Pengenalan: edisi penglihatan-bahasa 7B
Qwen2-VL-7B-Instruct ialah ahli 7B dalam Qwen2-VL yang ditala mengikut arahan. Model ini menggabungkan arahan teks dengan imej atau video dan menghasilkan jawapan teks. Output yang berguna termasuk penjelasan halaman, perbandingan gambar, huraian peristiwa yang kelihatan atau respons kepada soalan tentang carta. Model ini kekal sebagai keluaran Qwen2-VL yang tepat ini; titik semak Qwen2.5-VL dan Qwen3-VL yang lebih baharu mempunyai keupayaan dan identitinya sendiri.
Tambahan daripada Qwen2-VL
Qwen menerangkan pemahaman visual merentas resolusi imej dan nisbah bidang yang berbeza, serta menjawab soalan video, dialog dan penciptaan kandungan. Keupayaan video keluarga ini yang didokumenkan merangkumi bahan melebihi 20 minit. Tempoh semata-mata tidak menetapkan bilangan bingkai yang diproses oleh aplikasi atau menjamin ingatan tentang setiap peristiwa. Pemahaman teks dalam imej berbilang bahasa merangkumi bahasa Inggeris dan Cina, banyak bahasa Eropah, bahasa Jepun, Korea, Arab dan Vietnam.
Pembuat juga menerangkan integrasi dengan telefon, robot dan peranti lain melalui pemerhatian visual dan arahan teks. Itu ialah aliran kerja aplikasi: model mentafsir persekitaran visual dan membantu memilih tindakan, sementara perisian atau perkakasan yang disambungkan melaksanakannya. Pengecaman skrin tidak dengan sendirinya memberikan kawalan terhadap skrin itu.
Perubahan seni bina
Resolusi dinamik menukarkan imej kepada bilangan token visual yang berubah-ubah dan bukannya memaksa setiap input ke dalam representasi yang sama. M-ROPE memisahkan maklumat kedudukan bagi teks, imej dua dimensi dan maklumat video tiga dimensi, sambil menggabungkan struktur ruang dan masa. Konfigurasi 7B yang diterbitkan menyenaraikan 32,768 kedudukan. Teks, token visual dan output yang dijana berkongsi peruntukan urutan yang terhad, jadi resolusi imej dan pensampelan video mempengaruhi jumlah bahan yang boleh dimasukkan dalam permintaan.
Penyediaan imej dan perbualan
Contoh rasmi menyokong satu imej, beberapa imej dan perbualan teks sahaja. Lampirkan imej bersama soalan khusus, bukannya bergantung pada arahan luas seperti “analisis semuanya”. Untuk halaman dokumen, minta medan tertentu dan kekalkan tanda baca dalam petikan. Untuk dua tangkap layar reka bentuk, labelkannya sebagai pertama dan kedua, kemudian minta jadual perubahan yang kelihatan. Untuk carta, minta label, unit dan nilai yang menyokong trend yang dinyatakan. Ini ialah aplikasi praktikal menjawab soalan visual, bukannya janji pengekstrakan tanpa ralat.
Utiliti pembuat menerima imej daripada fail setempat, data imej yang dikodkan atau lokasi imej; contoh video yang didokumenkan menggunakan fail video setempat atau senarai bingkai tersusun. Format muat naik aplikasi kekal sebagai keputusan antara muka yang berasingan. Kekalkan urutan bingkai asal dan nyatakan selang masa yang diwakili senarai bingkai. Contoh tersebut menjana teks; titik semak ini tidak diterangkan sebagai penjana imej atau video.
Resolusi dan penyediaan video
Pemproses Qwen menggunakan julat lalai empat hingga 16,384 token visual bagi setiap imej. Pemproses ini menyediakan min_pixels dan max_pixels untuk mengimbangkan butiran dengan memori dan pengiraan, dengan contoh terdokumen yang menyasarkan 256–1,280 token visual. Imej diubah saiz dalam batas yang dipilih sambil mengekalkan nisbah bidangnya. Dimensi saiz semula yang dinyatakan secara nyata dibundarkan kepada gandaan 28. Jadual padat atau tulisan kecil mungkin memerlukan resolusi yang mencukupi untuk kekal boleh dibaca; peningkatan resolusi juga menggunakan lebih banyak peruntukan visual dan konteks yang tersedia.
