Inleiding: de vision-language-editie met 7 miljard parameters
Qwen2-VL-7B-Instruct is de op instructies afgestemde variant met 7 miljard parameters binnen Qwen2-VL. Het combineert tekstinstructies met afbeeldingen of video en produceert tekstuele antwoorden. Bruikbare resultaten zijn een uitleg van een pagina, een vergelijking van afbeeldingen, een beschrijving van zichtbare gebeurtenissen of een antwoord op een vraag over een grafiek. Dit blijft deze exacte Qwen2-VL-release; nieuwere Qwen2.5-VL- en Qwen3-VL-checkpoints hebben hun eigen mogelijkheden en identiteiten.
Wat Qwen2-VL toevoegt
Qwen beschrijft visueel begrip bij verschillende afbeeldingsresoluties en beeldverhoudingen, plus het beantwoorden van vragen over video, dialoog en het maken van inhoud. De gedocumenteerde videomogelijkheden van de familie omvatten materiaal van meer dan 20 minuten. Alleen de duur bepaalt niet hoeveel frames een applicatie verwerkt en garandeert niet dat elke gebeurtenis wordt onthouden. Meertalig begrip van tekst in afbeeldingen omvat Engels en Chinees, veel Europese talen, Japans, Koreaans, Arabisch en Vietnamees.
De maker beschrijft ook integratie met telefoons, robots en andere apparaten via visuele waarnemingen en tekstinstructies. Dat is een applicatieworkflow: het model interpreteert de visuele omgeving en helpt handelingen te kiezen, terwijl verbonden software of hardware ze uitvoert. Het herkennen van een scherm geeft het model niet zelfstandig de controle over dat scherm.
Architectuurwijzigingen
Dynamische resolutie zet een afbeelding om in een variabel aantal visuele tokens, in plaats van elke invoer in dezelfde representatie te dwingen. M-ROPE scheidt positie-informatie voor tekst, tweedimensionale afbeeldingen en driedimensionale video-informatie en combineert ruimtelijke en temporele structuur. De gepubliceerde configuratie van de 7B-variant vermeldt 32.768 posities. Tekst, visuele tokens en gegenereerde uitvoer delen de eindige reeksruimte, waardoor beeldresolutie en videobemonstering beïnvloeden hoeveel materiaal een verzoek kan bevatten.
Afbeeldingen en gesprekken voorbereiden
De officiële voorbeelden ondersteunen één afbeelding, meerdere afbeeldingen en gesprekken met uitsluitend tekst. Voeg de afbeelding toe met een specifieke vraag, in plaats van te vertrouwen op een brede instructie zoals “analyseer alles”. Vraag bij een documentpagina om benoemde velden en behoud de interpunctie in citaten. Label twee ontwerpscreenshots als eerste en tweede en vraag vervolgens om een tabel met zichtbare wijzigingen. Vraag bij een grafiek naar de labels, eenheden en de waarden die een genoemde trend ondersteunen. Dit zijn praktische toepassingen van het beantwoorden van visuele vragen, geen beloften van foutloze extractie.
De hulpprogramma's van de maker accepteren afbeeldingen uit lokale bestanden, gecodeerde afbeeldingsgegevens of afbeeldingslocaties; het gedocumenteerde videovoorbeeld gebruikt lokale videobestanden of een geordende framelijst. Uploadformaten van de applicatie blijven een afzonderlijke interfacekeuze. Behoud de oorspronkelijke framevolgorde en vermeld het tijdsinterval dat een framelijst vertegenwoordigt. De voorbeelden genereren tekst; dit checkpoint wordt niet beschreven als een generator van afbeeldingen of video.
Resolutie en videovoorbereiding
De processor van Qwen gebruikt standaard een bereik van vier tot 16.384 visuele tokens per afbeelding. Deze biedt min_pixels en max_pixels om detail af te wegen tegen geheugen en rekenwerk, met een gedocumenteerd voorbeeld gericht op 256–1.280 visuele tokens. Afbeeldingen worden binnen de gekozen grenzen geschaald met behoud van hun beeldverhouding. Expliciet ingestelde afmetingen worden afgerond op een veelvoud van 28. Een volle tabel of kleine tekst kan voldoende resolutie nodig hebben om leesbaar te blijven; een hogere resolutie verbruikt ook meer van de beschikbare visuele ruimte en context.
