Qwen2-VL-2B-Instruct — дообученная на инструкциях зрительно-языковая модель Qwen размера 2B для вопросов по изображениям и тексту. Разработчик описывает обработку изображений с разным разрешением и соотношением сторон и понимание текста на нескольких языках внутри изображений. Сгенерированный результат — письменный ответ по переданному визуальному материалу и вопросу. Разработчик также описывает использование визуальных агентов с такими устройствами, как телефоны и роботы. Для этого сценария передайте текущее визуальное окружение и текстовую инструкцию; внешнее приложение выполняет предложенную операцию и возвращает наблюдаемое состояние для следующего вопроса.
Выберите изображение со сведениями, необходимыми для ответа, затем укажите деталь для интерпретации. Вопрос по документу может касаться видимого фрагмента, а вопрос по графику — задавать ряды данных, оси и сравнение, которое нужно объяснить. Сохраняйте идентификатор изображения вместе с запрошенным результатом, чтобы ответ оставался привязан к нужному референсу.
Разработчик перечисляет понимание изображений и текста не только на английском и китайском, но и на европейских языках, японском, корейском, арабском и вьетнамском. Сохраняйте исходное написание и письменность при запросе расшифровки, объяснения или перевода видимого текста. Например, можно попросить привести надпись с изображения и отдельно объяснить её смысл.
Qwen2-VL использует динамическое разрешение, чтобы преобразовывать изображение в переменное число визуальных токенов. В примере нативного процессора диапазон по умолчанию составляет от 4 до 16 384 визуальных токенов на изображение. Нативное руководство показывает настройки минимального и максимального числа пикселей, включая более узкий диапазон подготовки от 256 до 1 280 токенов изображения для баланса детализации и затрат на обработку. Эти настройки сохраняют соотношение сторон при изменении размера.
Разработчик также разрешает задавать высоту и ширину после масштабирования, округляемые до числа, кратного 28. Выберите подготовку, при которой важные подписи остаются читаемыми, и сохраняйте исходное изображение при использовании фрагмента. Нативные примеры включают несколько изображений и пакетную обработку, позволяя отдельно обозначить каждый референс в вопросе.
Разработчик отмечает ограничения при сложных многошаговых инструкциях, подсчёте объектов в насыщенных сценах и пространственных рассуждениях в трёх измерениях. Также отмечается неполное распознавание конкретных людей и брендов. Запросите конкретное визуальное наблюдение и проверьте то количество, надпись или взаимное расположение, от которого зависит результат.
Разработчик указывает, что набор изображений обновлялся по июнь 2023 года. Передавайте письменный контекст, необходимый для недавней или незнакомой надписи, вместо ожидания, что одно изображение установит эти сведения. В полученной заметке отделяйте процитированную надпись от предположения о том, что она обозначает.
В опубликованной конфигурации чекпойнта установлено максимум 32 768 позиций. Подготовьте вопрос и визуальные входные данные соответствующим процессором модели, сохраняя порядок изображений в запросе. Нативная вспомогательная утилита принимает локальные изображения, base64 и адреса изображений.
Сохраните выбранное название 2B Instruct, референсы и полный письменный ответ вместе. Для следующего запроса приложите нужные материалы и укажите конкретное наблюдение или интерпретацию для исправления, затем сопоставьте исправленный результат с этим источником.
В Ailoot укажите точный ID модели в /v1/chat/completions и передайте изображение вместе с вопросом в диалоге. Для содержимого с изображением используется image_url; поддерживаемые источники изображений могут содержать адрес изображения или URI с данными base64. Соберите полный JSON-ответ или все сегменты SSE при включённом stream и сохраните usage вместе с готовым результатом.
