Qwen2.5-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven av Qwen2.5-VL, utformet for å forstå visuelt materiale sammen med tekst. Qwen beskriver gjenkjenning av objekter, produkter og landemerker, samt tolkning av tekst, diagrammer, ikoner, grafikk og oppsett i bilder. Inndata kombinerer et skriftlig spørsmål med ett eller flere bilder eller en video; utdata er tekst, inkludert strukturerte beskrivelser og uttrukket informasjon. Sammenlignet med Qwen2-VL fremhever produsenten forbedret forståelse av tid og bildeskala og en revidert visuell enkoder med dynamisk oppløsning som bruker vindusoppmerksomhet.
Visuell lokalisering er en separat funksjon fra å beskrive et bilde. Modellen kan returnere avgrensningsbokser eller punkter, med etiketter og attributter i JSON. Qwen2.5-VL bruker koordinater i bildets faktiske størrelsesskala i stedet for et normalisert koordinatsystem. Navngi objektene som skal lokaliseres og gi de nødvendige feltene, som bbox_2d og label, sammen med tolkningen av koordinatene. Hvis et bilde endrer størrelse før analysen, beholder du størrelsesinformasjonen sammen med de returnerte koordinatene slik at de kan tolkes mot samme bilde. Qwens eksempler kombinerer deteksjon med telling og objektbeskrivelser.
Produsenten fremhever tekstgjenkjenning på tvers av språk, retninger og ulike scenetyper. Eksemplene trekker ut tekstlinjer, knytter tekst til steder og henter angitte felt fra kvitteringer eller skjemaer. For en dokumentoppgave gir du en tydelig skanning, definerer feltene og sier hvordan fraværende eller uleselig informasjon skal vises. Et eksempelresultat kan være en strukturert post med dokumentidentifikator, dato og linjeelementer, der usikkerheter holdes atskilt fra det som er synlig til stede. Det oppgitte bildet gir grunnlaget for uttrekket.
Qwens kunngjøring introduserer QwenVL HTML for dokumenttolking med oppsettsinformasjon. Den viser magasiner, forskningsartikler, nettsider og mobilskjermbilder og kombinerer overskrifter, avsnitt, bilder og formler med informasjon om avgrensningsbokser. Dette er nyttig når leserekkefølge og sidestruktur er like viktige som ordene. Be eksplisitt om representasjonen: ren tekst for lesing, JSON for utvalgte felt eller produsentens oppsettsorienterte HTML-format. En skannet rapport kan organiseres i overskrifter og avsnitt før en ny instruksjon ber om et sammendrag av en bestemt del.
For video dokumenterer Qwen forståelse av materiale som er lengre enn én time, hendelsessøk og tidslokalisering ned til sekunder. Trening med dynamisk bildefrekvens og absolutt tidskoding hjelper med å representere hendelsenes tempo og posisjon. Offisielle eksempler finner segmentet der en beskrevet handling skjer og returnerer en serie hendelser med starttider, sluttider og beskrivelser. Navngi hendelsen som skal finnes og angi sekunder eller et tidsstempelformat. En praktisk oppgave kan be om relevante segmenter i en lang demonstrasjon, fulgt av en kort beskrivelse av det som skjer i hvert segment.
Modellen presenteres også som en visuell agent for datamaskin- og mobilbruk: Den kan resonnere ut fra en skjerm og styre verktøy mot en oppgave. Lokalisering og skjermforståelse kan finne en relevant kontroll eller neste tiltenkte samhandling. En applikasjon gir skjermen, tilgjengelige handlinger og målet, utfører en etterspurt handling og returnerer den nye tilstanden. Oppgaven kan for eksempel be om kontrollen som trengs for å nå en angitt visning, med et punkt eller en boks som identifiserer den. Modellens tekstlige handlingsbeskrivelse og applikasjonens utførte samhandling er separate trinn.
Qwens prosessor tillater kontroll over antall bildepiksler. Det dokumenterte standardområdet er 4 til 16 384 visuelle tokener per bilde; 256 til 1 280 tokener er en eksempelinnstilling, ikke en universell bildegrense. Endring av størrelse kan bevare sideforholdet, og angitte dimensjoner avrundes til et multiplum av 28. Høyere oppløsning bruker mer beregning og kan bevare liten tekst eller detaljer i tette diagrammer. Tilpass forberedelsen til spørsmålet, hold viktige etiketter lesbare og den relevante siden eller regionen tydelig. Videoeksempler bruker bildesekvenser eller en video med bildefrekvensinformasjon, noe som er viktig når et svar må inneholde tidsstempler.
