Innledning: den instruksjonsjusterte 3B-utgaven
Qwen2.5-VL-3B-Instruct er 3B-medlemmet av Qwen2.5-VL. Den tar imot tekstinstruksjoner med bilder eller video og genererer tekstsvar, inkludert strukturerte data. Velg den til et tydelig definert visuelt spørsmål, en oppgave med dokumentuthenting eller en forklaring som knytter synlig innhold til brukerens forespørsel. Akkurat denne størrelsen og utgivelsen beholder sin egen identitet; du skal ikke anta at egenskaper som er lagt til spesielt i andre størrelser eller senere Qwen-generasjoner, gjelder dette modellkontrollpunktet.
Visuell forståelse og agentarbeidsflyter
Qwen beskriver gjenkjenning av vanlige objekter og analyse av skrift, grafer, ikoner, grafikk og sidelayout. For et skjema angir du de nødvendige feltene og hva en tom verdi betyr. For en graf ber du om aksene, enhetene og de synlige verdiene som støtter konklusjonen. En målrettet forespørsel gjør utdataene enklere å sammenligne med originalbildet enn en bred forespørsel om å beskrive alt.
Familien støtter også resonnement for visuelle agenter og verktøystyring for arbeidsflyter på datamaskin eller telefon. Modellen kan tolke et grensesnitt og bidra til å bestemme en handling; tilknyttede applikasjonsverktøy utfører handlingen. En skjermbildegjennomgang kan spørre hvilken kontroll som svarer til en oppgave, og hvilken synlig informasjon som støtter valget. Denne bruken av visuelt resonnement gir ikke i seg selv kontroll over en enhet.
Lang video og hendelseslokalisering
Produsenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentene som er relevante for en etterspurt hendelse. Dette er en familieegenskap, ikke en ubetinget grense for medieopplasting eller en garanti for at hvert videobilde beholdes. Klargjør det relevante klippet, bevar tidsinformasjonen og still et presist spørsmål om hendelsen, sekvensen eller endringen. Modellens tilnærming til videobehandling bruker informasjon om bildefrekvens til å knytte visuelle observasjoner til absolutt tid.
Lokalisering og strukturerte dokumenter
Qwen2.5-VL kan returnere objektplasseringer som omsluttende bokser eller punkter, med koordinater og attributter i JSON. For en lokaliseringsoppgave navngir du målobjektet og angir om resultatet skal være et punkt eller en boks. Hold koordinatkonvensjonen uttrykkelig i applikasjonen som bruker resultatet, fremfor å utlede en fysisk måling fra et vilkårlig fotografi.
Produsenten dokumenterer også strukturert uthenting fra skannede fakturaer, skjemaer og tabeller. Oppgi en leselig side og et utdataskjema: for eksempel feltnavn, uthentet tekst og det synlige området som støtter den. Bevar enheter, desimalskilletegn og tabelloverskrifter i kilden. Behandle usikkert eller uleselig innhold som et tilfelle for gjennomgang fremfor å be modellen finne på en manglende verdi. Disse klargjøringseksemplene anvender dokumenterte egenskaper; de er ikke garantier for nøyaktig uthenting.
Arkitekturendringer
Dynamisk bildeoppløsning utvides til video gjennom trening med variabel bildefrekvens. Oppdatert multimodal posisjonskoding representerer tidssekvens og absolutt tid og bidrar til å identifisere bestemte øyeblikk og hastighetsendringer. Synsenkoderen bruker vindusoppmerksomhet sammen med SwiGLU og RMSNorm. Disse endringene beskriver hvordan modellen behandler visuelt materiale; de fastslår ikke en fast responstid for en bestemt applikasjon.
Klargjøring av bilder og video
De offisielle eksemplene dekker enkeltbilder, flere bilder, samtaler med bare tekst, videofiler og ordnede lister over videobilder. Merk flere visuelle inndataelementer slik at et spørsmål kan vise til hvert av dem. For en bildesammenligning ber du om en tabell organisert etter etikettene og begrenser resultatet til synlige forskjeller. For en videotidslinje bevarer du rekkefølgen på videobildene og tidsinformasjon fremfor å presentere frakoblede bilder som om de hadde en kjent varighet.
