Qwen2-VL-72B-Instruct é a edição de visão e linguagem 72B ajustada para seguir instruções, construída em torno de Qwen2. Recebe texto juntamente com imagens ou vídeo e gera uma resposta textual. O fabricante destaca a compreensão de imagens com diferentes resoluções e proporções, a interpretação de texto dentro das imagens, o raciocínio sobre relações visíveis e as respostas a perguntas sobre vídeos com mais de 20 minutos.
Capacidades de imagem e vídeo
Para uma página de documento, peça o conteúdo específico de que precisa: um parágrafo, uma linha de tabela, uma fórmula ou as condições associadas a uma afirmação. Mantenha a página legível e indique se o resultado deve transcrever as palavras, resumi-las ou explicar o seu significado. Uma saída documental útil pode manter a identificação da secção original junto do conteúdo extraído. Para um diagrama, pergunte como se ligam os elementos identificados com etiquetas e indique a relação que precisa de explicação.
A utilização de vídeo documentada inclui perguntas, diálogo e conteúdo escrito baseados na sequência visível. Defina o evento ou a alteração a examinar: quando aparece um objeto, o que acontece antes de um determinado passo ou como uma ação demonstrada se relaciona com um procedimento escrito. Peça uma descrição ordenada dos eventos ou uma comparação entre os passos visíveis e o procedimento fornecido. A afirmação do fabricante sobre mais de 20 minutos descreve compreensão de vídeo longo; não é uma duração máxima de vídeo fixa nem uma garantia de que qualquer vídeo em bruto cabe numa configuração de entrada inalterada.
Utilização com agentes visuais
O lançamento também posiciona Qwen2-VL para agentes visuais ligados a dispositivos móveis, robôs e outras ferramentas. O anúncio descreve cenários de chamadas de funções e de uso de um intérprete de código, como produzir código a partir de um diagrama ou usar uma pergunta visual para pedir uma consulta externa. A aplicação que envolve o modelo fornece essas ferramentas, executa a ação proposta e devolve o resultado. A resposta textual do modelo, por si só, não clica num controlo, não move um dispositivo nem executa o programa gerado.
Uma tarefa prática de interface pode fornecer uma captura de ecrã e o objetivo do utilizador e pedir depois o controlo visível relevante para o passo seguinte e as evidências que apoiam essa escolha. Mantenha observação, ação proposta e execução real como partes separadas do fluxo de trabalho. Isto aproveita o foco em agentes visuais, tornando o resultado pedido suficientemente específico para a aplicação agir sobre ele.
Texto multilingue dentro de imagens
O fabricante descreve reconhecimento de texto dentro de imagens em inglês e chinês, na maioria dos idiomas europeus e em idiomas incluindo japonês, coreano, árabe e vietnamita. Uma página multilingue pode, por isso, ser tratada como uma tarefa de leitura visual. Peça primeiro a transcrição original quando as palavras exatas forem importantes e, depois, uma tradução ou explicação no idioma escolhido. Preserve etiquetas e números, em vez de misturar reconhecimento com uma reformulação não especificada.
Resolução dinâmica e informação posicional
Qwen2-VL combina um codificador visual com o modelo de linguagem Qwen2. Naive Dynamic Resolution mapeia diferentes tamanhos de imagem para diferentes números de tokens visuais. Multimodal Rotary Position Embedding separa a informação posicional para que o modelo possa representar a ordem do texto, imagens bidimensionais e a estrutura temporal e espacial do vídeo. Estas funcionalidades explicam como a mesma família processa uma página, várias imagens ou uma sequência de vídeo.
O processador de imagens da ficha do modelo documenta um intervalo predefinido de 4 a 16 384 tokens visuais por imagem. A aplicação pode ajustar os píxeis mínimos e máximos preservando a proporção, ou pedir dimensões arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1 280 tokens é uma ilustração configurável, e não um limite de imagem universal separado. Mais detalhe de imagem utiliza mais computação e tokens visuais; por isso, preserve as etiquetas, os cabeçalhos e os pequenos objetos necessários para a pergunta ao preparar a imagem.
