Qwen2.5-VL-7B-Instruct é a edição 7B do Qwen2.5-VL ajustada para instruções. Associa uma instrução textual a imagens ou vídeo e devolve um resultado textual. As principais melhorias indicadas pelo fabricante abrangem reconhecimento de objetos e pormenores visuais, análise de texto e disposição de elementos, tarefas de agentes visuais, compreensão de eventos em vídeos longos, localização de objetos e extração estruturada de documentos.
Compreender conteúdo visual
A família vai além de identificar o tema principal de uma fotografia. As tarefas documentadas incluem analisar texto, gráficos, ícones, elementos gráficos e a disposição de elementos numa imagem. Num gráfico, especifique a série ou a relação a examinar e preserve os eixos, a legenda e as unidades. Num diagrama, pergunte como se ligam os componentes identificados e o que a disposição visível revela sobre o processo.
Uma comparação útil pode fornecer um desenho original e um revisto, identificar cada um e pedir as alterações visíveis face a uma lista breve de requisitos. Peça a observação e a região relevante da imagem em conjunto. Isto dá à resposta uma finalidade concreta, em vez de pedir uma descrição geral de duas imagens sem relação.
Fluxos de agentes visuais
O fabricante posiciona Qwen2.5-VL como agente visual capaz de raciocinar sobre um ecrã e orientar ferramentas em tarefas de utilização de computadores ou telemóveis. O modelo fornece uma interpretação e uma operação proposta; uma aplicação de agente envolvente disponibiliza os controlos, executa a operação e devolve o novo estado. Uma resposta textual ou uma coordenada prevista é, por isso, uma parte desse fluxo integrado.
Numa pergunta sobre uma interface, forneça a captura de ecrã e o objetivo real e pergunte que controlo visível é relevante e o que deve ser feito a seguir. Especifique a saída pedida: o rótulo do controlo, a sua localização e a ação pretendida. Se a aplicação executar essa ação, a captura seguinte fornece a entrada visual atualizada para uma decisão posterior.
Vídeos longos e localização de eventos
O fabricante descreve a compreensão de vídeos com mais de uma hora e a identificação do segmento que contém um evento pedido. Isto amplia a descrição de vídeo para localização temporal. Uma tarefa pode perguntar quando um objeto aparece pela primeira vez, em que ponto uma demonstração chega a uma etapa específica ou que evento visível ocorre antes de outro. Indique se o resultado deve ser um resumo, uma lista ordenada de eventos ou tempos de início e fim com uma descrição do evento.
A família é treinada com amostragem dinâmica da taxa de fotogramas e alinha informação posicional temporal com o tempo absoluto. A informação da taxa de fotogramas faz, por isso, parte da preparação do vídeo, em vez de ser um rótulo arbitrário descartável quando os tempos importam. A capacidade documentada para vídeos longos não é uma especificação universal de tamanho de ficheiro ou duração máxima para todos os percursos de entrada.
Localização de objetos e documentos estruturados
Qwen2.5-VL pode devolver caixas delimitadoras ou pontos e organizar coordenadas e atributos em JSON. Esta versão utiliza coordenadas à escala das dimensões reais da imagem, em vez das coordenadas normalizadas tradicionais. Especifique se a tarefa precisa de uma caixa envolvente, de um ponto específico ou de uma descrição de objeto, e conserve as dimensões da imagem e a informação de redimensionamento necessária para interpretar a localização devolvida.
Por exemplo, um pedido de inventário visual pode pedir cada objeto-alvo, a respetiva caixa e um atributo visível. Uma tarefa baseada em pontos pode pedir a localização de um controlo identificado ou de uma parte especificada de um objeto. São propostas de desenho de saída, não nomes fixos de campos que todos os pedidos tenham de usar. Mantenha cada coordenada associada à imagem de origem quando forem fornecidas várias imagens.
O fabricante destaca separadamente a extração estruturada de faturas digitalizadas, formulários e tabelas. Defina os campos, preserve os rótulos originais e peça uma representação explícita quando um valor não puder ser lido. Numa tabela, mantenha os cabeçalhos das colunas e as unidades junto das linhas pedidas. Um registo prático pode conter o identificador do documento, o rótulo do campo, o valor extraído e a localização, tornando a saída utilizável numa comparação posterior ou numa inspeção humana.