Bildeprosessorens dokumenterte standard går fra fire til 16 384 visuelle tokener per bilde. Eksempelet kan sikte mot 256–1 280 tokener ved å sette pikselgrenser. Den bevarer sideforholdet innenfor disse grensene, mens uttrykkelige endrede dimensjoner justeres til multipler av 28. Flere detaljer bruker mer beregning og sekvensplass, så et lite tekstfelt kan trenge et utsnitt med høyere oppløsning, mens en bred sceneoppsummering kanskje ikke gjør det. Dette er produsentens behandlingskontroller; opplastingsalternativene i applikasjoner kan være forskjellige.
Kontekst og innholdsmessige grenser
Den publiserte modellkontrollpunktkonfigurasjonen angir maksimalt 128 000 posisjoner, mens den medfølgende delen om lang tekst fortsatt drøfter en startkonfigurasjon på 32 768 tokener. Veiledningen beskriver YaRN-ekstrapolering, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler ikke metoden til disse oppgavene. Den påpeker separat at videoposisjonskoding kan tillate en større posisjonsinnstilling, med 64K som eksempel. Disse ulike konfigurasjonsbeskrivelsene skal ikke slås sammen til én universelt validert inndatagrense.
Tekst, visuelt materiale og svaret deler et begrenset sekvensbudsjett. Hold relevant innhold leselig, reserver plass til resultatet og kontroller uthentet tekst, koordinater og hendelsestider mot originalen. Kortets genereringseksempel på 128 tokener er illustrerende og etablerer ikke en separat absolutt maksimumsgrense for utdata. Denne modellen returnerer tekstlig analyse eller strukturert informasjon; egenskapene for syn og språk betyr ikke at den genererer bilder eller video.
", "aboutText": "Innledning: den instruksjonsjusterte 3B-utgaven\n\nQwen2.5-VL-3B-Instruct er 3B-medlemmet av Qwen2.5-VL. Den tar imot tekstinstruksjoner med bilder eller video og genererer tekstsvar, inkludert strukturerte data. Velg den til et tydelig definert visuelt spørsmål, en oppgave med dokumentuthenting eller en forklaring som knytter synlig innhold til brukerens forespørsel. Akkurat denne størrelsen og utgivelsen beholder sin egen identitet; du skal ikke anta at egenskaper som er lagt til spesielt i andre størrelser eller senere Qwen-generasjoner, gjelder dette modellkontrollpunktet.\n\nVisuell forståelse og agentarbeidsflyter\n\nQwen beskriver gjenkjenning av vanlige objekter og analyse av skrift, grafer, ikoner, grafikk og sidelayout. For et skjema angir du de nødvendige feltene og hva en tom verdi betyr. For en graf ber du om aksene, enhetene og de synlige verdiene som støtter konklusjonen. En målrettet forespørsel gjør utdataene enklere å sammenligne med originalbildet enn en bred forespørsel om å beskrive alt.\n\nFamilien støtter også resonnement for visuelle agenter og verktøystyring for arbeidsflyter på datamaskin eller telefon. Modellen kan tolke et grensesnitt og bidra til å bestemme en handling; tilknyttede applikasjonsverktøy utfører handlingen. En skjermbildegjennomgang kan spørre hvilken kontroll som svarer til en oppgave, og hvilken synlig informasjon som støtter valget. Denne bruken av visuelt resonnement gir ikke i seg selv kontroll over en enhet.\n\nLang video og hendelseslokalisering\n\nProdusenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentene som er relevante for en etterspurt hendelse. Dette er en familieegenskap, ikke en ubetinget grense for medieopplasting eller en garanti for at hvert videobilde beholdes. Klargjør det relevante klippet, bevar tidsinformasjonen og still et presist spørsmål om hendelsen, sekvensen eller endringen. Modellens tilnærming til videobehandling bruker informasjon om bildefrekvens til å knytte visuelle observasjoner til absolutt tid.\n\nLokalisering og strukturerte dokumenter\n\nQwen2.5-VL kan returnere objektplasseringer som omsluttende bokser eller punkter, med koordinater og attributter i JSON. For en lokaliseringsoppgave navngir du målobjektet og angir om resultatet skal være et punkt eller en boks. Hold koordinatkonvensjonen uttrykkelig i applikasjonen som bruker resultatet, fremfor å utlede en fysisk måling fra et vilkårlig fotografi.