", "aboutText": "Qwen2-VL-2B-Instruct — дообученная на инструкциях зрительно-языковая модель Qwen размера 2B для вопросов по изображениям и тексту. Разработчик описывает обработку изображений с разным разрешением и соотношением сторон и понимание текста на нескольких языках внутри изображений. Сгенерированный результат — письменный ответ по переданному визуальному материалу и вопросу. Разработчик также описывает использование визуальных агентов с такими устройствами, как телефоны и роботы. Для этого сценария передайте текущее визуальное окружение и текстовую инструкцию; внешнее приложение выполняет предложенную операцию и возвращает наблюдаемое состояние для следующего вопроса.\n\n### Передайте изображение и точный вопрос\n\nВыберите изображение со сведениями, необходимыми для ответа, затем укажите деталь для интерпретации. Вопрос по документу может касаться видимого фрагмента, а вопрос по графику — задавать ряды данных, оси и сравнение, которое нужно объяснить. Сохраняйте идентификатор изображения вместе с запрошенным результатом, чтобы ответ оставался привязан к нужному референсу.\n\nРазработчик перечисляет понимание изображений и текста не только на английском и китайском, но и на европейских языках, японском, корейском, арабском и вьетнамском. Сохраняйте исходное написание и письменность при запросе расшифровки, объяснения или перевода видимого текста. Например, можно попросить привести надпись с изображения и отдельно объяснить её смысл.\n\n### Осознанно задайте разрешение и визуальные токены\n\nQwen2-VL использует динамическое разрешение, чтобы преобразовывать изображение в переменное число визуальных токенов. В примере нативного процессора диапазон по умолчанию составляет от 4 до 16 384 визуальных токенов на изображение. Нативное руководство показывает настройки минимального и максимального числа пикселей, включая более узкий диапазон подготовки от 256 до 1 280 токенов изображения для баланса детализации и затрат на обработку. Эти настройки сохраняют соотношение сторон при изменении размера.\n\nРазработчик также разрешает задавать высоту и ширину после масштабирования, округляемые до числа, кратного 28. Выберите подготовку, при которой важные подписи остаются читаемыми, и сохраняйте исходное изображение при использовании фрагмента. Нативные примеры включают несколько изображений и пакетную обработку, позволяя отдельно обозначить каждый референс в вопросе.\n\n### Учитывайте документированные ограничения зрения\n\nРазработчик отмечает ограничения при сложных многошаговых инструкциях, подсчёте объектов в насыщенных сценах и пространственных рассуждениях в трёх измерениях. Также отмечается неполное распознавание конкретных людей и брендов. Запросите конкретное визуальное наблюдение и проверьте то количество, надпись или взаимное расположение, от которого зависит результат.\n\nРазработчик указывает, что набор изображений обновлялся по июнь 2023 года. Передавайте письменный контекст, необходимый для недавней или незнакомой надписи, вместо ожидания, что одно изображение установит эти сведения. В полученной заметке отделяйте процитированную надпись от предположения о том, что она обозначает.\n\n### Храните подготовленные входные данные вместе с ответом\n\nВ опубликованной конфигурации чекпойнта установлено максимум 32 768 позиций. Подготовьте вопрос и визуальные входные данные соответствующим процессором модели, сохраняя порядок изображений в запросе. Нативная вспомогательная утилита принимает локальные изображения, base64 и адреса изображений.\n\nСохраните выбранное название 2B Instruct, референсы и полный письменный ответ вместе. Для следующего запроса приложите нужные материалы и укажите конкретное наблюдение или интерпретацию для исправления, затем сопоставьте исправленный результат с этим источником.\n\nВ Ailoot укажите точный ID модели в /v1/chat/completions и передайте изображение вместе с вопросом в диалоге. Для содержимого с изображением используется image_url; поддерживаемые источники изображений могут содержать адрес изображения или URI с данными base64. Соберите полный JSON-ответ или все сегменты SSE при включённом stream и сохраните usage вместе с готовым результатом.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c7ebf84b14e578e143fe9eee4b3714f78ea0dec650d7b6b6f88703f42855ec12", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "qwen2-vl-2b-instructQwen2-VL-2B-Instruct — зрительно-языковая модель Qwen для вопросов по изображениям, многоязычного текста на картинках и визуальных объяснений. Передайте читаемое изображение и точный вопрос, чтобы получить письменный результат с опорой на видимые сведения.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Qwen2-VL-2B-Instruct — дообученная на инструкциях зрительно-языковая модель Qwen размера 2B для вопросов по изображениям и тексту. Разработчик описывает обработку изображений с разным разрешением и соотношением сторон и понимание текста на нескольких языках внутри изображений. Сгенерированный результат — письменный ответ по переданному визуальному материалу и вопросу. Разработчик также описывает использование визуальных агентов с такими устройствами, как телефоны и роботы. Для этого сценария передайте текущее визуальное окружение и текстовую инструкцию; внешнее приложение выполняет предложенную операцию и возвращает наблюдаемое состояние для следующего вопроса.
