Qwen2-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven for bilde- og språkforståelse bygget rundt Qwen2. Den får tekst sammen med bilder eller video og genererer et tekstsvar. Produsenten fremhever forståelse av bilder med ulike oppløsninger og sideforhold, tolkning av tekst i bilder, resonnement om synlige forhold og svar på spørsmål om videoer som er lengre enn 20 minutter.
Bilde- og videofunksjoner
For en dokumentside ber du om det konkrete innholdet du trenger: et avsnitt, en tabellrad, en formel eller betingelsene knyttet til en påstand. Hold siden lesbar og angi om resultatet skal transkribere ordlyden, oppsummere den eller forklare meningen. Et nyttig dokumentresultat kan beholde den opprinnelige delens etikett ved det uttrukne innholdet. For et diagram spør du hvordan de merkede elementene er koblet sammen og angir forholdet som trenger forklaring.
Den dokumenterte videobruken inkluderer spørsmål, dialog og skriftlig innhold basert på den synlige sekvensen. Definer hendelsen eller endringen som skal undersøkes: når et objekt vises, hva som skjer før et bestemt trinn eller hvordan en demonstrert handling henger sammen med en skriftlig prosedyre. Be om en ordnet hendelsesbeskrivelse eller en sammenligning av de synlige trinnene og den oppgitte prosedyren. Produsentens utsagn om mer enn 20 minutter beskriver forståelse av lang video; det er ikke en fast maksimal videovarighet eller en garanti for at alle ubehandlede klipp passer i en uendret inndatakonfigurasjon.
Bruk som visuell agent
Utgivelsen posisjonerer også Qwen2-VL for visuelle agenter koblet til mobilenheter, roboter og andre verktøy. Kunngjøringen beskriver funksjonskall og kodefortolkerscenarioer, som å produsere kode fra et diagram eller bruke et visuelt spørsmål til å be om et eksternt oppslag. Den omkringliggende applikasjonen gir disse verktøyene, utfører den foreslåtte handlingen og returnerer resultatet. Modellens tekstsvar alene klikker ikke på en kontroll, flytter ikke en enhet og kjører ikke det genererte programmet.
En praktisk grensesnittoppgave kan gi et skjermbilde og brukerens mål og deretter be om den synlige kontrollen som er relevant for neste trinn og grunnlaget for dette valget. Hold observasjon, foreslått handling og faktisk utførelse som separate deler av arbeidsflyten. Dette bruker fokuset på visuelle agenter samtidig som resultatet blir konkret nok til at applikasjonen kan handle ut fra det.
Flerspråklig tekst i bilder
Produsenten beskriver gjenkjenning av tekst i bilder på engelsk og kinesisk, de fleste europeiske språk og språk som japansk, koreansk, arabisk og vietnamesisk. En flerspråklig side kan derfor behandles som en visuell leseoppgave. Be først om den opprinnelige transkripsjonen når nøyaktig ordlyd er viktig, og deretter en oversettelse eller forklaring på valgt språk. Behold etiketter og tall i stedet for å blande gjenkjenning med en uspesifisert omskriving.
Dynamisk oppløsning og posisjonsinformasjon
Qwen2-VL kombinerer en visuell enkoder med Qwen2-språkmodellen. Naive Dynamic Resolution kobler ulike bildestørrelser til ulike antall visuelle tokener. Multimodal Rotary Position Embedding skiller posisjonsinformasjonen slik at modellen kan representere tekstrekkefølge, todimensjonale bilder og videoens tidsmessige og romlige struktur. Disse funksjonene forklarer hvordan samme familie håndterer en side, flere bilder eller en videosekvens.
Modellkortets bildeprosessor dokumenterer et standardområde på 4 til 16 384 visuelle tokener per bilde. Applikasjonen kan justere minimums- og maksimumspiksler samtidig som sideforholdet beholdes, eller be om dimensjoner som avrundes til et multiplum av 28. Eksempelområdet på 256 til 1 280 tokener er en konfigurerbar illustrasjon, ikke en separat universell bildegrense. Flere bildedetaljer krever mer beregning og flere visuelle tokener, så behold etikettene, overskriftene og små objekter som spørsmålet krever når du forbereder bildet.