\n\nProdusenten dokumenterer også strukturert uthenting fra skannede fakturaer, skjemaer og tabeller. Oppgi en leselig side og et utdataskjema: for eksempel feltnavn, uthentet tekst og det synlige området som støtter den. Bevar enheter, desimalskilletegn og tabelloverskrifter i kilden. Behandle usikkert eller uleselig innhold som et tilfelle for gjennomgang fremfor å be modellen finne på en manglende verdi. Disse klargjøringseksemplene anvender dokumenterte egenskaper; de er ikke garantier for nøyaktig uthenting.\n\nArkitekturendringer\n\nDynamisk bildeoppløsning utvides til video gjennom trening med variabel bildefrekvens. Oppdatert multimodal posisjonskoding representerer tidssekvens og absolutt tid og bidrar til å identifisere bestemte øyeblikk og hastighetsendringer. Synsenkoderen bruker vindusoppmerksomhet sammen med SwiGLU og RMSNorm. Disse endringene beskriver hvordan modellen behandler visuelt materiale; de fastslår ikke en fast responstid for en bestemt applikasjon.\n\nKlargjøring av bilder og video\n\nDe offisielle eksemplene dekker enkeltbilder, flere bilder, samtaler med bare tekst, videofiler og ordnede lister over videobilder. Merk flere visuelle inndataelementer slik at et spørsmål kan vise til hvert av dem. For en bildesammenligning ber du om en tabell organisert etter etikettene og begrenser resultatet til synlige forskjeller. For en videotidslinje bevarer du rekkefølgen på videobildene og tidsinformasjon fremfor å presentere frakoblede bilder som om de hadde en kjent varighet.\n\nBildeprosessorens dokumenterte standard går fra fire til 16 384 visuelle tokener per bilde. Eksempelet kan sikte mot 256–1 280 tokener ved å sette pikselgrenser. Den bevarer sideforholdet innenfor disse grensene, mens uttrykkelige endrede dimensjoner justeres til multipler av 28. Flere detaljer bruker mer beregning og sekvensplass, så et lite tekstfelt kan trenge et utsnitt med høyere oppløsning, mens en bred sceneoppsummering kanskje ikke gjør det. Dette er produsentens behandlingskontroller; opplastingsalternativene i applikasjoner kan være forskjellige.\n\nKontekst og innholdsmessige grenser\n\nDen publiserte modellkontrollpunktkonfigurasjonen angir maksimalt 128 000 posisjoner, mens den medfølgende delen om lang tekst fortsatt drøfter en startkonfigurasjon på 32 768 tokener. Veiledningen beskriver YaRN-ekstrapolering, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler ikke metoden til disse oppgavene. Den påpeker separat at videoposisjonskoding kan tillate en større posisjonsinnstilling, med 64K som eksempel. Disse ulike konfigurasjonsbeskrivelsene skal ikke slås sammen til én universelt validert inndatagrense.\n\nTekst, visuelt materiale og svaret deler et begrenset sekvensbudsjett. Hold relevant innhold leselig, reserver plass til resultatet og kontroller uthentet tekst, koordinater og hendelsestider mot originalen. Kortets genereringseksempel på 128 tokener er illustrerende og etablerer ikke en separat absolutt maksimumsgrense for utdata. Denne modellen returnerer tekstlig analyse eller strukturert informasjon; egenskapene for syn og språk betyr ikke at den genererer bilder eller video.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct er Qwens kompakte, instruksjonsjusterte syns- og språkmodell for tekst, bilder og video. Den returnerer tekst og strukturert visuell informasjon, blant annet dokumentfelt, objektkoordinater og hendelsesbeskrivelser, med dynamisk oppløsning og tidsbevisst videobehandling.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: den instruksjonsjusterte 3B-utgaven
Qwen2.5-VL-3B-Instruct er 3B-medlemmet av Qwen2.5-VL. Den tar imot tekstinstruksjoner med bilder eller video og genererer tekstsvar, inkludert strukturerte data. Velg den til et tydelig definert visuelt spørsmål, en oppgave med dokumentuthenting eller en forklaring som knytter synlig innhold til brukerens forespørsel. Akkurat denne størrelsen og utgivelsen beholder sin egen identitet; du skal ikke anta at egenskaper som er lagt til spesielt i andre størrelser eller senere Qwen-generasjoner, gjelder dette modellkontrollpunktet.