Preparação da entrada e contexto
O fabricante demonstra uma imagem única, várias imagens, vídeo fornecido como sequência de fotogramas ou ficheiro local e conversas em lote. A preparação de imagens inclui ficheiros locais, dados de imagem codificados e referências a imagens. O exemplo de vídeo da ficha usa uma frequência de fotogramas selecionada; esse exemplo não estabelece uma frequência de amostragem obrigatória para todos os vídeos. Identifique a ordem e o papel de várias imagens e forneça a informação necessária para interpretar uma sequência, em vez de tratar fotogramas sem relação entre si como uma única cena.
A configuração publicada define o máximo de posições como 32 768. O material visual e as instruções textuais devem ser planeados dentro do contexto realmente configurado. O exemplo de geração de 128 tokens da ficha é apenas uma definição de exemplo; não publica uma capacidade máxima de saída separada. A edição 72B deve manter a sua própria configuração, em vez de herdar as definições de contexto longo de Qwen2.5-VL ou de outro modelo Qwen.
Limitações relevantes
O fabricante declara explicitamente que Qwen2-VL não compreende o áudio contido nos vídeos. A informação falada deve, por isso, ser fornecida separadamente se a pergunta depender dela. O conjunto de dados de treino de imagens é descrito como atualizado até junho de 2023; é uma afirmação sobre esse conjunto de dados, e não uma promessa de conhecimentos visuais atuais.
As limitações documentadas também incluem reconhecimento incompleto de pessoas específicas ou de propriedades intelectuais identificadas pelo nome, dificuldade com instruções complexas de vários passos, contagem fraca em cenas complexas e limitações no raciocínio espacial tridimensional. Quando a tarefa depende de uma destas capacidades, foque a pergunta nos objetos ou na relação necessários e mantenha as evidências visuais junto da resposta. Material de origem claro e uma saída definida tornam o resultado mais fácil de examinar, sem substituir essas limitações indicadas por uma garantia de precisão.
", "aboutText": "Qwen2-VL-72B-Instruct é a edição de visão e linguagem 72B ajustada para seguir instruções, construída em torno de Qwen2. Recebe texto juntamente com imagens ou vídeo e gera uma resposta textual. O fabricante destaca a compreensão de imagens com diferentes resoluções e proporções, a interpretação de texto dentro das imagens, o raciocínio sobre relações visíveis e as respostas a perguntas sobre vídeos com mais de 20 minutos.\n\nCapacidades de imagem e vídeo\n\nPara uma página de documento, peça o conteúdo específico de que precisa: um parágrafo, uma linha de tabela, uma fórmula ou as condições associadas a uma afirmação. Mantenha a página legível e indique se o resultado deve transcrever as palavras, resumi-las ou explicar o seu significado. Uma saída documental útil pode manter a identificação da secção original junto do conteúdo extraído. Para um diagrama, pergunte como se ligam os elementos identificados com etiquetas e indique a relação que precisa de explicação.\n\nA utilização de vídeo documentada inclui perguntas, diálogo e conteúdo escrito baseados na sequência visível. Defina o evento ou a alteração a examinar: quando aparece um objeto, o que acontece antes de um determinado passo ou como uma ação demonstrada se relaciona com um procedimento escrito. Peça uma descrição ordenada dos eventos ou uma comparação entre os passos visíveis e o procedimento fornecido. A afirmação do fabricante sobre mais de 20 minutos descreve compreensão de vídeo longo; não é uma duração máxima de vídeo fixa nem uma garantia de que qualquer vídeo em bruto cabe numa configuração de entrada inalterada.\n\nUtilização com agentes visuais\n\nO lançamento também posiciona Qwen2-VL para agentes visuais ligados a dispositivos móveis, robôs e outras ferramentas. O anúncio descreve cenários de chamadas de funções e de uso de um intérprete de código, como produzir código a partir de um diagrama ou usar uma pergunta visual para pedir uma consulta externa. A aplicação que envolve o modelo fornece essas ferramentas, executa a ação proposta e devolve o resultado. A resposta textual do modelo, por si só, não clica num controlo, não move um dispositivo nem executa o programa gerado.\n\nUma tarefa prática de interface pode fornecer uma captura de ecrã e o objetivo do utilizador e pedir depois o controlo visível relevante para o passo seguinte e as evidências que apoiam essa escolha. Mantenha observação, ação proposta e execução real como partes separadas do fluxo de trabalho. Isto aproveita o foco em agentes visuais, tornando o resultado pedido suficientemente específico para a aplicação agir sobre ele.