Qwen2.5-VL-72B-Instruct é a edição 72B de Qwen2.5-VL ajustada para seguir instruções, concebida para compreender material visual juntamente com texto. A Qwen descreve reconhecimento de objetos, produtos e pontos de referência, bem como interpretação do texto, dos gráficos, dos ícones, dos elementos gráficos e da disposição dentro das imagens. As entradas combinam uma pergunta escrita com uma ou mais imagens ou um vídeo; a saída é texto, incluindo descrições estruturadas e informação extraída. Em comparação com Qwen2-VL, o produtor destaca melhor perceção do tempo e da escala da imagem e um codificador visual de resolução dinâmica revisto que utiliza atenção por janelas.
A localização visual é uma capacidade separada da descrição de uma imagem. O modelo pode devolver caixas delimitadoras ou pontos, com etiquetas e atributos em JSON. Qwen2.5-VL usa coordenadas à escala do tamanho real da imagem, e não um esquema de coordenadas normalizadas. Identifique os objetos a localizar e forneça os campos exigidos, como bbox_2d e label, juntamente com a interpretação das coordenadas. Se uma imagem for redimensionada antes da análise, mantenha a informação desse tamanho junto das coordenadas devolvidas, para que possam ser interpretadas sobre a mesma imagem. Os exemplos da Qwen combinam deteção com contagem e descrições de objetos.
O produtor destaca reconhecimento de texto em vários idiomas, orientações e tipos de cena. Os exemplos extraem linhas de texto, associam texto a localizações e recolhem campos especificados de recibos ou formulários. Para um pedido documental, forneça uma digitalização clara, defina os campos e indique como representar informação ausente ou ilegível. Um resultado ilustrativo pode ser um registo estruturado com identificador do documento, data e itens, mantendo as incertezas distintas do que está visivelmente presente. A imagem fornecida constitui a evidência para essa extração.
O anúncio da Qwen apresenta QwenVL HTML para análise de documentos com informação de disposição. Demonstra revistas, artigos de investigação, páginas Web e capturas de ecrã de telemóveis, combinando títulos, parágrafos, imagens e fórmulas com informação de caixas delimitadoras. É útil quando a ordem de leitura e a estrutura da página são tão importantes como as palavras. Peça a representação explicitamente: texto simples para leitura, JSON para campos selecionados ou o formato HTML orientado à disposição do produtor. Um relatório digitalizado pode ser organizado em títulos e parágrafos antes de uma instrução posterior pedir o resumo de uma secção específica.
Para vídeo, a Qwen documenta compreensão de material com mais de uma hora, pesquisa de eventos e localização temporal com precisão ao segundo. O treino com frequência de fotogramas dinâmica e a codificação de tempo absoluto ajudam a representar o ritmo e a posição dos eventos. Os exemplos oficiais identificam o segmento em que ocorre uma ação descrita e devolvem uma série de eventos com tempos de início, tempos de fim e descrições. Identifique o evento a encontrar e especifique segundos ou um formato de marca temporal. Um pedido prático pode solicitar os segmentos relevantes de uma demonstração longa, seguidos de uma descrição breve do que acontece em cada um.
O modelo também é apresentado como um agente visual para uso em computadores e dispositivos móveis: pode raciocinar a partir de um ecrã e orientar ferramentas para uma tarefa. A localização visual e a compreensão do ecrã podem identificar um controlo relevante ou a próxima interação pretendida. Uma aplicação fornece o ecrã, as ações disponíveis e o objetivo, executa uma ação pedida e devolve o novo estado. Por exemplo, o pedido pode solicitar o controlo necessário para chegar a uma vista específica, com um ponto ou caixa que o identifique. A descrição textual da ação pelo modelo e a interação executada pela aplicação são etapas separadas.
O processador da Qwen permite controlar o número de píxeis das imagens. O intervalo predefinido documentado é de 4 a 16 384 tokens visuais por imagem; 256 a 1 280 tokens é uma definição de exemplo, e não um limite universal de imagem. O redimensionamento pode preservar a proporção, e as dimensões explícitas são arredondadas para um múltiplo de 28. Uma resolução maior usa mais computação e pode preservar texto pequeno ou detalhes de diagramas densos. Adapte a preparação à pergunta, mantendo as etiquetas importantes legíveis e a página ou área relevante clara. Os exemplos de vídeo usam sequências de fotogramas ou um vídeo com informação da frequência de fotogramas, importante quando a resposta deve conter marcas temporais.
