Qwen2.5-VL-7B-Instruct je vydanie Qwen2.5-VL veľkosti 7B doladené na pokyny. Prepája textový pokyn s obrázkami alebo videom a vracia textový výsledok. Hlavné zlepšenia výrobcu pokrývajú rozpoznávanie objektov a vizuálnych detailov, analýzu textu a rozloženia, úlohy vizuálneho agenta, porozumenie udalostiam v dlhých videách, lokalizáciu objektov a štruktúrovanú extrakciu z dokumentov.
Porozumenie vizuálnemu obsahu
Táto rodina presahuje určovanie hlavného predmetu fotografie. Medzi dokumentované úlohy patrí analýza textu, grafov, ikon, grafiky a usporiadania prvkov v obrázku. Pri grafe určte rad alebo vzťah, ktorý treba preskúmať, a zachovajte osi, legendu a jednotky. Pri diagrame sa pýtajte, ako sú označené komponenty prepojené a čo viditeľné usporiadanie hovorí o procese.
Pri užitočnom porovnaní môžete poskytnúť pôvodný a upravený návrh, označiť, ktorý je ktorý, a žiadať viditeľné zmeny podľa krátkeho zoznamu požiadaviek. Žiadajte pozorovanie spolu s relevantnou oblasťou obrázka. Odpoveď tak získava konkrétny účel namiesto všeobecného opisu dvoch nesúvisiacich obrázkov.
Postupy vizuálneho agenta
Výrobca prezentuje Qwen2.5-VL ako vizuálneho agenta, ktorý dokáže uvažovať o obrazovke a usmerňovať nástroje pri úlohách používania počítača alebo telefónu. Model poskytuje interpretáciu a navrhovanú operáciu; obklopujúca agentová aplikácia poskytuje ovládacie prvky, vykonáva operáciu a vracia nový stav. Textová odpoveď alebo predpovedaná súradnica je preto jednou časťou tohto integrovaného postupu.
Pri otázke o rozhraní poskytnite snímku obrazovky a skutočný cieľ a potom sa pýtajte, ktorý viditeľný ovládací prvok je relevantný a čo treba urobiť ďalej. Požadujte konkrétny výstup: označenie ovládacieho prvku, jeho polohu a zamýšľanú akciu. Ak aplikácia túto akciu následne vykoná, ďalšia snímka obrazovky poskytne aktualizovaný vizuálny vstup pre nasledujúce rozhodnutie.
Dlhé videá a lokalizácia udalostí
Výrobca opisuje porozumenie videám dlhším než jedna hodina a určenie úseku obsahujúceho požadovanú udalosť. Tým sa opis videa rozširuje o časovú lokalizáciu. Úloha sa môže pýtať, kedy sa objekt prvýkrát objaví, kde ukážka dosiahne konkrétny krok alebo ktorá viditeľná udalosť nastane pred inou. Uveďte, či má byť výsledkom súhrn, usporiadaný zoznam udalostí alebo počiatočné a koncové časy s opisom udalosti.
Rodina sa trénuje s dynamickým vzorkovaním snímkovej frekvencie a zarovnáva časové pozičné informácie s absolútnym časom. Informácia o snímkovej frekvencii preto patrí do prípravy videa; nie je ľubovoľným označením, ktoré možno zahodiť, keď záleží na časových značkách. Dokumentovaná schopnosť práce s dlhým videom nie je univerzálnou špecifikáciou veľkosti súboru ani maximálnej dĺžky pre každú vstupnú cestu.
Lokalizácia objektov a štruktúrované dokumenty
Qwen2.5-VL dokáže vracať ohraničujúce rámčeky alebo body a usporiadať súradnice a atribúty do JSON. Vydanie používa súradnice v mierke skutočnej veľkosti obrázka namiesto tradičných normalizovaných súradníc. Určte, či úloha potrebuje ohraničujúci rámček, konkrétny bod alebo opis objektu, a zachovajte rozmery obrázka aj všetky informácie o zmene veľkosti potrebné na interpretáciu vrátenej polohy.
Požiadavka na vizuálny inventár môže napríklad žiadať každý cieľový objekt, jeho rámček a viditeľný atribút. Úloha založená na bode sa môže pýtať na polohu označeného ovládacieho prvku alebo určenej časti objektu. Ide o navrhované podoby výstupu, nie pevné názvy polí, ktoré musí používať každá požiadavka. Pri dodaní viacerých obrázkov uchovávajte každú súradnicu priradenú k jej zdrojovému obrázku.
