Qwen2-VL-2B-Instruct ialah model bahasa visual 2B Qwen yang ditala untuk arahan bagi soalan imej dan teks. Pengeluar menerangkan pengendalian imej dengan pelbagai resolusi dan nisbah bidang serta pemahaman teks dalam beberapa bahasa di dalam gambar. Hasil yang dijana ialah respons bertulis kepada bahan visual dan soalan yang diberikan. Pengeluar turut menerangkan penggunaan ejen visual dengan peranti seperti telefon dan robot. Untuk aliran kerja itu, berikan persekitaran visual semasa dan arahan teks; aplikasi sekeliling menjalankan operasi yang dicadangkan dan memulangkan keadaan yang diperhatikan untuk soalan seterusnya.
Pilih imej yang mengandungi bukti yang diperlukan untuk jawapan, kemudian kenal pasti butiran yang perlu ditafsir. Soalan dokumen boleh bertanya tentang petikan yang kelihatan; soalan carta boleh mengenal pasti siri, paksi dan perbandingan yang perlu diterangkan. Simpan pengecam imej bersama hasil yang diminta supaya respons kekal terikat pada rujukan yang betul.
Pengeluar menyenaraikan pemahaman imej dan teks selain bahasa Inggeris dan Cina, termasuk bahasa Eropah, Jepun, Korea, Arab dan Vietnam. Kekalkan perkataan dan tulisan asal apabila meminta transkripsi, penerangan atau terjemahan teks yang kelihatan. Contoh taklimat boleh meminta label yang dipaparkan serta penerangan berasingan tentang maknanya.
Qwen2-VL menggunakan resolusi dinamik untuk memetakan imej kepada bilangan token visual yang berubah-ubah. Dalam contoh pemproses asal, julat lalai ialah 4 hingga 16,384 token visual bagi setiap imej. Panduan asalnya menunjukkan tetapan piksel minimum dan maksimum, termasuk julat penyediaan token imej yang lebih sempit, 256 hingga 1,280, untuk mengimbangkan butiran dengan keperluan pemprosesan. Tetapan ini mengekalkan nisbah bidang semasa mengubah saiz.
Pengeluar turut membenarkan permintaan tinggi dan lebar yang diubah saiz, dibundarkan kepada gandaan 28. Pilih penyediaan yang memastikan label penting boleh dibaca, dan simpan imej asal apabila menggunakan potongan. Contoh asal merangkumi berbilang imej dan kelompok, membolehkan rujukan berasingan dikenal pasti dalam soalan.
Pengeluar mengenal pasti batasan dalam arahan berbilang langkah yang rumit, pengiraan objek dalam adegan kompleks dan penaakulan ruang tiga dimensi. Ia turut mencatatkan pengecaman individu atau jenama tertentu yang tidak lengkap. Minta pemerhatian visual yang terarah dan periksa bilangan, label atau kedudukan relatif tertentu yang menjadi asas hasil tersebut.
Pengeluar menyatakan bahawa set data imej dikemas kini hingga Jun 2023. Berikan konteks bertulis yang diperlukan untuk label terkini atau tidak dikenali, bukannya meminta gambar sahaja menentukan maklumat itu. Dalam nota yang dipulangkan, pastikan label yang dipetik dapat dibezakan daripada identiti yang disimpulkan.
Konfigurasi checkpoint yang diterbitkan menetapkan 32,768 kedudukan maksimum. Sediakan soalan dan input visual dengan pemproses model yang sepadan, sambil mengekalkan susunan imej yang digunakan untuk permintaan. Pembantu asal menerima imej setempat, base64 dan alamat imej.
Simpan nama 2B Instruct yang dipilih, rujukan dan jawapan bertulis yang lengkap bersama-sama. Untuk susulan, sertakan bahan yang berkaitan dan kenal pasti pemerhatian atau pentafsiran tertentu yang perlu disemak semula, kemudian bandingkan hasil yang dibetulkan dengan sumber tersebut.
Melalui Ailoot, gunakan ID model yang tepat dalam /v1/chat/completions dan simpan imej bersama soalannya dalam perbualan. Bentuk kandungan imej menggunakan image_url; sumber imej yang disokong boleh membawa alamat imej atau URI data base64. Kumpulkan jawapan JSON yang lengkap atau semua segmen SSE apabila stream diaktifkan, dan simpan usage bersama hasil yang lengkap.