\n\nTexto multilingue dentro de imagens\n\nO fabricante descreve reconhecimento de texto dentro de imagens em inglês e chinês, na maioria dos idiomas europeus e em idiomas incluindo japonês, coreano, árabe e vietnamita. Uma página multilingue pode, por isso, ser tratada como uma tarefa de leitura visual. Peça primeiro a transcrição original quando as palavras exatas forem importantes e, depois, uma tradução ou explicação no idioma escolhido. Preserve etiquetas e números, em vez de misturar reconhecimento com uma reformulação não especificada.\n\nResolução dinâmica e informação posicional\n\nQwen2-VL combina um codificador visual com o modelo de linguagem Qwen2. Naive Dynamic Resolution mapeia diferentes tamanhos de imagem para diferentes números de tokens visuais. Multimodal Rotary Position Embedding separa a informação posicional para que o modelo possa representar a ordem do texto, imagens bidimensionais e a estrutura temporal e espacial do vídeo. Estas funcionalidades explicam como a mesma família processa uma página, várias imagens ou uma sequência de vídeo.\n\nO processador de imagens da ficha do modelo documenta um intervalo predefinido de 4 a 16 384 tokens visuais por imagem. A aplicação pode ajustar os píxeis mínimos e máximos preservando a proporção, ou pedir dimensões arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1 280 tokens é uma ilustração configurável, e não um limite de imagem universal separado. Mais detalhe de imagem utiliza mais computação e tokens visuais; por isso, preserve as etiquetas, os cabeçalhos e os pequenos objetos necessários para a pergunta ao preparar a imagem.\n\nPreparação da entrada e contexto\n\nO fabricante demonstra uma imagem única, várias imagens, vídeo fornecido como sequência de fotogramas ou ficheiro local e conversas em lote. A preparação de imagens inclui ficheiros locais, dados de imagem codificados e referências a imagens. O exemplo de vídeo da ficha usa uma frequência de fotogramas selecionada; esse exemplo não estabelece uma frequência de amostragem obrigatória para todos os vídeos. Identifique a ordem e o papel de várias imagens e forneça a informação necessária para interpretar uma sequência, em vez de tratar fotogramas sem relação entre si como uma única cena.\n\nA configuração publicada define o máximo de posições como 32 768. O material visual e as instruções textuais devem ser planeados dentro do contexto realmente configurado. O exemplo de geração de 128 tokens da ficha é apenas uma definição de exemplo; não publica uma capacidade máxima de saída separada. A edição 72B deve manter a sua própria configuração, em vez de herdar as definições de contexto longo de Qwen2.5-VL ou de outro modelo Qwen.\n\nLimitações relevantes\n\nO fabricante declara explicitamente que Qwen2-VL não compreende o áudio contido nos vídeos. A informação falada deve, por isso, ser fornecida separadamente se a pergunta depender dela. O conjunto de dados de treino de imagens é descrito como atualizado até junho de 2023; é uma afirmação sobre esse conjunto de dados, e não uma promessa de conhecimentos visuais atuais.\n\nAs limitações documentadas também incluem reconhecimento incompleto de pessoas específicas ou de propriedades intelectuais identificadas pelo nome, dificuldade com instruções complexas de vários passos, contagem fraca em cenas complexas e limitações no raciocínio espacial tridimensional. Quando a tarefa depende de uma destas capacidades, foque a pergunta nos objetos ou na relação necessários e mantenha as evidências visuais junto da resposta. Material de origem claro e uma saída definida tornam o resultado mais fácil de examinar, sem substituir essas limitações indicadas por uma garantia de precisão.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combina texto, imagens e vídeo para perguntas visuais, leitura de documentos e texto multilingue em imagens. O fabricante descreve compreensão de vídeos com mais de 20 minutos, resolução dinâmica de imagens e integrações com agentes visuais; a resposta é texto.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen2-VL-72B-Instruct é a edição de visão e linguagem 72B ajustada para seguir instruções, construída em torno de Qwen2. Recebe texto juntamente com imagens ou vídeo e gera uma resposta textual. O fabricante destaca a compreensão de imagens com diferentes resoluções e proporções, a interpretação de texto dentro das imagens, o raciocínio sobre relações visíveis e as respostas a perguntas sobre vídeos com mais de 20 minutos.