A configuração atual da ficha está definida para 32 768 tokens de contexto. Descreve uma extensão YaRN, mas alerta que esta pode afetar substancialmente a localização temporal e espacial e não a recomenda para essas tarefas. Discute separadamente o aumento da definição de posições para vídeo longo. A compreensão à escala de horas é uma capacidade documentada, e não um limite universal de duração de carregamento ou de extensão de saída. Escolha um resultado que preserve a informação necessária posteriormente: campos para um registo, coordenadas para localização visual, disposição para um documento ou descrições temporizadas para um vídeo.
", "aboutText": "Qwen2.5-VL-72B-Instruct é a edição 72B de Qwen2.5-VL ajustada para seguir instruções, concebida para compreender material visual juntamente com texto. A Qwen descreve reconhecimento de objetos, produtos e pontos de referência, bem como interpretação do texto, dos gráficos, dos ícones, dos elementos gráficos e da disposição dentro das imagens. As entradas combinam uma pergunta escrita com uma ou mais imagens ou um vídeo; a saída é texto, incluindo descrições estruturadas e informação extraída. Em comparação com Qwen2-VL, o produtor destaca melhor perceção do tempo e da escala da imagem e um codificador visual de resolução dinâmica revisto que utiliza atenção por janelas.\n\nA localização visual é uma capacidade separada da descrição de uma imagem. O modelo pode devolver caixas delimitadoras ou pontos, com etiquetas e atributos em JSON. Qwen2.5-VL usa coordenadas à escala do tamanho real da imagem, e não um esquema de coordenadas normalizadas. Identifique os objetos a localizar e forneça os campos exigidos, como bbox_2d e label, juntamente com a interpretação das coordenadas. Se uma imagem for redimensionada antes da análise, mantenha a informação desse tamanho junto das coordenadas devolvidas, para que possam ser interpretadas sobre a mesma imagem. Os exemplos da Qwen combinam deteção com contagem e descrições de objetos.\n\nO produtor destaca reconhecimento de texto em vários idiomas, orientações e tipos de cena. Os exemplos extraem linhas de texto, associam texto a localizações e recolhem campos especificados de recibos ou formulários. Para um pedido documental, forneça uma digitalização clara, defina os campos e indique como representar informação ausente ou ilegível. Um resultado ilustrativo pode ser um registo estruturado com identificador do documento, data e itens, mantendo as incertezas distintas do que está visivelmente presente. A imagem fornecida constitui a evidência para essa extração.\n\nO anúncio da Qwen apresenta QwenVL HTML para análise de documentos com informação de disposição. Demonstra revistas, artigos de investigação, páginas Web e capturas de ecrã de telemóveis, combinando títulos, parágrafos, imagens e fórmulas com informação de caixas delimitadoras. É útil quando a ordem de leitura e a estrutura da página são tão importantes como as palavras. Peça a representação explicitamente: texto simples para leitura, JSON para campos selecionados ou o formato HTML orientado à disposição do produtor. Um relatório digitalizado pode ser organizado em títulos e parágrafos antes de uma instrução posterior pedir o resumo de uma secção específica.\n\nPara vídeo, a Qwen documenta compreensão de material com mais de uma hora, pesquisa de eventos e localização temporal com precisão ao segundo. O treino com frequência de fotogramas dinâmica e a codificação de tempo absoluto ajudam a representar o ritmo e a posição dos eventos. Os exemplos oficiais identificam o segmento em que ocorre uma ação descrita e devolvem uma série de eventos com tempos de início, tempos de fim e descrições. Identifique o evento a encontrar e especifique segundos ou um formato de marca temporal. Um pedido prático pode solicitar os segmentos relevantes de uma demonstração longa, seguidos de uma descrição breve do que acontece em cada um.\n\nO modelo também é apresentado como um agente visual para uso em computadores e dispositivos móveis: pode raciocinar a partir de um ecrã e orientar ferramentas para uma tarefa. A localização visual e a compreensão do ecrã podem identificar um controlo relevante ou a próxima interação pretendida. Uma aplicação fornece o ecrã, as ações disponíveis e o objetivo, executa uma ação pedida e devolve o novo estado. Por exemplo, o pedido pode solicitar o controlo necessário para chegar a uma vista específica, com um ponto ou caixa que o identifique. A descrição textual da ação pelo modelo e a interação executada pela aplicação são etapas separadas.