Qwen2.5-VL-7B-Instruct ialah edisi 7B Qwen2.5-VL yang ditala mengikut arahan. Ia menghubungkan arahan teks dengan imej atau video dan mengembalikan hasil teks. Penambahbaikan utama pembuat merangkumi pengecaman objek dan butiran visual, analisis teks dan susun atur, tugas ejen visual, pemahaman peristiwa video panjang, penyetempatan objek dan pengekstrakan berstruktur daripada dokumen.
Memahami kandungan visual
Keluarga ini melangkaui pengecaman subjek utama foto. Tugas yang didokumenkan merangkumi analisis teks, carta, ikon, grafik dan susunan elemen dalam imej. Untuk carta, nyatakan siri atau hubungan yang perlu diperiksa dan kekalkan paksi, petunjuk serta unit. Untuk rajah, tanya bagaimana komponen berlabel bersambung dan perkara yang ditunjukkan susunan yang kelihatan tentang proses tersebut.
Perbandingan yang berguna boleh membekalkan reka bentuk asal dan reka bentuk yang disemak, mengenal pasti setiap satunya dan meminta perubahan yang kelihatan berdasarkan senarai pendek keperluan. Minta pemerhatian bersama kawasan imej yang berkaitan. Ini memberikan tujuan konkrit kepada jawapan, berbanding meminta penerangan umum tentang dua gambar yang tidak berkaitan.
Aliran kerja ejen visual
Pembuat meletakkan Qwen2.5-VL sebagai ejen visual yang boleh menaakul tentang skrin dan mengarahkan alat dalam tugas penggunaan komputer atau telefon. Model menyediakan tafsiran dan operasi yang dicadangkan; aplikasi ejen di sekelilingnya menyediakan kawalan, melaksanakan operasi dan mengembalikan keadaan baharu. Oleh itu, jawapan teks atau koordinat yang diramal ialah satu bahagian daripada aliran kerja bersepadu tersebut.
Untuk soalan antara muka, berikan tangkap layar dan matlamat sebenar, kemudian tanya kawalan kelihatan yang berkaitan dan tindakan seterusnya. Pastikan output yang diminta khusus: label kawalan, lokasinya dan tindakan yang dimaksudkan. Jika aplikasi kemudian melakukan tindakan itu, tangkap layar seterusnya menyediakan input visual terkini untuk keputusan berikutnya.
Video panjang dan penyetempatan peristiwa
Pembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang mengandungi peristiwa yang diminta. Ini melanjutkan penerangan video kepada penyetempatan masa. Tugas boleh bertanya bila objek mula muncul, bahagian demonstrasi yang mencapai langkah tertentu atau peristiwa kelihatan yang berlaku sebelum peristiwa lain. Nyatakan sama ada hasil perlu berupa ringkasan, senarai peristiwa tersusun atau masa mula dan tamat bersama penerangan peristiwa.
Keluarga ini dilatih dengan pensampelan kadar bingkai dinamik dan menyelaraskan maklumat kedudukan temporal dengan masa mutlak. Oleh itu, maklumat kadar bingkai tergolong dalam penyediaan video, bukannya label sewenang-wenangnya yang boleh dibuang apabila cap masa penting. Keupayaan video panjang yang didokumenkan bukan spesifikasi saiz fail atau tempoh maksimum sejagat bagi setiap laluan input.
Penyetempatan objek dan dokumen berstruktur
Qwen2.5-VL boleh mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut sebagai JSON. Keluaran ini menggunakan koordinat pada skala saiz imej sebenar, berbanding koordinat ternormal tradisional. Nyatakan sama ada tugas memerlukan kotak yang merangkumi objek, titik tertentu atau penerangan objek, dan simpan dimensi imej serta sebarang maklumat penskalaan semula yang diperlukan untuk mentafsir lokasi yang dikembalikan.
