Innledning: syns- og språkutgaven med 7 milliarder parametere
Qwen2-VL-7B-Instruct er den instruksjonstilpassede modellen med 7 milliarder parametere i Qwen2-VL-familien. Den kombinerer tekstinstrukser med bilder eller video og produserer tekstsvar. Nyttige utdata omfatter en sideforklaring, en sammenligning av bilder, en beskrivelse av synlige hendelser eller et svar på et spørsmål om et diagram. Den forblir denne eksakte Qwen2-VL-utgivelsen; nyere Qwen2.5-VL- og Qwen3-VL-modellutgaver har egne funksjoner og identiteter.
Hva Qwen2-VL tilfører
Qwen beskriver visuell forståelse på tvers av forskjellige bildeoppløsninger og sideforhold, i tillegg til spørsmål og svar om video, dialog og innholdsproduksjon. Familiens dokumenterte videofunksjonalitet omfatter materiale som er lengre enn 20 minutter. Varighet alene fastslår ikke hvor mange bilder en applikasjon behandler, og garanterer heller ikke at hver hendelse huskes. Flerspråklig forståelse av tekst i bilder omfatter engelsk og kinesisk, mange europeiske språk, japansk, koreansk, arabisk og vietnamesisk.
Utvikleren beskriver også integrasjon med telefoner, roboter og andre enheter gjennom visuelle observasjoner og tekstinstrukser. Dette er en applikasjonsarbeidsflyt: modellen tolker de visuelle omgivelsene og bidrar til å velge handlinger, mens tilkoblet programvare eller maskinvare utfører dem. Gjenkjenning av en skjerm gir ikke i seg selv kontroll over skjermen.
Arkitekturendringer
Dynamisk oppløsning gjør et bilde om til et variabelt antall visuelle tokener i stedet for å tvinge alle inndata inn i samme representasjon. M-ROPE skiller posisjonsinformasjon for tekst, todimensjonale bilder og tredimensjonal videoinformasjon og kombinerer romlig og tidsmessig struktur. Den publiserte 7B-konfigurasjonen oppgir 32 768 posisjoner. Tekst, visuelle tokener og genererte utdata deler den begrensede sekvensrammen, så bildeoppløsning og videosampling påvirker hvor mye materiale en forespørsel kan inneholde.
Klargjøring av bilder og samtaler
De offisielle eksemplene støtter ett bilde, flere bilder og samtaler med bare tekst. Legg ved bildet med et konkret spørsmål i stedet for å basere deg på en bred instruks som «analyser alt». For en dokumentside ber du om navngitte felt og bevarer tegnsettingen i sitater. For to skjermbilder av design merker du dem som første og andre, og ber deretter om en tabell over synlige endringer. For et diagram ber du om etikettene, enhetene og verdiene som underbygger en oppgitt trend. Dette er praktiske bruksområder for spørsmål og svar om visuelt innhold, ikke løfter om feilfri uthenting.
Utviklerens hjelpeverktøy godtar bilder fra lokale filer, kodede bildedata eller bildeplasseringer; det dokumenterte videoeksemplet bruker lokale videofiler eller en ordnet liste med bilder. Applikasjonens opplastingsformater er fortsatt en separat grensesnittbeslutning. Behold den opprinnelige bilderekkefølgen, og angi tidsintervallet en bildeliste representerer. Eksemplene genererer tekst; denne modellutgaven beskrives ikke som en bilde- eller videogenerator.
Oppløsning og klargjøring av video
Qwens prosessor bruker som standard et område fra fire til 16 384 visuelle tokener per bilde. Den tilbyr min_pixels og max_pixels for å balansere detaljnivå mot minne og beregning, med et dokumentert eksempel som sikter mot 256–1 280 visuelle tokener. Bilder skaleres innenfor de valgte grensene samtidig som sideforholdet beholdes. Eksplisitte skalerte dimensjoner avrundes til et multiplum av 28. En tett tabell eller liten skrift kan trenge tilstrekkelig oppløsning for å forbli lesbar; høyere oppløsning bruker også mer av den tilgjengelige visuelle rammen og kontekstrammen.