Forberedelse av inndata og kontekst
Produsenten viser ett bilde, flere bilder, video gitt som en sekvens av videobilder eller en lokal fil, og samtaler i batch. Bildeforberedelse inkluderer lokale filer, kodede bildedata og bildereferanser. Kortets videoeksempel bruker en valgt bildefrekvens; eksemplet fastsetter ikke én nødvendig samplingsfrekvens for alle videoer. Angi rekkefølgen og rollen til flere bilder, og gi informasjonen som trengs for å tolke en sekvens i stedet for å behandle urelaterte videobilder som én scene.
Den utgitte konfigurasjonen setter maksimalt antall posisjoner til 32 768. Visuelt materiale og tekstinstruksjoner må planlegges innenfor den faktisk konfigurerte konteksten. Kortets genereringseksempel med 128 tokener er bare en eksempelinnstilling; det publiserer ikke en separat maksimal utdatakapasitet. 72B-utgaven bør beholde sin egen konfigurasjon i stedet for å overta langkontekstinnstillingene fra Qwen2.5-VL eller en annen Qwen-modell.
Vesentlige begrensninger
Produsenten sier uttrykkelig at Qwen2-VL ikke forstår lyd i videoer. Talt informasjon må derfor oppgis separat hvis spørsmålet avhenger av den. Datasettet for bildetrening beskrives som oppdatert til og med juni 2023; dette er et utsagn om datasettet, ikke en garanti for aktuell visuell kunnskap.
De dokumenterte begrensningene inkluderer også ufullstendig gjenkjenning av bestemte personer eller navngitt immateriell eiendom, vansker med intrikate flertrinnsinstruksjoner, svak telling i komplekse scener og begrensninger i tredimensjonalt romlig resonnement. Når oppgaven avhenger av en av disse evnene, fokuserer du spørsmålet på de nødvendige objektene eller forholdet og beholder det visuelle grunnlaget ved svaret. Tydelig kildemateriale og definerte utdata gjør resultatet lettere å undersøke uten å erstatte de oppgitte begrensningene med en nøyaktighetsgaranti.
", "aboutText": "Qwen2-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven for bilde- og språkforståelse bygget rundt Qwen2. Den får tekst sammen med bilder eller video og genererer et tekstsvar. Produsenten fremhever forståelse av bilder med ulike oppløsninger og sideforhold, tolkning av tekst i bilder, resonnement om synlige forhold og svar på spørsmål om videoer som er lengre enn 20 minutter.\n\nBilde- og videofunksjoner\n\nFor en dokumentside ber du om det konkrete innholdet du trenger: et avsnitt, en tabellrad, en formel eller betingelsene knyttet til en påstand. Hold siden lesbar og angi om resultatet skal transkribere ordlyden, oppsummere den eller forklare meningen. Et nyttig dokumentresultat kan beholde den opprinnelige delens etikett ved det uttrukne innholdet. For et diagram spør du hvordan de merkede elementene er koblet sammen og angir forholdet som trenger forklaring.\n\nDen dokumenterte videobruken inkluderer spørsmål, dialog og skriftlig innhold basert på den synlige sekvensen. Definer hendelsen eller endringen som skal undersøkes: når et objekt vises, hva som skjer før et bestemt trinn eller hvordan en demonstrert handling henger sammen med en skriftlig prosedyre. Be om en ordnet hendelsesbeskrivelse eller en sammenligning av de synlige trinnene og den oppgitte prosedyren. Produsentens utsagn om mer enn 20 minutter beskriver forståelse av lang video; det er ikke en fast maksimal videovarighet eller en garanti for at alle ubehandlede klipp passer i en uendret inndatakonfigurasjon.\n\nBruk som visuell agent\n\nUtgivelsen posisjonerer også Qwen2-VL for visuelle agenter koblet til mobilenheter, roboter og andre verktøy. Kunngjøringen beskriver funksjonskall og kodefortolkerscenarioer, som å produsere kode fra et diagram eller bruke et visuelt spørsmål til å be om et eksternt oppslag. Den omkringliggende applikasjonen gir disse verktøyene, utfører den foreslåtte handlingen og returnerer resultatet. Modellens tekstsvar alene klikker ikke på en kontroll, flytter ikke en enhet og kjører ikke det genererte programmet.\n\nEn praktisk grensesnittoppgave kan gi et skjermbilde og brukerens mål og deretter be om den synlige kontrollen som er relevant for neste trinn og grunnlaget for dette valget. Hold observasjon, foreslått handling og faktisk utførelse som separate deler av arbeidsflyten. Dette bruker fokuset på visuelle agenter samtidig som resultatet blir konkret nok til at applikasjonen kan handle ut fra det.