Capacidades de imagem e vídeo
Para uma página de documento, peça o conteúdo específico de que precisa: um parágrafo, uma linha de tabela, uma fórmula ou as condições associadas a uma afirmação. Mantenha a página legível e indique se o resultado deve transcrever as palavras, resumi-las ou explicar o seu significado. Uma saída documental útil pode manter a identificação da secção original junto do conteúdo extraído. Para um diagrama, pergunte como se ligam os elementos identificados com etiquetas e indique a relação que precisa de explicação.
A utilização de vídeo documentada inclui perguntas, diálogo e conteúdo escrito baseados na sequência visível. Defina o evento ou a alteração a examinar: quando aparece um objeto, o que acontece antes de um determinado passo ou como uma ação demonstrada se relaciona com um procedimento escrito. Peça uma descrição ordenada dos eventos ou uma comparação entre os passos visíveis e o procedimento fornecido. A afirmação do fabricante sobre mais de 20 minutos descreve compreensão de vídeo longo; não é uma duração máxima de vídeo fixa nem uma garantia de que qualquer vídeo em bruto cabe numa configuração de entrada inalterada.
Utilização com agentes visuais
O lançamento também posiciona Qwen2-VL para agentes visuais ligados a dispositivos móveis, robôs e outras ferramentas. O anúncio descreve cenários de chamadas de funções e de uso de um intérprete de código, como produzir código a partir de um diagrama ou usar uma pergunta visual para pedir uma consulta externa. A aplicação que envolve o modelo fornece essas ferramentas, executa a ação proposta e devolve o resultado. A resposta textual do modelo, por si só, não clica num controlo, não move um dispositivo nem executa o programa gerado.
Uma tarefa prática de interface pode fornecer uma captura de ecrã e o objetivo do utilizador e pedir depois o controlo visível relevante para o passo seguinte e as evidências que apoiam essa escolha. Mantenha observação, ação proposta e execução real como partes separadas do fluxo de trabalho. Isto aproveita o foco em agentes visuais, tornando o resultado pedido suficientemente específico para a aplicação agir sobre ele.
Texto multilingue dentro de imagens
O fabricante descreve reconhecimento de texto dentro de imagens em inglês e chinês, na maioria dos idiomas europeus e em idiomas incluindo japonês, coreano, árabe e vietnamita. Uma página multilingue pode, por isso, ser tratada como uma tarefa de leitura visual. Peça primeiro a transcrição original quando as palavras exatas forem importantes e, depois, uma tradução ou explicação no idioma escolhido. Preserve etiquetas e números, em vez de misturar reconhecimento com uma reformulação não especificada.
Resolução dinâmica e informação posicional
Qwen2-VL combina um codificador visual com o modelo de linguagem Qwen2. Naive Dynamic Resolution mapeia diferentes tamanhos de imagem para diferentes números de tokens visuais. Multimodal Rotary Position Embedding separa a informação posicional para que o modelo possa representar a ordem do texto, imagens bidimensionais e a estrutura temporal e espacial do vídeo. Estas funcionalidades explicam como a mesma família processa uma página, várias imagens ou uma sequência de vídeo.
O processador de imagens da ficha do modelo documenta um intervalo predefinido de 4 a 16 384 tokens visuais por imagem. A aplicação pode ajustar os píxeis mínimos e máximos preservando a proporção, ou pedir dimensões arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1 280 tokens é uma ilustração configurável, e não um limite de imagem universal separado. Mais detalhe de imagem utiliza mais computação e tokens visuais; por isso, preserve as etiquetas, os cabeçalhos e os pequenos objetos necessários para a pergunta ao preparar a imagem.