Contoh video menunjukkan kadar pensampelan satu bingkai sesaat dan batas piksel yang boleh dikonfigurasikan. Itu ialah tetapan contoh, bukannya kadar wajib sejagat atau had media mutlak. Untuk semakan peristiwa, berikan klip yang berkaitan dan minta catatan tersusun tentang perubahan yang kelihatan. Peristiwa yang berlaku hampir serentak mungkin memerlukan pensampelan lebih terperinci berbanding ringkasan adegan umum. Qwen2-VL tidak memahami maklumat audio dalam video, jadi dialog pertuturan atau kesan bunyi memerlukan aliran kerja audio yang berasingan.
Batasan yang diketahui
Qwen merekodkan tarikh akhir data latihan imej pada Jun 2023, tanpa jaminan pengetahuan tentang orang, produk atau peristiwa selepas itu. Pengecaman individu tertentu dan harta intelek tidak lengkap. Arahan berbilang langkah yang kompleks, bilangan objek dalam adegan sesak dan hubungan ruang—terutamanya dalam tiga dimensi—ialah kelemahan yang didokumenkan. Bahagikan tugasan visual yang rumit kepada soalan jelas, minta bukti yang kelihatan yang menyokong hasil dan semak angka yang diekstrak serta teks yang dipetik dengan imej. Kapsyen yang munasabah tidak patut dianggap sebagai kiraan tepat atau lokasi tiga dimensi yang diukur.
Contoh penjanaan pendek pada kad ini tidak menetapkan had output mutlak yang berasingan. Rancang saiz jawapan bersama input teks dan visual, dan kekalkan butiran sumber yang mencukupi untuk soalan tertentu. Ini menjadikan pemilihan model dan penyediaan input lebih berguna berbanding menganggap mana-mana gambar atau video panjang memberikan jawapan yang sama andalnya.
", "aboutText": "Pengenalan: edisi penglihatan-bahasa 7B\n\nQwen2-VL-7B-Instruct ialah ahli 7B dalam Qwen2-VL yang ditala mengikut arahan. Model ini menggabungkan arahan teks dengan imej atau video dan menghasilkan jawapan teks. Output yang berguna termasuk penjelasan halaman, perbandingan gambar, huraian peristiwa yang kelihatan atau respons kepada soalan tentang carta. Model ini kekal sebagai keluaran Qwen2-VL yang tepat ini; titik semak Qwen2.5-VL dan Qwen3-VL yang lebih baharu mempunyai keupayaan dan identitinya sendiri.\n\nTambahan daripada Qwen2-VL\n\nQwen menerangkan pemahaman visual merentas resolusi imej dan nisbah bidang yang berbeza, serta menjawab soalan video, dialog dan penciptaan kandungan. Keupayaan video keluarga ini yang didokumenkan merangkumi bahan melebihi 20 minit. Tempoh semata-mata tidak menetapkan bilangan bingkai yang diproses oleh aplikasi atau menjamin ingatan tentang setiap peristiwa. Pemahaman teks dalam imej berbilang bahasa merangkumi bahasa Inggeris dan Cina, banyak bahasa Eropah, bahasa Jepun, Korea, Arab dan Vietnam.\n\nPembuat juga menerangkan integrasi dengan telefon, robot dan peranti lain melalui pemerhatian visual dan arahan teks. Itu ialah aliran kerja aplikasi: model mentafsir persekitaran visual dan membantu memilih tindakan, sementara perisian atau perkakasan yang disambungkan melaksanakannya. Pengecaman skrin tidak dengan sendirinya memberikan kawalan terhadap skrin itu.\n\nPerubahan seni bina\n\nResolusi dinamik menukarkan imej kepada bilangan token visual yang berubah-ubah dan bukannya memaksa setiap input ke dalam representasi yang sama. M-ROPE memisahkan maklumat kedudukan bagi teks, imej dua dimensi dan maklumat video tiga dimensi, sambil menggabungkan struktur ruang dan masa. Konfigurasi 7B yang diterbitkan menyenaraikan 32,768 kedudukan. Teks, token visual dan output yang dijana berkongsi peruntukan urutan yang terhad, jadi resolusi imej dan pensampelan video mempengaruhi jumlah bahan yang boleh dimasukkan dalam permintaan.\n\nPenyediaan imej dan perbualan\n\nContoh rasmi menyokong satu imej, beberapa imej dan perbualan teks sahaja. Lampirkan imej bersama soalan khusus, bukannya bergantung pada arahan luas seperti “analisis semuanya”. Untuk halaman dokumen, minta medan tertentu dan kekalkan tanda baca dalam petikan. Untuk dua tangkap layar reka bentuk, labelkannya sebagai pertama dan kedua, kemudian minta jadual perubahan yang kelihatan. Untuk carta, minta label, unit dan nilai yang menyokong trend yang dinyatakan. Ini ialah aplikasi praktikal menjawab soalan visual, bukannya janji pengekstrakan tanpa ralat.