Выберите изображение со сведениями, необходимыми для ответа, затем укажите деталь для интерпретации. Вопрос по документу может касаться видимого фрагмента, а вопрос по графику — задавать ряды данных, оси и сравнение, которое нужно объяснить. Сохраняйте идентификатор изображения вместе с запрошенным результатом, чтобы ответ оставался привязан к нужному референсу.
Разработчик перечисляет понимание изображений и текста не только на английском и китайском, но и на европейских языках, японском, корейском, арабском и вьетнамском. Сохраняйте исходное написание и письменность при запросе расшифровки, объяснения или перевода видимого текста. Например, можно попросить привести надпись с изображения и отдельно объяснить её смысл.
Qwen2-VL использует динамическое разрешение, чтобы преобразовывать изображение в переменное число визуальных токенов. В примере нативного процессора диапазон по умолчанию составляет от 4 до 16 384 визуальных токенов на изображение. Нативное руководство показывает настройки минимального и максимального числа пикселей, включая более узкий диапазон подготовки от 256 до 1 280 токенов изображения для баланса детализации и затрат на обработку. Эти настройки сохраняют соотношение сторон при изменении размера.
Разработчик также разрешает задавать высоту и ширину после масштабирования, округляемые до числа, кратного 28. Выберите подготовку, при которой важные подписи остаются читаемыми, и сохраняйте исходное изображение при использовании фрагмента. Нативные примеры включают несколько изображений и пакетную обработку, позволяя отдельно обозначить каждый референс в вопросе.
Разработчик отмечает ограничения при сложных многошаговых инструкциях, подсчёте объектов в насыщенных сценах и пространственных рассуждениях в трёх измерениях. Также отмечается неполное распознавание конкретных людей и брендов. Запросите конкретное визуальное наблюдение и проверьте то количество, надпись или взаимное расположение, от которого зависит результат.
Разработчик указывает, что набор изображений обновлялся по июнь 2023 года. Передавайте письменный контекст, необходимый для недавней или незнакомой надписи, вместо ожидания, что одно изображение установит эти сведения. В полученной заметке отделяйте процитированную надпись от предположения о том, что она обозначает.
В опубликованной конфигурации чекпойнта установлено максимум 32 768 позиций. Подготовьте вопрос и визуальные входные данные соответствующим процессором модели, сохраняя порядок изображений в запросе. Нативная вспомогательная утилита принимает локальные изображения, base64 и адреса изображений.
Сохраните выбранное название 2B Instruct, референсы и полный письменный ответ вместе. Для следующего запроса приложите нужные материалы и укажите конкретное наблюдение или интерпретацию для исправления, затем сопоставьте исправленный результат с этим источником.
В Ailoot укажите точный ID модели в /v1/chat/completions и передайте изображение вместе с вопросом в диалоге. Для содержимого с изображением используется image_url; поддерживаемые источники изображений могут содержать адрес изображения или URI с данными base64. Соберите полный JSON-ответ или все сегменты SSE при включённом stream и сохраните usage вместе с готовым результатом.