Visuell forståelse og agentarbeidsflyter
Qwen beskriver gjenkjenning av vanlige objekter og analyse av skrift, grafer, ikoner, grafikk og sidelayout. For et skjema angir du de nødvendige feltene og hva en tom verdi betyr. For en graf ber du om aksene, enhetene og de synlige verdiene som støtter konklusjonen. En målrettet forespørsel gjør utdataene enklere å sammenligne med originalbildet enn en bred forespørsel om å beskrive alt.
Familien støtter også resonnement for visuelle agenter og verktøystyring for arbeidsflyter på datamaskin eller telefon. Modellen kan tolke et grensesnitt og bidra til å bestemme en handling; tilknyttede applikasjonsverktøy utfører handlingen. En skjermbildegjennomgang kan spørre hvilken kontroll som svarer til en oppgave, og hvilken synlig informasjon som støtter valget. Denne bruken av visuelt resonnement gir ikke i seg selv kontroll over en enhet.
Lang video og hendelseslokalisering
Produsenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentene som er relevante for en etterspurt hendelse. Dette er en familieegenskap, ikke en ubetinget grense for medieopplasting eller en garanti for at hvert videobilde beholdes. Klargjør det relevante klippet, bevar tidsinformasjonen og still et presist spørsmål om hendelsen, sekvensen eller endringen. Modellens tilnærming til videobehandling bruker informasjon om bildefrekvens til å knytte visuelle observasjoner til absolutt tid.
Lokalisering og strukturerte dokumenter
Qwen2.5-VL kan returnere objektplasseringer som omsluttende bokser eller punkter, med koordinater og attributter i JSON. For en lokaliseringsoppgave navngir du målobjektet og angir om resultatet skal være et punkt eller en boks. Hold koordinatkonvensjonen uttrykkelig i applikasjonen som bruker resultatet, fremfor å utlede en fysisk måling fra et vilkårlig fotografi.
Produsenten dokumenterer også strukturert uthenting fra skannede fakturaer, skjemaer og tabeller. Oppgi en leselig side og et utdataskjema: for eksempel feltnavn, uthentet tekst og det synlige området som støtter den. Bevar enheter, desimalskilletegn og tabelloverskrifter i kilden. Behandle usikkert eller uleselig innhold som et tilfelle for gjennomgang fremfor å be modellen finne på en manglende verdi. Disse klargjøringseksemplene anvender dokumenterte egenskaper; de er ikke garantier for nøyaktig uthenting.
Arkitekturendringer
Dynamisk bildeoppløsning utvides til video gjennom trening med variabel bildefrekvens. Oppdatert multimodal posisjonskoding representerer tidssekvens og absolutt tid og bidrar til å identifisere bestemte øyeblikk og hastighetsendringer. Synsenkoderen bruker vindusoppmerksomhet sammen med SwiGLU og RMSNorm. Disse endringene beskriver hvordan modellen behandler visuelt materiale; de fastslår ikke en fast responstid for en bestemt applikasjon.
Klargjøring av bilder og video
De offisielle eksemplene dekker enkeltbilder, flere bilder, samtaler med bare tekst, videofiler og ordnede lister over videobilder. Merk flere visuelle inndataelementer slik at et spørsmål kan vise til hvert av dem. For en bildesammenligning ber du om en tabell organisert etter etikettene og begrenser resultatet til synlige forskjeller. For en videotidslinje bevarer du rekkefølgen på videobildene og tidsinformasjon fremfor å presentere frakoblede bilder som om de hadde en kjent varighet.
Bildeprosessorens dokumenterte standard går fra fire til 16 384 visuelle tokener per bilde. Eksempelet kan sikte mot 256–1 280 tokener ved å sette pikselgrenser. Den bevarer sideforholdet innenfor disse grensene, mens uttrykkelige endrede dimensjoner justeres til multipler av 28. Flere detaljer bruker mer beregning og sekvensplass, så et lite tekstfelt kan trenge et utsnitt med høyere oppløsning, mens en bred sceneoppsummering kanskje ikke gjør det. Dette er produsentens behandlingskontroller; opplastingsalternativene i applikasjoner kan være forskjellige.