Het videovoorbeeld toont een bemonsteringssnelheid van één frame per seconde en een instelbare pixelgrens. Dat zijn voorbeeldinstellingen, geen universeel vereiste snelheid of harde medialimiet. Lever voor een beoordeling van gebeurtenissen de relevante clip aan en vraag om een chronologisch verslag van zichtbare veranderingen. Gebeurtenissen die kort na elkaar plaatsvinden, kunnen een fijnere bemonstering vereisen dan een brede scènesamenvatting. Qwen2-VL begrijpt geen audio-informatie in video's, dus gesproken dialoog of geluidseffecten vereisen een afzonderlijke audiowerkwijze.
Bekende beperkingen
Qwen vermeldt juni 2023 als einddatum voor de beeldtrainingsdata, zonder garantie op kennis van latere personen, producten of gebeurtenissen. Herkenning van specifieke personen en intellectuele eigendommen is onvolledig. Complexe instructies in meerdere stappen, het tellen van objecten in drukke scènes en ruimtelijke relaties — vooral in drie dimensies — zijn gedocumenteerde zwakke punten. Splits een ingewikkelde visuele taak op in duidelijke vragen, vraag om het zichtbare bewijs dat het resultaat ondersteunt en controleer geëxtraheerde getallen en geciteerde tekst aan de hand van de afbeelding. Behandel een aannemelijk bijschrift niet als een exacte telling of een gemeten driedimensionale locatie.
De korte generatievoorbeelden op de modelkaart stellen geen afzonderlijke harde uitvoerlimiet vast. Plan de antwoordomvang samen met tekst en visuele invoer en behoud voldoende detail in de bron voor de specifieke vraag. Zo worden modelselectie en invoervoorbereiding nuttiger dan de aanname dat elke afbeelding of elke lange video een even betrouwbaar antwoord oplevert.
", "aboutText": "Inleiding: de vision-language-editie met 7 miljard parameters\n\nQwen2-VL-7B-Instruct is de op instructies afgestemde variant met 7 miljard parameters binnen Qwen2-VL. Het combineert tekstinstructies met afbeeldingen of video en produceert tekstuele antwoorden. Bruikbare resultaten zijn een uitleg van een pagina, een vergelijking van afbeeldingen, een beschrijving van zichtbare gebeurtenissen of een antwoord op een vraag over een grafiek. Dit blijft deze exacte Qwen2-VL-release; nieuwere Qwen2.5-VL- en Qwen3-VL-checkpoints hebben hun eigen mogelijkheden en identiteiten.\n\nWat Qwen2-VL toevoegt\n\nQwen beschrijft visueel begrip bij verschillende afbeeldingsresoluties en beeldverhoudingen, plus het beantwoorden van vragen over video, dialoog en het maken van inhoud. De gedocumenteerde videomogelijkheden van de familie omvatten materiaal van meer dan 20 minuten. Alleen de duur bepaalt niet hoeveel frames een applicatie verwerkt en garandeert niet dat elke gebeurtenis wordt onthouden. Meertalig begrip van tekst in afbeeldingen omvat Engels en Chinees, veel Europese talen, Japans, Koreaans, Arabisch en Vietnamees.\n\nDe maker beschrijft ook integratie met telefoons, robots en andere apparaten via visuele waarnemingen en tekstinstructies. Dat is een applicatieworkflow: het model interpreteert de visuele omgeving en helpt handelingen te kiezen, terwijl verbonden software of hardware ze uitvoert. Het herkennen van een scherm geeft het model niet zelfstandig de controle over dat scherm.\n\nArchitectuurwijzigingen\n\nDynamische resolutie zet een afbeelding om in een variabel aantal visuele tokens, in plaats van elke invoer in dezelfde representatie te dwingen. M-ROPE scheidt positie-informatie voor tekst, tweedimensionale afbeeldingen en driedimensionale video-informatie en combineert ruimtelijke en temporele structuur. De gepubliceerde configuratie van de 7B-variant vermeldt 32.768 posities. Tekst, visuele tokens en gegenereerde uitvoer delen de eindige reeksruimte, waardoor beeldresolutie en videobemonstering beïnvloeden hoeveel materiaal een verzoek kan bevatten.\n\nAfbeeldingen en gesprekken voorbereiden\n\nDe officiële voorbeelden ondersteunen één afbeelding, meerdere afbeeldingen en gesprekken met uitsluitend tekst. Voeg de afbeelding toe met een specifieke vraag, in plaats van te vertrouwen op een brede instructie zoals “analyseer alles”. Vraag bij een documentpagina om benoemde velden en behoud de interpunctie in citaten. Label twee ontwerpscreenshots als eerste en tweede en vraag vervolgens om een tabel met zichtbare wijzigingen. Vraag bij een grafiek naar de labels, eenheden en de waarden die een genoemde trend ondersteunen. Dit zijn praktische toepassingen van het beantwoorden van visuele vragen, geen beloften van foutloze extractie.