Preparação da entrada e contexto
O fabricante demonstra uma imagem única, várias imagens, vídeo fornecido como sequência de fotogramas ou ficheiro local e conversas em lote. A preparação de imagens inclui ficheiros locais, dados de imagem codificados e referências a imagens. O exemplo de vídeo da ficha usa uma frequência de fotogramas selecionada; esse exemplo não estabelece uma frequência de amostragem obrigatória para todos os vídeos. Identifique a ordem e o papel de várias imagens e forneça a informação necessária para interpretar uma sequência, em vez de tratar fotogramas sem relação entre si como uma única cena.
A configuração publicada define o máximo de posições como 32 768. O material visual e as instruções textuais devem ser planeados dentro do contexto realmente configurado. O exemplo de geração de 128 tokens da ficha é apenas uma definição de exemplo; não publica uma capacidade máxima de saída separada. A edição 72B deve manter a sua própria configuração, em vez de herdar as definições de contexto longo de Qwen2.5-VL ou de outro modelo Qwen.
Limitações relevantes
O fabricante declara explicitamente que Qwen2-VL não compreende o áudio contido nos vídeos. A informação falada deve, por isso, ser fornecida separadamente se a pergunta depender dela. O conjunto de dados de treino de imagens é descrito como atualizado até junho de 2023; é uma afirmação sobre esse conjunto de dados, e não uma promessa de conhecimentos visuais atuais.
As limitações documentadas também incluem reconhecimento incompleto de pessoas específicas ou de propriedades intelectuais identificadas pelo nome, dificuldade com instruções complexas de vários passos, contagem fraca em cenas complexas e limitações no raciocínio espacial tridimensional. Quando a tarefa depende de uma destas capacidades, foque a pergunta nos objetos ou na relação necessários e mantenha as evidências visuais junto da resposta. Material de origem claro e uma saída definida tornam o resultado mais fácil de examinar, sem substituir essas limitações indicadas por uma garantia de precisão.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen2-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.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00118 / 1K tokens Saída · Tokens de saída $0.00118 / 1K tokens Entrada · Leitura da cache $0 / 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-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-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-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-VL-72B-Instruct
Use os caminhos dos métodos indicados acima.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct combina texto, imagens e vídeo para perguntas visuais, leitura de documentos e texto multilingue em imagens. O fabricante descreve compreensão de vídeos com mais de 20 minutos, resolução dinâmica de imagens e integrações com agentes visuais; a resposta é texto.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen2-VL-72B-Instruct é a edição de visão e linguagem 72B ajustada para seguir instruções, construída em torno de Qwen2. Recebe texto juntamente com imagens ou vídeo e gera uma resposta textual. O fabricante destaca a compreensão de imagens com diferentes resoluções e proporções, a interpretação de texto dentro das imagens, o raciocínio sobre relações visíveis e as respostas a perguntas sobre vídeos com mais de 20 minutos.
Capacidades de imagem e vídeo
Para uma página de documento, peça o conteúdo específico de que precisa: um parágrafo, uma linha de tabela, uma fórmula ou as condições associadas a uma afirmação. Mantenha a página legível e indique se o resultado deve transcrever as palavras, resumi-las ou explicar o seu significado. Uma saída documental útil pode manter a identificação da secção original junto do conteúdo extraído. Para um diagrama, pergunte como se ligam os elementos identificados com etiquetas e indique a relação que precisa de explicação.
A utilização de vídeo documentada inclui perguntas, diálogo e conteúdo escrito baseados na sequência visível. Defina o evento ou a alteração a examinar: quando aparece um objeto, o que acontece antes de um determinado passo ou como uma ação demonstrada se relaciona com um procedimento escrito. Peça uma descrição ordenada dos eventos ou uma comparação entre os passos visíveis e o procedimento fornecido. A afirmação do fabricante sobre mais de 20 minutos descreve compreensão de vídeo longo; não é uma duração máxima de vídeo fixa nem uma garantia de que qualquer vídeo em bruto cabe numa configuração de entrada inalterada.
Utilização com agentes visuais
O lançamento também posiciona Qwen2-VL para agentes visuais ligados a dispositivos móveis, robôs e outras ferramentas. O anúncio descreve cenários de chamadas de funções e de uso de um intérprete de código, como produzir código a partir de um diagrama ou usar uma pergunta visual para pedir uma consulta externa. A aplicação que envolve o modelo fornece essas ferramentas, executa a ação proposta e devolve o resultado. A resposta textual do modelo, por si só, não clica num controlo, não move um dispositivo nem executa o programa gerado.