Arquitetura e preparação da entrada
O modelo combina resolução dinâmica de imagem e amostragem dinâmica de vídeo com informação posicional rotativa multimodal atualizada. O codificador visual utiliza atenção por janelas, SwiGLU e RMSNorm. São alterações arquiteturais que suportam o processamento visual e temporal; não acrescentam entrada áudio nem geração de imagens ao fluxo documentado de resultados textuais.
A ficha demonstra uma imagem, várias imagens, uma sequência de fotogramas de vídeo, um ficheiro ou referência de vídeo e conversas em lote. O processador de imagem documenta um intervalo predefinido de 4 a 16,384 tokens visuais por imagem. As definições de píxeis mínimos e máximos preservam a proporção; as dimensões exatas pedidas são arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1,280 tokens visuais é uma ilustração ajustável, não um limite rígido separado para imagens. Ao escolher um redimensionamento, conserve o pormenor necessário para a pergunta.
Contexto e definições sensíveis à localização
A configuração publicada define as posições máximas em 128,000. A secção sobre texto longo da ficha descreve separadamente uma base de 32,768 tokens e um exemplo de extensão YaRN. Avisa explicitamente que essa extensão afeta significativamente a localização temporal e espacial e não a recomenda. O guia também aborda a alteração das posições máximas para vídeos longos; são notas de configuração, não um limite de entrada incondicional para todas as tarefas.
Mantenha a configuração exata da versão e o pré-processamento visual alinhados com a tarefa, sobretudo quando coordenadas ou tempos de eventos forem importantes. O exemplo de geração de 128 tokens da ficha não especifica uma capacidade máxima de saída separada. Qwen2.5-VL-7B-Instruct produz texto, coordenadas e resultados estruturados; uma ação externa, uma imagem renderizada, vídeo ou uma resposta falada exigem outro componente da aplicação.
", "aboutText": "Qwen2.5-VL-7B-Instruct é a edição 7B do Qwen2.5-VL ajustada para instruções. Associa uma instrução textual a imagens ou vídeo e devolve um resultado textual. As principais melhorias indicadas pelo fabricante abrangem reconhecimento de objetos e pormenores visuais, análise de texto e disposição de elementos, tarefas de agentes visuais, compreensão de eventos em vídeos longos, localização de objetos e extração estruturada de documentos.\n\nCompreender conteúdo visual\n\nA família vai além de identificar o tema principal de uma fotografia. As tarefas documentadas incluem analisar texto, gráficos, ícones, elementos gráficos e a disposição de elementos numa imagem. Num gráfico, especifique a série ou a relação a examinar e preserve os eixos, a legenda e as unidades. Num diagrama, pergunte como se ligam os componentes identificados e o que a disposição visível revela sobre o processo.\n\nUma comparação útil pode fornecer um desenho original e um revisto, identificar cada um e pedir as alterações visíveis face a uma lista breve de requisitos. Peça a observação e a região relevante da imagem em conjunto. Isto dá à resposta uma finalidade concreta, em vez de pedir uma descrição geral de duas imagens sem relação.\n\nFluxos de agentes visuais\n\nO fabricante posiciona Qwen2.5-VL como agente visual capaz de raciocinar sobre um ecrã e orientar ferramentas em tarefas de utilização de computadores ou telemóveis. O modelo fornece uma interpretação e uma operação proposta; uma aplicação de agente envolvente disponibiliza os controlos, executa a operação e devolve o novo estado. Uma resposta textual ou uma coordenada prevista é, por isso, uma parte desse fluxo integrado.\n\nNuma pergunta sobre uma interface, forneça a captura de ecrã e o objetivo real e pergunte que controlo visível é relevante e o que deve ser feito a seguir. Especifique a saída pedida: o rótulo do controlo, a sua localização e a ação pretendida. Se a aplicação executar essa ação, a captura seguinte fornece a entrada visual atualizada para uma decisão posterior.\n\nVídeos longos e localização de eventos\n\nO fabricante descreve a compreensão de vídeos com mais de uma hora e a identificação do segmento que contém um evento pedido. Isto amplia a descrição de vídeo para localização temporal. Uma tarefa pode perguntar quando um objeto aparece pela primeira vez, em que ponto uma demonstração chega a uma etapa específica ou que evento visível ocorre antes de outro. Indique se o resultado deve ser um resumo, uma lista ordenada de eventos ou tempos de início e fim com uma descrição do evento.