\n\nDe hulpprogramma's van de maker accepteren afbeeldingen uit lokale bestanden, gecodeerde afbeeldingsgegevens of afbeeldingslocaties; het gedocumenteerde videovoorbeeld gebruikt lokale videobestanden of een geordende framelijst. Uploadformaten van de applicatie blijven een afzonderlijke interfacekeuze. Behoud de oorspronkelijke framevolgorde en vermeld het tijdsinterval dat een framelijst vertegenwoordigt. De voorbeelden genereren tekst; dit checkpoint wordt niet beschreven als een generator van afbeeldingen of video.\n\nResolutie en videovoorbereiding\n\nDe processor van Qwen gebruikt standaard een bereik van vier tot 16.384 visuele tokens per afbeelding. Deze biedt min_pixels en max_pixels om detail af te wegen tegen geheugen en rekenwerk, met een gedocumenteerd voorbeeld gericht op 256–1.280 visuele tokens. Afbeeldingen worden binnen de gekozen grenzen geschaald met behoud van hun beeldverhouding. Expliciet ingestelde afmetingen worden afgerond op een veelvoud van 28. Een volle tabel of kleine tekst kan voldoende resolutie nodig hebben om leesbaar te blijven; een hogere resolutie verbruikt ook meer van de beschikbare visuele ruimte en context.\n\nHet videovoorbeeld toont een bemonsteringssnelheid van één frame per seconde en een instelbare pixelgrens. Dat zijn voorbeeldinstellingen, geen universeel vereiste snelheid of harde medialimiet. Lever voor een beoordeling van gebeurtenissen de relevante clip aan en vraag om een chronologisch verslag van zichtbare veranderingen. Gebeurtenissen die kort na elkaar plaatsvinden, kunnen een fijnere bemonstering vereisen dan een brede scènesamenvatting. Qwen2-VL begrijpt geen audio-informatie in video's, dus gesproken dialoog of geluidseffecten vereisen een afzonderlijke audiowerkwijze.\n\nBekende beperkingen\n\nQwen vermeldt juni 2023 als einddatum voor de beeldtrainingsdata, zonder garantie op kennis van latere personen, producten of gebeurtenissen. Herkenning van specifieke personen en intellectuele eigendommen is onvolledig. Complexe instructies in meerdere stappen, het tellen van objecten in drukke scènes en ruimtelijke relaties — vooral in drie dimensies — zijn gedocumenteerde zwakke punten. Splits een ingewikkelde visuele taak op in duidelijke vragen, vraag om het zichtbare bewijs dat het resultaat ondersteunt en controleer geëxtraheerde getallen en geciteerde tekst aan de hand van de afbeelding. Behandel een aannemelijk bijschrift niet als een exacte telling of een gemeten driedimensionale locatie.\n\nDe korte generatievoorbeelden op de modelkaart stellen geen afzonderlijke harde uitvoerlimiet vast. Plan de antwoordomvang samen met tekst en visuele invoer en behoud voldoende detail in de bron voor de specifieke vraag. Zo worden modelselectie en invoervoorbereiding nuttiger dan de aanname dat elke afbeelding of elke lange video een even betrouwbaar antwoord oplevert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het op instructies afgestemde vision-language-model van Qwen voor tekst, afbeeldingen en video, met tekst als uitvoer. Gebruik het om vragen over documentpagina's te stellen, afbeeldingen te vergelijken of zichtbare gebeurtenissen te beschrijven, met dynamische beeldresolutie en gedocumenteerde beperkingen bij tellen, ruimtelijk redeneren en het begrijpen van audio in video.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inleiding: de vision-language-editie met 7 miljard parameters
Qwen2-VL-7B-Instruct is de op instructies afgestemde variant met 7 miljard parameters binnen Qwen2-VL. Het combineert tekstinstructies met afbeeldingen of video en produceert tekstuele antwoorden. Bruikbare resultaten zijn een uitleg van een pagina, een vergelijking van afbeeldingen, een beschrijving van zichtbare gebeurtenissen of een antwoord op een vraag over een grafiek. Dit blijft deze exacte Qwen2-VL-release; nieuwere Qwen2.5-VL- en Qwen3-VL-checkpoints hebben hun eigen mogelijkheden en identiteiten.
