Pengenalan: edisi 3B yang ditala mengikut arahan
Qwen2.5-VL-3B-Instruct ialah ahli 3B dalam Qwen2.5-VL. Ia menerima arahan teks bersama imej atau video dan menjana respons teks, termasuk data berstruktur. Pilihnya untuk soalan visual yang jelas, tugas pengekstrakan dokumen atau penjelasan yang menghubungkan kandungan kelihatan dengan permintaan pengguna. Saiz dan keluaran tepat ini mengekalkan identiti tersendiri; ciri yang ditambah khusus pada saiz lain atau generasi Qwen kemudian tidak patut dianggap terpakai pada checkpoint ini.
Pemahaman visual dan aliran kerja ejen
Qwen menerangkan pengecaman objek biasa dan analisis tulisan, carta, ikon, grafik serta susun atur halaman. Untuk borang, nyatakan medan yang diperlukan dan maksud nilai kosong. Untuk carta, minta paksi, unit dan nilai yang kelihatan yang menyokong kesimpulan. Permintaan tertumpu menjadikan output lebih mudah dibandingkan dengan imej asal berbanding permintaan luas untuk menerangkan segala-galanya.
Keluarga ini turut menyokong penaakulan ejen visual dan pengarahan alat bagi aliran kerja komputer atau telefon. Model boleh mentafsir antara muka dan membantu menentukan tindakan; alat aplikasi yang disambungkan melaksanakan tindakan itu. Semakan tangkap layar boleh bertanya kawalan yang sepadan dengan tugas dan maklumat kelihatan yang menyokong pilihan tersebut. Penggunaan penaakulan visual itu sendiri tidak memberikan kawalan ke atas peranti.
Video panjang dan penyetempatan peristiwa
Pembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang berkaitan dengan peristiwa yang diminta. Ini ialah keupayaan keluarga, bukannya had muat naik media tanpa syarat atau jaminan bahawa setiap bingkai dikekalkan. Sediakan klip berkaitan, kekalkan maklumat masanya dan tanya soalan tepat tentang peristiwa, urutan atau perubahan. Pendekatan pemprosesan video model menggunakan maklumat kadar bingkai untuk menyelaraskan pemerhatian visual dengan masa mutlak.
Penyetempatan dan dokumen berstruktur
Qwen2.5-VL boleh mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penyetempatan, namakan objek sasaran dan nyatakan sama ada hasil perlu berupa titik atau kotak. Pastikan konvensyen koordinat dinyatakan secara eksplisit dalam aplikasi yang menggunakannya, bukannya menyimpulkan ukuran fizikal daripada foto sewenang-wenangnya.
Pembuat turut mendokumenkan pengekstrakan berstruktur daripada invois diimbas, borang dan jadual. Berikan halaman yang boleh dibaca dan skema output: contohnya, nama medan, teks yang diekstrak dan kawasan kelihatan yang menyokongnya. Kekalkan unit, pemisah perpuluhan dan tajuk jadual dalam sumber. Anggap kandungan tidak pasti atau tidak terbaca sebagai kes semakan, bukannya meminta model mereka nilai yang hilang. Contoh penyediaan ini menggunakan keupayaan yang didokumenkan; ia bukan jaminan pengekstrakan tepat.
Perubahan seni bina
Resolusi imej dinamik diperluas kepada video melalui latihan kadar bingkai berubah. Pengekodan kedudukan multimodal yang dikemas kini mewakili urutan temporal dan masa mutlak, membantu mengenal pasti detik tertentu serta perubahan kelajuan. Pengekod penglihatan menggunakan perhatian tetingkap bersama SwiGLU dan RMSNorm. Perubahan ini menerangkan cara model memproses bahan visual; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.
Menyediakan imej dan video
Contoh rasmi merangkumi imej tunggal, beberapa imej, perbualan teks sahaja, fail video dan senarai bingkai tersusun. Labelkan beberapa input visual supaya soalan boleh merujuk setiap satunya. Untuk perbandingan imej, minta jadual yang disusun mengikut label dan hadkan hasil kepada perbezaan yang kelihatan. Untuk garis masa video, kekalkan susunan bingkai dan masa, bukannya membentangkan gambar terpisah seolah-olah mempunyai tempoh yang diketahui.