Kontekst og innholdsmessige grenser
Den publiserte modellkontrollpunktkonfigurasjonen angir maksimalt 128 000 posisjoner, mens den medfølgende delen om lang tekst fortsatt drøfter en startkonfigurasjon på 32 768 tokener. Veiledningen beskriver YaRN-ekstrapolering, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler ikke metoden til disse oppgavene. Den påpeker separat at videoposisjonskoding kan tillate en større posisjonsinnstilling, med 64K som eksempel. Disse ulike konfigurasjonsbeskrivelsene skal ikke slås sammen til én universelt validert inndatagrense.
Tekst, visuelt materiale og svaret deler et begrenset sekvensbudsjett. Hold relevant innhold leselig, reserver plass til resultatet og kontroller uthentet tekst, koordinater og hendelsestider mot originalen. Kortets genereringseksempel på 128 tokener er illustrerende og etablerer ikke en separat absolutt maksimumsgrense for utdata. Denne modellen returnerer tekstlig analyse eller strukturert informasjon; egenskapene for syn og språk betyr ikke at den genererer bilder eller video.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-vl-3b-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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0012 / 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": "qwen2.5-vl-3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-3b-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 qwen2.5-vl-3b-instruct
Bruk metodestiene som vises ovenfor.
qwen2.5-vl-3b-instructQwen2.5-VL-3B-Instruct er Qwens kompakte, instruksjonsjusterte syns- og språkmodell for tekst, bilder og video. Den returnerer tekst og strukturert visuell informasjon, blant annet dokumentfelt, objektkoordinater og hendelsesbeskrivelser, med dynamisk oppløsning og tidsbevisst videobehandling.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: den instruksjonsjusterte 3B-utgaven
Qwen2.5-VL-3B-Instruct er 3B-medlemmet av Qwen2.5-VL. Den tar imot tekstinstruksjoner med bilder eller video og genererer tekstsvar, inkludert strukturerte data. Velg den til et tydelig definert visuelt spørsmål, en oppgave med dokumentuthenting eller en forklaring som knytter synlig innhold til brukerens forespørsel. Akkurat denne størrelsen og utgivelsen beholder sin egen identitet; du skal ikke anta at egenskaper som er lagt til spesielt i andre størrelser eller senere Qwen-generasjoner, gjelder dette modellkontrollpunktet.
Visuell forståelse og agentarbeidsflyter
Qwen beskriver gjenkjenning av vanlige objekter og analyse av skrift, grafer, ikoner, grafikk og sidelayout. For et skjema angir du de nødvendige feltene og hva en tom verdi betyr. For en graf ber du om aksene, enhetene og de synlige verdiene som støtter konklusjonen. En målrettet forespørsel gjør utdataene enklere å sammenligne med originalbildet enn en bred forespørsel om å beskrive alt.
Familien støtter også resonnement for visuelle agenter og verktøystyring for arbeidsflyter på datamaskin eller telefon. Modellen kan tolke et grensesnitt og bidra til å bestemme en handling; tilknyttede applikasjonsverktøy utfører handlingen. En skjermbildegjennomgang kan spørre hvilken kontroll som svarer til en oppgave, og hvilken synlig informasjon som støtter valget. Denne bruken av visuelt resonnement gir ikke i seg selv kontroll over en enhet.
Lang video og hendelseslokalisering
Produsenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentene som er relevante for en etterspurt hendelse. Dette er en familieegenskap, ikke en ubetinget grense for medieopplasting eller en garanti for at hvert videobilde beholdes. Klargjør det relevante klippet, bevar tidsinformasjonen og still et presist spørsmål om hendelsen, sekvensen eller endringen. Modellens tilnærming til videobehandling bruker informasjon om bildefrekvens til å knytte visuelle observasjoner til absolutt tid.
