej. Contoh video dalam kad menggunakan kadar bingkai yang dipilih; contoh itu tidak menetapkan satu kadar pensampelan wajib untuk setiap video. Kenal pasti turutan dan peranan berbilang imej serta berikan maklumat yang diperlukan untuk mentafsir urutan, bukannya menganggap bingkai tidak berkaitan sebagai satu adegan.
Konfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 32,768. Bahan visual dan arahan teks perlu dirancang dalam konteks terkonfigurasi sebenar. Contoh penjanaan 128 token dalam kad hanyalah tetapan contoh; ia tidak menerbitkan kapasiti output maksimum berasingan. Edisi 72B perlu mengekalkan konfigurasinya sendiri, bukannya mewarisi tetapan konteks panjang Qwen2.5-VL atau model Qwen yang lain.
Keterbatasan substantif
Pembuat menyatakan secara jelas bahawa Qwen2-VL tidak memahami audio dalam video. Maklumat pertuturan perlu dibekalkan secara berasingan jika soalan bergantung padanya. Set data latihan imej diterangkan sebagai dikemas kini sehingga Jun 2023; ini ialah pernyataan tentang set data itu, bukannya janji pengetahuan visual semasa.
Keterbatasan yang didokumenkan turut merangkumi pengecaman tidak lengkap terhadap orang tertentu atau harta intelek bernama, kesukaran dengan arahan berbilang langkah yang rumit, pengiraan bilangan yang lemah dalam adegan kompleks dan keterbatasan penaakulan ruang tiga dimensi. Apabila tugas bergantung pada keupayaan ini, fokuskan soalan pada objek atau hubungan yang diperlukan dan simpan bukti visual di sebelah jawapan. Bahan sumber jelas dan output yang ditentukan memudahkan pemeriksaan hasil tanpa menggantikan keterbatasan tersebut dengan jaminan ketepatan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2-VL-72B-Instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00118 / 1K token Output · Token output $0.00118 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2-VL-72B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct menggabungkan teks, imej dan video untuk soalan visual, pembacaan dokumen dan teks berbilang bahasa dalam imej. Pembuatnya menerangkan pemahaman video melebihi 20 minit, resolusi imej dinamik dan integrasi ejen visual; jawapannya ialah teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2-VL-72B-Instruct ialah edisi visual-bahasa 72B yang ditala untuk arahan dan dibina berasaskan Qwen2. Model menerima teks bersama imej atau video dan menjana jawapan teks. Pembuat menekankan pemahaman imej dengan resolusi dan nisbah aspek berbeza, pentafsiran teks dalam imej, penaakulan tentang hubungan yang terlihat serta jawapan kepada soalan tentang video lebih panjang daripada 20 minit.
Keupayaan imej dan video
Untuk halaman dokumen, minta kandungan khusus yang diperlukan: perenggan, baris jadual, formula atau syarat yang terikat pada pernyataan. Pastikan halaman boleh dibaca dan nyatakan sama ada hasil perlu menyalin perkataan, meringkaskannya atau menerangkan maknanya. Output dokumen yang berguna boleh mengekalkan label bahagian asal di sebelah kandungan yang diekstrak. Untuk rajah, tanyakan cara elemen berlabel saling terhubung dan kenal pasti hubungan yang memerlukan penerangan.
Penggunaan video yang didokumenkan merangkumi soalan, dialog dan kandungan bertulis berdasarkan urutan yang terlihat. Tentukan peristiwa atau perubahan untuk diperiksa: masa objek muncul, perkara yang berlaku sebelum langkah tertentu atau cara tindakan yang ditunjukkan berkaitan dengan prosedur bertulis. Minta penerangan peristiwa mengikut turutan atau perbandingan antara langkah yang terlihat dengan prosedur yang dibekalkan. Pernyataan pembuat tentang lebih daripada 20 minit menerangkan pemahaman video panjang; ia bukan tempoh video maksimum tetap atau jaminan bahawa setiap klip mentah muat dalam konfigurasi input yang tidak diubah.
Penggunaan ejen visual
Keluaran ini turut memposisikan Qwen2-VL untuk ejen visual yang disambungkan kepada peranti mudah alih, robot dan alat lain. Pengumumannya menerangkan senario panggilan fungsi dan pentafsir kod, seperti menghasilkan kod daripada rajah atau menggunakan soalan visual untuk meminta carian luaran. Aplikasi yang mengelilinginya membekalkan alat tersebut, melaksanakan tindakan yang dicadangkan dan mengembalikan hasil. Respons teks model sahaja tidak mengklik kawalan, menggerakkan peranti atau melaksanakan program yang dijana.