\n\nUtiliti pembuat menerima imej daripada fail setempat, data imej yang dikodkan atau lokasi imej; contoh video yang didokumenkan menggunakan fail video setempat atau senarai bingkai tersusun. Format muat naik aplikasi kekal sebagai keputusan antara muka yang berasingan. Kekalkan urutan bingkai asal dan nyatakan selang masa yang diwakili senarai bingkai. Contoh tersebut menjana teks; titik semak ini tidak diterangkan sebagai penjana imej atau video.\n\nResolusi dan penyediaan video\n\nPemproses Qwen menggunakan julat lalai empat hingga 16,384 token visual bagi setiap imej. Pemproses ini menyediakan min_pixels dan max_pixels untuk mengimbangkan butiran dengan memori dan pengiraan, dengan contoh terdokumen yang menyasarkan 256–1,280 token visual. Imej diubah saiz dalam batas yang dipilih sambil mengekalkan nisbah bidangnya. Dimensi saiz semula yang dinyatakan secara nyata dibundarkan kepada gandaan 28. Jadual padat atau tulisan kecil mungkin memerlukan resolusi yang mencukupi untuk kekal boleh dibaca; peningkatan resolusi juga menggunakan lebih banyak peruntukan visual dan konteks yang tersedia.\n\nContoh video menunjukkan kadar pensampelan satu bingkai sesaat dan batas piksel yang boleh dikonfigurasikan. Itu ialah tetapan contoh, bukannya kadar wajib sejagat atau had media mutlak. Untuk semakan peristiwa, berikan klip yang berkaitan dan minta catatan tersusun tentang perubahan yang kelihatan. Peristiwa yang berlaku hampir serentak mungkin memerlukan pensampelan lebih terperinci berbanding ringkasan adegan umum. Qwen2-VL tidak memahami maklumat audio dalam video, jadi dialog pertuturan atau kesan bunyi memerlukan aliran kerja audio yang berasingan.\n\nBatasan yang diketahui\n\nQwen merekodkan tarikh akhir data latihan imej pada Jun 2023, tanpa jaminan pengetahuan tentang orang, produk atau peristiwa selepas itu. Pengecaman individu tertentu dan harta intelek tidak lengkap. Arahan berbilang langkah yang kompleks, bilangan objek dalam adegan sesak dan hubungan ruang—terutamanya dalam tiga dimensi—ialah kelemahan yang didokumenkan. Bahagikan tugasan visual yang rumit kepada soalan jelas, minta bukti yang kelihatan yang menyokong hasil dan semak angka yang diekstrak serta teks yang dipetik dengan imej. Kapsyen yang munasabah tidak patut dianggap sebagai kiraan tepat atau lokasi tiga dimensi yang diukur.\n\nContoh penjanaan pendek pada kad ini tidak menetapkan had output mutlak yang berasingan. Rancang saiz jawapan bersama input teks dan visual, dan kekalkan butiran sumber yang mencukupi untuk soalan tertentu. Ini menjadikan pemilihan model dan penyediaan input lebih berguna berbanding menganggap mana-mana gambar atau video panjang memberikan jawapan yang sama andalnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct ialah model penglihatan-bahasa Qwen yang ditala mengikut arahan untuk teks, imej dan video, dengan output teks. Gunakannya untuk bertanya tentang halaman dokumen, membandingkan gambar atau menerangkan peristiwa visual, dengan resolusi imej dinamik dan batasan terdokumen dalam pengiraan, penaakulan ruang serta pemahaman audio dalam video.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: edisi penglihatan-bahasa 7B
Qwen2-VL-7B-Instruct ialah ahli 7B dalam Qwen2-VL yang ditala mengikut arahan. Model ini menggabungkan arahan teks dengan imej atau video dan menghasilkan jawapan teks. Output yang berguna termasuk penjelasan halaman, perbandingan gambar, huraian peristiwa yang kelihatan atau respons kepada soalan tentang carta. Model ini kekal sebagai keluaran Qwen2-VL yang tepat ini; titik semak Qwen2.5-VL dan Qwen3-VL yang lebih baharu mempunyai keupayaan dan identitinya sendiri.