Uma tarefa prática de interface pode fornecer uma captura de ecrã e o objetivo do utilizador e pedir depois o controlo visível relevante para o passo seguinte e as evidências que apoiam essa escolha. Mantenha observação, ação proposta e execução real como partes separadas do fluxo de trabalho. Isto aproveita o foco em agentes visuais, tornando o resultado pedido suficientemente específico para a aplicação agir sobre ele.
Texto multilingue dentro de imagens
O fabricante descreve reconhecimento de texto dentro de imagens em inglês e chinês, na maioria dos idiomas europeus e em idiomas incluindo japonês, coreano, árabe e vietnamita. Uma página multilingue pode, por isso, ser tratada como uma tarefa de leitura visual. Peça primeiro a transcrição original quando as palavras exatas forem importantes e, depois, uma tradução ou explicação no idioma escolhido. Preserve etiquetas e números, em vez de misturar reconhecimento com uma reformulação não especificada.
Resolução dinâmica e informação posicional
Qwen2-VL combina um codificador visual com o modelo de linguagem Qwen2. Naive Dynamic Resolution mapeia diferentes tamanhos de imagem para diferentes números de tokens visuais. Multimodal Rotary Position Embedding separa a informação posicional para que o modelo possa representar a ordem do texto, imagens bidimensionais e a estrutura temporal e espacial do vídeo. Estas funcionalidades explicam como a mesma família processa uma página, várias imagens ou uma sequência de vídeo.
O processador de imagens da ficha do modelo documenta um intervalo predefinido de 4 a 16 384 tokens visuais por imagem. A aplicação pode ajustar os píxeis mínimos e máximos preservando a proporção, ou pedir dimensões arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1 280 tokens é uma ilustração configurável, e não um limite de imagem universal separado. Mais detalhe de imagem utiliza mais computação e tokens visuais; por isso, preserve as etiquetas, os cabeçalhos e os pequenos objetos necessários para a pergunta ao preparar a imagem.
Preparação da entrada e contexto
O fabricante demonstra uma imagem única, várias imagens, vídeo fornecido como sequência de fotogramas ou ficheiro local e conversas em lote. A preparação de imagens inclui ficheiros locais, dados de imagem codificados e referências a imagens. O exemplo de vídeo da ficha usa uma frequência de fotogramas selecionada; esse exemplo não estabelece uma frequência de amostragem obrigatória para todos os vídeos. Identifique a ordem e o papel de várias imagens e forneça a informação necessária para interpretar uma sequência, em vez de tratar fotogramas sem relação entre si como uma única cena.
A configuração publicada define o máximo de posições como 32 768. O material visual e as instruções textuais devem ser planeados dentro do contexto realmente configurado. O exemplo de geração de 128 tokens da ficha é apenas uma definição de exemplo; não publica uma capacidade máxima de saída separada. A edição 72B deve manter a sua própria configuração, em vez de herdar as definições de contexto longo de Qwen2.5-VL ou de outro modelo Qwen.
Limitações relevantes
O fabricante declara explicitamente que Qwen2-VL não compreende o áudio contido nos vídeos. A informação falada deve, por isso, ser fornecida separadamente se a pergunta depender dela. O conjunto de dados de treino de imagens é descrito como atualizado até junho de 2023; é uma afirmação sobre esse conjunto de dados, e não uma promessa de conhecimentos visuais atuais.
As limitações documentadas também incluem reconhecimento incompleto de pessoas específicas ou de propriedades intelectuais identificadas pelo nome, dificuldade com instruções complexas de vários passos, contagem fraca em cenas complexas e limitações no raciocínio espacial tridimensional. Quando a tarefa depende de uma destas capacidades, foque a pergunta nos objetos ou na relação necessários e mantenha as evidências visuais junto da resposta. Material de origem claro e uma saída definida tornam o resultado mais fácil de examinar, sem substituir essas limitações indicadas por uma garantia de precisão.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen2-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.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00118 / 1K tokens Saída · Tokens de saída $0.00118 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-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-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-VL-72B-Instruct
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.