Tugas antara muka yang praktikal boleh membekalkan tangkapan skrin dan matlamat pengguna, kemudian meminta kawalan yang terlihat dan relevan dengan langkah seterusnya serta bukti yang menyokong pilihan itu. Kekalkan pemerhatian, tindakan yang dicadangkan dan pelaksanaan sebenar sebagai bahagian berasingan dalam aliran kerja. Ini menggunakan fokus ejen visual sambil menjadikan hasil yang diminta cukup khusus untuk aplikasi mengambil tindakan.
Teks berbilang bahasa dalam imej
Pembuat menerangkan pengecaman teks dalam imej merentas bahasa Inggeris dan Cina, kebanyakan bahasa Eropah serta bahasa termasuk Jepun, Korea, Arab dan Vietnam. Oleh itu, halaman berbilang bahasa boleh didekati sebagai tugas pembacaan visual. Minta transkripsi asal dahulu apabila perkataan tepat penting, kemudian terjemahan atau penerangan dalam bahasa pilihan. Kekalkan label dan nombor, bukannya mencampurkan pengecaman dengan penulisan semula yang tidak ditentukan.
Resolusi dinamik dan maklumat kedudukan
Qwen2-VL menggabungkan pengekod penglihatan dengan model bahasa Qwen2. Naive Dynamic Resolution memetakan saiz imej berbeza kepada bilangan token visual berbeza. Multimodal Rotary Position Embedding memisahkan maklumat kedudukan supaya model boleh mewakili turutan teks, imej dua dimensi serta struktur masa dan ruang video. Ciri ini menerangkan cara keluarga yang sama mengendalikan halaman, beberapa imej atau urutan video.
Pemproses imej dalam kad model mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Aplikasi boleh melaraskan piksel minimum dan maksimum sambil mengekalkan nisbah aspek, atau meminta dimensi yang dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token ialah ilustrasi yang boleh dikonfigurasi, bukannya had imej universal berasingan. Lebih banyak butiran imej menggunakan lebih banyak pengiraan dan token visual, maka kekalkan label, tajuk dan objek kecil yang diperlukan oleh soalan semasa menyediakan imej.
Persediaan input dan konteks
Pembuat menunjukkan satu imej, berbilang imej, video yang dibekalkan sebagai urutan bingkai atau fail setempat, serta perbualan berkelompok. Persediaan imej merangkumi fail setempat, data imej yang dikodkan dan rujukan imej. Contoh video dalam kad menggunakan kadar bingkai yang dipilih; contoh itu tidak menetapkan satu kadar pensampelan wajib untuk setiap video. Kenal pasti turutan dan peranan berbilang imej serta berikan maklumat yang diperlukan untuk mentafsir urutan, bukannya menganggap bingkai tidak berkaitan sebagai satu adegan.
Konfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 32,768. Bahan visual dan arahan teks perlu dirancang dalam konteks terkonfigurasi sebenar. Contoh penjanaan 128 token dalam kad hanyalah tetapan contoh; ia tidak menerbitkan kapasiti output maksimum berasingan. Edisi 72B perlu mengekalkan konfigurasinya sendiri, bukannya mewarisi tetapan konteks panjang Qwen2.5-VL atau model Qwen yang lain.
Keterbatasan substantif
Pembuat menyatakan secara jelas bahawa Qwen2-VL tidak memahami audio dalam video. Maklumat pertuturan perlu dibekalkan secara berasingan jika soalan bergantung padanya. Set data latihan imej diterangkan sebagai dikemas kini sehingga Jun 2023; ini ialah pernyataan tentang set data itu, bukannya janji pengetahuan visual semasa.
Keterbatasan yang didokumenkan turut merangkumi pengecaman tidak lengkap terhadap orang tertentu atau harta intelek bernama, kesukaran dengan arahan berbilang langkah yang rumit, pengiraan bilangan yang lemah dalam adegan kompleks dan keterbatasan penaakulan ruang tiga dimensi. Apabila tugas bergantung pada keupayaan ini, fokuskan soalan pada objek atau hubungan yang diperlukan dan simpan bukti visual di sebelah jawapan. Bahan sumber jelas dan output yang ditentukan memudahkan pemeriksaan hasil tanpa menggantikan keterbatasan tersebut dengan jaminan ketepatan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen2-VL-72B-Instruct | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00118 / 1K token Output · Token output $0.00118 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.