Tambahan daripada Qwen2-VL
Qwen menerangkan pemahaman visual merentas resolusi imej dan nisbah bidang yang berbeza, serta menjawab soalan video, dialog dan penciptaan kandungan. Keupayaan video keluarga ini yang didokumenkan merangkumi bahan melebihi 20 minit. Tempoh semata-mata tidak menetapkan bilangan bingkai yang diproses oleh aplikasi atau menjamin ingatan tentang setiap peristiwa. Pemahaman teks dalam imej berbilang bahasa merangkumi bahasa Inggeris dan Cina, banyak bahasa Eropah, bahasa Jepun, Korea, Arab dan Vietnam.
Pembuat juga menerangkan integrasi dengan telefon, robot dan peranti lain melalui pemerhatian visual dan arahan teks. Itu ialah aliran kerja aplikasi: model mentafsir persekitaran visual dan membantu memilih tindakan, sementara perisian atau perkakasan yang disambungkan melaksanakannya. Pengecaman skrin tidak dengan sendirinya memberikan kawalan terhadap skrin itu.
Perubahan seni bina
Resolusi dinamik menukarkan imej kepada bilangan token visual yang berubah-ubah dan bukannya memaksa setiap input ke dalam representasi yang sama. M-ROPE memisahkan maklumat kedudukan bagi teks, imej dua dimensi dan maklumat video tiga dimensi, sambil menggabungkan struktur ruang dan masa. Konfigurasi 7B yang diterbitkan menyenaraikan 32,768 kedudukan. Teks, token visual dan output yang dijana berkongsi peruntukan urutan yang terhad, jadi resolusi imej dan pensampelan video mempengaruhi jumlah bahan yang boleh dimasukkan dalam permintaan.
Penyediaan imej dan perbualan
Contoh rasmi menyokong satu imej, beberapa imej dan perbualan teks sahaja. Lampirkan imej bersama soalan khusus, bukannya bergantung pada arahan luas seperti “analisis semuanya”. Untuk halaman dokumen, minta medan tertentu dan kekalkan tanda baca dalam petikan. Untuk dua tangkap layar reka bentuk, labelkannya sebagai pertama dan kedua, kemudian minta jadual perubahan yang kelihatan. Untuk carta, minta label, unit dan nilai yang menyokong trend yang dinyatakan. Ini ialah aplikasi praktikal menjawab soalan visual, bukannya janji pengekstrakan tanpa ralat.
Utiliti pembuat menerima imej daripada fail setempat, data imej yang dikodkan atau lokasi imej; contoh video yang didokumenkan menggunakan fail video setempat atau senarai bingkai tersusun. Format muat naik aplikasi kekal sebagai keputusan antara muka yang berasingan. Kekalkan urutan bingkai asal dan nyatakan selang masa yang diwakili senarai bingkai. Contoh tersebut menjana teks; titik semak ini tidak diterangkan sebagai penjana imej atau video.
Resolusi dan penyediaan video
Pemproses Qwen menggunakan julat lalai empat hingga 16,384 token visual bagi setiap imej. Pemproses ini menyediakan min_pixels dan max_pixels untuk mengimbangkan butiran dengan memori dan pengiraan, dengan contoh terdokumen yang menyasarkan 256–1,280 token visual. Imej diubah saiz dalam batas yang dipilih sambil mengekalkan nisbah bidangnya. Dimensi saiz semula yang dinyatakan secara nyata dibundarkan kepada gandaan 28. Jadual padat atau tulisan kecil mungkin memerlukan resolusi yang mencukupi untuk kekal boleh dibaca; peningkatan resolusi juga menggunakan lebih banyak peruntukan visual dan konteks yang tersedia.