Lokalisering og strukturerte dokumenter
Qwen2.5-VL kan returnere objektplasseringer som omsluttende bokser eller punkter, med koordinater og attributter i JSON. For en lokaliseringsoppgave navngir du målobjektet og angir om resultatet skal være et punkt eller en boks. Hold koordinatkonvensjonen uttrykkelig i applikasjonen som bruker resultatet, fremfor å utlede en fysisk måling fra et vilkårlig fotografi.
Produsenten dokumenterer også strukturert uthenting fra skannede fakturaer, skjemaer og tabeller. Oppgi en leselig side og et utdataskjema: for eksempel feltnavn, uthentet tekst og det synlige området som støtter den. Bevar enheter, desimalskilletegn og tabelloverskrifter i kilden. Behandle usikkert eller uleselig innhold som et tilfelle for gjennomgang fremfor å be modellen finne på en manglende verdi. Disse klargjøringseksemplene anvender dokumenterte egenskaper; de er ikke garantier for nøyaktig uthenting.
Arkitekturendringer
Dynamisk bildeoppløsning utvides til video gjennom trening med variabel bildefrekvens. Oppdatert multimodal posisjonskoding representerer tidssekvens og absolutt tid og bidrar til å identifisere bestemte øyeblikk og hastighetsendringer. Synsenkoderen bruker vindusoppmerksomhet sammen med SwiGLU og RMSNorm. Disse endringene beskriver hvordan modellen behandler visuelt materiale; de fastslår ikke en fast responstid for en bestemt applikasjon.
Klargjøring av bilder og video
De offisielle eksemplene dekker enkeltbilder, flere bilder, samtaler med bare tekst, videofiler og ordnede lister over videobilder. Merk flere visuelle inndataelementer slik at et spørsmål kan vise til hvert av dem. For en bildesammenligning ber du om en tabell organisert etter etikettene og begrenser resultatet til synlige forskjeller. For en videotidslinje bevarer du rekkefølgen på videobildene og tidsinformasjon fremfor å presentere frakoblede bilder som om de hadde en kjent varighet.
Bildeprosessorens dokumenterte standard går fra fire til 16 384 visuelle tokener per bilde. Eksempelet kan sikte mot 256–1 280 tokener ved å sette pikselgrenser. Den bevarer sideforholdet innenfor disse grensene, mens uttrykkelige endrede dimensjoner justeres til multipler av 28. Flere detaljer bruker mer beregning og sekvensplass, så et lite tekstfelt kan trenge et utsnitt med høyere oppløsning, mens en bred sceneoppsummering kanskje ikke gjør det. Dette er produsentens behandlingskontroller; opplastingsalternativene i applikasjoner kan være forskjellige.
Kontekst og innholdsmessige grenser
Den publiserte modellkontrollpunktkonfigurasjonen angir maksimalt 128 000 posisjoner, mens den medfølgende delen om lang tekst fortsatt drøfter en startkonfigurasjon på 32 768 tokener. Veiledningen beskriver YaRN-ekstrapolering, men advarer om at den kan påvirke tidsmessig og romlig lokalisering betydelig og anbefaler ikke metoden til disse oppgavene. Den påpeker separat at videoposisjonskoding kan tillate en større posisjonsinnstilling, med 64K som eksempel. Disse ulike konfigurasjonsbeskrivelsene skal ikke slås sammen til én universelt validert inndatagrense.
Tekst, visuelt materiale og svaret deler et begrenset sekvensbudsjett. Hold relevant innhold leselig, reserver plass til resultatet og kontroller uthentet tekst, koordinater og hendelsestider mot originalen. Kortets genereringseksempel på 128 tokener er illustrerende og etablerer ikke en separat absolutt maksimumsgrense for utdata. Denne modellen returnerer tekstlig analyse eller strukturert informasjon; egenskapene for syn og språk betyr ikke at den genererer bilder eller video.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-vl-3b-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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen2.5-vl-3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-3b-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 qwen2.5-vl-3b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Organize a recorded event timeline\n\nUse only these text annotations from a clip: 00:02 worker picks up a box; 00:05 worker places the box on the scale; 00:08 scale display is obscured; 00:11 worker removes the box. Return the event sequence, the first annotated placement time and whether the weight is established. Preserve timestamps without claiming frame-level inspection.An ordered event table, a placement-time field and an unresolved weight field.Check that obscured weight remains unknown and the placement timestamp is attributed to the supplied annotation.