\n\nFlerspråklig tekst i bilder\n\nProdusenten beskriver gjenkjenning av tekst i bilder på engelsk og kinesisk, de fleste europeiske språk og språk som japansk, koreansk, arabisk og vietnamesisk. En flerspråklig side kan derfor behandles som en visuell leseoppgave. Be først om den opprinnelige transkripsjonen når nøyaktig ordlyd er viktig, og deretter en oversettelse eller forklaring på valgt språk. Behold etiketter og tall i stedet for å blande gjenkjenning med en uspesifisert omskriving.\n\nDynamisk oppløsning og posisjonsinformasjon\n\nQwen2-VL kombinerer en visuell enkoder med Qwen2-språkmodellen. Naive Dynamic Resolution kobler ulike bildestørrelser til ulike antall visuelle tokener. Multimodal Rotary Position Embedding skiller posisjonsinformasjonen slik at modellen kan representere tekstrekkefølge, todimensjonale bilder og videoens tidsmessige og romlige struktur. Disse funksjonene forklarer hvordan samme familie håndterer en side, flere bilder eller en videosekvens.\n\nModellkortets bildeprosessor dokumenterer et standardområde på 4 til 16 384 visuelle tokener per bilde. Applikasjonen kan justere minimums- og maksimumspiksler samtidig som sideforholdet beholdes, eller be om dimensjoner som avrundes til et multiplum av 28. Eksempelområdet på 256 til 1 280 tokener er en konfigurerbar illustrasjon, ikke en separat universell bildegrense. Flere bildedetaljer krever mer beregning og flere visuelle tokener, så behold etikettene, overskriftene og små objekter som spørsmålet krever når du forbereder bildet.\n\nForberedelse av inndata og kontekst\n\nProdusenten viser ett bilde, flere bilder, video gitt som en sekvens av videobilder eller en lokal fil, og samtaler i batch. Bildeforberedelse inkluderer lokale filer, kodede bildedata og bildereferanser. Kortets videoeksempel bruker en valgt bildefrekvens; eksemplet fastsetter ikke én nødvendig samplingsfrekvens for alle videoer. Angi rekkefølgen og rollen til flere bilder, og gi informasjonen som trengs for å tolke en sekvens i stedet for å behandle urelaterte videobilder som én scene.\n\nDen utgitte konfigurasjonen setter maksimalt antall posisjoner til 32 768. Visuelt materiale og tekstinstruksjoner må planlegges innenfor den faktisk konfigurerte konteksten. Kortets genereringseksempel med 128 tokener er bare en eksempelinnstilling; det publiserer ikke en separat maksimal utdatakapasitet. 72B-utgaven bør beholde sin egen konfigurasjon i stedet for å overta langkontekstinnstillingene fra Qwen2.5-VL eller en annen Qwen-modell.\n\nVesentlige begrensninger\n\nProdusenten sier uttrykkelig at Qwen2-VL ikke forstår lyd i videoer. Talt informasjon må derfor oppgis separat hvis spørsmålet avhenger av den. Datasettet for bildetrening beskrives som oppdatert til og med juni 2023; dette er et utsagn om datasettet, ikke en garanti for aktuell visuell kunnskap.\n\nDe dokumenterte begrensningene inkluderer også ufullstendig gjenkjenning av bestemte personer eller navngitt immateriell eiendom, vansker med intrikate flertrinnsinstruksjoner, svak telling i komplekse scener og begrensninger i tredimensjonalt romlig resonnement. Når oppgaven avhenger av en av disse evnene, fokuserer du spørsmålet på de nødvendige objektene eller forholdet og beholder det visuelle grunnlaget ved svaret. Tydelig kildemateriale og definerte utdata gjør resultatet lettere å undersøke uten å erstatte de oppgitte begrensningene med en nøyaktighetsgaranti.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kombinerer tekst, bilder og video for visuelle spørsmål, dokumentlesing og flerspråklig tekst i bilder. Produsenten beskriver videoforståelse utover 20 minutter, dynamisk bildeoppløsning og visuelle agentintegrasjoner; svaret er tekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven for bilde- og språkforståelse bygget rundt Qwen2. Den får tekst sammen med bilder eller video og genererer et tekstsvar. Produsenten fremhever forståelse av bilder med ulike oppløsninger og sideforhold, tolkning av tekst i bilder, resonnement om synlige forhold og svar på spørsmål om videoer som er lengre enn 20 minutter.