\n\nA família é treinada com amostragem dinâmica da taxa de fotogramas e alinha informação posicional temporal com o tempo absoluto. A informação da taxa de fotogramas faz, por isso, parte da preparação do vídeo, em vez de ser um rótulo arbitrário descartável quando os tempos importam. A capacidade documentada para vídeos longos não é uma especificação universal de tamanho de ficheiro ou duração máxima para todos os percursos de entrada.\n\nLocalização de objetos e documentos estruturados\n\nQwen2.5-VL pode devolver caixas delimitadoras ou pontos e organizar coordenadas e atributos em JSON. Esta versão utiliza coordenadas à escala das dimensões reais da imagem, em vez das coordenadas normalizadas tradicionais. Especifique se a tarefa precisa de uma caixa envolvente, de um ponto específico ou de uma descrição de objeto, e conserve as dimensões da imagem e a informação de redimensionamento necessária para interpretar a localização devolvida.\n\nPor exemplo, um pedido de inventário visual pode pedir cada objeto-alvo, a respetiva caixa e um atributo visível. Uma tarefa baseada em pontos pode pedir a localização de um controlo identificado ou de uma parte especificada de um objeto. São propostas de desenho de saída, não nomes fixos de campos que todos os pedidos tenham de usar. Mantenha cada coordenada associada à imagem de origem quando forem fornecidas várias imagens.\n\nO fabricante destaca separadamente a extração estruturada de faturas digitalizadas, formulários e tabelas. Defina os campos, preserve os rótulos originais e peça uma representação explícita quando um valor não puder ser lido. Numa tabela, mantenha os cabeçalhos das colunas e as unidades junto das linhas pedidas. Um registo prático pode conter o identificador do documento, o rótulo do campo, o valor extraído e a localização, tornando a saída utilizável numa comparação posterior ou numa inspeção humana.\n\nArquitetura e preparação da entrada\n\nO modelo combina resolução dinâmica de imagem e amostragem dinâmica de vídeo com informação posicional rotativa multimodal atualizada. O codificador visual utiliza atenção por janelas, SwiGLU e RMSNorm. São alterações arquiteturais que suportam o processamento visual e temporal; não acrescentam entrada áudio nem geração de imagens ao fluxo documentado de resultados textuais.\n\nA ficha demonstra uma imagem, várias imagens, uma sequência de fotogramas de vídeo, um ficheiro ou referência de vídeo e conversas em lote. O processador de imagem documenta um intervalo predefinido de 4 a 16,384 tokens visuais por imagem. As definições de píxeis mínimos e máximos preservam a proporção; as dimensões exatas pedidas são arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1,280 tokens visuais é uma ilustração ajustável, não um limite rígido separado para imagens. Ao escolher um redimensionamento, conserve o pormenor necessário para a pergunta.\n\nContexto e definições sensíveis à localização\n\nA configuração publicada define as posições máximas em 128,000. A secção sobre texto longo da ficha descreve separadamente uma base de 32,768 tokens e um exemplo de extensão YaRN. Avisa explicitamente que essa extensão afeta significativamente a localização temporal e espacial e não a recomenda. O guia também aborda a alteração das posições máximas para vídeos longos; são notas de configuração, não um limite de entrada incondicional para todas as tarefas.\n\nMantenha a configuração exata da versão e o pré-processamento visual alinhados com a tarefa, sobretudo quando coordenadas ou tempos de eventos forem importantes. O exemplo de geração de 128 tokens da ficha não especifica uma capacidade máxima de saída separada. Qwen2.5-VL-7B-Instruct produz texto, coordenadas e resultados estruturados; uma ação externa, uma imagem renderizada, vídeo ou uma resposta falada exigem outro componente da aplicação.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct é um modelo de visão e linguagem para imagens, documentos e vídeo. Produz texto e resultados estruturados, incluindo caixas de objetos, pontos e atributos, e traz à edição 7B localização temporal de eventos e capacidades de agente visual.
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-7B-Instruct é a edição 7B do Qwen2.5-VL ajustada para instruções. Associa uma instrução textual a imagens ou vídeo e devolve um resultado textual. As principais melhorias indicadas pelo fabricante abrangem reconhecimento de objetos e pormenores visuais, análise de texto e disposição de elementos, tarefas de agentes visuais, compreensão de eventos em vídeos longos, localização de objetos e extração estruturada de documentos.