Julat lalai pemproses imej yang didokumenkan ialah empat hingga 16,384 token visual bagi setiap imej. Contohnya boleh menyasarkan 256–1,280 token dengan menetapkan batas piksel. Ia mengekalkan nisbah aspek dalam batas tersebut, manakala dimensi selepas penskalaan semula yang dinyatakan diselaraskan kepada gandaan 28. Lebih banyak butiran menggunakan lebih banyak pengiraan dan ruang urutan, maka medan teks kecil mungkin memerlukan potongan resolusi lebih tinggi, sedangkan ringkasan adegan umum mungkin tidak. Itu ialah kawalan pemprosesan pembuat; pilihan muat naik aplikasi boleh berbeza.
Konteks dan had utama
Konfigurasi checkpoint yang diterbitkan menetapkan kedudukan maksimum kepada 128,000, manakala bahagian teks panjang yang mengiringinya masih membincangkan konfigurasi permulaan 32,768 token. Panduan menerangkan ekstrapolasi YaRN tetapi memberi amaran bahawa ia boleh menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkan kaedah itu bagi tugas tersebut. Ia turut menyatakan secara berasingan bahawa pengekodan kedudukan video boleh membolehkan tetapan kedudukan lebih besar, dengan 64K sebagai contoh. Huraian konfigurasi yang berbeza ini tidak patut digabungkan menjadi satu siling input yang disahkan secara sejagat.
Teks, bahan visual dan jawapan berkongsi bajet urutan terhingga. Pastikan kandungan berkaitan jelas dibaca, sediakan ruang hasil dan periksa teks yang diekstrak, koordinat serta masa peristiwa berdasarkan sumber asal. Contoh penjanaan 128 token pada kad hanyalah ilustrasi dan tidak menetapkan had maksimum mutlak output yang berasingan. Model ini mengembalikan analisis teks atau maklumat berstruktur; keupayaan penglihatan-bahasanya tidak bermaksud ia menjana imej atau video.
", "aboutText": "Pengenalan: edisi 3B yang ditala mengikut arahan\n\nQwen2.5-VL-3B-Instruct ialah ahli 3B dalam Qwen2.5-VL. Ia menerima arahan teks bersama imej atau video dan menjana respons teks, termasuk data berstruktur. Pilihnya untuk soalan visual yang jelas, tugas pengekstrakan dokumen atau penjelasan yang menghubungkan kandungan kelihatan dengan permintaan pengguna. Saiz dan keluaran tepat ini mengekalkan identiti tersendiri; ciri yang ditambah khusus pada saiz lain atau generasi Qwen kemudian tidak patut dianggap terpakai pada checkpoint ini.\n\nPemahaman visual dan aliran kerja ejen\n\nQwen menerangkan pengecaman objek biasa dan analisis tulisan, carta, ikon, grafik serta susun atur halaman. Untuk borang, nyatakan medan yang diperlukan dan maksud nilai kosong. Untuk carta, minta paksi, unit dan nilai yang kelihatan yang menyokong kesimpulan. Permintaan tertumpu menjadikan output lebih mudah dibandingkan dengan imej asal berbanding permintaan luas untuk menerangkan segala-galanya.\n\nKeluarga ini turut menyokong penaakulan ejen visual dan pengarahan alat bagi aliran kerja komputer atau telefon. Model boleh mentafsir antara muka dan membantu menentukan tindakan; alat aplikasi yang disambungkan melaksanakan tindakan itu. Semakan tangkap layar boleh bertanya kawalan yang sepadan dengan tugas dan maklumat kelihatan yang menyokong pilihan tersebut. Penggunaan penaakulan visual itu sendiri tidak memberikan kawalan ke atas peranti.\n\nVideo panjang dan penyetempatan peristiwa\n\nPembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang berkaitan dengan peristiwa yang diminta. Ini ialah keupayaan keluarga, bukannya had muat naik media tanpa syarat atau jaminan bahawa setiap bingkai dikekalkan. Sediakan klip berkaitan, kekalkan maklumat masanya dan tanya soalan tepat tentang peristiwa, urutan atau perubahan. Pendekatan pemprosesan video model menggunakan maklumat kadar bingkai untuk menyelaraskan pemerhatian visual dengan masa mutlak.\n\nPenyetempatan dan dokumen berstruktur\n\nQwen2.5-VL boleh mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penyetempatan, namakan objek sasaran dan nyatakan sama ada hasil perlu berupa titik atau kotak. Pastikan konvensyen koordinat dinyatakan secara eksplisit dalam aplikasi yang menggunakannya, bukannya menyimpulkan ukuran fizikal daripada foto sewenang-wenangnya.