Videoeksemplet viser en samplingsfrekvens på ett bilde per sekund og en konfigurerbar pikselgrense. Dette er eksempelinnstillinger, ikke en universelt påkrevd frekvens eller en absolutt mediegrense. Ved hendelsesgjennomgang oppgir du det relevante klippet og ber om en ordnet redegjørelse for synlige endringer. Hendelser som ligger tett i tid, kan kreve tettere sampling enn en bred sceneoppsummering. Qwen2-VL forstår ikke lydinformasjon i videoer, så muntlig dialog eller lydeffekter krever en separat lydarbeidsflyt.
Kjente begrensninger
Qwen oppgir en sluttdato for bildene i treningsdataene i juni 2023, uten garanti for kunnskap om senere personer, produkter eller hendelser. Gjenkjenning av bestemte personer og immaterielle verk er ufullstendig. Komplekse instrukser i flere trinn, telling av objekter i overfylte scener og romlige relasjoner, særlig i tre dimensjoner, er dokumenterte svakheter. Del en komplisert visuell oppgave opp i tydelige spørsmål, be om den synlige dokumentasjonen som underbygger resultatet, og kontroller uthentede tall og sitert tekst mot bildet. En plausibel bildetekst bør ikke behandles som en presis telling eller en målt tredimensjonal posisjon.
Modellkortets korte genereringseksempler fastslår ikke en egen absolutt grense for utdata. Planlegg svarstørrelsen sammen med tekst og visuelle inndata, og bevar nok detaljer i kilden for det aktuelle spørsmålet. Dette gjør modellvalg og klargjøring av inndata mer nyttig enn å anta at ethvert bilde eller enhver lang video gir et like pålitelig svar.
", "aboutText": "Innledning: syns- og språkutgaven med 7 milliarder parametere\n\nQwen2-VL-7B-Instruct er den instruksjonstilpassede modellen med 7 milliarder parametere i Qwen2-VL-familien. Den kombinerer tekstinstrukser med bilder eller video og produserer tekstsvar. Nyttige utdata omfatter en sideforklaring, en sammenligning av bilder, en beskrivelse av synlige hendelser eller et svar på et spørsmål om et diagram. Den forblir denne eksakte Qwen2-VL-utgivelsen; nyere Qwen2.5-VL- og Qwen3-VL-modellutgaver har egne funksjoner og identiteter.\n\nHva Qwen2-VL tilfører\n\nQwen beskriver visuell forståelse på tvers av forskjellige bildeoppløsninger og sideforhold, i tillegg til spørsmål og svar om video, dialog og innholdsproduksjon. Familiens dokumenterte videofunksjonalitet omfatter materiale som er lengre enn 20 minutter. Varighet alene fastslår ikke hvor mange bilder en applikasjon behandler, og garanterer heller ikke at hver hendelse huskes. Flerspråklig forståelse av tekst i bilder omfatter engelsk og kinesisk, mange europeiske språk, japansk, koreansk, arabisk og vietnamesisk.\n\nUtvikleren beskriver også integrasjon med telefoner, roboter og andre enheter gjennom visuelle observasjoner og tekstinstrukser. Dette er en applikasjonsarbeidsflyt: modellen tolker de visuelle omgivelsene og bidrar til å velge handlinger, mens tilkoblet programvare eller maskinvare utfører dem. Gjenkjenning av en skjerm gir ikke i seg selv kontroll over skjermen.\n\nArkitekturendringer\n\nDynamisk oppløsning gjør et bilde om til et variabelt antall visuelle tokener i stedet for å tvinge alle inndata inn i samme representasjon. M-ROPE skiller posisjonsinformasjon for tekst, todimensjonale bilder og tredimensjonal videoinformasjon og kombinerer romlig og tidsmessig struktur. Den publiserte 7B-konfigurasjonen oppgir 32 768 posisjoner. Tekst, visuelle tokener og genererte utdata deler den begrensede sekvensrammen, så bildeoppløsning og videosampling påvirker hvor mye materiale en forespørsel kan inneholde.\n\nKlargjøring av bilder og samtaler\n\nDe offisielle eksemplene støtter ett bilde, flere bilder og samtaler med bare tekst. Legg ved bildet med et konkret spørsmål i stedet for å basere deg på en bred instruks som «analyser alt». For en dokumentside ber du om navngitte felt og bevarer tegnsettingen i sitater. For to skjermbilder av design merker du dem som første og andre, og ber deretter om en tabell over synlige endringer. For et diagram ber du om etikettene, enhetene og verdiene som underbygger en oppgitt trend. Dette er praktiske bruksområder for spørsmål og svar om visuelt innhold, ikke løfter om feilfri uthenting.