Sebagai contoh, permintaan inventori visual boleh meminta setiap objek sasaran, kotaknya dan atribut yang kelihatan. Tugas berasaskan titik boleh meminta lokasi kawalan berlabel atau bahagian objek yang ditetapkan. Ini ialah reka bentuk output yang dicadangkan, bukannya nama medan tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat dikaitkan dengan imej sumbernya apabila beberapa imej dibekalkan.
Pembuat turut menonjolkan pengekstrakan berstruktur daripada imbasan invois, borang dan jadual. Tentukan medan, kekalkan label asal dan minta perwakilan eksplisit apabila sesuatu nilai tidak dapat dibaca. Untuk jadual, simpan tajuk lajur dan unit bersama baris yang diminta. Rekod praktikal boleh mengandungi pengecam dokumen, label medan, nilai yang diekstrak dan lokasi, menjadikan output berguna untuk perbandingan kemudian atau pemeriksaan manusia.
Seni bina dan penyediaan input
Model ini menggabungkan resolusi imej dinamik dan pensampelan video dinamik dengan maklumat kedudukan putaran multimodal yang dikemas kini. Pengekod penglihatannya menggunakan perhatian tetingkap, SwiGLU dan RMSNorm. Ini ialah perubahan seni bina yang menyokong pemprosesan visual dan temporal; ia tidak menambah input audio atau penjanaan imej pada aliran kerja hasil teks yang didokumenkan.
Kad ini menunjukkan satu imej, beberapa imej, urutan bingkai video, fail atau rujukan video, dan perbualan secara kelompok. Pemproses imej mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Tetapan piksel minimum dan maksimum mengekalkan nisbah aspek; dimensi tepat yang diminta dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token visual ialah ilustrasi boleh laras, bukannya had mutlak imej yang berasingan. Kekalkan butiran yang diperlukan soalan apabila menetapkan saiz baharu.
Konteks dan tetapan sensitif penyetempatan
Konfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 128,000. Bahagian teks panjang pada kad model menerangkan secara berasingan garis dasar 32,768 token dan contoh peluasan YaRN. Ia memberi amaran secara eksplisit bahawa peluasan ini menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkannya. Panduan turut membincangkan perubahan kedudukan maksimum untuk video panjang; ini ialah nota konfigurasi, bukannya satu had input tanpa syarat bagi setiap tugas.
Pastikan konfigurasi keluaran tepat dan prapemprosesan visual selaras dengan tugas, terutama apabila koordinat atau masa peristiwa penting. Contoh penjanaan 128 token pada kad tidak menetapkan kapasiti output maksimum yang berasingan. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat dan dapatan berstruktur; tindakan luaran, imej yang dirender, video atau jawapan pertuturan memerlukan komponen aplikasi lain.
", "aboutText": "Qwen2.5-VL-7B-Instruct ialah edisi 7B Qwen2.5-VL yang ditala mengikut arahan. Ia menghubungkan arahan teks dengan imej atau video dan mengembalikan hasil teks. Penambahbaikan utama pembuat merangkumi pengecaman objek dan butiran visual, analisis teks dan susun atur, tugas ejen visual, pemahaman peristiwa video panjang, penyetempatan objek dan pengekstrakan berstruktur daripada dokumen.\n\nMemahami kandungan visual\n\nKeluarga ini melangkaui pengecaman subjek utama foto. Tugas yang didokumenkan merangkumi analisis teks, carta, ikon, grafik dan susunan elemen dalam imej. Untuk carta, nyatakan siri atau hubungan yang perlu diperiksa dan kekalkan paksi, petunjuk serta unit. Untuk rajah, tanya bagaimana komponen berlabel bersambung dan perkara yang ditunjukkan susunan yang kelihatan tentang proses tersebut.\n\nPerbandingan yang berguna boleh membekalkan reka bentuk asal dan reka bentuk yang disemak, mengenal pasti setiap satunya dan meminta perubahan yang kelihatan berdasarkan senarai pendek keperluan. Minta pemerhatian bersama kawasan imej yang berkaitan. Ini memberikan tujuan konkrit kepada jawapan, berbanding meminta penerangan umum tentang dua gambar yang tidak berkaitan.