Výrobca osobitne vyzdvihuje štruktúrovanú extrakciu zo skenov faktúr, formulárov a tabuliek. Definujte polia, zachovajte pôvodné označenia a žiadajte explicitnú reprezentáciu pre prípad, keď hodnotu nemožno prečítať. Pri tabuľke uchovávajte hlavičky stĺpcov a jednotky spolu s požadovanými riadkami. Praktický záznam môže obsahovať identifikátor dokumentu, označenie poľa, extrahovanú hodnotu a polohu, čím sa výstup stáva použiteľným na neskoršie porovnanie alebo ľudskú kontrolu.
Architektúra a príprava vstupu
Model kombinuje dynamické rozlíšenie obrázkov a dynamické vzorkovanie videa s aktualizovanými multimodálnymi rotačnými pozičnými informáciami. Jeho vizuálny enkodér používa oknovú pozornosť, SwiGLU a RMSNorm. Ide o zmeny architektúry podporujúce vizuálne a časové spracovanie; do dokumentovaného postupu s textovým výsledkom nepridávajú zvukový vstup ani generovanie obrázkov.
Karta ukazuje jeden obrázok, viacero obrázkov, sekvenciu videosnímok, videosúbor alebo odkaz naň a dávky konverzácií. Obrazový procesor dokumentuje predvolený rozsah od 4 do 16,384 vizuálnych tokenov na obrázok. Nastavenia minimálneho a maximálneho počtu pixelov zachovávajú pomer strán; požadované presné rozmery sa zaokrúhľujú na násobok 28. Príklad rozsahu od 256 do 1,280 vizuálnych tokenov je nastaviteľnou ukážkou, nie samostatným pevným limitom obrázka. Pri výbere zmeny veľkosti zachovajte detail potrebný na zodpovedanie otázky.
Kontext a nastavenia citlivé na lokalizáciu
Vydaná konfigurácia nastavuje maximum pozícií na 128,000. Oddiel karty modelu o dlhom texte samostatne opisuje základ 32,768 tokenov a príklad rozšírenia YaRN. Výslovne upozorňuje, že toto rozšírenie výrazne ovplyvňuje časovú a priestorovú lokalizáciu, a neodporúča ho. Príručka tiež rozoberá zmenu maxima pozícií pre dlhé videá; ide o konfiguračné poznámky, nie jeden bezpodmienečný vstupný limit pre každú úlohu.
Konfiguráciu konkrétneho vydania a vizuálne predspracovanie udržujte v súlade s úlohou, najmä keď záleží na súradniciach alebo časoch udalostí. Príklad generovania 128 tokenov na karte neurčuje samostatnú maximálnu výstupnú kapacitu. Qwen2.5-VL-7B-Instruct vytvára text, súradnice a štruktúrované zistenia; externá akcia, vykreslený obrázok, video alebo hovorená odpoveď vyžadujú ďalšiu súčasť aplikácie.
", "aboutText": "Qwen2.5-VL-7B-Instruct je vydanie Qwen2.5-VL veľkosti 7B doladené na pokyny. Prepája textový pokyn s obrázkami alebo videom a vracia textový výsledok. Hlavné zlepšenia výrobcu pokrývajú rozpoznávanie objektov a vizuálnych detailov, analýzu textu a rozloženia, úlohy vizuálneho agenta, porozumenie udalostiam v dlhých videách, lokalizáciu objektov a štruktúrovanú extrakciu z dokumentov.\n\nPorozumenie vizuálnemu obsahu\n\nTáto rodina presahuje určovanie hlavného predmetu fotografie. Medzi dokumentované úlohy patrí analýza textu, grafov, ikon, grafiky a usporiadania prvkov v obrázku. Pri grafe určte rad alebo vzťah, ktorý treba preskúmať, a zachovajte osi, legendu a jednotky. Pri diagrame sa pýtajte, ako sú označené komponenty prepojené a čo viditeľné usporiadanie hovorí o procese.\n\nPri užitočnom porovnaní môžete poskytnúť pôvodný a upravený návrh, označiť, ktorý je ktorý, a žiadať viditeľné zmeny podľa krátkeho zoznamu požiadaviek. Žiadajte pozorovanie spolu s relevantnou oblasťou obrázka. Odpoveď tak získava konkrétny účel namiesto všeobecného opisu dvoch nesúvisiacich obrázkov.\n\nPostupy vizuálneho agenta\n\nVýrobca prezentuje Qwen2.5-VL ako vizuálneho agenta, ktorý dokáže uvažovať o obrazovke a usmerňovať nástroje pri úlohách používania počítača alebo telefónu. Model poskytuje interpretáciu a navrhovanú operáciu; obklopujúca agentová aplikácia poskytuje ovládacie prvky, vykonáva operáciu a vracia nový stav. Textová odpoveď alebo predpovedaná súradnica je preto jednou časťou tohto integrovaného postupu.