", "aboutText": "Qwen2-VL-2B-Instruct ialah model bahasa visual 2B Qwen yang ditala untuk arahan bagi soalan imej dan teks. Pengeluar menerangkan pengendalian imej dengan pelbagai resolusi dan nisbah bidang serta pemahaman teks dalam beberapa bahasa di dalam gambar. Hasil yang dijana ialah respons bertulis kepada bahan visual dan soalan yang diberikan. Pengeluar turut menerangkan penggunaan ejen visual dengan peranti seperti telefon dan robot. Untuk aliran kerja itu, berikan persekitaran visual semasa dan arahan teks; aplikasi sekeliling menjalankan operasi yang dicadangkan dan memulangkan keadaan yang diperhatikan untuk soalan seterusnya.\n\n### Berikan gambar dan soalan yang tepat\n\nPilih imej yang mengandungi bukti yang diperlukan untuk jawapan, kemudian kenal pasti butiran yang perlu ditafsir. Soalan dokumen boleh bertanya tentang petikan yang kelihatan; soalan carta boleh mengenal pasti siri, paksi dan perbandingan yang perlu diterangkan. Simpan pengecam imej bersama hasil yang diminta supaya respons kekal terikat pada rujukan yang betul.\n\nPengeluar menyenaraikan pemahaman imej dan teks selain bahasa Inggeris dan Cina, termasuk bahasa Eropah, Jepun, Korea, Arab dan Vietnam. Kekalkan perkataan dan tulisan asal apabila meminta transkripsi, penerangan atau terjemahan teks yang kelihatan. Contoh taklimat boleh meminta label yang dipaparkan serta penerangan berasingan tentang maknanya.\n\n### Rancang resolusi dan token visual dengan sengaja\n\nQwen2-VL menggunakan resolusi dinamik untuk memetakan imej kepada bilangan token visual yang berubah-ubah. Dalam contoh pemproses asal, julat lalai ialah 4 hingga 16,384 token visual bagi setiap imej. Panduan asalnya menunjukkan tetapan piksel minimum dan maksimum, termasuk julat penyediaan token imej yang lebih sempit, 256 hingga 1,280, untuk mengimbangkan butiran dengan keperluan pemprosesan. Tetapan ini mengekalkan nisbah bidang semasa mengubah saiz.\n\nPengeluar turut membenarkan permintaan tinggi dan lebar yang diubah saiz, dibundarkan kepada gandaan 28. Pilih penyediaan yang memastikan label penting boleh dibaca, dan simpan imej asal apabila menggunakan potongan. Contoh asal merangkumi berbilang imej dan kelompok, membolehkan rujukan berasingan dikenal pasti dalam soalan.\n\n### Ikuti batasan visual yang didokumenkan\n\nPengeluar mengenal pasti batasan dalam arahan berbilang langkah yang rumit, pengiraan objek dalam adegan kompleks dan penaakulan ruang tiga dimensi. Ia turut mencatatkan pengecaman individu atau jenama tertentu yang tidak lengkap. Minta pemerhatian visual yang terarah dan periksa bilangan, label atau kedudukan relatif tertentu yang menjadi asas hasil tersebut.\n\nPengeluar menyatakan bahawa set data imej dikemas kini hingga Jun 2023. Berikan konteks bertulis yang diperlukan untuk label terkini atau tidak dikenali, bukannya meminta gambar sahaja menentukan maklumat itu. Dalam nota yang dipulangkan, pastikan label yang dipetik dapat dibezakan daripada identiti yang disimpulkan.\n\n### Simpan input yang disediakan bersama jawapan\n\nKonfigurasi checkpoint yang diterbitkan menetapkan 32,768 kedudukan maksimum. Sediakan soalan dan input visual dengan pemproses model yang sepadan, sambil mengekalkan susunan imej yang digunakan untuk permintaan. Pembantu asal menerima imej setempat, base64 dan alamat imej.\n\nSimpan nama 2B Instruct yang dipilih, rujukan dan jawapan bertulis yang lengkap bersama-sama. Untuk susulan, sertakan bahan yang berkaitan dan kenal pasti pemerhatian atau pentafsiran tertentu yang perlu disemak semula, kemudian bandingkan hasil yang dibetulkan dengan sumber tersebut.\n\nMelalui Ailoot, gunakan ID model yang tepat dalam /v1/chat/completions dan simpan imej bersama soalannya dalam perbualan. Bentuk kandungan imej menggunakan image_url; sumber imej yang disokong boleh membawa alamat imej atau URI data base64. Kumpulkan jawapan JSON yang lengkap atau semua segmen SSE apabila stream diaktifkan, dan simpan usage bersama hasil yang lengkap.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "26956f6d9a2b8ebd862e2ccb15941ef27c6f6e7ce88e13c08b6f674d55b79faf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "qwen2-vl-2b-instructQwen2-VL-2B-Instruct ialah model bahasa visual Qwen untuk soalan imej, teks berbilang bahasa dalam gambar dan penerangan visual. Berikan imej yang boleh dibaca dan soalan yang tepat untuk hasil bertulis yang berpaut pada bukti yang kelihatan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2-VL-2B-Instruct ialah model bahasa visual 2B Qwen yang ditala untuk arahan bagi soalan imej dan teks. Pengeluar menerangkan pengendalian imej dengan pelbagai resolusi dan nisbah bidang serta pemahaman teks dalam beberapa bahasa di dalam gambar. Hasil yang dijana ialah respons bertulis kepada bahan visual dan soalan yang diberikan. Pengeluar turut menerangkan penggunaan ejen visual dengan peranti seperti telefon dan robot. Untuk aliran kerja itu, berikan persekitaran visual semasa dan arahan teks; aplikasi sekeliling menjalankan operasi yang dicadangkan dan memulangkan keadaan yang diperhatikan untuk soalan seterusnya.