\n\nAliran kerja ejen visual\n\nPembuat meletakkan Qwen2.5-VL sebagai ejen visual yang boleh menaakul tentang skrin dan mengarahkan alat dalam tugas penggunaan komputer atau telefon. Model menyediakan tafsiran dan operasi yang dicadangkan; aplikasi ejen di sekelilingnya menyediakan kawalan, melaksanakan operasi dan mengembalikan keadaan baharu. Oleh itu, jawapan teks atau koordinat yang diramal ialah satu bahagian daripada aliran kerja bersepadu tersebut.\n\nUntuk soalan antara muka, berikan tangkap layar dan matlamat sebenar, kemudian tanya kawalan kelihatan yang berkaitan dan tindakan seterusnya. Pastikan output yang diminta khusus: label kawalan, lokasinya dan tindakan yang dimaksudkan. Jika aplikasi kemudian melakukan tindakan itu, tangkap layar seterusnya menyediakan input visual terkini untuk keputusan berikutnya.\n\nVideo panjang dan penyetempatan peristiwa\n\nPembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang mengandungi peristiwa yang diminta. Ini melanjutkan penerangan video kepada penyetempatan masa. Tugas boleh bertanya bila objek mula muncul, bahagian demonstrasi yang mencapai langkah tertentu atau peristiwa kelihatan yang berlaku sebelum peristiwa lain. Nyatakan sama ada hasil perlu berupa ringkasan, senarai peristiwa tersusun atau masa mula dan tamat bersama penerangan peristiwa.\n\nKeluarga ini dilatih dengan pensampelan kadar bingkai dinamik dan menyelaraskan maklumat kedudukan temporal dengan masa mutlak. Oleh itu, maklumat kadar bingkai tergolong dalam penyediaan video, bukannya label sewenang-wenangnya yang boleh dibuang apabila cap masa penting. Keupayaan video panjang yang didokumenkan bukan spesifikasi saiz fail atau tempoh maksimum sejagat bagi setiap laluan input.\n\nPenyetempatan objek dan dokumen berstruktur\n\nQwen2.5-VL boleh mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut sebagai JSON. Keluaran ini menggunakan koordinat pada skala saiz imej sebenar, berbanding koordinat ternormal tradisional. Nyatakan sama ada tugas memerlukan kotak yang merangkumi objek, titik tertentu atau penerangan objek, dan simpan dimensi imej serta sebarang maklumat penskalaan semula yang diperlukan untuk mentafsir lokasi yang dikembalikan.\n\nSebagai contoh, permintaan inventori visual boleh meminta setiap objek sasaran, kotaknya dan atribut yang kelihatan. Tugas berasaskan titik boleh meminta lokasi kawalan berlabel atau bahagian objek yang ditetapkan. Ini ialah reka bentuk output yang dicadangkan, bukannya nama medan tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat dikaitkan dengan imej sumbernya apabila beberapa imej dibekalkan.\n\nPembuat turut menonjolkan pengekstrakan berstruktur daripada imbasan invois, borang dan jadual. Tentukan medan, kekalkan label asal dan minta perwakilan eksplisit apabila sesuatu nilai tidak dapat dibaca. Untuk jadual, simpan tajuk lajur dan unit bersama baris yang diminta. Rekod praktikal boleh mengandungi pengecam dokumen, label medan, nilai yang diekstrak dan lokasi, menjadikan output berguna untuk perbandingan kemudian atau pemeriksaan manusia.\n\nSeni bina dan penyediaan input\n\nModel ini menggabungkan resolusi imej dinamik dan pensampelan video dinamik dengan maklumat kedudukan putaran multimodal yang dikemas kini. Pengekod penglihatannya menggunakan perhatian tetingkap, SwiGLU dan RMSNorm. Ini ialah perubahan seni bina yang menyokong pemprosesan visual dan temporal; ia tidak menambah input audio atau penjanaan imej pada aliran kerja hasil teks yang didokumenkan.