\n\nPri otázke o rozhraní poskytnite snímku obrazovky a skutočný cieľ a potom sa pýtajte, ktorý viditeľný ovládací prvok je relevantný a čo treba urobiť ďalej. Požadujte konkrétny výstup: označenie ovládacieho prvku, jeho polohu a zamýšľanú akciu. Ak aplikácia túto akciu následne vykoná, ďalšia snímka obrazovky poskytne aktualizovaný vizuálny vstup pre nasledujúce rozhodnutie.\n\nDlhé videá a lokalizácia udalostí\n\nVýrobca opisuje porozumenie videám dlhším než jedna hodina a určenie úseku obsahujúceho požadovanú udalosť. Tým sa opis videa rozširuje o časovú lokalizáciu. Úloha sa môže pýtať, kedy sa objekt prvýkrát objaví, kde ukážka dosiahne konkrétny krok alebo ktorá viditeľná udalosť nastane pred inou. Uveďte, či má byť výsledkom súhrn, usporiadaný zoznam udalostí alebo počiatočné a koncové časy s opisom udalosti.\n\nRodina sa trénuje s dynamickým vzorkovaním snímkovej frekvencie a zarovnáva časové pozičné informácie s absolútnym časom. Informácia o snímkovej frekvencii preto patrí do prípravy videa; nie je ľubovoľným označením, ktoré možno zahodiť, keď záleží na časových značkách. Dokumentovaná schopnosť práce s dlhým videom nie je univerzálnou špecifikáciou veľkosti súboru ani maximálnej dĺžky pre každú vstupnú cestu.\n\nLokalizácia objektov a štruktúrované dokumenty\n\nQwen2.5-VL dokáže vracať ohraničujúce rámčeky alebo body a usporiadať súradnice a atribúty do JSON. Vydanie používa súradnice v mierke skutočnej veľkosti obrázka namiesto tradičných normalizovaných súradníc. Určte, či úloha potrebuje ohraničujúci rámček, konkrétny bod alebo opis objektu, a zachovajte rozmery obrázka aj všetky informácie o zmene veľkosti potrebné na interpretáciu vrátenej polohy.\n\nPožiadavka na vizuálny inventár môže napríklad žiadať každý cieľový objekt, jeho rámček a viditeľný atribút. Úloha založená na bode sa môže pýtať na polohu označeného ovládacieho prvku alebo určenej časti objektu. Ide o navrhované podoby výstupu, nie pevné názvy polí, ktoré musí používať každá požiadavka. Pri dodaní viacerých obrázkov uchovávajte každú súradnicu priradenú k jej zdrojovému obrázku.\n\nVýrobca osobitne vyzdvihuje štruktúrovanú extrakciu zo skenov faktúr, formulárov a tabuliek. Definujte polia, zachovajte pôvodné označenia a žiadajte explicitnú reprezentáciu pre prípad, keď hodnotu nemožno prečítať. Pri tabuľke uchovávajte hlavičky stĺpcov a jednotky spolu s požadovanými riadkami. Praktický záznam môže obsahovať identifikátor dokumentu, označenie poľa, extrahovanú hodnotu a polohu, čím sa výstup stáva použiteľným na neskoršie porovnanie alebo ľudskú kontrolu.\n\nArchitektúra a príprava vstupu\n\nModel kombinuje dynamické rozlíšenie obrázkov a dynamické vzorkovanie videa s aktualizovanými multimodálnymi rotačnými pozičnými informáciami. Jeho vizuálny enkodér používa oknovú pozornosť, SwiGLU a RMSNorm. Ide o zmeny architektúry podporujúce vizuálne a časové spracovanie; do dokumentovaného postupu s textovým výsledkom nepridávajú zvukový vstup ani generovanie obrázkov.\n\nKarta ukazuje jeden obrázok, viacero obrázkov, sekvenciu videosnímok, videosúbor alebo odkaz naň a dávky konverzácií. Obrazový procesor dokumentuje predvolený rozsah od 4 do 16,384 vizuálnych tokenov na obrázok. Nastavenia minimálneho a maximálneho počtu pixelov zachovávajú pomer strán; požadované presné rozmery sa zaokrúhľujú na násobok 28. Príklad rozsahu od 256 do 1,280 vizuálnych tokenov je nastaviteľnou ukážkou, nie samostatným pevným limitom obrázka. Pri výbere zmeny veľkosti zachovajte detail potrebný na zodpovedanie otázky.