Kortets gjeldende konfigurasjon er satt til 32 768 konteksttokener. Det beskriver en YaRN-utvidelse, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler den ikke for disse oppgavene. Det diskuterer separat å øke posisjonsinnstillingen for lang video. Forståelse på timeskala er en dokumentert funksjon, ikke en universell grense for opplastingsvarighet eller utdatalengde. Velg et resultat som beholder informasjonen som trengs videre: felt for en post, koordinater for lokalisering, oppsett for et dokument eller tidsangitte beskrivelser for en video.
", "aboutText": "Qwen2.5-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven av Qwen2.5-VL, utformet for å forstå visuelt materiale sammen med tekst. Qwen beskriver gjenkjenning av objekter, produkter og landemerker, samt tolkning av tekst, diagrammer, ikoner, grafikk og oppsett i bilder. Inndata kombinerer et skriftlig spørsmål med ett eller flere bilder eller en video; utdata er tekst, inkludert strukturerte beskrivelser og uttrukket informasjon. Sammenlignet med Qwen2-VL fremhever produsenten forbedret forståelse av tid og bildeskala og en revidert visuell enkoder med dynamisk oppløsning som bruker vindusoppmerksomhet.\n\nVisuell lokalisering er en separat funksjon fra å beskrive et bilde. Modellen kan returnere avgrensningsbokser eller punkter, med etiketter og attributter i JSON. Qwen2.5-VL bruker koordinater i bildets faktiske størrelsesskala i stedet for et normalisert koordinatsystem. Navngi objektene som skal lokaliseres og gi de nødvendige feltene, som bbox_2d og label, sammen med tolkningen av koordinatene. Hvis et bilde endrer størrelse før analysen, beholder du størrelsesinformasjonen sammen med de returnerte koordinatene slik at de kan tolkes mot samme bilde. Qwens eksempler kombinerer deteksjon med telling og objektbeskrivelser.\n\nProdusenten fremhever tekstgjenkjenning på tvers av språk, retninger og ulike scenetyper. Eksemplene trekker ut tekstlinjer, knytter tekst til steder og henter angitte felt fra kvitteringer eller skjemaer. For en dokumentoppgave gir du en tydelig skanning, definerer feltene og sier hvordan fraværende eller uleselig informasjon skal vises. Et eksempelresultat kan være en strukturert post med dokumentidentifikator, dato og linjeelementer, der usikkerheter holdes atskilt fra det som er synlig til stede. Det oppgitte bildet gir grunnlaget for uttrekket.\n\nQwens kunngjøring introduserer QwenVL HTML for dokumenttolking med oppsettsinformasjon. Den viser magasiner, forskningsartikler, nettsider og mobilskjermbilder og kombinerer overskrifter, avsnitt, bilder og formler med informasjon om avgrensningsbokser. Dette er nyttig når leserekkefølge og sidestruktur er like viktige som ordene. Be eksplisitt om representasjonen: ren tekst for lesing, JSON for utvalgte felt eller produsentens oppsettsorienterte HTML-format. En skannet rapport kan organiseres i overskrifter og avsnitt før en ny instruksjon ber om et sammendrag av en bestemt del.\n\nFor video dokumenterer Qwen forståelse av materiale som er lengre enn én time, hendelsessøk og tidslokalisering ned til sekunder. Trening med dynamisk bildefrekvens og absolutt tidskoding hjelper med å representere hendelsenes tempo og posisjon. Offisielle eksempler finner segmentet der en beskrevet handling skjer og returnerer en serie hendelser med starttider, sluttider og beskrivelser. Navngi hendelsen som skal finnes og angi sekunder eller et tidsstempelformat. En praktisk oppgave kan be om relevante segmenter i en lang demonstrasjon, fulgt av en kort beskrivelse av det som skjer i hvert segment.