Qwen2.5-VL-7B-Instruct er den instruksjonsjusterte 7B-utgaven av Qwen2.5-VL. Den knytter en tekstinstruksjon til bilder eller video og returnerer et tekstresultat. Produsentens viktigste forbedringer omfatter gjenkjenning av objekter og visuelle detaljer, analyse av tekst og layout, visuelle agentoppgaver, forståelse av hendelser i lange videoer, objektlokalisering og strukturert uthenting fra dokumenter.
Forståelse av visuelt innhold
Familien går lenger enn å identifisere hovedmotivet i et fotografi. De dokumenterte oppgavene omfatter analyse av tekst, grafer, ikoner, grafikk og plasseringen av elementer i et bilde. For en graf angir du serien eller sammenhengen som skal undersøkes, og bevarer aksene, tegnforklaringen og enhetene. For et diagram spør du hvordan de merkede komponentene henger sammen, og hva den synlige plasseringen sier om prosessen.
En nyttig sammenligning kan oppgi en opprinnelig utforming og en revidert utforming, identifisere hvilken som er hvilken, og be om synlige endringer vurdert mot en kort kravliste. Be om observasjonen og det relevante bildeområdet sammen. Dette gir svaret et konkret formål fremfor å be om en generell beskrivelse av to bilder uten sammenheng.
Arbeidsflyter for visuelle agenter
Produsenten posisjonerer Qwen2.5-VL som en visuell agent som kan resonnere om en skjerm og styre verktøy i oppgaver med datamaskin- eller telefonbruk. Modellen gir en tolkning og en foreslått operasjon; en agentapplikasjon rundt den stiller kontrollene til rådighet, utfører operasjonen og returnerer den nye tilstanden. Et tekstsvar eller en forutsagt koordinat er derfor én del av denne integrerte arbeidsflyten.
For et grensesnittspørsmål oppgir du skjermbildet og det faktiske målet og spør deretter hvilken synlig kontroll som er relevant, og hva som bør gjøres videre. Hold de etterspurte utdataene konkrete: kontrollens etikett, plasseringen og den tiltenkte handlingen. Hvis applikasjonen deretter utfører handlingen, gir neste skjermbilde oppdaterte visuelle inndata for en påfølgende beslutning.
Lange videoer og hendelseslokalisering
Produsenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentet som inneholder en etterspurt hendelse. Dette utvider videobeskrivelse til tidsmessig lokalisering. En oppgave kan spørre når et objekt først vises, hvor en demonstrasjon når et bestemt trinn, eller hvilken synlig hendelse som skjer før en annen. Oppgi om resultatet skal være en oppsummering, en ordnet hendelsesliste eller start- og sluttider med en hendelsesbeskrivelse.
Familien trenes med dynamisk sampling med varierende bildefrekvens og knytter tidsmessig posisjonsinformasjon til absolutt tid. Informasjon om bildefrekvens tilhører derfor videoklargjøringen, fremfor å være en vilkårlig etikett som kan forkastes når tidsstempler er viktige. Den dokumenterte evnen til lange videoer er ikke en universell spesifikasjon av filstørrelse eller maksimal varighet for alle inndatabaner.
Objektlokalisering og strukturerte dokumenter
Qwen2.5-VL kan returnere omsluttende bokser eller punkter og organisere koordinater og attributter som JSON. Utgivelsen bruker koordinater i skalaen til den faktiske bildestørrelsen fremfor tradisjonelle normaliserte koordinater. Angi om oppgaven trenger en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og behold bildedimensjonene og eventuell informasjon om størrelsesendring som trengs for å tolke den returnerte plasseringen.
En visuell inventarforespørsel kan for eksempel be om hvert målobjekt, boksen rundt det og en synlig egenskap. En punktbasert oppgave kan be om plasseringen av en merket kontroll eller en angitt del av et objekt. Dette er forslag til utdatautforming, ikke faste feltnavn som alle forespørsler må bruke. Hold hver koordinat knyttet til kildebildet sitt når flere bilder oppgis.