\n\nPembuat turut mendokumenkan pengekstrakan berstruktur daripada invois diimbas, borang dan jadual. Berikan halaman yang boleh dibaca dan skema output: contohnya, nama medan, teks yang diekstrak dan kawasan kelihatan yang menyokongnya. Kekalkan unit, pemisah perpuluhan dan tajuk jadual dalam sumber. Anggap kandungan tidak pasti atau tidak terbaca sebagai kes semakan, bukannya meminta model mereka nilai yang hilang. Contoh penyediaan ini menggunakan keupayaan yang didokumenkan; ia bukan jaminan pengekstrakan tepat.\n\nPerubahan seni bina\n\nResolusi imej dinamik diperluas kepada video melalui latihan kadar bingkai berubah. Pengekodan kedudukan multimodal yang dikemas kini mewakili urutan temporal dan masa mutlak, membantu mengenal pasti detik tertentu serta perubahan kelajuan. Pengekod penglihatan menggunakan perhatian tetingkap bersama SwiGLU dan RMSNorm. Perubahan ini menerangkan cara model memproses bahan visual; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.\n\nMenyediakan imej dan video\n\nContoh rasmi merangkumi imej tunggal, beberapa imej, perbualan teks sahaja, fail video dan senarai bingkai tersusun. Labelkan beberapa input visual supaya soalan boleh merujuk setiap satunya. Untuk perbandingan imej, minta jadual yang disusun mengikut label dan hadkan hasil kepada perbezaan yang kelihatan. Untuk garis masa video, kekalkan susunan bingkai dan masa, bukannya membentangkan gambar terpisah seolah-olah mempunyai tempoh yang diketahui.\n\nJulat lalai pemproses imej yang didokumenkan ialah empat hingga 16,384 token visual bagi setiap imej. Contohnya boleh menyasarkan 256–1,280 token dengan menetapkan batas piksel. Ia mengekalkan nisbah aspek dalam batas tersebut, manakala dimensi selepas penskalaan semula yang dinyatakan diselaraskan kepada gandaan 28. Lebih banyak butiran menggunakan lebih banyak pengiraan dan ruang urutan, maka medan teks kecil mungkin memerlukan potongan resolusi lebih tinggi, sedangkan ringkasan adegan umum mungkin tidak. Itu ialah kawalan pemprosesan pembuat; pilihan muat naik aplikasi boleh berbeza.\n\nKonteks dan had utama\n\nKonfigurasi checkpoint yang diterbitkan menetapkan kedudukan maksimum kepada 128,000, manakala bahagian teks panjang yang mengiringinya masih membincangkan konfigurasi permulaan 32,768 token. Panduan menerangkan ekstrapolasi YaRN tetapi memberi amaran bahawa ia boleh menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkan kaedah itu bagi tugas tersebut. Ia turut menyatakan secara berasingan bahawa pengekodan kedudukan video boleh membolehkan tetapan kedudukan lebih besar, dengan 64K sebagai contoh. Huraian konfigurasi yang berbeza ini tidak patut digabungkan menjadi satu siling input yang disahkan secara sejagat.\n\nTeks, bahan visual dan jawapan berkongsi bajet urutan terhingga. Pastikan kandungan berkaitan jelas dibaca, sediakan ruang hasil dan periksa teks yang diekstrak, koordinat serta masa peristiwa berdasarkan sumber asal. Contoh penjanaan 128 token pada kad hanyalah ilustrasi dan tidak menetapkan had maksimum mutlak output yang berasingan. Model ini mengembalikan analisis teks atau maklumat berstruktur; keupayaan penglihatan-bahasanya tidak bermaksud ia menjana imej atau video.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct ialah model penglihatan-bahasa kecil Qwen yang ditala mengikut arahan untuk teks, imej dan video. Ia mengembalikan teks serta maklumat visual berstruktur, termasuk medan dokumen, koordinat objek dan penerangan peristiwa, dengan resolusi dinamik dan pemprosesan video yang peka masa.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: edisi 3B yang ditala mengikut arahan
Qwen2.5-VL-3B-Instruct ialah ahli 3B dalam Qwen2.5-VL. Ia menerima arahan teks bersama imej atau video dan menjana respons teks, termasuk data berstruktur. Pilihnya untuk soalan visual yang jelas, tugas pengekstrakan dokumen atau penjelasan yang menghubungkan kandungan kelihatan dengan permintaan pengguna. Saiz dan keluaran tepat ini mengekalkan identiti tersendiri; ciri yang ditambah khusus pada saiz lain atau generasi Qwen kemudian tidak patut dianggap terpakai pada checkpoint ini.