\n\nModellen presenteres også som en visuell agent for datamaskin- og mobilbruk: Den kan resonnere ut fra en skjerm og styre verktøy mot en oppgave. Lokalisering og skjermforståelse kan finne en relevant kontroll eller neste tiltenkte samhandling. En applikasjon gir skjermen, tilgjengelige handlinger og målet, utfører en etterspurt handling og returnerer den nye tilstanden. Oppgaven kan for eksempel be om kontrollen som trengs for å nå en angitt visning, med et punkt eller en boks som identifiserer den. Modellens tekstlige handlingsbeskrivelse og applikasjonens utførte samhandling er separate trinn.\n\nQwens prosessor tillater kontroll over antall bildepiksler. Det dokumenterte standardområdet er 4 til 16 384 visuelle tokener per bilde; 256 til 1 280 tokener er en eksempelinnstilling, ikke en universell bildegrense. Endring av størrelse kan bevare sideforholdet, og angitte dimensjoner avrundes til et multiplum av 28. Høyere oppløsning bruker mer beregning og kan bevare liten tekst eller detaljer i tette diagrammer. Tilpass forberedelsen til spørsmålet, hold viktige etiketter lesbare og den relevante siden eller regionen tydelig. Videoeksempler bruker bildesekvenser eller en video med bildefrekvensinformasjon, noe som er viktig når et svar må inneholde tidsstempler.\n\nKortets gjeldende konfigurasjon er satt til 32 768 konteksttokener. Det beskriver en YaRN-utvidelse, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler den ikke for disse oppgavene. Det diskuterer separat å øke posisjonsinnstillingen for lang video. Forståelse på timeskala er en dokumentert funksjon, ikke en universell grense for opplastingsvarighet eller utdatalengde. Velg et resultat som beholder informasjonen som trengs videre: felt for en post, koordinater for lokalisering, oppsett for et dokument eller tidsangitte beskrivelser for en video.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct er Qwens modell for bilde- og språkforståelse til bilder, dokumenter, diagrammer og video. Den returnerer tekst, strukturerte uttrukne data og visuelle koordinater og kan finne hendelser i lang video eller resonnere om en datamaskin- eller mobilskjerm.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven av Qwen2.5-VL, utformet for å forstå visuelt materiale sammen med tekst. Qwen beskriver gjenkjenning av objekter, produkter og landemerker, samt tolkning av tekst, diagrammer, ikoner, grafikk og oppsett i bilder. Inndata kombinerer et skriftlig spørsmål med ett eller flere bilder eller en video; utdata er tekst, inkludert strukturerte beskrivelser og uttrukket informasjon. Sammenlignet med Qwen2-VL fremhever produsenten forbedret forståelse av tid og bildeskala og en revidert visuell enkoder med dynamisk oppløsning som bruker vindusoppmerksomhet.
Visuell lokalisering er en separat funksjon fra å beskrive et bilde. Modellen kan returnere avgrensningsbokser eller punkter, med etiketter og attributter i JSON. Qwen2.5-VL bruker koordinater i bildets faktiske størrelsesskala i stedet for et normalisert koordinatsystem. Navngi objektene som skal lokaliseres og gi de nødvendige feltene, som bbox_2d og label, sammen med tolkningen av koordinatene. Hvis et bilde endrer størrelse før analysen, beholder du størrelsesinformasjonen sammen med de returnerte koordinatene slik at de kan tolkes mot samme bilde. Qwens eksempler kombinerer deteksjon med telling og objektbeskrivelser.
Produsenten fremhever tekstgjenkjenning på tvers av språk, retninger og ulike scenetyper. Eksemplene trekker ut tekstlinjer, knytter tekst til steder og henter angitte felt fra kvitteringer eller skjemaer. For en dokumentoppgave gir du en tydelig skanning, definerer feltene og sier hvordan fraværende eller uleselig informasjon skal vises. Et eksempelresultat kan være en strukturert post med dokumentidentifikator, dato og linjeelementer, der usikkerheter holdes atskilt fra det som er synlig til stede. Det oppgitte bildet gir grunnlaget for uttrekket.