Bilde- og videofunksjoner
For en dokumentside ber du om det konkrete innholdet du trenger: et avsnitt, en tabellrad, en formel eller betingelsene knyttet til en påstand. Hold siden lesbar og angi om resultatet skal transkribere ordlyden, oppsummere den eller forklare meningen. Et nyttig dokumentresultat kan beholde den opprinnelige delens etikett ved det uttrukne innholdet. For et diagram spør du hvordan de merkede elementene er koblet sammen og angir forholdet som trenger forklaring.
Den dokumenterte videobruken inkluderer spørsmål, dialog og skriftlig innhold basert på den synlige sekvensen. Definer hendelsen eller endringen som skal undersøkes: når et objekt vises, hva som skjer før et bestemt trinn eller hvordan en demonstrert handling henger sammen med en skriftlig prosedyre. Be om en ordnet hendelsesbeskrivelse eller en sammenligning av de synlige trinnene og den oppgitte prosedyren. Produsentens utsagn om mer enn 20 minutter beskriver forståelse av lang video; det er ikke en fast maksimal videovarighet eller en garanti for at alle ubehandlede klipp passer i en uendret inndatakonfigurasjon.
Bruk som visuell agent
Utgivelsen posisjonerer også Qwen2-VL for visuelle agenter koblet til mobilenheter, roboter og andre verktøy. Kunngjøringen beskriver funksjonskall og kodefortolkerscenarioer, som å produsere kode fra et diagram eller bruke et visuelt spørsmål til å be om et eksternt oppslag. Den omkringliggende applikasjonen gir disse verktøyene, utfører den foreslåtte handlingen og returnerer resultatet. Modellens tekstsvar alene klikker ikke på en kontroll, flytter ikke en enhet og kjører ikke det genererte programmet.
En praktisk grensesnittoppgave kan gi et skjermbilde og brukerens mål og deretter be om den synlige kontrollen som er relevant for neste trinn og grunnlaget for dette valget. Hold observasjon, foreslått handling og faktisk utførelse som separate deler av arbeidsflyten. Dette bruker fokuset på visuelle agenter samtidig som resultatet blir konkret nok til at applikasjonen kan handle ut fra det.
Flerspråklig tekst i bilder
Produsenten beskriver gjenkjenning av tekst i bilder på engelsk og kinesisk, de fleste europeiske språk og språk som japansk, koreansk, arabisk og vietnamesisk. En flerspråklig side kan derfor behandles som en visuell leseoppgave. Be først om den opprinnelige transkripsjonen når nøyaktig ordlyd er viktig, og deretter en oversettelse eller forklaring på valgt språk. Behold etiketter og tall i stedet for å blande gjenkjenning med en uspesifisert omskriving.
Dynamisk oppløsning og posisjonsinformasjon
Qwen2-VL kombinerer en visuell enkoder med Qwen2-språkmodellen. Naive Dynamic Resolution kobler ulike bildestørrelser til ulike antall visuelle tokener. Multimodal Rotary Position Embedding skiller posisjonsinformasjonen slik at modellen kan representere tekstrekkefølge, todimensjonale bilder og videoens tidsmessige og romlige struktur. Disse funksjonene forklarer hvordan samme familie håndterer en side, flere bilder eller en videosekvens.
Modellkortets bildeprosessor dokumenterer et standardområde på 4 til 16 384 visuelle tokener per bilde. Applikasjonen kan justere minimums- og maksimumspiksler samtidig som sideforholdet beholdes, eller be om dimensjoner som avrundes til et multiplum av 28. Eksempelområdet på 256 til 1 280 tokener er en konfigurerbar illustrasjon, ikke en separat universell bildegrense. Flere bildedetaljer krever mer beregning og flere visuelle tokener, så behold etikettene, overskriftene og små objekter som spørsmålet krever når du forbereder bildet.