Pemahaman visual dan aliran kerja ejen
Qwen menerangkan pengecaman objek biasa dan analisis tulisan, carta, ikon, grafik serta susun atur halaman. Untuk borang, nyatakan medan yang diperlukan dan maksud nilai kosong. Untuk carta, minta paksi, unit dan nilai yang kelihatan yang menyokong kesimpulan. Permintaan tertumpu menjadikan output lebih mudah dibandingkan dengan imej asal berbanding permintaan luas untuk menerangkan segala-galanya.
Keluarga ini turut menyokong penaakulan ejen visual dan pengarahan alat bagi aliran kerja komputer atau telefon. Model boleh mentafsir antara muka dan membantu menentukan tindakan; alat aplikasi yang disambungkan melaksanakan tindakan itu. Semakan tangkap layar boleh bertanya kawalan yang sepadan dengan tugas dan maklumat kelihatan yang menyokong pilihan tersebut. Penggunaan penaakulan visual itu sendiri tidak memberikan kawalan ke atas peranti.
Video panjang dan penyetempatan peristiwa
Pembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang berkaitan dengan peristiwa yang diminta. Ini ialah keupayaan keluarga, bukannya had muat naik media tanpa syarat atau jaminan bahawa setiap bingkai dikekalkan. Sediakan klip berkaitan, kekalkan maklumat masanya dan tanya soalan tepat tentang peristiwa, urutan atau perubahan. Pendekatan pemprosesan video model menggunakan maklumat kadar bingkai untuk menyelaraskan pemerhatian visual dengan masa mutlak.
Penyetempatan dan dokumen berstruktur
Qwen2.5-VL boleh mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penyetempatan, namakan objek sasaran dan nyatakan sama ada hasil perlu berupa titik atau kotak. Pastikan konvensyen koordinat dinyatakan secara eksplisit dalam aplikasi yang menggunakannya, bukannya menyimpulkan ukuran fizikal daripada foto sewenang-wenangnya.
Pembuat turut mendokumenkan pengekstrakan berstruktur daripada invois diimbas, borang dan jadual. Berikan halaman yang boleh dibaca dan skema output: contohnya, nama medan, teks yang diekstrak dan kawasan kelihatan yang menyokongnya. Kekalkan unit, pemisah perpuluhan dan tajuk jadual dalam sumber. Anggap kandungan tidak pasti atau tidak terbaca sebagai kes semakan, bukannya meminta model mereka nilai yang hilang. Contoh penyediaan ini menggunakan keupayaan yang didokumenkan; ia bukan jaminan pengekstrakan tepat.
Perubahan seni bina
Resolusi imej dinamik diperluas kepada video melalui latihan kadar bingkai berubah. Pengekodan kedudukan multimodal yang dikemas kini mewakili urutan temporal dan masa mutlak, membantu mengenal pasti detik tertentu serta perubahan kelajuan. Pengekod penglihatan menggunakan perhatian tetingkap bersama SwiGLU dan RMSNorm. Perubahan ini menerangkan cara model memproses bahan visual; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.
Menyediakan imej dan video
Contoh rasmi merangkumi imej tunggal, beberapa imej, perbualan teks sahaja, fail video dan senarai bingkai tersusun. Labelkan beberapa input visual supaya soalan boleh merujuk setiap satunya. Untuk perbandingan imej, minta jadual yang disusun mengikut label dan hadkan hasil kepada perbezaan yang kelihatan. Untuk garis masa video, kekalkan susunan bingkai dan masa, bukannya membentangkan gambar terpisah seolah-olah mempunyai tempoh yang diketahui.