Produsenten fremhever separat strukturert uthenting fra fakturaskanninger, skjemaer og tabeller. Definer feltene, bevar de opprinnelige etikettene og be om en uttrykkelig representasjon når en verdi ikke kan leses. For en tabell beholder du kolonneoverskrifter og enheter sammen med de etterspurte radene. En praktisk oppføring kan inneholde dokumentidentifikator, feltetikett, uthentet verdi og plassering, noe som gjør utdataene brukbare til senere sammenligning eller menneskelig gjennomgang.
Arkitektur og klargjøring av inndata
Modellen kombinerer dynamisk bildeoppløsning og dynamisk videosampling med oppdatert multimodal roterende posisjonsinformasjon. Synsenkoderen bruker vindusoppmerksomhet, SwiGLU og RMSNorm. Dette er arkitekturendringer som støtter visuell og tidsmessig behandling; de legger ikke til lydinndata eller bildegenerering i den dokumenterte arbeidsflyten med tekstresultater.
Kortet demonstrerer ett bilde, flere bilder, en sekvens av videobilder, en videofil eller referanse og samtaler i satser. Bildeprosessoren dokumenterer et standardområde fra 4 til 16 384 visuelle tokener per bilde. Innstillinger for minste og største pikselantall bevarer sideforholdet; ønskede eksakte dimensjoner avrundes til et multiplum av 28. Eksempelområdet fra 256 til 1 280 visuelle tokener er en justerbar illustrasjon, ikke en separat absolutt bildegrense. Behold detaljene spørsmålet trenger, når du velger størrelsesendring.
Kontekst og innstillinger som påvirker lokalisering
Den utgitte konfigurasjonen angir maksimalt 128 000 posisjoner. Modellkortets del om lang tekst beskriver separat en grunnlinje på 32 768 tokener og et eksempel på YaRN-utvidelse. Den advarer uttrykkelig om at denne utvidelsen påvirker tidsmessig og romlig lokalisering betydelig, og anbefaler den ikke. Veiledningen drøfter også endring av maksimalt antall posisjoner for lange videoer; dette er konfigurasjonsmerknader fremfor én ubetinget inndatagrense for alle oppgaver.
Hold den nøyaktige utgivelseskonfigurasjonen og den visuelle forbehandlingen tilpasset oppgaven, særlig når koordinater eller hendelsestider er viktige. Kortets genereringseksempel på 128 tokener angir ikke en egen maksimal utdatakapasitet. Qwen2.5-VL-7B-Instruct produserer tekst, koordinater og strukturerte funn; en ekstern handling, et gjengitt bilde, en video eller et talesvar krever en annen applikasjonskomponent.
", "aboutText": "Qwen2.5-VL-7B-Instruct er den instruksjonsjusterte 7B-utgaven av Qwen2.5-VL. Den knytter en tekstinstruksjon til bilder eller video og returnerer et tekstresultat. Produsentens viktigste forbedringer omfatter gjenkjenning av objekter og visuelle detaljer, analyse av tekst og layout, visuelle agentoppgaver, forståelse av hendelser i lange videoer, objektlokalisering og strukturert uthenting fra dokumenter.\n\nForståelse av visuelt innhold\n\nFamilien går lenger enn å identifisere hovedmotivet i et fotografi. De dokumenterte oppgavene omfatter analyse av tekst, grafer, ikoner, grafikk og plasseringen av elementer i et bilde. For en graf angir du serien eller sammenhengen som skal undersøkes, og bevarer aksene, tegnforklaringen og enhetene. For et diagram spør du hvordan de merkede komponentene henger sammen, og hva den synlige plasseringen sier om prosessen.\n\nEn nyttig sammenligning kan oppgi en opprinnelig utforming og en revidert utforming, identifisere hvilken som er hvilken, og be om synlige endringer vurdert mot en kort kravliste. Be om observasjonen og det relevante bildeområdet sammen. Dette gir svaret et konkret formål fremfor å be om en generell beskrivelse av to bilder uten sammenheng.