\n\nKad ini menunjukkan satu imej, beberapa imej, urutan bingkai video, fail atau rujukan video, dan perbualan secara kelompok. Pemproses imej mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Tetapan piksel minimum dan maksimum mengekalkan nisbah aspek; dimensi tepat yang diminta dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token visual ialah ilustrasi boleh laras, bukannya had mutlak imej yang berasingan. Kekalkan butiran yang diperlukan soalan apabila menetapkan saiz baharu.\n\nKonteks dan tetapan sensitif penyetempatan\n\nKonfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 128,000. Bahagian teks panjang pada kad model menerangkan secara berasingan garis dasar 32,768 token dan contoh peluasan YaRN. Ia memberi amaran secara eksplisit bahawa peluasan ini menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkannya. Panduan turut membincangkan perubahan kedudukan maksimum untuk video panjang; ini ialah nota konfigurasi, bukannya satu had input tanpa syarat bagi setiap tugas.\n\nPastikan konfigurasi keluaran tepat dan prapemprosesan visual selaras dengan tugas, terutama apabila koordinat atau masa peristiwa penting. Contoh penjanaan 128 token pada kad tidak menetapkan kapasiti output maksimum yang berasingan. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat dan dapatan berstruktur; tindakan luaran, imej yang dirender, video atau jawapan pertuturan memerlukan komponen aplikasi lain.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct ialah model penglihatan-bahasa untuk imej, dokumen dan video. Ia menghasilkan teks dan dapatan berstruktur, termasuk kotak objek, titik dan atribut, serta membawa penyetempatan peristiwa mengikut masa dan keupayaan ejen visual kepada edisi 7B.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-VL-7B-Instruct ialah edisi 7B Qwen2.5-VL yang ditala mengikut arahan. Ia menghubungkan arahan teks dengan imej atau video dan mengembalikan hasil teks. Penambahbaikan utama pembuat merangkumi pengecaman objek dan butiran visual, analisis teks dan susun atur, tugas ejen visual, pemahaman peristiwa video panjang, penyetempatan objek dan pengekstrakan berstruktur daripada dokumen.
Memahami kandungan visual
Keluarga ini melangkaui pengecaman subjek utama foto. Tugas yang didokumenkan merangkumi analisis teks, carta, ikon, grafik dan susunan elemen dalam imej. Untuk carta, nyatakan siri atau hubungan yang perlu diperiksa dan kekalkan paksi, petunjuk serta unit. Untuk rajah, tanya bagaimana komponen berlabel bersambung dan perkara yang ditunjukkan susunan yang kelihatan tentang proses tersebut.
Perbandingan yang berguna boleh membekalkan reka bentuk asal dan reka bentuk yang disemak, mengenal pasti setiap satunya dan meminta perubahan yang kelihatan berdasarkan senarai pendek keperluan. Minta pemerhatian bersama kawasan imej yang berkaitan. Ini memberikan tujuan konkrit kepada jawapan, berbanding meminta penerangan umum tentang dua gambar yang tidak berkaitan.
Aliran kerja ejen visual
Pembuat meletakkan Qwen2.5-VL sebagai ejen visual yang boleh menaakul tentang skrin dan mengarahkan alat dalam tugas penggunaan komputer atau telefon. Model menyediakan tafsiran dan operasi yang dicadangkan; aplikasi ejen di sekelilingnya menyediakan kawalan, melaksanakan operasi dan mengembalikan keadaan baharu. Oleh itu, jawapan teks atau koordinat yang diramal ialah satu bahagian daripada aliran kerja bersepadu tersebut.
Untuk soalan antara muka, berikan tangkap layar dan matlamat sebenar, kemudian tanya kawalan kelihatan yang berkaitan dan tindakan seterusnya. Pastikan output yang diminta khusus: label kawalan, lokasinya dan tindakan yang dimaksudkan. Jika aplikasi kemudian melakukan tindakan itu, tangkap layar seterusnya menyediakan input visual terkini untuk keputusan berikutnya.