POST /v1/chat/completionstext, imagetext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen2-vl-2b-instruct Условия: Используйте этот селектор маршрутизации Ailoot в точности. | По умолчанию— |
Полеmessages | Типarray | ТребованиеОбязательно | Значения и ограничения Условия: | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения Условия: | По умолчаниюfalse |
text_input · Обязательно: messages
image_with_text · Обязательно: messages with actual image content blocks
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages |
Параметрoptional | Контрактstream |
Параметрmaterial_types | Контрактtext, image |
Параметрconditions | КонтрактИспользуйте этот селектор маршрутизации Ailoot в точности., Этот протокол передаёт содержимое изображений, если конкретная выбранная модель поддерживает их распознавание. Поддержка протокола не подтверждает возможность работы с изображениями для каждой модели. |
Псевдонимы метода: /chat/completions
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2-vl-2b-instruct", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый блок содержимого, идентификатор вызова инструмента, подпись рассуждений, если она возвращена, все обновления SSE и полные данные об использовании. Первый фрагмент текста — ещё не весь результат.
Сохраните исходный X-Client-Request-ID, ответ и заголовки. Неизвестный результат или result_pending_check не разрешает повторное создание.
| Поле | Тип |
|---|---|
Полеchoices[] | Типobject |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеОбязательное поле, селектор модели, тип или представление входных данных недопустимы. | Следующий шагИзучите возвращённые сведения о проверке данных перед подготовкой отдельного запроса. |
Ответ | УсловиеИсходный запрос или результат неизвестен либо требует проверки. | Следующий шагСохраните исходные идентификаторы и заголовки; читайте только поддерживаемые записи статуса или библиотеки. Не отправляйте запрос на создание повторно. |
Ailoot Ultra qwen2-vl-2b-instruct
/chat/completions
qwen2-vl-2b-instructQwen2-VL-2B-Instruct — зрительно-языковая модель Qwen для вопросов по изображениям, многоязычного текста на картинках и визуальных объяснений. Передайте читаемое изображение и точный вопрос, чтобы получить письменный результат с опорой на видимые сведения.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Qwen2-VL-2B-Instruct — дообученная на инструкциях зрительно-языковая модель Qwen размера 2B для вопросов по изображениям и тексту. Разработчик описывает обработку изображений с разным разрешением и соотношением сторон и понимание текста на нескольких языках внутри изображений. Сгенерированный результат — письменный ответ по переданному визуальному материалу и вопросу. Разработчик также описывает использование визуальных агентов с такими устройствами, как телефоны и роботы. Для этого сценария передайте текущее визуальное окружение и текстовую инструкцию; внешнее приложение выполняет предложенную операцию и возвращает наблюдаемое состояние для следующего вопроса.
Выберите изображение со сведениями, необходимыми для ответа, затем укажите деталь для интерпретации. Вопрос по документу может касаться видимого фрагмента, а вопрос по графику — задавать ряды данных, оси и сравнение, которое нужно объяснить. Сохраняйте идентификатор изображения вместе с запрошенным результатом, чтобы ответ оставался привязан к нужному референсу.
Разработчик перечисляет понимание изображений и текста не только на английском и китайском, но и на европейских языках, японском, корейском, арабском и вьетнамском. Сохраняйте исходное написание и письменность при запросе расшифровки, объяснения или перевода видимого текста. Например, можно попросить привести надпись с изображения и отдельно объяснить её смысл.
Qwen2-VL использует динамическое разрешение, чтобы преобразовывать изображение в переменное число визуальных токенов. В примере нативного процессора диапазон по умолчанию составляет от 4 до 16 384 визуальных токенов на изображение. Нативное руководство показывает настройки минимального и максимального числа пикселей, включая более узкий диапазон подготовки от 256 до 1 280 токенов изображения для баланса детализации и затрат на обработку. Эти настройки сохраняют соотношение сторон при изменении размера.