\n\nArbeidsflyter for visuelle agenter\n\nProdusenten posisjonerer Qwen2.5-VL som en visuell agent som kan resonnere om en skjerm og styre verktøy i oppgaver med datamaskin- eller telefonbruk. Modellen gir en tolkning og en foreslått operasjon; en agentapplikasjon rundt den stiller kontrollene til rådighet, utfører operasjonen og returnerer den nye tilstanden. Et tekstsvar eller en forutsagt koordinat er derfor én del av denne integrerte arbeidsflyten.\n\nFor et grensesnittspørsmål oppgir du skjermbildet og det faktiske målet og spør deretter hvilken synlig kontroll som er relevant, og hva som bør gjøres videre. Hold de etterspurte utdataene konkrete: kontrollens etikett, plasseringen og den tiltenkte handlingen. Hvis applikasjonen deretter utfører handlingen, gir neste skjermbilde oppdaterte visuelle inndata for en påfølgende beslutning.\n\nLange videoer og hendelseslokalisering\n\nProdusenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentet som inneholder en etterspurt hendelse. Dette utvider videobeskrivelse til tidsmessig lokalisering. En oppgave kan spørre når et objekt først vises, hvor en demonstrasjon når et bestemt trinn, eller hvilken synlig hendelse som skjer før en annen. Oppgi om resultatet skal være en oppsummering, en ordnet hendelsesliste eller start- og sluttider med en hendelsesbeskrivelse.\n\nFamilien trenes med dynamisk sampling med varierende bildefrekvens og knytter tidsmessig posisjonsinformasjon til absolutt tid. Informasjon om bildefrekvens tilhører derfor videoklargjøringen, fremfor å være en vilkårlig etikett som kan forkastes når tidsstempler er viktige. Den dokumenterte evnen til lange videoer er ikke en universell spesifikasjon av filstørrelse eller maksimal varighet for alle inndatabaner.\n\nObjektlokalisering og strukturerte dokumenter\n\nQwen2.5-VL kan returnere omsluttende bokser eller punkter og organisere koordinater og attributter som JSON. Utgivelsen bruker koordinater i skalaen til den faktiske bildestørrelsen fremfor tradisjonelle normaliserte koordinater. Angi om oppgaven trenger en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og behold bildedimensjonene og eventuell informasjon om størrelsesendring som trengs for å tolke den returnerte plasseringen.\n\nEn visuell inventarforespørsel kan for eksempel be om hvert målobjekt, boksen rundt det og en synlig egenskap. En punktbasert oppgave kan be om plasseringen av en merket kontroll eller en angitt del av et objekt. Dette er forslag til utdatautforming, ikke faste feltnavn som alle forespørsler må bruke. Hold hver koordinat knyttet til kildebildet sitt når flere bilder oppgis.\n\nProdusenten fremhever separat strukturert uthenting fra fakturaskanninger, skjemaer og tabeller. Definer feltene, bevar de opprinnelige etikettene og be om en uttrykkelig representasjon når en verdi ikke kan leses. For en tabell beholder du kolonneoverskrifter og enheter sammen med de etterspurte radene. En praktisk oppføring kan inneholde dokumentidentifikator, feltetikett, uthentet verdi og plassering, noe som gjør utdataene brukbare til senere sammenligning eller menneskelig gjennomgang.\n\nArkitektur og klargjøring av inndata\n\nModellen kombinerer dynamisk bildeoppløsning og dynamisk videosampling med oppdatert multimodal roterende posisjonsinformasjon. Synsenkoderen bruker vindusoppmerksomhet, SwiGLU og RMSNorm. Dette er arkitekturendringer som støtter visuell og tidsmessig behandling; de legger ikke til lydinndata eller bildegenerering i den dokumenterte arbeidsflyten med tekstresultater.