Wat Qwen2-VL toevoegt
Qwen beschrijft visueel begrip bij verschillende afbeeldingsresoluties en beeldverhoudingen, plus het beantwoorden van vragen over video, dialoog en het maken van inhoud. De gedocumenteerde videomogelijkheden van de familie omvatten materiaal van meer dan 20 minuten. Alleen de duur bepaalt niet hoeveel frames een applicatie verwerkt en garandeert niet dat elke gebeurtenis wordt onthouden. Meertalig begrip van tekst in afbeeldingen omvat Engels en Chinees, veel Europese talen, Japans, Koreaans, Arabisch en Vietnamees.
De maker beschrijft ook integratie met telefoons, robots en andere apparaten via visuele waarnemingen en tekstinstructies. Dat is een applicatieworkflow: het model interpreteert de visuele omgeving en helpt handelingen te kiezen, terwijl verbonden software of hardware ze uitvoert. Het herkennen van een scherm geeft het model niet zelfstandig de controle over dat scherm.
Architectuurwijzigingen
Dynamische resolutie zet een afbeelding om in een variabel aantal visuele tokens, in plaats van elke invoer in dezelfde representatie te dwingen. M-ROPE scheidt positie-informatie voor tekst, tweedimensionale afbeeldingen en driedimensionale video-informatie en combineert ruimtelijke en temporele structuur. De gepubliceerde configuratie van de 7B-variant vermeldt 32.768 posities. Tekst, visuele tokens en gegenereerde uitvoer delen de eindige reeksruimte, waardoor beeldresolutie en videobemonstering beïnvloeden hoeveel materiaal een verzoek kan bevatten.
Afbeeldingen en gesprekken voorbereiden
De officiële voorbeelden ondersteunen één afbeelding, meerdere afbeeldingen en gesprekken met uitsluitend tekst. Voeg de afbeelding toe met een specifieke vraag, in plaats van te vertrouwen op een brede instructie zoals “analyseer alles”. Vraag bij een documentpagina om benoemde velden en behoud de interpunctie in citaten. Label twee ontwerpscreenshots als eerste en tweede en vraag vervolgens om een tabel met zichtbare wijzigingen. Vraag bij een grafiek naar de labels, eenheden en de waarden die een genoemde trend ondersteunen. Dit zijn praktische toepassingen van het beantwoorden van visuele vragen, geen beloften van foutloze extractie.
De hulpprogramma's van de maker accepteren afbeeldingen uit lokale bestanden, gecodeerde afbeeldingsgegevens of afbeeldingslocaties; het gedocumenteerde videovoorbeeld gebruikt lokale videobestanden of een geordende framelijst. Uploadformaten van de applicatie blijven een afzonderlijke interfacekeuze. Behoud de oorspronkelijke framevolgorde en vermeld het tijdsinterval dat een framelijst vertegenwoordigt. De voorbeelden genereren tekst; dit checkpoint wordt niet beschreven als een generator van afbeeldingen of video.
Resolutie en videovoorbereiding
De processor van Qwen gebruikt standaard een bereik van vier tot 16.384 visuele tokens per afbeelding. Deze biedt min_pixels en max_pixels om detail af te wegen tegen geheugen en rekenwerk, met een gedocumenteerd voorbeeld gericht op 256–1.280 visuele tokens. Afbeeldingen worden binnen de gekozen grenzen geschaald met behoud van hun beeldverhouding. Expliciet ingestelde afmetingen worden afgerond op een veelvoud van 28. Een volle tabel of kleine tekst kan voldoende resolutie nodig hebben om leesbaar te blijven; een hogere resolutie verbruikt ook meer van de beschikbare visuele ruimte en context.