Compreender conteúdo visual
A família vai além de identificar o tema principal de uma fotografia. As tarefas documentadas incluem analisar texto, gráficos, ícones, elementos gráficos e a disposição de elementos numa imagem. Num gráfico, especifique a série ou a relação a examinar e preserve os eixos, a legenda e as unidades. Num diagrama, pergunte como se ligam os componentes identificados e o que a disposição visível revela sobre o processo.
Uma comparação útil pode fornecer um desenho original e um revisto, identificar cada um e pedir as alterações visíveis face a uma lista breve de requisitos. Peça a observação e a região relevante da imagem em conjunto. Isto dá à resposta uma finalidade concreta, em vez de pedir uma descrição geral de duas imagens sem relação.
Fluxos de agentes visuais
O fabricante posiciona Qwen2.5-VL como agente visual capaz de raciocinar sobre um ecrã e orientar ferramentas em tarefas de utilização de computadores ou telemóveis. O modelo fornece uma interpretação e uma operação proposta; uma aplicação de agente envolvente disponibiliza os controlos, executa a operação e devolve o novo estado. Uma resposta textual ou uma coordenada prevista é, por isso, uma parte desse fluxo integrado.
Numa pergunta sobre uma interface, forneça a captura de ecrã e o objetivo real e pergunte que controlo visível é relevante e o que deve ser feito a seguir. Especifique a saída pedida: o rótulo do controlo, a sua localização e a ação pretendida. Se a aplicação executar essa ação, a captura seguinte fornece a entrada visual atualizada para uma decisão posterior.
Vídeos longos e localização de eventos
O fabricante descreve a compreensão de vídeos com mais de uma hora e a identificação do segmento que contém um evento pedido. Isto amplia a descrição de vídeo para localização temporal. Uma tarefa pode perguntar quando um objeto aparece pela primeira vez, em que ponto uma demonstração chega a uma etapa específica ou que evento visível ocorre antes de outro. Indique se o resultado deve ser um resumo, uma lista ordenada de eventos ou tempos de início e fim com uma descrição do evento.
A família é treinada com amostragem dinâmica da taxa de fotogramas e alinha informação posicional temporal com o tempo absoluto. A informação da taxa de fotogramas faz, por isso, parte da preparação do vídeo, em vez de ser um rótulo arbitrário descartável quando os tempos importam. A capacidade documentada para vídeos longos não é uma especificação universal de tamanho de ficheiro ou duração máxima para todos os percursos de entrada.
Localização de objetos e documentos estruturados
Qwen2.5-VL pode devolver caixas delimitadoras ou pontos e organizar coordenadas e atributos em JSON. Esta versão utiliza coordenadas à escala das dimensões reais da imagem, em vez das coordenadas normalizadas tradicionais. Especifique se a tarefa precisa de uma caixa envolvente, de um ponto específico ou de uma descrição de objeto, e conserve as dimensões da imagem e a informação de redimensionamento necessária para interpretar a localização devolvida.
Por exemplo, um pedido de inventário visual pode pedir cada objeto-alvo, a respetiva caixa e um atributo visível. Uma tarefa baseada em pontos pode pedir a localização de um controlo identificado ou de uma parte especificada de um objeto. São propostas de desenho de saída, não nomes fixos de campos que todos os pedidos tenham de usar. Mantenha cada coordenada associada à imagem de origem quando forem fornecidas várias imagens.
O fabricante destaca separadamente a extração estruturada de faturas digitalizadas, formulários e tabelas. Defina os campos, preserve os rótulos originais e peça uma representação explícita quando um valor não puder ser lido. Numa tabela, mantenha os cabeçalhos das colunas e as unidades junto das linhas pedidas. Um registo prático pode conter o identificador do documento, o rótulo do campo, o valor extraído e a localização, tornando a saída utilizável numa comparação posterior ou numa inspeção humana.
Arquitetura e preparação da entrada
O modelo combina resolução dinâmica de imagem e amostragem dinâmica de vídeo com informação posicional rotativa multimodal atualizada. O codificador visual utiliza atenção por janelas, SwiGLU e RMSNorm. São alterações arquiteturais que suportam o processamento visual e temporal; não acrescentam entrada áudio nem geração de imagens ao fluxo documentado de resultados textuais.