\n\nO processador da Qwen permite controlar o número de píxeis das imagens. O intervalo predefinido documentado é de 4 a 16 384 tokens visuais por imagem; 256 a 1 280 tokens é uma definição de exemplo, e não um limite universal de imagem. O redimensionamento pode preservar a proporção, e as dimensões explícitas são arredondadas para um múltiplo de 28. Uma resolução maior usa mais computação e pode preservar texto pequeno ou detalhes de diagramas densos. Adapte a preparação à pergunta, mantendo as etiquetas importantes legíveis e a página ou área relevante clara. Os exemplos de vídeo usam sequências de fotogramas ou um vídeo com informação da frequência de fotogramas, importante quando a resposta deve conter marcas temporais.\n\nA configuração atual da ficha está definida para 32 768 tokens de contexto. Descreve uma extensão YaRN, mas alerta que esta pode afetar substancialmente a localização temporal e espacial e não a recomenda para essas tarefas. Discute separadamente o aumento da definição de posições para vídeo longo. A compreensão à escala de horas é uma capacidade documentada, e não um limite universal de duração de carregamento ou de extensão de saída. Escolha um resultado que preserve a informação necessária posteriormente: campos para um registo, coordenadas para localização visual, disposição para um documento ou descrições temporizadas para um vídeo.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct é o modelo de visão e linguagem da Qwen para imagens, documentos, gráficos e vídeo. Devolve texto, dados extraídos estruturados e coordenadas visuais, e pode localizar eventos em vídeos longos ou raciocinar sobre um ecrã de computador ou telemóvel.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen2.5-VL-72B-Instruct é a edição 72B de Qwen2.5-VL ajustada para seguir instruções, concebida para compreender material visual juntamente com texto. A Qwen descreve reconhecimento de objetos, produtos e pontos de referência, bem como interpretação do texto, dos gráficos, dos ícones, dos elementos gráficos e da disposição dentro das imagens. As entradas combinam uma pergunta escrita com uma ou mais imagens ou um vídeo; a saída é texto, incluindo descrições estruturadas e informação extraída. Em comparação com Qwen2-VL, o produtor destaca melhor perceção do tempo e da escala da imagem e um codificador visual de resolução dinâmica revisto que utiliza atenção por janelas.
A localização visual é uma capacidade separada da descrição de uma imagem. O modelo pode devolver caixas delimitadoras ou pontos, com etiquetas e atributos em JSON. Qwen2.5-VL usa coordenadas à escala do tamanho real da imagem, e não um esquema de coordenadas normalizadas. Identifique os objetos a localizar e forneça os campos exigidos, como bbox_2d e label, juntamente com a interpretação das coordenadas. Se uma imagem for redimensionada antes da análise, mantenha a informação desse tamanho junto das coordenadas devolvidas, para que possam ser interpretadas sobre a mesma imagem. Os exemplos da Qwen combinam deteção com contagem e descrições de objetos.
O produtor destaca reconhecimento de texto em vários idiomas, orientações e tipos de cena. Os exemplos extraem linhas de texto, associam texto a localizações e recolhem campos especificados de recibos ou formulários. Para um pedido documental, forneça uma digitalização clara, defina os campos e indique como representar informação ausente ou ilegível. Um resultado ilustrativo pode ser um registo estruturado com identificador do documento, data e itens, mantendo as incertezas distintas do que está visivelmente presente. A imagem fornecida constitui a evidência para essa extração.
O anúncio da Qwen apresenta QwenVL HTML para análise de documentos com informação de disposição. Demonstra revistas, artigos de investigação, páginas Web e capturas de ecrã de telemóveis, combinando títulos, parágrafos, imagens e fórmulas com informação de caixas delimitadoras. É útil quando a ordem de leitura e a estrutura da página são tão importantes como as palavras. Peça a representação explicitamente: texto simples para leitura, JSON para campos selecionados ou o formato HTML orientado à disposição do produtor. Um relatório digitalizado pode ser organizado em títulos e parágrafos antes de uma instrução posterior pedir o resumo de uma secção específica.