Video panjang dan penyetempatan peristiwa
Pembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang mengandungi peristiwa yang diminta. Ini melanjutkan penerangan video kepada penyetempatan masa. Tugas boleh bertanya bila objek mula muncul, bahagian demonstrasi yang mencapai langkah tertentu atau peristiwa kelihatan yang berlaku sebelum peristiwa lain. Nyatakan sama ada hasil perlu berupa ringkasan, senarai peristiwa tersusun atau masa mula dan tamat bersama penerangan peristiwa.
Keluarga ini dilatih dengan pensampelan kadar bingkai dinamik dan menyelaraskan maklumat kedudukan temporal dengan masa mutlak. Oleh itu, maklumat kadar bingkai tergolong dalam penyediaan video, bukannya label sewenang-wenangnya yang boleh dibuang apabila cap masa penting. Keupayaan video panjang yang didokumenkan bukan spesifikasi saiz fail atau tempoh maksimum sejagat bagi setiap laluan input.
Penyetempatan objek dan dokumen berstruktur
Qwen2.5-VL boleh mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut sebagai JSON. Keluaran ini menggunakan koordinat pada skala saiz imej sebenar, berbanding koordinat ternormal tradisional. Nyatakan sama ada tugas memerlukan kotak yang merangkumi objek, titik tertentu atau penerangan objek, dan simpan dimensi imej serta sebarang maklumat penskalaan semula yang diperlukan untuk mentafsir lokasi yang dikembalikan.
Sebagai contoh, permintaan inventori visual boleh meminta setiap objek sasaran, kotaknya dan atribut yang kelihatan. Tugas berasaskan titik boleh meminta lokasi kawalan berlabel atau bahagian objek yang ditetapkan. Ini ialah reka bentuk output yang dicadangkan, bukannya nama medan tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat dikaitkan dengan imej sumbernya apabila beberapa imej dibekalkan.
Pembuat turut menonjolkan pengekstrakan berstruktur daripada imbasan invois, borang dan jadual. Tentukan medan, kekalkan label asal dan minta perwakilan eksplisit apabila sesuatu nilai tidak dapat dibaca. Untuk jadual, simpan tajuk lajur dan unit bersama baris yang diminta. Rekod praktikal boleh mengandungi pengecam dokumen, label medan, nilai yang diekstrak dan lokasi, menjadikan output berguna untuk perbandingan kemudian atau pemeriksaan manusia.
Seni bina dan penyediaan input
Model ini menggabungkan resolusi imej dinamik dan pensampelan video dinamik dengan maklumat kedudukan putaran multimodal yang dikemas kini. Pengekod penglihatannya menggunakan perhatian tetingkap, SwiGLU dan RMSNorm. Ini ialah perubahan seni bina yang menyokong pemprosesan visual dan temporal; ia tidak menambah input audio atau penjanaan imej pada aliran kerja hasil teks yang didokumenkan.
Kad ini menunjukkan satu imej, beberapa imej, urutan bingkai video, fail atau rujukan video, dan perbualan secara kelompok. Pemproses imej mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Tetapan piksel minimum dan maksimum mengekalkan nisbah aspek; dimensi tepat yang diminta dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token visual ialah ilustrasi boleh laras, bukannya had mutlak imej yang berasingan. Kekalkan butiran yang diperlukan soalan apabila menetapkan saiz baharu.
Konteks dan tetapan sensitif penyetempatan
Konfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 128,000. Bahagian teks panjang pada kad model menerangkan secara berasingan garis dasar 32,768 token dan contoh peluasan YaRN. Ia memberi amaran secara eksplisit bahawa peluasan ini menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkannya. Panduan turut membincangkan perubahan kedudukan maksimum untuk video panjang; ini ialah nota konfigurasi, bukannya satu had input tanpa syarat bagi setiap tugas.