\n\nKontext a nastavenia citlivé na lokalizáciu\n\nVydaná konfigurácia nastavuje maximum pozícií na 128,000. Oddiel karty modelu o dlhom texte samostatne opisuje základ 32,768 tokenov a príklad rozšírenia YaRN. Výslovne upozorňuje, že toto rozšírenie výrazne ovplyvňuje časovú a priestorovú lokalizáciu, a neodporúča ho. Príručka tiež rozoberá zmenu maxima pozícií pre dlhé videá; ide o konfiguračné poznámky, nie jeden bezpodmienečný vstupný limit pre každú úlohu.\n\nKonfiguráciu konkrétneho vydania a vizuálne predspracovanie udržujte v súlade s úlohou, najmä keď záleží na súradniciach alebo časoch udalostí. Príklad generovania 128 tokenov na karte neurčuje samostatnú maximálnu výstupnú kapacitu. Qwen2.5-VL-7B-Instruct vytvára text, súradnice a štruktúrované zistenia; externá akcia, vykreslený obrázok, video alebo hovorená odpoveď vyžadujú ďalšiu súčasť aplikácie.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický príklad v angličtine
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 je vizuálno-jazykový model pre obrázky, dokumenty a video. Vytvára text a štruktúrované zistenia vrátane ohraničujúcich rámčekov objektov, bodov a atribútov a do vydania 7B prináša časovú lokalizáciu udalostí a schopnosti vizuálneho agenta.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Qwen2.5-VL-7B-Instruct je vydanie Qwen2.5-VL veľkosti 7B doladené na pokyny. Prepája textový pokyn s obrázkami alebo videom a vracia textový výsledok. Hlavné zlepšenia výrobcu pokrývajú rozpoznávanie objektov a vizuálnych detailov, analýzu textu a rozloženia, úlohy vizuálneho agenta, porozumenie udalostiam v dlhých videách, lokalizáciu objektov a štruktúrovanú extrakciu z dokumentov.
Porozumenie vizuálnemu obsahu
Táto rodina presahuje určovanie hlavného predmetu fotografie. Medzi dokumentované úlohy patrí analýza textu, grafov, ikon, grafiky a usporiadania prvkov v obrázku. Pri grafe určte rad alebo vzťah, ktorý treba preskúmať, a zachovajte osi, legendu a jednotky. Pri diagrame sa pýtajte, ako sú označené komponenty prepojené a čo viditeľné usporiadanie hovorí o procese.
Pri užitočnom porovnaní môžete poskytnúť pôvodný a upravený návrh, označiť, ktorý je ktorý, a žiadať viditeľné zmeny podľa krátkeho zoznamu požiadaviek. Žiadajte pozorovanie spolu s relevantnou oblasťou obrázka. Odpoveď tak získava konkrétny účel namiesto všeobecného opisu dvoch nesúvisiacich obrázkov.
Postupy vizuálneho agenta
Výrobca prezentuje Qwen2.5-VL ako vizuálneho agenta, ktorý dokáže uvažovať o obrazovke a usmerňovať nástroje pri úlohách používania počítača alebo telefónu. Model poskytuje interpretáciu a navrhovanú operáciu; obklopujúca agentová aplikácia poskytuje ovládacie prvky, vykonáva operáciu a vracia nový stav. Textová odpoveď alebo predpovedaná súradnica je preto jednou časťou tohto integrovaného postupu.
Pri otázke o rozhraní poskytnite snímku obrazovky a skutočný cieľ a potom sa pýtajte, ktorý viditeľný ovládací prvok je relevantný a čo treba urobiť ďalej. Požadujte konkrétny výstup: označenie ovládacieho prvku, jeho polohu a zamýšľanú akciu. Ak aplikácia túto akciu následne vykoná, ďalšia snímka obrazovky poskytne aktualizovaný vizuálny vstup pre nasledujúce rozhodnutie.
Dlhé videá a lokalizácia udalostí
Výrobca opisuje porozumenie videám dlhším než jedna hodina a určenie úseku obsahujúceho požadovanú udalosť. Tým sa opis videa rozširuje o časovú lokalizáciu. Úloha sa môže pýtať, kedy sa objekt prvýkrát objaví, kde ukážka dosiahne konkrétny krok alebo ktorá viditeľná udalosť nastane pred inou. Uveďte, či má byť výsledkom súhrn, usporiadaný zoznam udalostí alebo počiatočné a koncové časy s opisom udalosti.