\n\nUtviklerens hjelpeverktøy godtar bilder fra lokale filer, kodede bildedata eller bildeplasseringer; det dokumenterte videoeksemplet bruker lokale videofiler eller en ordnet liste med bilder. Applikasjonens opplastingsformater er fortsatt en separat grensesnittbeslutning. Behold den opprinnelige bilderekkefølgen, og angi tidsintervallet en bildeliste representerer. Eksemplene genererer tekst; denne modellutgaven beskrives ikke som en bilde- eller videogenerator.\n\nOppløsning og klargjøring av video\n\nQwens prosessor bruker som standard et område fra fire til 16 384 visuelle tokener per bilde. Den tilbyr min_pixels og max_pixels for å balansere detaljnivå mot minne og beregning, med et dokumentert eksempel som sikter mot 256–1 280 visuelle tokener. Bilder skaleres innenfor de valgte grensene samtidig som sideforholdet beholdes. Eksplisitte skalerte dimensjoner avrundes til et multiplum av 28. En tett tabell eller liten skrift kan trenge tilstrekkelig oppløsning for å forbli lesbar; høyere oppløsning bruker også mer av den tilgjengelige visuelle rammen og kontekstrammen.\n\nVideoeksemplet viser en samplingsfrekvens på ett bilde per sekund og en konfigurerbar pikselgrense. Dette er eksempelinnstillinger, ikke en universelt påkrevd frekvens eller en absolutt mediegrense. Ved hendelsesgjennomgang oppgir du det relevante klippet og ber om en ordnet redegjørelse for synlige endringer. Hendelser som ligger tett i tid, kan kreve tettere sampling enn en bred sceneoppsummering. Qwen2-VL forstår ikke lydinformasjon i videoer, så muntlig dialog eller lydeffekter krever en separat lydarbeidsflyt.\n\nKjente begrensninger\n\nQwen oppgir en sluttdato for bildene i treningsdataene i juni 2023, uten garanti for kunnskap om senere personer, produkter eller hendelser. Gjenkjenning av bestemte personer og immaterielle verk er ufullstendig. Komplekse instrukser i flere trinn, telling av objekter i overfylte scener og romlige relasjoner, særlig i tre dimensjoner, er dokumenterte svakheter. Del en komplisert visuell oppgave opp i tydelige spørsmål, be om den synlige dokumentasjonen som underbygger resultatet, og kontroller uthentede tall og sitert tekst mot bildet. En plausibel bildetekst bør ikke behandles som en presis telling eller en målt tredimensjonal posisjon.\n\nModellkortets korte genereringseksempler fastslår ikke en egen absolutt grense for utdata. Planlegg svarstørrelsen sammen med tekst og visuelle inndata, og bevar nok detaljer i kilden for det aktuelle spørsmålet. Dette gjør modellvalg og klargjøring av inndata mer nyttig enn å anta at ethvert bilde eller enhver lang video gir et like pålitelig svar.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct er Qwens instruksjonstilpassede syns- og språkmodell for tekst, bilder og video, med tekst som utdata. Bruk den til å stille spørsmål om dokumentsider, sammenligne bilder eller beskrive visuelle hendelser, med dynamisk bildeoppløsning og dokumenterte begrensninger i telling, romlig resonnering og forståelse av lyd i video.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: syns- og språkutgaven med 7 milliarder parametere
Qwen2-VL-7B-Instruct er den instruksjonstilpassede modellen med 7 milliarder parametere i Qwen2-VL-familien. Den kombinerer tekstinstrukser med bilder eller video og produserer tekstsvar. Nyttige utdata omfatter en sideforklaring, en sammenligning av bilder, en beskrivelse av synlige hendelser eller et svar på et spørsmål om et diagram. Den forblir denne eksakte Qwen2-VL-utgivelsen; nyere Qwen2.5-VL- og Qwen3-VL-modellutgaver har egne funksjoner og identiteter.