\n\nKortet demonstrerer ett bilde, flere bilder, en sekvens av videobilder, en videofil eller referanse og samtaler i satser. Bildeprosessoren dokumenterer et standardområde fra 4 til 16 384 visuelle tokener per bilde. Innstillinger for minste og største pikselantall bevarer sideforholdet; ønskede eksakte dimensjoner avrundes til et multiplum av 28. Eksempelområdet fra 256 til 1 280 visuelle tokener er en justerbar illustrasjon, ikke en separat absolutt bildegrense. Behold detaljene spørsmålet trenger, når du velger størrelsesendring.\n\nKontekst og innstillinger som påvirker lokalisering\n\nDen utgitte konfigurasjonen angir maksimalt 128 000 posisjoner. Modellkortets del om lang tekst beskriver separat en grunnlinje på 32 768 tokener og et eksempel på YaRN-utvidelse. Den advarer uttrykkelig om at denne utvidelsen påvirker tidsmessig og romlig lokalisering betydelig, og anbefaler den ikke. Veiledningen drøfter også endring av maksimalt antall posisjoner for lange videoer; dette er konfigurasjonsmerknader fremfor én ubetinget inndatagrense for alle oppgaver.\n\nHold den nøyaktige utgivelseskonfigurasjonen og den visuelle forbehandlingen tilpasset oppgaven, særlig når koordinater eller hendelsestider er viktige. Kortets genereringseksempel på 128 tokener angir ikke en egen maksimal utdatakapasitet. Qwen2.5-VL-7B-Instruct produserer tekst, koordinater og strukturerte funn; en ekstern handling, et gjengitt bilde, en video eller et talesvar krever en annen applikasjonskomponent.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct er en syns- og språkmodell for bilder, dokumenter og video. Den produserer tekst og strukturerte funn, blant annet objektbokser, punkter og attributter, og gir 7B-utgaven tidsmessig hendelseslokalisering og evner som visuell agent.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-VL-7B-Instruct er den instruksjonsjusterte 7B-utgaven av Qwen2.5-VL. Den knytter en tekstinstruksjon til bilder eller video og returnerer et tekstresultat. Produsentens viktigste forbedringer omfatter gjenkjenning av objekter og visuelle detaljer, analyse av tekst og layout, visuelle agentoppgaver, forståelse av hendelser i lange videoer, objektlokalisering og strukturert uthenting fra dokumenter.
Forståelse av visuelt innhold
Familien går lenger enn å identifisere hovedmotivet i et fotografi. De dokumenterte oppgavene omfatter analyse av tekst, grafer, ikoner, grafikk og plasseringen av elementer i et bilde. For en graf angir du serien eller sammenhengen som skal undersøkes, og bevarer aksene, tegnforklaringen og enhetene. For et diagram spør du hvordan de merkede komponentene henger sammen, og hva den synlige plasseringen sier om prosessen.
En nyttig sammenligning kan oppgi en opprinnelig utforming og en revidert utforming, identifisere hvilken som er hvilken, og be om synlige endringer vurdert mot en kort kravliste. Be om observasjonen og det relevante bildeområdet sammen. Dette gir svaret et konkret formål fremfor å be om en generell beskrivelse av to bilder uten sammenheng.
Arbeidsflyter for visuelle agenter
Produsenten posisjonerer Qwen2.5-VL som en visuell agent som kan resonnere om en skjerm og styre verktøy i oppgaver med datamaskin- eller telefonbruk. Modellen gir en tolkning og en foreslått operasjon; en agentapplikasjon rundt den stiller kontrollene til rådighet, utfører operasjonen og returnerer den nye tilstanden. Et tekstsvar eller en forutsagt koordinat er derfor én del av denne integrerte arbeidsflyten.
For et grensesnittspørsmål oppgir du skjermbildet og det faktiske målet og spør deretter hvilken synlig kontroll som er relevant, og hva som bør gjøres videre. Hold de etterspurte utdataene konkrete: kontrollens etikett, plasseringen og den tiltenkte handlingen. Hvis applikasjonen deretter utfører handlingen, gir neste skjermbilde oppdaterte visuelle inndata for en påfølgende beslutning.