Forberedelse av inndata og kontekst
Produsenten viser ett bilde, flere bilder, video gitt som en sekvens av videobilder eller en lokal fil, og samtaler i batch. Bildeforberedelse inkluderer lokale filer, kodede bildedata og bildereferanser. Kortets videoeksempel bruker en valgt bildefrekvens; eksemplet fastsetter ikke én nødvendig samplingsfrekvens for alle videoer. Angi rekkefølgen og rollen til flere bilder, og gi informasjonen som trengs for å tolke en sekvens i stedet for å behandle urelaterte videobilder som én scene.
Den utgitte konfigurasjonen setter maksimalt antall posisjoner til 32 768. Visuelt materiale og tekstinstruksjoner må planlegges innenfor den faktisk konfigurerte konteksten. Kortets genereringseksempel med 128 tokener er bare en eksempelinnstilling; det publiserer ikke en separat maksimal utdatakapasitet. 72B-utgaven bør beholde sin egen konfigurasjon i stedet for å overta langkontekstinnstillingene fra Qwen2.5-VL eller en annen Qwen-modell.
Vesentlige begrensninger
Produsenten sier uttrykkelig at Qwen2-VL ikke forstår lyd i videoer. Talt informasjon må derfor oppgis separat hvis spørsmålet avhenger av den. Datasettet for bildetrening beskrives som oppdatert til og med juni 2023; dette er et utsagn om datasettet, ikke en garanti for aktuell visuell kunnskap.
De dokumenterte begrensningene inkluderer også ufullstendig gjenkjenning av bestemte personer eller navngitt immateriell eiendom, vansker med intrikate flertrinnsinstruksjoner, svak telling i komplekse scener og begrensninger i tredimensjonalt romlig resonnement. Når oppgaven avhenger av en av disse evnene, fokuserer du spørsmålet på de nødvendige objektene eller forholdet og beholder det visuelle grunnlaget ved svaret. Tydelig kildemateriale og definerte utdata gjør resultatet lettere å undersøke uten å erstatte de oppgitte begrensningene med en nøyaktighetsgaranti.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen2-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00118 / 1K tokener Utdata · Utgående tokener $0.00118 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 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-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-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-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-VL-72B-Instruct
Bruk metodestiene som vises ovenfor.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kombinerer tekst, bilder og video for visuelle spørsmål, dokumentlesing og flerspråklig tekst i bilder. Produsenten beskriver videoforståelse utover 20 minutter, dynamisk bildeoppløsning og visuelle agentintegrasjoner; svaret er tekst.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2-VL-72B-Instruct er den instruksjonstilpassede 72B-utgaven for bilde- og språkforståelse bygget rundt Qwen2. Den får tekst sammen med bilder eller video og genererer et tekstsvar. Produsenten fremhever forståelse av bilder med ulike oppløsninger og sideforhold, tolkning av tekst i bilder, resonnement om synlige forhold og svar på spørsmål om videoer som er lengre enn 20 minutter.
Bilde- og videofunksjoner
For en dokumentside ber du om det konkrete innholdet du trenger: et avsnitt, en tabellrad, en formel eller betingelsene knyttet til en påstand. Hold siden lesbar og angi om resultatet skal transkribere ordlyden, oppsummere den eller forklare meningen. Et nyttig dokumentresultat kan beholde den opprinnelige delens etikett ved det uttrukne innholdet. For et diagram spør du hvordan de merkede elementene er koblet sammen og angir forholdet som trenger forklaring.
Den dokumenterte videobruken inkluderer spørsmål, dialog og skriftlig innhold basert på den synlige sekvensen. Definer hendelsen eller endringen som skal undersøkes: når et objekt vises, hva som skjer før et bestemt trinn eller hvordan en demonstrert handling henger sammen med en skriftlig prosedyre. Be om en ordnet hendelsesbeskrivelse eller en sammenligning av de synlige trinnene og den oppgitte prosedyren. Produsentens utsagn om mer enn 20 minutter beskriver forståelse av lang video; det er ikke en fast maksimal videovarighet eller en garanti for at alle ubehandlede klipp passer i en uendret inndatakonfigurasjon.
Bruk som visuell agent
Utgivelsen posisjonerer også Qwen2-VL for visuelle agenter koblet til mobilenheter, roboter og andre verktøy. Kunngjøringen beskriver funksjonskall og kodefortolkerscenarioer, som å produsere kode fra et diagram eller bruke et visuelt spørsmål til å be om et eksternt oppslag. Den omkringliggende applikasjonen gir disse verktøyene, utfører den foreslåtte handlingen og returnerer resultatet. Modellens tekstsvar alene klikker ikke på en kontroll, flytter ikke en enhet og kjører ikke det genererte programmet.