Julat lalai pemproses imej yang didokumenkan ialah empat hingga 16,384 token visual bagi setiap imej. Contohnya boleh menyasarkan 256–1,280 token dengan menetapkan batas piksel. Ia mengekalkan nisbah aspek dalam batas tersebut, manakala dimensi selepas penskalaan semula yang dinyatakan diselaraskan kepada gandaan 28. Lebih banyak butiran menggunakan lebih banyak pengiraan dan ruang urutan, maka medan teks kecil mungkin memerlukan potongan resolusi lebih tinggi, sedangkan ringkasan adegan umum mungkin tidak. Itu ialah kawalan pemprosesan pembuat; pilihan muat naik aplikasi boleh berbeza.
Konteks dan had utama
Konfigurasi checkpoint yang diterbitkan menetapkan kedudukan maksimum kepada 128,000, manakala bahagian teks panjang yang mengiringinya masih membincangkan konfigurasi permulaan 32,768 token. Panduan menerangkan ekstrapolasi YaRN tetapi memberi amaran bahawa ia boleh menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkan kaedah itu bagi tugas tersebut. Ia turut menyatakan secara berasingan bahawa pengekodan kedudukan video boleh membolehkan tetapan kedudukan lebih besar, dengan 64K sebagai contoh. Huraian konfigurasi yang berbeza ini tidak patut digabungkan menjadi satu siling input yang disahkan secara sejagat.
Teks, bahan visual dan jawapan berkongsi bajet urutan terhingga. Pastikan kandungan berkaitan jelas dibaca, sediakan ruang hasil dan periksa teks yang diekstrak, koordinat serta masa peristiwa berdasarkan sumber asal. Contoh penjanaan 128 token pada kad hanyalah ilustrasi dan tidak menetapkan had maksimum mutlak output yang berasingan. Model ini mengembalikan analisis teks atau maklumat berstruktur; keupayaan penglihatan-bahasanya tidak bermaksud ia menjana imej atau video.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-vl-3b-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 $0.0004 / 1K token Output · Token output $0.0012 / 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": "qwen2.5-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen2.5-vl-3b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct ialah model penglihatan-bahasa kecil Qwen yang ditala mengikut arahan untuk teks, imej dan video. Ia mengembalikan teks serta maklumat visual berstruktur, termasuk medan dokumen, koordinat objek dan penerangan peristiwa, dengan resolusi dinamik dan pemprosesan video yang peka masa.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: edisi 3B yang ditala mengikut arahan
Qwen2.5-VL-3B-Instruct ialah ahli 3B dalam Qwen2.5-VL. Ia menerima arahan teks bersama imej atau video dan menjana respons teks, termasuk data berstruktur. Pilihnya untuk soalan visual yang jelas, tugas pengekstrakan dokumen atau penjelasan yang menghubungkan kandungan kelihatan dengan permintaan pengguna. Saiz dan keluaran tepat ini mengekalkan identiti tersendiri; ciri yang ditambah khusus pada saiz lain atau generasi Qwen kemudian tidak patut dianggap terpakai pada checkpoint ini.
Pemahaman visual dan aliran kerja ejen
Qwen menerangkan pengecaman objek biasa dan analisis tulisan, carta, ikon, grafik serta susun atur halaman. Untuk borang, nyatakan medan yang diperlukan dan maksud nilai kosong. Untuk carta, minta paksi, unit dan nilai yang kelihatan yang menyokong kesimpulan. Permintaan tertumpu menjadikan output lebih mudah dibandingkan dengan imej asal berbanding permintaan luas untuk menerangkan segala-galanya.
Keluarga ini turut menyokong penaakulan ejen visual dan pengarahan alat bagi aliran kerja komputer atau telefon. Model boleh mentafsir antara muka dan membantu menentukan tindakan; alat aplikasi yang disambungkan melaksanakan tindakan itu. Semakan tangkap layar boleh bertanya kawalan yang sepadan dengan tugas dan maklumat kelihatan yang menyokong pilihan tersebut. Penggunaan penaakulan visual itu sendiri tidak memberikan kawalan ke atas peranti.
Video panjang dan penyetempatan peristiwa
Pembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang berkaitan dengan peristiwa yang diminta. Ini ialah keupayaan keluarga, bukannya had muat naik media tanpa syarat atau jaminan bahawa setiap bingkai dikekalkan. Sediakan klip berkaitan, kekalkan maklumat masanya dan tanya soalan tepat tentang peristiwa, urutan atau perubahan. Pendekatan pemprosesan video model menggunakan maklumat kadar bingkai untuk menyelaraskan pemerhatian visual dengan masa mutlak.