Pastikan konfigurasi keluaran tepat dan prapemprosesan visual selaras dengan tugas, terutama apabila koordinat atau masa peristiwa penting. Contoh penjanaan 128 token pada kad tidak menetapkan kapasiti output maksimum yang berasingan. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat dan dapatan berstruktur; tindakan luaran, imej yang dirender, video atau jawapan pertuturan memerlukan komponen aplikasi lain.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-vl-7b-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 $0.0001 / 1K token Output · Token output $0.0001 / 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-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-7b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct ialah model penglihatan-bahasa untuk imej, dokumen dan video. Ia menghasilkan teks dan dapatan berstruktur, termasuk kotak objek, titik dan atribut, serta membawa penyetempatan peristiwa mengikut masa dan keupayaan ejen visual kepada edisi 7B.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2.5-VL-7B-Instruct ialah edisi 7B Qwen2.5-VL yang ditala mengikut arahan. Ia menghubungkan arahan teks dengan imej atau video dan mengembalikan hasil teks. Penambahbaikan utama pembuat merangkumi pengecaman objek dan butiran visual, analisis teks dan susun atur, tugas ejen visual, pemahaman peristiwa video panjang, penyetempatan objek dan pengekstrakan berstruktur daripada dokumen.
Memahami kandungan visual
Keluarga ini melangkaui pengecaman subjek utama foto. Tugas yang didokumenkan merangkumi analisis teks, carta, ikon, grafik dan susunan elemen dalam imej. Untuk carta, nyatakan siri atau hubungan yang perlu diperiksa dan kekalkan paksi, petunjuk serta unit. Untuk rajah, tanya bagaimana komponen berlabel bersambung dan perkara yang ditunjukkan susunan yang kelihatan tentang proses tersebut.
Perbandingan yang berguna boleh membekalkan reka bentuk asal dan reka bentuk yang disemak, mengenal pasti setiap satunya dan meminta perubahan yang kelihatan berdasarkan senarai pendek keperluan. Minta pemerhatian bersama kawasan imej yang berkaitan. Ini memberikan tujuan konkrit kepada jawapan, berbanding meminta penerangan umum tentang dua gambar yang tidak berkaitan.
Aliran kerja ejen visual
Pembuat meletakkan Qwen2.5-VL sebagai ejen visual yang boleh menaakul tentang skrin dan mengarahkan alat dalam tugas penggunaan komputer atau telefon. Model menyediakan tafsiran dan operasi yang dicadangkan; aplikasi ejen di sekelilingnya menyediakan kawalan, melaksanakan operasi dan mengembalikan keadaan baharu. Oleh itu, jawapan teks atau koordinat yang diramal ialah satu bahagian daripada aliran kerja bersepadu tersebut.
Untuk soalan antara muka, berikan tangkap layar dan matlamat sebenar, kemudian tanya kawalan kelihatan yang berkaitan dan tindakan seterusnya. Pastikan output yang diminta khusus: label kawalan, lokasinya dan tindakan yang dimaksudkan. Jika aplikasi kemudian melakukan tindakan itu, tangkap layar seterusnya menyediakan input visual terkini untuk keputusan berikutnya.
Video panjang dan penyetempatan peristiwa
Pembuat menerangkan pemahaman video lebih panjang daripada satu jam dan pengenalpastian segmen yang mengandungi peristiwa yang diminta. Ini melanjutkan penerangan video kepada penyetempatan masa. Tugas boleh bertanya bila objek mula muncul, bahagian demonstrasi yang mencapai langkah tertentu atau peristiwa kelihatan yang berlaku sebelum peristiwa lain. Nyatakan sama ada hasil perlu berupa ringkasan, senarai peristiwa tersusun atau masa mula dan tamat bersama penerangan peristiwa.
Keluarga ini dilatih dengan pensampelan kadar bingkai dinamik dan menyelaraskan maklumat kedudukan temporal dengan masa mutlak. Oleh itu, maklumat kadar bingkai tergolong dalam penyediaan video, bukannya label sewenang-wenangnya yang boleh dibuang apabila cap masa penting. Keupayaan video panjang yang didokumenkan bukan spesifikasi saiz fail atau tempoh maksimum sejagat bagi setiap laluan input.