Pilih imej yang mengandungi bukti yang diperlukan untuk jawapan, kemudian kenal pasti butiran yang perlu ditafsir. Soalan dokumen boleh bertanya tentang petikan yang kelihatan; soalan carta boleh mengenal pasti siri, paksi dan perbandingan yang perlu diterangkan. Simpan pengecam imej bersama hasil yang diminta supaya respons kekal terikat pada rujukan yang betul.
Pengeluar menyenaraikan pemahaman imej dan teks selain bahasa Inggeris dan Cina, termasuk bahasa Eropah, Jepun, Korea, Arab dan Vietnam. Kekalkan perkataan dan tulisan asal apabila meminta transkripsi, penerangan atau terjemahan teks yang kelihatan. Contoh taklimat boleh meminta label yang dipaparkan serta penerangan berasingan tentang maknanya.
Qwen2-VL menggunakan resolusi dinamik untuk memetakan imej kepada bilangan token visual yang berubah-ubah. Dalam contoh pemproses asal, julat lalai ialah 4 hingga 16,384 token visual bagi setiap imej. Panduan asalnya menunjukkan tetapan piksel minimum dan maksimum, termasuk julat penyediaan token imej yang lebih sempit, 256 hingga 1,280, untuk mengimbangkan butiran dengan keperluan pemprosesan. Tetapan ini mengekalkan nisbah bidang semasa mengubah saiz.
Pengeluar turut membenarkan permintaan tinggi dan lebar yang diubah saiz, dibundarkan kepada gandaan 28. Pilih penyediaan yang memastikan label penting boleh dibaca, dan simpan imej asal apabila menggunakan potongan. Contoh asal merangkumi berbilang imej dan kelompok, membolehkan rujukan berasingan dikenal pasti dalam soalan.
Pengeluar mengenal pasti batasan dalam arahan berbilang langkah yang rumit, pengiraan objek dalam adegan kompleks dan penaakulan ruang tiga dimensi. Ia turut mencatatkan pengecaman individu atau jenama tertentu yang tidak lengkap. Minta pemerhatian visual yang terarah dan periksa bilangan, label atau kedudukan relatif tertentu yang menjadi asas hasil tersebut.
Pengeluar menyatakan bahawa set data imej dikemas kini hingga Jun 2023. Berikan konteks bertulis yang diperlukan untuk label terkini atau tidak dikenali, bukannya meminta gambar sahaja menentukan maklumat itu. Dalam nota yang dipulangkan, pastikan label yang dipetik dapat dibezakan daripada identiti yang disimpulkan.
Konfigurasi checkpoint yang diterbitkan menetapkan 32,768 kedudukan maksimum. Sediakan soalan dan input visual dengan pemproses model yang sepadan, sambil mengekalkan susunan imej yang digunakan untuk permintaan. Pembantu asal menerima imej setempat, base64 dan alamat imej.
Simpan nama 2B Instruct yang dipilih, rujukan dan jawapan bertulis yang lengkap bersama-sama. Untuk susulan, sertakan bahan yang berkaitan dan kenal pasti pemerhatian atau pentafsiran tertentu yang perlu disemak semula, kemudian bandingkan hasil yang dibetulkan dengan sumber tersebut.