Para vídeo, a Qwen documenta compreensão de material com mais de uma hora, pesquisa de eventos e localização temporal com precisão ao segundo. O treino com frequência de fotogramas dinâmica e a codificação de tempo absoluto ajudam a representar o ritmo e a posição dos eventos. Os exemplos oficiais identificam o segmento em que ocorre uma ação descrita e devolvem uma série de eventos com tempos de início, tempos de fim e descrições. Identifique o evento a encontrar e especifique segundos ou um formato de marca temporal. Um pedido prático pode solicitar os segmentos relevantes de uma demonstração longa, seguidos de uma descrição breve do que acontece em cada um.
O modelo também é apresentado como um agente visual para uso em computadores e dispositivos móveis: pode raciocinar a partir de um ecrã e orientar ferramentas para uma tarefa. A localização visual e a compreensão do ecrã podem identificar um controlo relevante ou a próxima interação pretendida. Uma aplicação fornece o ecrã, as ações disponíveis e o objetivo, executa uma ação pedida e devolve o novo estado. Por exemplo, o pedido pode solicitar o controlo necessário para chegar a uma vista específica, com um ponto ou caixa que o identifique. A descrição textual da ação pelo modelo e a interação executada pela aplicação são etapas separadas.
O processador da Qwen permite controlar o número de píxeis das imagens. O intervalo predefinido documentado é de 4 a 16 384 tokens visuais por imagem; 256 a 1 280 tokens é uma definição de exemplo, e não um limite universal de imagem. O redimensionamento pode preservar a proporção, e as dimensões explícitas são arredondadas para um múltiplo de 28. Uma resolução maior usa mais computação e pode preservar texto pequeno ou detalhes de diagramas densos. Adapte a preparação à pergunta, mantendo as etiquetas importantes legíveis e a página ou área relevante clara. Os exemplos de vídeo usam sequências de fotogramas ou um vídeo com informação da frequência de fotogramas, importante quando a resposta deve conter marcas temporais.
A configuração atual da ficha está definida para 32 768 tokens de contexto. Descreve uma extensão YaRN, mas alerta que esta pode afetar substancialmente a localização temporal e espacial e não a recomenda para essas tarefas. Discute separadamente o aumento da definição de posições para vídeo longo. A compreensão à escala de horas é uma capacidade documentada, e não um limite universal de duração de carregamento ou de extensão de saída. Escolha um resultado que preserve a informação necessária posteriormente: campos para um registo, coordenadas para localização visual, disposição para um documento ou descrições temporizadas para um vídeo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen2.5-vl-72b-instruct | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0016 / 1K tokens Saída · Tokens de saída $0.002 / 1K tokens Entrada · Leitura da cache $0.0008 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0016 / 1K tokens Saída · Tokens de saída $0.002 / 1K tokens Entrada · Leitura da cache $0.0008 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Use os caminhos dos métodos indicados acima.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct é o modelo de visão e linguagem da Qwen para imagens, documentos, gráficos e vídeo. Devolve texto, dados extraídos estruturados e coordenadas visuais, e pode localizar eventos em vídeos longos ou raciocinar sobre um ecrã de computador ou telemóvel.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen2.5-VL-72B-Instruct é a edição 72B de Qwen2.5-VL ajustada para seguir instruções, concebida para compreender material visual juntamente com texto. A Qwen descreve reconhecimento de objetos, produtos e pontos de referência, bem como interpretação do texto, dos gráficos, dos ícones, dos elementos gráficos e da disposição dentro das imagens. As entradas combinam uma pergunta escrita com uma ou mais imagens ou um vídeo; a saída é texto, incluindo descrições estruturadas e informação extraída. Em comparação com Qwen2-VL, o produtor destaca melhor perceção do tempo e da escala da imagem e um codificador visual de resolução dinâmica revisto que utiliza atenção por janelas.
A localização visual é uma capacidade separada da descrição de uma imagem. O modelo pode devolver caixas delimitadoras ou pontos, com etiquetas e atributos em JSON. Qwen2.5-VL usa coordenadas à escala do tamanho real da imagem, e não um esquema de coordenadas normalizadas. Identifique os objetos a localizar e forneça os campos exigidos, como bbox_2d e label, juntamente com a interpretação das coordenadas. Se uma imagem for redimensionada antes da análise, mantenha a informação desse tamanho junto das coordenadas devolvidas, para que possam ser interpretadas sobre a mesma imagem. Os exemplos da Qwen combinam deteção com contagem e descrições de objetos.