Penyetempatan objek dan dokumen berstruktur
Qwen2.5-VL boleh mengembalikan kotak pembatas atau titik dan menyusun koordinat serta atribut sebagai JSON. Keluaran ini menggunakan koordinat pada skala saiz imej sebenar, berbanding koordinat ternormal tradisional. Nyatakan sama ada tugas memerlukan kotak yang merangkumi objek, titik tertentu atau penerangan objek, dan simpan dimensi imej serta sebarang maklumat penskalaan semula yang diperlukan untuk mentafsir lokasi yang dikembalikan.
Sebagai contoh, permintaan inventori visual boleh meminta setiap objek sasaran, kotaknya dan atribut yang kelihatan. Tugas berasaskan titik boleh meminta lokasi kawalan berlabel atau bahagian objek yang ditetapkan. Ini ialah reka bentuk output yang dicadangkan, bukannya nama medan tetap yang wajib digunakan setiap permintaan. Pastikan setiap koordinat dikaitkan dengan imej sumbernya apabila beberapa imej dibekalkan.
Pembuat turut menonjolkan pengekstrakan berstruktur daripada imbasan invois, borang dan jadual. Tentukan medan, kekalkan label asal dan minta perwakilan eksplisit apabila sesuatu nilai tidak dapat dibaca. Untuk jadual, simpan tajuk lajur dan unit bersama baris yang diminta. Rekod praktikal boleh mengandungi pengecam dokumen, label medan, nilai yang diekstrak dan lokasi, menjadikan output berguna untuk perbandingan kemudian atau pemeriksaan manusia.
Seni bina dan penyediaan input
Model ini menggabungkan resolusi imej dinamik dan pensampelan video dinamik dengan maklumat kedudukan putaran multimodal yang dikemas kini. Pengekod penglihatannya menggunakan perhatian tetingkap, SwiGLU dan RMSNorm. Ini ialah perubahan seni bina yang menyokong pemprosesan visual dan temporal; ia tidak menambah input audio atau penjanaan imej pada aliran kerja hasil teks yang didokumenkan.
Kad ini menunjukkan satu imej, beberapa imej, urutan bingkai video, fail atau rujukan video, dan perbualan secara kelompok. Pemproses imej mendokumenkan julat lalai 4 hingga 16,384 token visual bagi setiap imej. Tetapan piksel minimum dan maksimum mengekalkan nisbah aspek; dimensi tepat yang diminta dibundarkan kepada gandaan 28. Julat contoh 256 hingga 1,280 token visual ialah ilustrasi boleh laras, bukannya had mutlak imej yang berasingan. Kekalkan butiran yang diperlukan soalan apabila menetapkan saiz baharu.
Konteks dan tetapan sensitif penyetempatan
Konfigurasi yang dikeluarkan menetapkan kedudukan maksimum kepada 128,000. Bahagian teks panjang pada kad model menerangkan secara berasingan garis dasar 32,768 token dan contoh peluasan YaRN. Ia memberi amaran secara eksplisit bahawa peluasan ini menjejaskan penyetempatan temporal dan ruang dengan ketara serta tidak mengesyorkannya. Panduan turut membincangkan perubahan kedudukan maksimum untuk video panjang; ini ialah nota konfigurasi, bukannya satu had input tanpa syarat bagi setiap tugas.
Pastikan konfigurasi keluaran tepat dan prapemprosesan visual selaras dengan tugas, terutama apabila koordinat atau masa peristiwa penting. Contoh penjanaan 128 token pada kad tidak menetapkan kapasiti output maksimum yang berasingan. Qwen2.5-VL-7B-Instruct menghasilkan teks, koordinat dan dapatan berstruktur; tindakan luaran, imej yang dirender, video atau jawapan pertuturan memerlukan komponen aplikasi lain.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2.5-vl-7b-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 $0.0001 / 1K token Output · Token output $0.0001 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-7b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.