Hva Qwen2-VL tilfører
Qwen beskriver visuell forståelse på tvers av forskjellige bildeoppløsninger og sideforhold, i tillegg til spørsmål og svar om video, dialog og innholdsproduksjon. Familiens dokumenterte videofunksjonalitet omfatter materiale som er lengre enn 20 minutter. Varighet alene fastslår ikke hvor mange bilder en applikasjon behandler, og garanterer heller ikke at hver hendelse huskes. Flerspråklig forståelse av tekst i bilder omfatter engelsk og kinesisk, mange europeiske språk, japansk, koreansk, arabisk og vietnamesisk.
Utvikleren beskriver også integrasjon med telefoner, roboter og andre enheter gjennom visuelle observasjoner og tekstinstrukser. Dette er en applikasjonsarbeidsflyt: modellen tolker de visuelle omgivelsene og bidrar til å velge handlinger, mens tilkoblet programvare eller maskinvare utfører dem. Gjenkjenning av en skjerm gir ikke i seg selv kontroll over skjermen.
Arkitekturendringer
Dynamisk oppløsning gjør et bilde om til et variabelt antall visuelle tokener i stedet for å tvinge alle inndata inn i samme representasjon. M-ROPE skiller posisjonsinformasjon for tekst, todimensjonale bilder og tredimensjonal videoinformasjon og kombinerer romlig og tidsmessig struktur. Den publiserte 7B-konfigurasjonen oppgir 32 768 posisjoner. Tekst, visuelle tokener og genererte utdata deler den begrensede sekvensrammen, så bildeoppløsning og videosampling påvirker hvor mye materiale en forespørsel kan inneholde.
Klargjøring av bilder og samtaler
De offisielle eksemplene støtter ett bilde, flere bilder og samtaler med bare tekst. Legg ved bildet med et konkret spørsmål i stedet for å basere deg på en bred instruks som «analyser alt». For en dokumentside ber du om navngitte felt og bevarer tegnsettingen i sitater. For to skjermbilder av design merker du dem som første og andre, og ber deretter om en tabell over synlige endringer. For et diagram ber du om etikettene, enhetene og verdiene som underbygger en oppgitt trend. Dette er praktiske bruksområder for spørsmål og svar om visuelt innhold, ikke løfter om feilfri uthenting.
Utviklerens hjelpeverktøy godtar bilder fra lokale filer, kodede bildedata eller bildeplasseringer; det dokumenterte videoeksemplet bruker lokale videofiler eller en ordnet liste med bilder. Applikasjonens opplastingsformater er fortsatt en separat grensesnittbeslutning. Behold den opprinnelige bilderekkefølgen, og angi tidsintervallet en bildeliste representerer. Eksemplene genererer tekst; denne modellutgaven beskrives ikke som en bilde- eller videogenerator.
Oppløsning og klargjøring av video
Qwens prosessor bruker som standard et område fra fire til 16 384 visuelle tokener per bilde. Den tilbyr min_pixels og max_pixels for å balansere detaljnivå mot minne og beregning, med et dokumentert eksempel som sikter mot 256–1 280 visuelle tokener. Bilder skaleres innenfor de valgte grensene samtidig som sideforholdet beholdes. Eksplisitte skalerte dimensjoner avrundes til et multiplum av 28. En tett tabell eller liten skrift kan trenge tilstrekkelig oppløsning for å forbli lesbar; høyere oppløsning bruker også mer av den tilgjengelige visuelle rammen og kontekstrammen.