En praktisk grensesnittoppgave kan gi et skjermbilde og brukerens mål og deretter be om den synlige kontrollen som er relevant for neste trinn og grunnlaget for dette valget. Hold observasjon, foreslått handling og faktisk utførelse som separate deler av arbeidsflyten. Dette bruker fokuset på visuelle agenter samtidig som resultatet blir konkret nok til at applikasjonen kan handle ut fra det.
Flerspråklig tekst i bilder
Produsenten beskriver gjenkjenning av tekst i bilder på engelsk og kinesisk, de fleste europeiske språk og språk som japansk, koreansk, arabisk og vietnamesisk. En flerspråklig side kan derfor behandles som en visuell leseoppgave. Be først om den opprinnelige transkripsjonen når nøyaktig ordlyd er viktig, og deretter en oversettelse eller forklaring på valgt språk. Behold etiketter og tall i stedet for å blande gjenkjenning med en uspesifisert omskriving.
Dynamisk oppløsning og posisjonsinformasjon
Qwen2-VL kombinerer en visuell enkoder med Qwen2-språkmodellen. Naive Dynamic Resolution kobler ulike bildestørrelser til ulike antall visuelle tokener. Multimodal Rotary Position Embedding skiller posisjonsinformasjonen slik at modellen kan representere tekstrekkefølge, todimensjonale bilder og videoens tidsmessige og romlige struktur. Disse funksjonene forklarer hvordan samme familie håndterer en side, flere bilder eller en videosekvens.
Modellkortets bildeprosessor dokumenterer et standardområde på 4 til 16 384 visuelle tokener per bilde. Applikasjonen kan justere minimums- og maksimumspiksler samtidig som sideforholdet beholdes, eller be om dimensjoner som avrundes til et multiplum av 28. Eksempelområdet på 256 til 1 280 tokener er en konfigurerbar illustrasjon, ikke en separat universell bildegrense. Flere bildedetaljer krever mer beregning og flere visuelle tokener, så behold etikettene, overskriftene og små objekter som spørsmålet krever når du forbereder bildet.
Forberedelse av inndata og kontekst
Produsenten viser ett bilde, flere bilder, video gitt som en sekvens av videobilder eller en lokal fil, og samtaler i batch. Bildeforberedelse inkluderer lokale filer, kodede bildedata og bildereferanser. Kortets videoeksempel bruker en valgt bildefrekvens; eksemplet fastsetter ikke én nødvendig samplingsfrekvens for alle videoer. Angi rekkefølgen og rollen til flere bilder, og gi informasjonen som trengs for å tolke en sekvens i stedet for å behandle urelaterte videobilder som én scene.
Den utgitte konfigurasjonen setter maksimalt antall posisjoner til 32 768. Visuelt materiale og tekstinstruksjoner må planlegges innenfor den faktisk konfigurerte konteksten. Kortets genereringseksempel med 128 tokener er bare en eksempelinnstilling; det publiserer ikke en separat maksimal utdatakapasitet. 72B-utgaven bør beholde sin egen konfigurasjon i stedet for å overta langkontekstinnstillingene fra Qwen2.5-VL eller en annen Qwen-modell.
Vesentlige begrensninger
Produsenten sier uttrykkelig at Qwen2-VL ikke forstår lyd i videoer. Talt informasjon må derfor oppgis separat hvis spørsmålet avhenger av den. Datasettet for bildetrening beskrives som oppdatert til og med juni 2023; dette er et utsagn om datasettet, ikke en garanti for aktuell visuell kunnskap.
De dokumenterte begrensningene inkluderer også ufullstendig gjenkjenning av bestemte personer eller navngitt immateriell eiendom, vansker med intrikate flertrinnsinstruksjoner, svak telling i komplekse scener og begrensninger i tredimensjonalt romlig resonnement. Når oppgaven avhenger av en av disse evnene, fokuserer du spørsmålet på de nødvendige objektene eller forholdet og beholder det visuelle grunnlaget ved svaret. Tydelig kildemateriale og definerte utdata gjør resultatet lettere å undersøke uten å erstatte de oppgitte begrensningene med en nøyaktighetsgaranti.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen2-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00118 / 1K tokener Utdata · Utgående tokener $0.00118 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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-VL-72B-Instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.