Lange videoer og hendelseslokalisering
Produsenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentet som inneholder en etterspurt hendelse. Dette utvider videobeskrivelse til tidsmessig lokalisering. En oppgave kan spørre når et objekt først vises, hvor en demonstrasjon når et bestemt trinn, eller hvilken synlig hendelse som skjer før en annen. Oppgi om resultatet skal være en oppsummering, en ordnet hendelsesliste eller start- og sluttider med en hendelsesbeskrivelse.
Familien trenes med dynamisk sampling med varierende bildefrekvens og knytter tidsmessig posisjonsinformasjon til absolutt tid. Informasjon om bildefrekvens tilhører derfor videoklargjøringen, fremfor å være en vilkårlig etikett som kan forkastes når tidsstempler er viktige. Den dokumenterte evnen til lange videoer er ikke en universell spesifikasjon av filstørrelse eller maksimal varighet for alle inndatabaner.
Objektlokalisering og strukturerte dokumenter
Qwen2.5-VL kan returnere omsluttende bokser eller punkter og organisere koordinater og attributter som JSON. Utgivelsen bruker koordinater i skalaen til den faktiske bildestørrelsen fremfor tradisjonelle normaliserte koordinater. Angi om oppgaven trenger en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og behold bildedimensjonene og eventuell informasjon om størrelsesendring som trengs for å tolke den returnerte plasseringen.
En visuell inventarforespørsel kan for eksempel be om hvert målobjekt, boksen rundt det og en synlig egenskap. En punktbasert oppgave kan be om plasseringen av en merket kontroll eller en angitt del av et objekt. Dette er forslag til utdatautforming, ikke faste feltnavn som alle forespørsler må bruke. Hold hver koordinat knyttet til kildebildet sitt når flere bilder oppgis.
Produsenten fremhever separat strukturert uthenting fra fakturaskanninger, skjemaer og tabeller. Definer feltene, bevar de opprinnelige etikettene og be om en uttrykkelig representasjon når en verdi ikke kan leses. For en tabell beholder du kolonneoverskrifter og enheter sammen med de etterspurte radene. En praktisk oppføring kan inneholde dokumentidentifikator, feltetikett, uthentet verdi og plassering, noe som gjør utdataene brukbare til senere sammenligning eller menneskelig gjennomgang.
Arkitektur og klargjøring av inndata
Modellen kombinerer dynamisk bildeoppløsning og dynamisk videosampling med oppdatert multimodal roterende posisjonsinformasjon. Synsenkoderen bruker vindusoppmerksomhet, SwiGLU og RMSNorm. Dette er arkitekturendringer som støtter visuell og tidsmessig behandling; de legger ikke til lydinndata eller bildegenerering i den dokumenterte arbeidsflyten med tekstresultater.
Kortet demonstrerer ett bilde, flere bilder, en sekvens av videobilder, en videofil eller referanse og samtaler i satser. Bildeprosessoren dokumenterer et standardområde fra 4 til 16 384 visuelle tokener per bilde. Innstillinger for minste og største pikselantall bevarer sideforholdet; ønskede eksakte dimensjoner avrundes til et multiplum av 28. Eksempelområdet fra 256 til 1 280 visuelle tokener er en justerbar illustrasjon, ikke en separat absolutt bildegrense. Behold detaljene spørsmålet trenger, når du velger størrelsesendring.
Kontekst og innstillinger som påvirker lokalisering
Den utgitte konfigurasjonen angir maksimalt 128 000 posisjoner. Modellkortets del om lang tekst beskriver separat en grunnlinje på 32 768 tokener og et eksempel på YaRN-utvidelse. Den advarer uttrykkelig om at denne utvidelsen påvirker tidsmessig og romlig lokalisering betydelig, og anbefaler den ikke. Veiledningen drøfter også endring av maksimalt antall posisjoner for lange videoer; dette er konfigurasjonsmerknader fremfor én ubetinget inndatagrense for alle oppgaver.