A ficha demonstra uma imagem, várias imagens, uma sequência de fotogramas de vídeo, um ficheiro ou referência de vídeo e conversas em lote. O processador de imagem documenta um intervalo predefinido de 4 a 16,384 tokens visuais por imagem. As definições de píxeis mínimos e máximos preservam a proporção; as dimensões exatas pedidas são arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1,280 tokens visuais é uma ilustração ajustável, não um limite rígido separado para imagens. Ao escolher um redimensionamento, conserve o pormenor necessário para a pergunta.
Contexto e definições sensíveis à localização
A configuração publicada define as posições máximas em 128,000. A secção sobre texto longo da ficha descreve separadamente uma base de 32,768 tokens e um exemplo de extensão YaRN. Avisa explicitamente que essa extensão afeta significativamente a localização temporal e espacial e não a recomenda. O guia também aborda a alteração das posições máximas para vídeos longos; são notas de configuração, não um limite de entrada incondicional para todas as tarefas.
Mantenha a configuração exata da versão e o pré-processamento visual alinhados com a tarefa, sobretudo quando coordenadas ou tempos de eventos forem importantes. O exemplo de geração de 128 tokens da ficha não especifica uma capacidade máxima de saída separada. Qwen2.5-VL-7B-Instruct produz texto, coordenadas e resultados estruturados; uma ação externa, uma imagem renderizada, vídeo ou uma resposta falada exigem outro componente da aplicação.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen2.5-vl-7b-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 $0.0001 / 1K tokens Saída · Tokens de saída $0.0001 / 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": "qwen2.5-vl-7b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen2.5-vl-7b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen2.5-vl-7b-instruct
Use os caminhos dos métodos indicados acima.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct é um modelo de visão e linguagem para imagens, documentos e vídeo. Produz texto e resultados estruturados, incluindo caixas de objetos, pontos e atributos, e traz à edição 7B localização temporal de eventos e capacidades de agente visual.
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-7B-Instruct é a edição 7B do Qwen2.5-VL ajustada para instruções. Associa uma instrução textual a imagens ou vídeo e devolve um resultado textual. As principais melhorias indicadas pelo fabricante abrangem reconhecimento de objetos e pormenores visuais, análise de texto e disposição de elementos, tarefas de agentes visuais, compreensão de eventos em vídeos longos, localização de objetos e extração estruturada de documentos.
Compreender conteúdo visual
A família vai além de identificar o tema principal de uma fotografia. As tarefas documentadas incluem analisar texto, gráficos, ícones, elementos gráficos e a disposição de elementos numa imagem. Num gráfico, especifique a série ou a relação a examinar e preserve os eixos, a legenda e as unidades. Num diagrama, pergunte como se ligam os componentes identificados e o que a disposição visível revela sobre o processo.
Uma comparação útil pode fornecer um desenho original e um revisto, identificar cada um e pedir as alterações visíveis face a uma lista breve de requisitos. Peça a observação e a região relevante da imagem em conjunto. Isto dá à resposta uma finalidade concreta, em vez de pedir uma descrição geral de duas imagens sem relação.
Fluxos de agentes visuais
O fabricante posiciona Qwen2.5-VL como agente visual capaz de raciocinar sobre um ecrã e orientar ferramentas em tarefas de utilização de computadores ou telemóveis. O modelo fornece uma interpretação e uma operação proposta; uma aplicação de agente envolvente disponibiliza os controlos, executa a operação e devolve o novo estado. Uma resposta textual ou uma coordenada prevista é, por isso, uma parte desse fluxo integrado.
Numa pergunta sobre uma interface, forneça a captura de ecrã e o objetivo real e pergunte que controlo visível é relevante e o que deve ser feito a seguir. Especifique a saída pedida: o rótulo do controlo, a sua localização e a ação pretendida. Se a aplicação executar essa ação, a captura seguinte fornece a entrada visual atualizada para uma decisão posterior.
Vídeos longos e localização de eventos
O fabricante descreve a compreensão de vídeos com mais de uma hora e a identificação do segmento que contém um evento pedido. Isto amplia a descrição de vídeo para localização temporal. Uma tarefa pode perguntar quando um objeto aparece pela primeira vez, em que ponto uma demonstração chega a uma etapa específica ou que evento visível ocorre antes de outro. Indique se o resultado deve ser um resumo, uma lista ordenada de eventos ou tempos de início e fim com uma descrição do evento.