Melalui Ailoot, gunakan ID model yang tepat dalam /v1/chat/completions dan simpan imej bersama soalannya dalam perbualan. Bentuk kandungan imej menggunakan image_url; sumber imej yang disokong boleh membawa alamat imej atau URI data base64. Kumpulkan jawapan JSON yang lengkap atau semua segmen SSE apabila stream diaktifkan, dan simpan usage bersama hasil yang lengkap.
POST /v1/chat/completionstext, imagetext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2-vl-2b-instruct Syarat: Gunakan pemilih penghalaan Ailoot ini tepat seperti yang dinyatakan. | Lalai— |
Medanmessages | Jenisarray | KeperluanDiperlukan | Nilai & had Syarat: | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had Syarat: | Lalaifalse |
text_input · Diperlukan: messages
image_with_text · Diperlukan: messages with actual image content blocks
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parameteroptional | Kontrakstream |
Parametermaterial_types | Kontraktext, image |
Parameterconditions | KontrakGunakan pemilih penghalaan Ailoot ini tepat seperti yang dinyatakan., Protokol ini membawa kandungan imej jika model yang dipilih itu menyokong penglihatan. Penerimaan oleh protokol tidak membuktikan keupayaan imej bagi setiap model. |
Alias kaedah: /chat/completions
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 / 1K token Output · Token output $0 / 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}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2-vl-2b-instruct", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap blok kandungan, ID panggilan alat, tandatangan pemikiran apabila dikembalikan, semua delta SSE dan data penggunaan lengkap. Fragmen teks pertama bukan keseluruhan hasil.
Simpan X-Client-Request-ID asal, respons dan pengepala. Hasil yang tidak diketahui atau result_pending_check tidak membenarkan penciptaan kedua.
| Medan | Jenis |
|---|---|
Medanchoices[] | Jenisobject |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, pemilih model, jenis atau bentuk input tidak sah. | Langkah seterusnyaSemak butiran pengesahan yang dikembalikan sebelum menyediakan permintaan berasingan. |
Respons | SyaratPermintaan atau hasil asal tidak diketahui atau memerlukan semakan. | Langkah seterusnyaSimpan pengecam dan pengepala asal; baca hanya rekod status/pustaka yang disokong. Jangan hantar semula permintaan penciptaan. |
Ailoot Ultra qwen2-vl-2b-instruct
/chat/completions
qwen2-vl-2b-instructQwen2-VL-2B-Instruct ialah model bahasa visual Qwen untuk soalan imej, teks berbilang bahasa dalam gambar dan penerangan visual. Berikan imej yang boleh dibaca dan soalan yang tepat untuk hasil bertulis yang berpaut pada bukti yang kelihatan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen2-VL-2B-Instruct ialah model bahasa visual 2B Qwen yang ditala untuk arahan bagi soalan imej dan teks. Pengeluar menerangkan pengendalian imej dengan pelbagai resolusi dan nisbah bidang serta pemahaman teks dalam beberapa bahasa di dalam gambar. Hasil yang dijana ialah respons bertulis kepada bahan visual dan soalan yang diberikan. Pengeluar turut menerangkan penggunaan ejen visual dengan peranti seperti telefon dan robot. Untuk aliran kerja itu, berikan persekitaran visual semasa dan arahan teks; aplikasi sekeliling menjalankan operasi yang dicadangkan dan memulangkan keadaan yang diperhatikan untuk soalan seterusnya.
Pilih imej yang mengandungi bukti yang diperlukan untuk jawapan, kemudian kenal pasti butiran yang perlu ditafsir. Soalan dokumen boleh bertanya tentang petikan yang kelihatan; soalan carta boleh mengenal pasti siri, paksi dan perbandingan yang perlu diterangkan. Simpan pengecam imej bersama hasil yang diminta supaya respons kekal terikat pada rujukan yang betul.
Pengeluar menyenaraikan pemahaman imej dan teks selain bahasa Inggeris dan Cina, termasuk bahasa Eropah, Jepun, Korea, Arab dan Vietnam. Kekalkan perkataan dan tulisan asal apabila meminta transkripsi, penerangan atau terjemahan teks yang kelihatan. Contoh taklimat boleh meminta label yang dipaparkan serta penerangan berasingan tentang maknanya.