Het videovoorbeeld toont een bemonsteringssnelheid van één frame per seconde en een instelbare pixelgrens. Dat zijn voorbeeldinstellingen, geen universeel vereiste snelheid of harde medialimiet. Lever voor een beoordeling van gebeurtenissen de relevante clip aan en vraag om een chronologisch verslag van zichtbare veranderingen. Gebeurtenissen die kort na elkaar plaatsvinden, kunnen een fijnere bemonstering vereisen dan een brede scènesamenvatting. Qwen2-VL begrijpt geen audio-informatie in video's, dus gesproken dialoog of geluidseffecten vereisen een afzonderlijke audiowerkwijze.
Bekende beperkingen
Qwen vermeldt juni 2023 als einddatum voor de beeldtrainingsdata, zonder garantie op kennis van latere personen, producten of gebeurtenissen. Herkenning van specifieke personen en intellectuele eigendommen is onvolledig. Complexe instructies in meerdere stappen, het tellen van objecten in drukke scènes en ruimtelijke relaties — vooral in drie dimensies — zijn gedocumenteerde zwakke punten. Splits een ingewikkelde visuele taak op in duidelijke vragen, vraag om het zichtbare bewijs dat het resultaat ondersteunt en controleer geëxtraheerde getallen en geciteerde tekst aan de hand van de afbeelding. Behandel een aannemelijk bijschrift niet als een exacte telling of een gemeten driedimensionale locatie.
De korte generatievoorbeelden op de modelkaart stellen geen afzonderlijke harde uitvoerlimiet vast. Plan de antwoordomvang samen met tekst en visuele invoer en behoud voldoende detail in de bron voor de specifieke vraag. Zo worden modelselectie en invoervoorbereiding nuttiger dan de aanname dat elke afbeelding of elke lange video een even betrouwbaar antwoord oplevert.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen2-VL-7B-Instruct-ultra | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00142 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Qwen2-VL-7B-Instruct-ultra
Gebruik de hierboven getoonde methodepaden.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct is het op instructies afgestemde vision-language-model van Qwen voor tekst, afbeeldingen en video, met tekst als uitvoer. Gebruik het om vragen over documentpagina's te stellen, afbeeldingen te vergelijken of zichtbare gebeurtenissen te beschrijven, met dynamische beeldresolutie en gedocumenteerde beperkingen bij tellen, ruimtelijk redeneren en het begrijpen van audio in video.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inleiding: de vision-language-editie met 7 miljard parameters
Qwen2-VL-7B-Instruct is de op instructies afgestemde variant met 7 miljard parameters binnen Qwen2-VL. Het combineert tekstinstructies met afbeeldingen of video en produceert tekstuele antwoorden. Bruikbare resultaten zijn een uitleg van een pagina, een vergelijking van afbeeldingen, een beschrijving van zichtbare gebeurtenissen of een antwoord op een vraag over een grafiek. Dit blijft deze exacte Qwen2-VL-release; nieuwere Qwen2.5-VL- en Qwen3-VL-checkpoints hebben hun eigen mogelijkheden en identiteiten.
Wat Qwen2-VL toevoegt
Qwen beschrijft visueel begrip bij verschillende afbeeldingsresoluties en beeldverhoudingen, plus het beantwoorden van vragen over video, dialoog en het maken van inhoud. De gedocumenteerde videomogelijkheden van de familie omvatten materiaal van meer dan 20 minuten. Alleen de duur bepaalt niet hoeveel frames een applicatie verwerkt en garandeert niet dat elke gebeurtenis wordt onthouden. Meertalig begrip van tekst in afbeeldingen omvat Engels en Chinees, veel Europese talen, Japans, Koreaans, Arabisch en Vietnamees.
De maker beschrijft ook integratie met telefoons, robots en andere apparaten via visuele waarnemingen en tekstinstructies. Dat is een applicatieworkflow: het model interpreteert de visuele omgeving en helpt handelingen te kiezen, terwijl verbonden software of hardware ze uitvoert. Het herkennen van een scherm geeft het model niet zelfstandig de controle over dat scherm.