Разработчик также разрешает задавать высоту и ширину после масштабирования, округляемые до числа, кратного 28. Выберите подготовку, при которой важные подписи остаются читаемыми, и сохраняйте исходное изображение при использовании фрагмента. Нативные примеры включают несколько изображений и пакетную обработку, позволяя отдельно обозначить каждый референс в вопросе.
Разработчик отмечает ограничения при сложных многошаговых инструкциях, подсчёте объектов в насыщенных сценах и пространственных рассуждениях в трёх измерениях. Также отмечается неполное распознавание конкретных людей и брендов. Запросите конкретное визуальное наблюдение и проверьте то количество, надпись или взаимное расположение, от которого зависит результат.
Разработчик указывает, что набор изображений обновлялся по июнь 2023 года. Передавайте письменный контекст, необходимый для недавней или незнакомой надписи, вместо ожидания, что одно изображение установит эти сведения. В полученной заметке отделяйте процитированную надпись от предположения о том, что она обозначает.
В опубликованной конфигурации чекпойнта установлено максимум 32 768 позиций. Подготовьте вопрос и визуальные входные данные соответствующим процессором модели, сохраняя порядок изображений в запросе. Нативная вспомогательная утилита принимает локальные изображения, base64 и адреса изображений.
Сохраните выбранное название 2B Instruct, референсы и полный письменный ответ вместе. Для следующего запроса приложите нужные материалы и укажите конкретное наблюдение или интерпретацию для исправления, затем сопоставьте исправленный результат с этим источником.
В Ailoot укажите точный ID модели в /v1/chat/completions и передайте изображение вместе с вопросом в диалоге. Для содержимого с изображением используется image_url; поддерживаемые источники изображений могут содержать адрес изображения или URI с данными base64. Соберите полный JSON-ответ или все сегменты SSE при включённом stream и сохраните usage вместе с готовым результатом.
POST /v1/messagestext, imagejson, sse| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения qwen2-vl-2b-instruct Условия: Используйте этот селектор маршрутизации Ailoot в точности. | По умолчанию— |
Полеmessages | Типarray | ТребованиеОбязательно | Значения и ограничения Условия: | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения Условия: | По умолчаниюfalse |
Полеmax_tokens | Типinteger | ТребованиеОбязательно | Значения и ограничения Минимум: 1 Условия: | По умолчанию— |
text_input · Обязательно: messages
image_with_text · Обязательно: messages with actual image content blocks
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages, max_tokens |
Параметрoptional | Контрактstream |
Параметрmaterial_types | Контрактtext, image |
Параметрconditions | КонтрактИспользуйте этот селектор маршрутизации Ailoot в точности., Этот протокол передаёт содержимое изображений, если конкретная выбранная модель поддерживает их распознавание. Поддержка протокола не подтверждает возможность работы с изображениями для каждой модели. |
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen2-vl-2b-instruct", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}], "max_tokens": 256}')\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/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый блок содержимого, идентификатор вызова инструмента, подпись рассуждений, если она возвращена, все обновления SSE и полные данные об использовании. Первый фрагмент текста — ещё не весь результат.
Сохраните исходный X-Client-Request-ID, ответ и заголовки. Неизвестный результат или result_pending_check не разрешает повторное создание.
| Поле | Тип |
|---|---|
Полеcontent[] | Типobject |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеОбязательное поле, селектор модели, тип или представление входных данных недопустимы. | Следующий шагИзучите возвращённые сведения о проверке данных перед подготовкой отдельного запроса. |
Ответ | УсловиеИсходный запрос или результат неизвестен либо требует проверки. | Следующий шагСохраните исходные идентификаторы и заголовки; читайте только поддерживаемые записи статуса или библиотеки. Не отправляйте запрос на создание повторно. |
Ailoot Ultra qwen2-vl-2b-instruct
/chat/completions