A família é treinada com amostragem dinâmica da taxa de fotogramas e alinha informação posicional temporal com o tempo absoluto. A informação da taxa de fotogramas faz, por isso, parte da preparação do vídeo, em vez de ser um rótulo arbitrário descartável quando os tempos importam. A capacidade documentada para vídeos longos não é uma especificação universal de tamanho de ficheiro ou duração máxima para todos os percursos de entrada.
Localização de objetos e documentos estruturados
Qwen2.5-VL pode devolver caixas delimitadoras ou pontos e organizar coordenadas e atributos em JSON. Esta versão utiliza coordenadas à escala das dimensões reais da imagem, em vez das coordenadas normalizadas tradicionais. Especifique se a tarefa precisa de uma caixa envolvente, de um ponto específico ou de uma descrição de objeto, e conserve as dimensões da imagem e a informação de redimensionamento necessária para interpretar a localização devolvida.
Por exemplo, um pedido de inventário visual pode pedir cada objeto-alvo, a respetiva caixa e um atributo visível. Uma tarefa baseada em pontos pode pedir a localização de um controlo identificado ou de uma parte especificada de um objeto. São propostas de desenho de saída, não nomes fixos de campos que todos os pedidos tenham de usar. Mantenha cada coordenada associada à imagem de origem quando forem fornecidas várias imagens.
O fabricante destaca separadamente a extração estruturada de faturas digitalizadas, formulários e tabelas. Defina os campos, preserve os rótulos originais e peça uma representação explícita quando um valor não puder ser lido. Numa tabela, mantenha os cabeçalhos das colunas e as unidades junto das linhas pedidas. Um registo prático pode conter o identificador do documento, o rótulo do campo, o valor extraído e a localização, tornando a saída utilizável numa comparação posterior ou numa inspeção humana.
Arquitetura e preparação da entrada
O modelo combina resolução dinâmica de imagem e amostragem dinâmica de vídeo com informação posicional rotativa multimodal atualizada. O codificador visual utiliza atenção por janelas, SwiGLU e RMSNorm. São alterações arquiteturais que suportam o processamento visual e temporal; não acrescentam entrada áudio nem geração de imagens ao fluxo documentado de resultados textuais.
A ficha demonstra uma imagem, várias imagens, uma sequência de fotogramas de vídeo, um ficheiro ou referência de vídeo e conversas em lote. O processador de imagem documenta um intervalo predefinido de 4 a 16,384 tokens visuais por imagem. As definições de píxeis mínimos e máximos preservam a proporção; as dimensões exatas pedidas são arredondadas para um múltiplo de 28. O intervalo de exemplo de 256 a 1,280 tokens visuais é uma ilustração ajustável, não um limite rígido separado para imagens. Ao escolher um redimensionamento, conserve o pormenor necessário para a pergunta.
Contexto e definições sensíveis à localização
A configuração publicada define as posições máximas em 128,000. A secção sobre texto longo da ficha descreve separadamente uma base de 32,768 tokens e um exemplo de extensão YaRN. Avisa explicitamente que essa extensão afeta significativamente a localização temporal e espacial e não a recomenda. O guia também aborda a alteração das posições máximas para vídeos longos; são notas de configuração, não um limite de entrada incondicional para todas as tarefas.
Mantenha a configuração exata da versão e o pré-processamento visual alinhados com a tarefa, sobretudo quando coordenadas ou tempos de eventos forem importantes. O exemplo de geração de 128 tokens da ficha não especifica uma capacidade máxima de saída separada. Qwen2.5-VL-7B-Instruct produz texto, coordenadas e resultados estruturados; uma ação externa, uma imagem renderizada, vídeo ou uma resposta falada exigem outro componente da aplicação.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen2.5-vl-7b-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 $0.0001 / 1K tokens Saída · Tokens de saída $0.0001 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen2.5-vl-7b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen2.5-vl-7b-instruct
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Extract a transcribed invoice table\n\nExtract line items from this invoice transcription: "Invoice N-33; item | quantity | unit price; Clip | 4 | 2.50; Folder | 2 | unreadable." Return each item with quantity, unit price and source invoice ID. Mark the unreadable price explicitly and do not infer it from a total. No image is supplied.A two-row field table retaining N-33 and an explicit unreadable value for the folder unit price.Verify quantities are not swapped and the unreadable price is neither zero nor a guessed amount.