Videoeksemplet viser en samplingsfrekvens på ett bilde per sekund og en konfigurerbar pikselgrense. Dette er eksempelinnstillinger, ikke en universelt påkrevd frekvens eller en absolutt mediegrense. Ved hendelsesgjennomgang oppgir du det relevante klippet og ber om en ordnet redegjørelse for synlige endringer. Hendelser som ligger tett i tid, kan kreve tettere sampling enn en bred sceneoppsummering. Qwen2-VL forstår ikke lydinformasjon i videoer, så muntlig dialog eller lydeffekter krever en separat lydarbeidsflyt.
Kjente begrensninger
Qwen oppgir en sluttdato for bildene i treningsdataene i juni 2023, uten garanti for kunnskap om senere personer, produkter eller hendelser. Gjenkjenning av bestemte personer og immaterielle verk er ufullstendig. Komplekse instrukser i flere trinn, telling av objekter i overfylte scener og romlige relasjoner, særlig i tre dimensjoner, er dokumenterte svakheter. Del en komplisert visuell oppgave opp i tydelige spørsmål, be om den synlige dokumentasjonen som underbygger resultatet, og kontroller uthentede tall og sitert tekst mot bildet. En plausibel bildetekst bør ikke behandles som en presis telling eller en målt tredimensjonal posisjon.
Modellkortets korte genereringseksempler fastslår ikke en egen absolutt grense for utdata. Planlegg svarstørrelsen sammen med tekst og visuelle inndata, og bevar nok detaljer i kilden for det aktuelle spørsmålet. Dette gjør modellvalg og klargjøring av inndata mer nyttig enn å anta at ethvert bilde eller enhver lang video gir et like pålitelig svar.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.00142 / 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-VL-7B-Instruct-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen2-VL-7B-Instruct-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen2-VL-7B-Instruct-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-VL-7B-Instruct-ultra
Bruk metodestiene som vises ovenfor.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct er Qwens instruksjonstilpassede syns- og språkmodell for tekst, bilder og video, med tekst som utdata. Bruk den til å stille spørsmål om dokumentsider, sammenligne bilder eller beskrive visuelle hendelser, med dynamisk bildeoppløsning og dokumenterte begrensninger i telling, romlig resonnering og forståelse av lyd i video.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: syns- og språkutgaven med 7 milliarder parametere
Qwen2-VL-7B-Instruct er den instruksjonstilpassede modellen med 7 milliarder parametere i Qwen2-VL-familien. Den kombinerer tekstinstrukser med bilder eller video og produserer tekstsvar. Nyttige utdata omfatter en sideforklaring, en sammenligning av bilder, en beskrivelse av synlige hendelser eller et svar på et spørsmål om et diagram. Den forblir denne eksakte Qwen2-VL-utgivelsen; nyere Qwen2.5-VL- og Qwen3-VL-modellutgaver har egne funksjoner og identiteter.
Hva Qwen2-VL tilfører
Qwen beskriver visuell forståelse på tvers av forskjellige bildeoppløsninger og sideforhold, i tillegg til spørsmål og svar om video, dialog og innholdsproduksjon. Familiens dokumenterte videofunksjonalitet omfatter materiale som er lengre enn 20 minutter. Varighet alene fastslår ikke hvor mange bilder en applikasjon behandler, og garanterer heller ikke at hver hendelse huskes. Flerspråklig forståelse av tekst i bilder omfatter engelsk og kinesisk, mange europeiske språk, japansk, koreansk, arabisk og vietnamesisk.
Utvikleren beskriver også integrasjon med telefoner, roboter og andre enheter gjennom visuelle observasjoner og tekstinstrukser. Dette er en applikasjonsarbeidsflyt: modellen tolker de visuelle omgivelsene og bidrar til å velge handlinger, mens tilkoblet programvare eller maskinvare utfører dem. Gjenkjenning av en skjerm gir ikke i seg selv kontroll over skjermen.