Qwens kunngjøring introduserer QwenVL HTML for dokumenttolking med oppsettsinformasjon. Den viser magasiner, forskningsartikler, nettsider og mobilskjermbilder og kombinerer overskrifter, avsnitt, bilder og formler med informasjon om avgrensningsbokser. Dette er nyttig når leserekkefølge og sidestruktur er like viktige som ordene. Be eksplisitt om representasjonen: ren tekst for lesing, JSON for utvalgte felt eller produsentens oppsettsorienterte HTML-format. En skannet rapport kan organiseres i overskrifter og avsnitt før en ny instruksjon ber om et sammendrag av en bestemt del.
For video dokumenterer Qwen forståelse av materiale som er lengre enn én time, hendelsessøk og tidslokalisering ned til sekunder. Trening med dynamisk bildefrekvens og absolutt tidskoding hjelper med å representere hendelsenes tempo og posisjon. Offisielle eksempler finner segmentet der en beskrevet handling skjer og returnerer en serie hendelser med starttider, sluttider og beskrivelser. Navngi hendelsen som skal finnes og angi sekunder eller et tidsstempelformat. En praktisk oppgave kan be om relevante segmenter i en lang demonstrasjon, fulgt av en kort beskrivelse av det som skjer i hvert segment.
Modellen presenteres også som en visuell agent for datamaskin- og mobilbruk: Den kan resonnere ut fra en skjerm og styre verktøy mot en oppgave. Lokalisering og skjermforståelse kan finne en relevant kontroll eller neste tiltenkte samhandling. En applikasjon gir skjermen, tilgjengelige handlinger og målet, utfører en etterspurt handling og returnerer den nye tilstanden. Oppgaven kan for eksempel be om kontrollen som trengs for å nå en angitt visning, med et punkt eller en boks som identifiserer den. Modellens tekstlige handlingsbeskrivelse og applikasjonens utførte samhandling er separate trinn.
Qwens prosessor tillater kontroll over antall bildepiksler. Det dokumenterte standardområdet er 4 til 16 384 visuelle tokener per bilde; 256 til 1 280 tokener er en eksempelinnstilling, ikke en universell bildegrense. Endring av størrelse kan bevare sideforholdet, og angitte dimensjoner avrundes til et multiplum av 28. Høyere oppløsning bruker mer beregning og kan bevare liten tekst eller detaljer i tette diagrammer. Tilpass forberedelsen til spørsmålet, hold viktige etiketter lesbare og den relevante siden eller regionen tydelig. Videoeksempler bruker bildesekvenser eller en video med bildefrekvensinformasjon, noe som er viktig når et svar må inneholde tidsstempler.
Kortets gjeldende konfigurasjon er satt til 32 768 konteksttokener. Det beskriver en YaRN-utvidelse, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler den ikke for disse oppgavene. Det diskuterer separat å øke posisjonsinnstillingen for lang video. Forståelse på timeskala er en dokumentert funksjon, ikke en universell grense for opplastingsvarighet eller utdatalengde. Velg et resultat som beholder informasjonen som trengs videre: felt for en post, koordinater for lokalisering, oppsett for et dokument eller tidsangitte beskrivelser for en video.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen2.5-vl-72b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0016 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0008 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0016 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0008 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Bruk metodestiene som vises ovenfor.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct er Qwens modell for bilde- og språkforståelse til bilder, dokumenter, diagrammer og video. Den returnerer tekst, strukturerte uttrukne data og visuelle koordinater og kan finne hendelser i lang video eller resonnere om en datamaskin- eller mobilskjerm.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven av Qwen2.5-VL, utformet for å forstå visuelt materiale sammen med tekst. Qwen beskriver gjenkjenning av objekter, produkter og landemerker, samt tolkning av tekst, diagrammer, ikoner, grafikk og oppsett i bilder. Inndata kombinerer et skriftlig spørsmål med ett eller flere bilder eller en video; utdata er tekst, inkludert strukturerte beskrivelser og uttrukket informasjon. Sammenlignet med Qwen2-VL fremhever produsenten forbedret forståelse av tid og bildeskala og en revidert visuell enkoder med dynamisk oppløsning som bruker vindusoppmerksomhet.