Architectuurwijzigingen
Dynamische resolutie zet een afbeelding om in een variabel aantal visuele tokens, in plaats van elke invoer in dezelfde representatie te dwingen. M-ROPE scheidt positie-informatie voor tekst, tweedimensionale afbeeldingen en driedimensionale video-informatie en combineert ruimtelijke en temporele structuur. De gepubliceerde configuratie van de 7B-variant vermeldt 32.768 posities. Tekst, visuele tokens en gegenereerde uitvoer delen de eindige reeksruimte, waardoor beeldresolutie en videobemonstering beïnvloeden hoeveel materiaal een verzoek kan bevatten.
Afbeeldingen en gesprekken voorbereiden
De officiële voorbeelden ondersteunen één afbeelding, meerdere afbeeldingen en gesprekken met uitsluitend tekst. Voeg de afbeelding toe met een specifieke vraag, in plaats van te vertrouwen op een brede instructie zoals “analyseer alles”. Vraag bij een documentpagina om benoemde velden en behoud de interpunctie in citaten. Label twee ontwerpscreenshots als eerste en tweede en vraag vervolgens om een tabel met zichtbare wijzigingen. Vraag bij een grafiek naar de labels, eenheden en de waarden die een genoemde trend ondersteunen. Dit zijn praktische toepassingen van het beantwoorden van visuele vragen, geen beloften van foutloze extractie.
De hulpprogramma's van de maker accepteren afbeeldingen uit lokale bestanden, gecodeerde afbeeldingsgegevens of afbeeldingslocaties; het gedocumenteerde videovoorbeeld gebruikt lokale videobestanden of een geordende framelijst. Uploadformaten van de applicatie blijven een afzonderlijke interfacekeuze. Behoud de oorspronkelijke framevolgorde en vermeld het tijdsinterval dat een framelijst vertegenwoordigt. De voorbeelden genereren tekst; dit checkpoint wordt niet beschreven als een generator van afbeeldingen of video.
Resolutie en videovoorbereiding
De processor van Qwen gebruikt standaard een bereik van vier tot 16.384 visuele tokens per afbeelding. Deze biedt min_pixels en max_pixels om detail af te wegen tegen geheugen en rekenwerk, met een gedocumenteerd voorbeeld gericht op 256–1.280 visuele tokens. Afbeeldingen worden binnen de gekozen grenzen geschaald met behoud van hun beeldverhouding. Expliciet ingestelde afmetingen worden afgerond op een veelvoud van 28. Een volle tabel of kleine tekst kan voldoende resolutie nodig hebben om leesbaar te blijven; een hogere resolutie verbruikt ook meer van de beschikbare visuele ruimte en context.
Het videovoorbeeld toont een bemonsteringssnelheid van één frame per seconde en een instelbare pixelgrens. Dat zijn voorbeeldinstellingen, geen universeel vereiste snelheid of harde medialimiet. Lever voor een beoordeling van gebeurtenissen de relevante clip aan en vraag om een chronologisch verslag van zichtbare veranderingen. Gebeurtenissen die kort na elkaar plaatsvinden, kunnen een fijnere bemonstering vereisen dan een brede scènesamenvatting. Qwen2-VL begrijpt geen audio-informatie in video's, dus gesproken dialoog of geluidseffecten vereisen een afzonderlijke audiowerkwijze.
Bekende beperkingen
Qwen vermeldt juni 2023 als einddatum voor de beeldtrainingsdata, zonder garantie op kennis van latere personen, producten of gebeurtenissen. Herkenning van specifieke personen en intellectuele eigendommen is onvolledig. Complexe instructies in meerdere stappen, het tellen van objecten in drukke scènes en ruimtelijke relaties — vooral in drie dimensies — zijn gedocumenteerde zwakke punten. Splits een ingewikkelde visuele taak op in duidelijke vragen, vraag om het zichtbare bewijs dat het resultaat ondersteunt en controleer geëxtraheerde getallen en geciteerde tekst aan de hand van de afbeelding. Behandel een aannemelijk bijschrift niet als een exacte telling of een gemeten driedimensionale locatie.
De korte generatievoorbeelden op de modelkaart stellen geen afzonderlijke harde uitvoerlimiet vast. Plan de antwoordomvang samen met tekst en visuele invoer en behoud voldoende detail in de bron voor de specifieke vraag. Zo worden modelselectie en invoervoorbereiding nuttiger dan de aanname dat elke afbeelding of elke lange video een even betrouwbaar antwoord oplevert.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten Qwen2-VL-7B-Instruct-ultra | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00142 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra Qwen2-VL-7B-Instruct-ultra
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.