Qwen2-VL menggunakan resolusi dinamik untuk memetakan imej kepada bilangan token visual yang berubah-ubah. Dalam contoh pemproses asal, julat lalai ialah 4 hingga 16,384 token visual bagi setiap imej. Panduan asalnya menunjukkan tetapan piksel minimum dan maksimum, termasuk julat penyediaan token imej yang lebih sempit, 256 hingga 1,280, untuk mengimbangkan butiran dengan keperluan pemprosesan. Tetapan ini mengekalkan nisbah bidang semasa mengubah saiz.
Pengeluar turut membenarkan permintaan tinggi dan lebar yang diubah saiz, dibundarkan kepada gandaan 28. Pilih penyediaan yang memastikan label penting boleh dibaca, dan simpan imej asal apabila menggunakan potongan. Contoh asal merangkumi berbilang imej dan kelompok, membolehkan rujukan berasingan dikenal pasti dalam soalan.
Pengeluar mengenal pasti batasan dalam arahan berbilang langkah yang rumit, pengiraan objek dalam adegan kompleks dan penaakulan ruang tiga dimensi. Ia turut mencatatkan pengecaman individu atau jenama tertentu yang tidak lengkap. Minta pemerhatian visual yang terarah dan periksa bilangan, label atau kedudukan relatif tertentu yang menjadi asas hasil tersebut.
Pengeluar menyatakan bahawa set data imej dikemas kini hingga Jun 2023. Berikan konteks bertulis yang diperlukan untuk label terkini atau tidak dikenali, bukannya meminta gambar sahaja menentukan maklumat itu. Dalam nota yang dipulangkan, pastikan label yang dipetik dapat dibezakan daripada identiti yang disimpulkan.
Konfigurasi checkpoint yang diterbitkan menetapkan 32,768 kedudukan maksimum. Sediakan soalan dan input visual dengan pemproses model yang sepadan, sambil mengekalkan susunan imej yang digunakan untuk permintaan. Pembantu asal menerima imej setempat, base64 dan alamat imej.
Simpan nama 2B Instruct yang dipilih, rujukan dan jawapan bertulis yang lengkap bersama-sama. Untuk susulan, sertakan bahan yang berkaitan dan kenal pasti pemerhatian atau pentafsiran tertentu yang perlu disemak semula, kemudian bandingkan hasil yang dibetulkan dengan sumber tersebut.
Melalui Ailoot, gunakan ID model yang tepat dalam /v1/chat/completions dan simpan imej bersama soalannya dalam perbualan. Bentuk kandungan imej menggunakan image_url; sumber imej yang disokong boleh membawa alamat imej atau URI data base64. Kumpulkan jawapan JSON yang lengkap atau semua segmen SSE apabila stream diaktifkan, dan simpan usage bersama hasil yang lengkap.
POST /v1/messagestext, imagejson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen2-vl-2b-instruct Syarat: Gunakan pemilih penghalaan Ailoot ini tepat seperti yang dinyatakan. | Lalai— |
Medanmessages | Jenisarray | KeperluanDiperlukan | Nilai & had Syarat: | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had Syarat: | Lalaifalse |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had Minimum: 1 Syarat: | Lalai— |
text_input · Diperlukan: messages
image_with_text · Diperlukan: messages with actual image content blocks
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional | Kontrakstream |
Parametermaterial_types | Kontraktext, image |
Parameterconditions | KontrakGunakan pemilih penghalaan Ailoot ini tepat seperti yang dinyatakan., Protokol ini membawa kandungan imej jika model yang dipilih itu menyokong penglihatan. Penerimaan oleh protokol tidak membuktikan keupayaan imej bagi setiap model. |
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 / 1K token Output · Token output $0 / 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}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2-vl-2b-instruct", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}], "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap blok kandungan, ID panggilan alat, tandatangan pemikiran apabila dikembalikan, semua delta SSE dan data penggunaan lengkap. Fragmen teks pertama bukan keseluruhan hasil.
Simpan X-Client-Request-ID asal, respons dan pengepala. Hasil yang tidak diketahui atau result_pending_check tidak membenarkan penciptaan kedua.
| Medan | Jenis |
|---|---|
Medancontent[] | Jenisobject |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, pemilih model, jenis atau bentuk input tidak sah. | Langkah seterusnyaSemak butiran pengesahan yang dikembalikan sebelum menyediakan permintaan berasingan. |
Respons | SyaratPermintaan atau hasil asal tidak diketahui atau memerlukan semakan. | Langkah seterusnyaSimpan pengecam dan pengepala asal; baca hanya rekod status/pustaka yang disokong. Jangan hantar semula permintaan penciptaan. |
Ailoot Ultra qwen2-vl-2b-instruct
/chat/completions