Contoh video menunjukkan kadar pensampelan satu bingkai sesaat dan batas piksel yang boleh dikonfigurasikan. Itu ialah tetapan contoh, bukannya kadar wajib sejagat atau had media mutlak. Untuk semakan peristiwa, berikan klip yang berkaitan dan minta catatan tersusun tentang perubahan yang kelihatan. Peristiwa yang berlaku hampir serentak mungkin memerlukan pensampelan lebih terperinci berbanding ringkasan adegan umum. Qwen2-VL tidak memahami maklumat audio dalam video, jadi dialog pertuturan atau kesan bunyi memerlukan aliran kerja audio yang berasingan.
Batasan yang diketahui
Qwen merekodkan tarikh akhir data latihan imej pada Jun 2023, tanpa jaminan pengetahuan tentang orang, produk atau peristiwa selepas itu. Pengecaman individu tertentu dan harta intelek tidak lengkap. Arahan berbilang langkah yang kompleks, bilangan objek dalam adegan sesak dan hubungan ruang—terutamanya dalam tiga dimensi—ialah kelemahan yang didokumenkan. Bahagikan tugasan visual yang rumit kepada soalan jelas, minta bukti yang kelihatan yang menyokong hasil dan semak angka yang diekstrak serta teks yang dipetik dengan imej. Kapsyen yang munasabah tidak patut dianggap sebagai kiraan tepat atau lokasi tiga dimensi yang diukur.
Contoh penjanaan pendek pada kad ini tidak menetapkan had output mutlak yang berasingan. Rancang saiz jawapan bersama input teks dan visual, dan kekalkan butiran sumber yang mencukupi untuk soalan tertentu. Ini menjadikan pemilihan model dan penyediaan input lebih berguna berbanding menganggap mana-mana gambar atau video panjang memberikan jawapan yang sama andalnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Output · Token output $0.00142 / 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-VL-7B-Instruct-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen2-VL-7B-Instruct-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen2-VL-7B-Instruct-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-VL-7B-Instruct-ultra
Gunakan laluan kaedah yang dipaparkan di atas.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct ialah model penglihatan-bahasa Qwen yang ditala mengikut arahan untuk teks, imej dan video, dengan output teks. Gunakannya untuk bertanya tentang halaman dokumen, membandingkan gambar atau menerangkan peristiwa visual, dengan resolusi imej dinamik dan batasan terdokumen dalam pengiraan, penaakulan ruang serta pemahaman audio dalam video.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: edisi penglihatan-bahasa 7B
Qwen2-VL-7B-Instruct ialah ahli 7B dalam Qwen2-VL yang ditala mengikut arahan. Model ini menggabungkan arahan teks dengan imej atau video dan menghasilkan jawapan teks. Output yang berguna termasuk penjelasan halaman, perbandingan gambar, huraian peristiwa yang kelihatan atau respons kepada soalan tentang carta. Model ini kekal sebagai keluaran Qwen2-VL yang tepat ini; titik semak Qwen2.5-VL dan Qwen3-VL yang lebih baharu mempunyai keupayaan dan identitinya sendiri.
Tambahan daripada Qwen2-VL
Qwen menerangkan pemahaman visual merentas resolusi imej dan nisbah bidang yang berbeza, serta menjawab soalan video, dialog dan penciptaan kandungan. Keupayaan video keluarga ini yang didokumenkan merangkumi bahan melebihi 20 minit. Tempoh semata-mata tidak menetapkan bilangan bingkai yang diproses oleh aplikasi atau menjamin ingatan tentang setiap peristiwa. Pemahaman teks dalam imej berbilang bahasa merangkumi bahasa Inggeris dan Cina, banyak bahasa Eropah, bahasa Jepun, Korea, Arab dan Vietnam.
Pembuat juga menerangkan integrasi dengan telefon, robot dan peranti lain melalui pemerhatian visual dan arahan teks. Itu ialah aliran kerja aplikasi: model mentafsir persekitaran visual dan membantu memilih tindakan, sementara perisian atau perkakasan yang disambungkan melaksanakannya. Pengecaman skrin tidak dengan sendirinya memberikan kawalan terhadap skrin itu.