O produtor destaca reconhecimento de texto em vários idiomas, orientações e tipos de cena. Os exemplos extraem linhas de texto, associam texto a localizações e recolhem campos especificados de recibos ou formulários. Para um pedido documental, forneça uma digitalização clara, defina os campos e indique como representar informação ausente ou ilegível. Um resultado ilustrativo pode ser um registo estruturado com identificador do documento, data e itens, mantendo as incertezas distintas do que está visivelmente presente. A imagem fornecida constitui a evidência para essa extração.
O anúncio da Qwen apresenta QwenVL HTML para análise de documentos com informação de disposição. Demonstra revistas, artigos de investigação, páginas Web e capturas de ecrã de telemóveis, combinando títulos, parágrafos, imagens e fórmulas com informação de caixas delimitadoras. É útil quando a ordem de leitura e a estrutura da página são tão importantes como as palavras. Peça a representação explicitamente: texto simples para leitura, JSON para campos selecionados ou o formato HTML orientado à disposição do produtor. Um relatório digitalizado pode ser organizado em títulos e parágrafos antes de uma instrução posterior pedir o resumo de uma secção específica.
Para vídeo, a Qwen documenta compreensão de material com mais de uma hora, pesquisa de eventos e localização temporal com precisão ao segundo. O treino com frequência de fotogramas dinâmica e a codificação de tempo absoluto ajudam a representar o ritmo e a posição dos eventos. Os exemplos oficiais identificam o segmento em que ocorre uma ação descrita e devolvem uma série de eventos com tempos de início, tempos de fim e descrições. Identifique o evento a encontrar e especifique segundos ou um formato de marca temporal. Um pedido prático pode solicitar os segmentos relevantes de uma demonstração longa, seguidos de uma descrição breve do que acontece em cada um.
O modelo também é apresentado como um agente visual para uso em computadores e dispositivos móveis: pode raciocinar a partir de um ecrã e orientar ferramentas para uma tarefa. A localização visual e a compreensão do ecrã podem identificar um controlo relevante ou a próxima interação pretendida. Uma aplicação fornece o ecrã, as ações disponíveis e o objetivo, executa uma ação pedida e devolve o novo estado. Por exemplo, o pedido pode solicitar o controlo necessário para chegar a uma vista específica, com um ponto ou caixa que o identifique. A descrição textual da ação pelo modelo e a interação executada pela aplicação são etapas separadas.
O processador da Qwen permite controlar o número de píxeis das imagens. O intervalo predefinido documentado é de 4 a 16 384 tokens visuais por imagem; 256 a 1 280 tokens é uma definição de exemplo, e não um limite universal de imagem. O redimensionamento pode preservar a proporção, e as dimensões explícitas são arredondadas para um múltiplo de 28. Uma resolução maior usa mais computação e pode preservar texto pequeno ou detalhes de diagramas densos. Adapte a preparação à pergunta, mantendo as etiquetas importantes legíveis e a página ou área relevante clara. Os exemplos de vídeo usam sequências de fotogramas ou um vídeo com informação da frequência de fotogramas, importante quando a resposta deve conter marcas temporais.
A configuração atual da ficha está definida para 32 768 tokens de contexto. Descreve uma extensão YaRN, mas alerta que esta pode afetar substancialmente a localização temporal e espacial e não a recomenda para essas tarefas. Discute separadamente o aumento da definição de posições para vídeo longo. A compreensão à escala de horas é uma capacidade documentada, e não um limite universal de duração de carregamento ou de extensão de saída. Escolha um resultado que preserve a informação necessária posteriormente: campos para um registo, coordenadas para localização visual, disposição para um documento ou descrições temporizadas para um vídeo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen2.5-vl-72b-instruct | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0016 / 1K tokens Saída · Tokens de saída $0.002 / 1K tokens Entrada · Leitura da cache $0.0008 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0016 / 1K tokens Saída · Tokens de saída $0.002 / 1K tokens Entrada · Leitura da cache $0.0008 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.