Hold den nøyaktige utgivelseskonfigurasjonen og den visuelle forbehandlingen tilpasset oppgaven, særlig når koordinater eller hendelsestider er viktige. Kortets genereringseksempel på 128 tokener angir ikke en egen maksimal utdatakapasitet. Qwen2.5-VL-7B-Instruct produserer tekst, koordinater og strukturerte funn; en ekstern handling, et gjengitt bilde, en video eller et talesvar krever en annen applikasjonskomponent.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-vl-7b-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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.0001 / 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-7b-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-7b-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-7b-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-7b-instruct
Bruk metodestiene som vises ovenfor.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct er en syns- og språkmodell for bilder, dokumenter og video. Den produserer tekst og strukturerte funn, blant annet objektbokser, punkter og attributter, og gir 7B-utgaven tidsmessig hendelseslokalisering og evner som visuell agent.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen2.5-VL-7B-Instruct er den instruksjonsjusterte 7B-utgaven av Qwen2.5-VL. Den knytter en tekstinstruksjon til bilder eller video og returnerer et tekstresultat. Produsentens viktigste forbedringer omfatter gjenkjenning av objekter og visuelle detaljer, analyse av tekst og layout, visuelle agentoppgaver, forståelse av hendelser i lange videoer, objektlokalisering og strukturert uthenting fra dokumenter.
Forståelse av visuelt innhold
Familien går lenger enn å identifisere hovedmotivet i et fotografi. De dokumenterte oppgavene omfatter analyse av tekst, grafer, ikoner, grafikk og plasseringen av elementer i et bilde. For en graf angir du serien eller sammenhengen som skal undersøkes, og bevarer aksene, tegnforklaringen og enhetene. For et diagram spør du hvordan de merkede komponentene henger sammen, og hva den synlige plasseringen sier om prosessen.
En nyttig sammenligning kan oppgi en opprinnelig utforming og en revidert utforming, identifisere hvilken som er hvilken, og be om synlige endringer vurdert mot en kort kravliste. Be om observasjonen og det relevante bildeområdet sammen. Dette gir svaret et konkret formål fremfor å be om en generell beskrivelse av to bilder uten sammenheng.
Arbeidsflyter for visuelle agenter
Produsenten posisjonerer Qwen2.5-VL som en visuell agent som kan resonnere om en skjerm og styre verktøy i oppgaver med datamaskin- eller telefonbruk. Modellen gir en tolkning og en foreslått operasjon; en agentapplikasjon rundt den stiller kontrollene til rådighet, utfører operasjonen og returnerer den nye tilstanden. Et tekstsvar eller en forutsagt koordinat er derfor én del av denne integrerte arbeidsflyten.
For et grensesnittspørsmål oppgir du skjermbildet og det faktiske målet og spør deretter hvilken synlig kontroll som er relevant, og hva som bør gjøres videre. Hold de etterspurte utdataene konkrete: kontrollens etikett, plasseringen og den tiltenkte handlingen. Hvis applikasjonen deretter utfører handlingen, gir neste skjermbilde oppdaterte visuelle inndata for en påfølgende beslutning.
Lange videoer og hendelseslokalisering
Produsenten beskriver forståelse av videoer som er lengre enn én time, og identifisering av segmentet som inneholder en etterspurt hendelse. Dette utvider videobeskrivelse til tidsmessig lokalisering. En oppgave kan spørre når et objekt først vises, hvor en demonstrasjon når et bestemt trinn, eller hvilken synlig hendelse som skjer før en annen. Oppgi om resultatet skal være en oppsummering, en ordnet hendelsesliste eller start- og sluttider med en hendelsesbeskrivelse.