Arkitekturendringer
Dynamisk oppløsning gjør et bilde om til et variabelt antall visuelle tokener i stedet for å tvinge alle inndata inn i samme representasjon. M-ROPE skiller posisjonsinformasjon for tekst, todimensjonale bilder og tredimensjonal videoinformasjon og kombinerer romlig og tidsmessig struktur. Den publiserte 7B-konfigurasjonen oppgir 32 768 posisjoner. Tekst, visuelle tokener og genererte utdata deler den begrensede sekvensrammen, så bildeoppløsning og videosampling påvirker hvor mye materiale en forespørsel kan inneholde.
Klargjøring av bilder og samtaler
De offisielle eksemplene støtter ett bilde, flere bilder og samtaler med bare tekst. Legg ved bildet med et konkret spørsmål i stedet for å basere deg på en bred instruks som «analyser alt». For en dokumentside ber du om navngitte felt og bevarer tegnsettingen i sitater. For to skjermbilder av design merker du dem som første og andre, og ber deretter om en tabell over synlige endringer. For et diagram ber du om etikettene, enhetene og verdiene som underbygger en oppgitt trend. Dette er praktiske bruksområder for spørsmål og svar om visuelt innhold, ikke løfter om feilfri uthenting.
Utviklerens hjelpeverktøy godtar bilder fra lokale filer, kodede bildedata eller bildeplasseringer; det dokumenterte videoeksemplet bruker lokale videofiler eller en ordnet liste med bilder. Applikasjonens opplastingsformater er fortsatt en separat grensesnittbeslutning. Behold den opprinnelige bilderekkefølgen, og angi tidsintervallet en bildeliste representerer. Eksemplene genererer tekst; denne modellutgaven beskrives ikke som en bilde- eller videogenerator.
Oppløsning og klargjøring av video
Qwens prosessor bruker som standard et område fra fire til 16 384 visuelle tokener per bilde. Den tilbyr min_pixels og max_pixels for å balansere detaljnivå mot minne og beregning, med et dokumentert eksempel som sikter mot 256–1 280 visuelle tokener. Bilder skaleres innenfor de valgte grensene samtidig som sideforholdet beholdes. Eksplisitte skalerte dimensjoner avrundes til et multiplum av 28. En tett tabell eller liten skrift kan trenge tilstrekkelig oppløsning for å forbli lesbar; høyere oppløsning bruker også mer av den tilgjengelige visuelle rammen og kontekstrammen.
Videoeksemplet viser en samplingsfrekvens på ett bilde per sekund og en konfigurerbar pikselgrense. Dette er eksempelinnstillinger, ikke en universelt påkrevd frekvens eller en absolutt mediegrense. Ved hendelsesgjennomgang oppgir du det relevante klippet og ber om en ordnet redegjørelse for synlige endringer. Hendelser som ligger tett i tid, kan kreve tettere sampling enn en bred sceneoppsummering. Qwen2-VL forstår ikke lydinformasjon i videoer, så muntlig dialog eller lydeffekter krever en separat lydarbeidsflyt.
Kjente begrensninger
Qwen oppgir en sluttdato for bildene i treningsdataene i juni 2023, uten garanti for kunnskap om senere personer, produkter eller hendelser. Gjenkjenning av bestemte personer og immaterielle verk er ufullstendig. Komplekse instrukser i flere trinn, telling av objekter i overfylte scener og romlige relasjoner, særlig i tre dimensjoner, er dokumenterte svakheter. Del en komplisert visuell oppgave opp i tydelige spørsmål, be om den synlige dokumentasjonen som underbygger resultatet, og kontroller uthentede tall og sitert tekst mot bildet. En plausibel bildetekst bør ikke behandles som en presis telling eller en målt tredimensjonal posisjon.
Modellkortets korte genereringseksempler fastslår ikke en egen absolutt grense for utdata. Planlegg svarstørrelsen sammen med tekst og visuelle inndata, og bevar nok detaljer i kilden for det aktuelle spørsmålet. Dette gjør modellvalg og klargjøring av inndata mer nyttig enn å anta at ethvert bilde eller enhver lang video gir et like pålitelig svar.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.00142 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen2-VL-7B-Instruct-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen2-VL-7B-Instruct-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-VL-7B-Instruct-ultra
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.