Perubahan seni bina
Resolusi dinamik menukarkan imej kepada bilangan token visual yang berubah-ubah dan bukannya memaksa setiap input ke dalam representasi yang sama. M-ROPE memisahkan maklumat kedudukan bagi teks, imej dua dimensi dan maklumat video tiga dimensi, sambil menggabungkan struktur ruang dan masa. Konfigurasi 7B yang diterbitkan menyenaraikan 32,768 kedudukan. Teks, token visual dan output yang dijana berkongsi peruntukan urutan yang terhad, jadi resolusi imej dan pensampelan video mempengaruhi jumlah bahan yang boleh dimasukkan dalam permintaan.
Penyediaan imej dan perbualan
Contoh rasmi menyokong satu imej, beberapa imej dan perbualan teks sahaja. Lampirkan imej bersama soalan khusus, bukannya bergantung pada arahan luas seperti “analisis semuanya”. Untuk halaman dokumen, minta medan tertentu dan kekalkan tanda baca dalam petikan. Untuk dua tangkap layar reka bentuk, labelkannya sebagai pertama dan kedua, kemudian minta jadual perubahan yang kelihatan. Untuk carta, minta label, unit dan nilai yang menyokong trend yang dinyatakan. Ini ialah aplikasi praktikal menjawab soalan visual, bukannya janji pengekstrakan tanpa ralat.
Utiliti pembuat menerima imej daripada fail setempat, data imej yang dikodkan atau lokasi imej; contoh video yang didokumenkan menggunakan fail video setempat atau senarai bingkai tersusun. Format muat naik aplikasi kekal sebagai keputusan antara muka yang berasingan. Kekalkan urutan bingkai asal dan nyatakan selang masa yang diwakili senarai bingkai. Contoh tersebut menjana teks; titik semak ini tidak diterangkan sebagai penjana imej atau video.
Resolusi dan penyediaan video
Pemproses Qwen menggunakan julat lalai empat hingga 16,384 token visual bagi setiap imej. Pemproses ini menyediakan min_pixels dan max_pixels untuk mengimbangkan butiran dengan memori dan pengiraan, dengan contoh terdokumen yang menyasarkan 256–1,280 token visual. Imej diubah saiz dalam batas yang dipilih sambil mengekalkan nisbah bidangnya. Dimensi saiz semula yang dinyatakan secara nyata dibundarkan kepada gandaan 28. Jadual padat atau tulisan kecil mungkin memerlukan resolusi yang mencukupi untuk kekal boleh dibaca; peningkatan resolusi juga menggunakan lebih banyak peruntukan visual dan konteks yang tersedia.
Contoh video menunjukkan kadar pensampelan satu bingkai sesaat dan batas piksel yang boleh dikonfigurasikan. Itu ialah tetapan contoh, bukannya kadar wajib sejagat atau had media mutlak. Untuk semakan peristiwa, berikan klip yang berkaitan dan minta catatan tersusun tentang perubahan yang kelihatan. Peristiwa yang berlaku hampir serentak mungkin memerlukan pensampelan lebih terperinci berbanding ringkasan adegan umum. Qwen2-VL tidak memahami maklumat audio dalam video, jadi dialog pertuturan atau kesan bunyi memerlukan aliran kerja audio yang berasingan.
Batasan yang diketahui
Qwen merekodkan tarikh akhir data latihan imej pada Jun 2023, tanpa jaminan pengetahuan tentang orang, produk atau peristiwa selepas itu. Pengecaman individu tertentu dan harta intelek tidak lengkap. Arahan berbilang langkah yang kompleks, bilangan objek dalam adegan sesak dan hubungan ruang—terutamanya dalam tiga dimensi—ialah kelemahan yang didokumenkan. Bahagikan tugasan visual yang rumit kepada soalan jelas, minta bukti yang kelihatan yang menyokong hasil dan semak angka yang diekstrak serta teks yang dipetik dengan imej. Kapsyen yang munasabah tidak patut dianggap sebagai kiraan tepat atau lokasi tiga dimensi yang diukur.
Contoh penjanaan pendek pada kad ini tidak menetapkan had output mutlak yang berasingan. Rancang saiz jawapan bersama input teks dan visual, dan kekalkan butiran sumber yang mencukupi untuk soalan tertentu. Ini menjadikan pemilihan model dan penyediaan input lebih berguna berbanding menganggap mana-mana gambar atau video panjang memberikan jawapan yang sama andalnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Output · Token output $0.00142 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen2-VL-7B-Instruct-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen2-VL-7B-Instruct-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-VL-7B-Instruct-ultra
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.