Penyetempatan dan dokumen berstruktur
Qwen2.5-VL boleh mengembalikan lokasi objek sebagai kotak pembatas atau titik, dengan koordinat dan atribut dalam JSON. Untuk tugas penyetempatan, namakan objek sasaran dan nyatakan sama ada hasil perlu berupa titik atau kotak. Pastikan konvensyen koordinat dinyatakan secara eksplisit dalam aplikasi yang menggunakannya, bukannya menyimpulkan ukuran fizikal daripada foto sewenang-wenangnya.
Pembuat turut mendokumenkan pengekstrakan berstruktur daripada invois diimbas, borang dan jadual. Berikan halaman yang boleh dibaca dan skema output: contohnya, nama medan, teks yang diekstrak dan kawasan kelihatan yang menyokongnya. Kekalkan unit, pemisah perpuluhan dan tajuk jadual dalam sumber. Anggap kandungan tidak pasti atau tidak terbaca sebagai kes semakan, bukannya meminta model mereka nilai yang hilang. Contoh penyediaan ini menggunakan keupayaan yang didokumenkan; ia bukan jaminan pengekstrakan tepat.
Perubahan seni bina
Resolusi imej dinamik diperluas kepada video melalui latihan kadar bingkai berubah. Pengekodan kedudukan multimodal yang dikemas kini mewakili urutan temporal dan masa mutlak, membantu mengenal pasti detik tertentu serta perubahan kelajuan. Pengekod penglihatan menggunakan perhatian tetingkap bersama SwiGLU dan RMSNorm. Perubahan ini menerangkan cara model memproses bahan visual; ia tidak menetapkan kependaman tetap bagi aplikasi tertentu.
Menyediakan imej dan video
Contoh rasmi merangkumi imej tunggal, beberapa imej, perbualan teks sahaja, fail video dan senarai bingkai tersusun. Labelkan beberapa input visual supaya soalan boleh merujuk setiap satunya. Untuk perbandingan imej, minta jadual yang disusun mengikut label dan hadkan hasil kepada perbezaan yang kelihatan. Untuk garis masa video, kekalkan susunan bingkai dan masa, bukannya membentangkan gambar terpisah seolah-olah mempunyai tempoh yang diketahui.
Julat lalai pemproses imej yang didokumenkan ialah empat hingga 16,384 token visual bagi setiap imej. Contohnya boleh menyasarkan 256–1,280 token dengan menetapkan batas piksel. Ia mengekalkan nisbah aspek dalam batas tersebut, manakala dimensi selepas penskalaan semula yang dinyatakan diselaraskan kepada gandaan 28. Lebih banyak butiran menggunakan lebih banyak pengiraan dan ruang urutan, maka medan teks kecil mungkin memerlukan potongan resolusi lebih tinggi, sedangkan ringkasan adegan umum mungkin tidak. Itu ialah kawalan pemprosesan pembuat; pilihan muat naik aplikasi boleh berbeza.
Konteks dan had utama
Konfigurasi checkpoint yang diterbitkan menetapkan kedudukan maksimum kepada 128,000, manakala bahagian teks panjang yang mengiringinya masih membincangkan konfigurasi permulaan 32,768 token. Panduan menerangkan ekstrapolasi YaRN tetapi memberi amaran bahawa ia boleh menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkan kaedah itu bagi tugas tersebut. Ia turut menyatakan secara berasingan bahawa pengekodan kedudukan video boleh membolehkan tetapan kedudukan lebih besar, dengan 64K sebagai contoh. Huraian konfigurasi yang berbeza ini tidak patut digabungkan menjadi satu siling input yang disahkan secara sejagat.
Teks, bahan visual dan jawapan berkongsi bajet urutan terhingga. Pastikan kandungan berkaitan jelas dibaca, sediakan ruang hasil dan periksa teks yang diekstrak, koordinat serta masa peristiwa berdasarkan sumber asal. Contoh penjanaan 128 token pada kad hanyalah ilustrasi dan tidak menetapkan had maksimum mutlak output yang berasingan. Model ini mengembalikan analisis teks atau maklumat berstruktur; keupayaan penglihatan-bahasanya tidak bermaksud ia menjana imej atau video.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-vl-3b-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 $0.0004 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-vl-3b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.