Visuell lokalisering er en separat funksjon fra å beskrive et bilde. Modellen kan returnere avgrensningsbokser eller punkter, med etiketter og attributter i JSON. Qwen2.5-VL bruker koordinater i bildets faktiske størrelsesskala i stedet for et normalisert koordinatsystem. Navngi objektene som skal lokaliseres og gi de nødvendige feltene, som bbox_2d og label, sammen med tolkningen av koordinatene. Hvis et bilde endrer størrelse før analysen, beholder du størrelsesinformasjonen sammen med de returnerte koordinatene slik at de kan tolkes mot samme bilde. Qwens eksempler kombinerer deteksjon med telling og objektbeskrivelser.
Produsenten fremhever tekstgjenkjenning på tvers av språk, retninger og ulike scenetyper. Eksemplene trekker ut tekstlinjer, knytter tekst til steder og henter angitte felt fra kvitteringer eller skjemaer. For en dokumentoppgave gir du en tydelig skanning, definerer feltene og sier hvordan fraværende eller uleselig informasjon skal vises. Et eksempelresultat kan være en strukturert post med dokumentidentifikator, dato og linjeelementer, der usikkerheter holdes atskilt fra det som er synlig til stede. Det oppgitte bildet gir grunnlaget for uttrekket.
Qwens kunngjøring introduserer QwenVL HTML for dokumenttolking med oppsettsinformasjon. Den viser magasiner, forskningsartikler, nettsider og mobilskjermbilder og kombinerer overskrifter, avsnitt, bilder og formler med informasjon om avgrensningsbokser. Dette er nyttig når leserekkefølge og sidestruktur er like viktige som ordene. Be eksplisitt om representasjonen: ren tekst for lesing, JSON for utvalgte felt eller produsentens oppsettsorienterte HTML-format. En skannet rapport kan organiseres i overskrifter og avsnitt før en ny instruksjon ber om et sammendrag av en bestemt del.
For video dokumenterer Qwen forståelse av materiale som er lengre enn én time, hendelsessøk og tidslokalisering ned til sekunder. Trening med dynamisk bildefrekvens og absolutt tidskoding hjelper med å representere hendelsenes tempo og posisjon. Offisielle eksempler finner segmentet der en beskrevet handling skjer og returnerer en serie hendelser med starttider, sluttider og beskrivelser. Navngi hendelsen som skal finnes og angi sekunder eller et tidsstempelformat. En praktisk oppgave kan be om relevante segmenter i en lang demonstrasjon, fulgt av en kort beskrivelse av det som skjer i hvert segment.
Modellen presenteres også som en visuell agent for datamaskin- og mobilbruk: Den kan resonnere ut fra en skjerm og styre verktøy mot en oppgave. Lokalisering og skjermforståelse kan finne en relevant kontroll eller neste tiltenkte samhandling. En applikasjon gir skjermen, tilgjengelige handlinger og målet, utfører en etterspurt handling og returnerer den nye tilstanden. Oppgaven kan for eksempel be om kontrollen som trengs for å nå en angitt visning, med et punkt eller en boks som identifiserer den. Modellens tekstlige handlingsbeskrivelse og applikasjonens utførte samhandling er separate trinn.
Qwens prosessor tillater kontroll over antall bildepiksler. Det dokumenterte standardområdet er 4 til 16 384 visuelle tokener per bilde; 256 til 1 280 tokener er en eksempelinnstilling, ikke en universell bildegrense. Endring av størrelse kan bevare sideforholdet, og angitte dimensjoner avrundes til et multiplum av 28. Høyere oppløsning bruker mer beregning og kan bevare liten tekst eller detaljer i tette diagrammer. Tilpass forberedelsen til spørsmålet, hold viktige etiketter lesbare og den relevante siden eller regionen tydelig. Videoeksempler bruker bildesekvenser eller en video med bildefrekvensinformasjon, noe som er viktig når et svar må inneholde tidsstempler.
Kortets gjeldende konfigurasjon er satt til 32 768 konteksttokener. Det beskriver en YaRN-utvidelse, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler den ikke for disse oppgavene. Det diskuterer separat å øke posisjonsinnstillingen for lang video. Forståelse på timeskala er en dokumentert funksjon, ikke en universell grense for opplastingsvarighet eller utdatalengde. Velg et resultat som beholder informasjonen som trengs videre: felt for en post, koordinater for lokalisering, oppsett for et dokument eller tidsangitte beskrivelser for en video.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen2.5-vl-72b-instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0016 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0008 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0016 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0008 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.