Familien trenes med dynamisk sampling med varierende bildefrekvens og knytter tidsmessig posisjonsinformasjon til absolutt tid. Informasjon om bildefrekvens tilhører derfor videoklargjøringen, fremfor å være en vilkårlig etikett som kan forkastes når tidsstempler er viktige. Den dokumenterte evnen til lange videoer er ikke en universell spesifikasjon av filstørrelse eller maksimal varighet for alle inndatabaner.
Objektlokalisering og strukturerte dokumenter
Qwen2.5-VL kan returnere omsluttende bokser eller punkter og organisere koordinater og attributter som JSON. Utgivelsen bruker koordinater i skalaen til den faktiske bildestørrelsen fremfor tradisjonelle normaliserte koordinater. Angi om oppgaven trenger en omsluttende boks, et bestemt punkt eller en objektbeskrivelse, og behold bildedimensjonene og eventuell informasjon om størrelsesendring som trengs for å tolke den returnerte plasseringen.
En visuell inventarforespørsel kan for eksempel be om hvert målobjekt, boksen rundt det og en synlig egenskap. En punktbasert oppgave kan be om plasseringen av en merket kontroll eller en angitt del av et objekt. Dette er forslag til utdatautforming, ikke faste feltnavn som alle forespørsler må bruke. Hold hver koordinat knyttet til kildebildet sitt når flere bilder oppgis.
Produsenten fremhever separat strukturert uthenting fra fakturaskanninger, skjemaer og tabeller. Definer feltene, bevar de opprinnelige etikettene og be om en uttrykkelig representasjon når en verdi ikke kan leses. For en tabell beholder du kolonneoverskrifter og enheter sammen med de etterspurte radene. En praktisk oppføring kan inneholde dokumentidentifikator, feltetikett, uthentet verdi og plassering, noe som gjør utdataene brukbare til senere sammenligning eller menneskelig gjennomgang.
Arkitektur og klargjøring av inndata
Modellen kombinerer dynamisk bildeoppløsning og dynamisk videosampling med oppdatert multimodal roterende posisjonsinformasjon. Synsenkoderen bruker vindusoppmerksomhet, SwiGLU og RMSNorm. Dette er arkitekturendringer som støtter visuell og tidsmessig behandling; de legger ikke til lydinndata eller bildegenerering i den dokumenterte arbeidsflyten med tekstresultater.
Kortet demonstrerer ett bilde, flere bilder, en sekvens av videobilder, en videofil eller referanse og samtaler i satser. Bildeprosessoren dokumenterer et standardområde fra 4 til 16 384 visuelle tokener per bilde. Innstillinger for minste og største pikselantall bevarer sideforholdet; ønskede eksakte dimensjoner avrundes til et multiplum av 28. Eksempelområdet fra 256 til 1 280 visuelle tokener er en justerbar illustrasjon, ikke en separat absolutt bildegrense. Behold detaljene spørsmålet trenger, når du velger størrelsesendring.
Kontekst og innstillinger som påvirker lokalisering
Den utgitte konfigurasjonen angir maksimalt 128 000 posisjoner. Modellkortets del om lang tekst beskriver separat en grunnlinje på 32 768 tokener og et eksempel på YaRN-utvidelse. Den advarer uttrykkelig om at denne utvidelsen påvirker tidsmessig og romlig lokalisering betydelig, og anbefaler den ikke. Veiledningen drøfter også endring av maksimalt antall posisjoner for lange videoer; dette er konfigurasjonsmerknader fremfor én ubetinget inndatagrense for alle oppgaver.
Hold den nøyaktige utgivelseskonfigurasjonen og den visuelle forbehandlingen tilpasset oppgaven, særlig når koordinater eller hendelsestider er viktige. Kortets genereringseksempel på 128 tokener angir ikke en egen maksimal utdatakapasitet. Qwen2.5-VL-7B-Instruct produserer tekst, koordinater og strukturerte funn; en ekstern handling, et gjengitt bilde, en video eller et talesvar krever en annen applikasjonskomponent.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen2.5-vl-7b-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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.0001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-7b-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-7b-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-7b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.