Rodina sa trénuje s dynamickým vzorkovaním snímkovej frekvencie a zarovnáva časové pozičné informácie s absolútnym časom. Informácia o snímkovej frekvencii preto patrí do prípravy videa; nie je ľubovoľným označením, ktoré možno zahodiť, keď záleží na časových značkách. Dokumentovaná schopnosť práce s dlhým videom nie je univerzálnou špecifikáciou veľkosti súboru ani maximálnej dĺžky pre každú vstupnú cestu.
Lokalizácia objektov a štruktúrované dokumenty
Qwen2.5-VL dokáže vracať ohraničujúce rámčeky alebo body a usporiadať súradnice a atribúty do JSON. Vydanie používa súradnice v mierke skutočnej veľkosti obrázka namiesto tradičných normalizovaných súradníc. Určte, či úloha potrebuje ohraničujúci rámček, konkrétny bod alebo opis objektu, a zachovajte rozmery obrázka aj všetky informácie o zmene veľkosti potrebné na interpretáciu vrátenej polohy.
Požiadavka na vizuálny inventár môže napríklad žiadať každý cieľový objekt, jeho rámček a viditeľný atribút. Úloha založená na bode sa môže pýtať na polohu označeného ovládacieho prvku alebo určenej časti objektu. Ide o navrhované podoby výstupu, nie pevné názvy polí, ktoré musí používať každá požiadavka. Pri dodaní viacerých obrázkov uchovávajte každú súradnicu priradenú k jej zdrojovému obrázku.
Výrobca osobitne vyzdvihuje štruktúrovanú extrakciu zo skenov faktúr, formulárov a tabuliek. Definujte polia, zachovajte pôvodné označenia a žiadajte explicitnú reprezentáciu pre prípad, keď hodnotu nemožno prečítať. Pri tabuľke uchovávajte hlavičky stĺpcov a jednotky spolu s požadovanými riadkami. Praktický záznam môže obsahovať identifikátor dokumentu, označenie poľa, extrahovanú hodnotu a polohu, čím sa výstup stáva použiteľným na neskoršie porovnanie alebo ľudskú kontrolu.
Architektúra a príprava vstupu
Model kombinuje dynamické rozlíšenie obrázkov a dynamické vzorkovanie videa s aktualizovanými multimodálnymi rotačnými pozičnými informáciami. Jeho vizuálny enkodér používa oknovú pozornosť, SwiGLU a RMSNorm. Ide o zmeny architektúry podporujúce vizuálne a časové spracovanie; do dokumentovaného postupu s textovým výsledkom nepridávajú zvukový vstup ani generovanie obrázkov.
Karta ukazuje jeden obrázok, viacero obrázkov, sekvenciu videosnímok, videosúbor alebo odkaz naň a dávky konverzácií. Obrazový procesor dokumentuje predvolený rozsah od 4 do 16,384 vizuálnych tokenov na obrázok. Nastavenia minimálneho a maximálneho počtu pixelov zachovávajú pomer strán; požadované presné rozmery sa zaokrúhľujú na násobok 28. Príklad rozsahu od 256 do 1,280 vizuálnych tokenov je nastaviteľnou ukážkou, nie samostatným pevným limitom obrázka. Pri výbere zmeny veľkosti zachovajte detail potrebný na zodpovedanie otázky.
Kontext a nastavenia citlivé na lokalizáciu
Vydaná konfigurácia nastavuje maximum pozícií na 128,000. Oddiel karty modelu o dlhom texte samostatne opisuje základ 32,768 tokenov a príklad rozšírenia YaRN. Výslovne upozorňuje, že toto rozšírenie výrazne ovplyvňuje časovú a priestorovú lokalizáciu, a neodporúča ho. Príručka tiež rozoberá zmenu maxima pozícií pre dlhé videá; ide o konfiguračné poznámky, nie jeden bezpodmienečný vstupný limit pre každú úlohu.
Konfiguráciu konkrétneho vydania a vizuálne predspracovanie udržujte v súlade s úlohou, najmä keď záleží na súradniciach alebo časoch udalostí. Príklad generovania 128 tokenov na karte neurčuje samostatnú maximálnu výstupnú kapacitu. Qwen2.5-VL-7B-Instruct vytvára text, súradnice a štruktúrované zistenia; externá akcia, vykreslený obrázok, video alebo hovorená odpoveď vyžadujú ďalšiu súčasť aplikácie.
POST /v1/chat/completionstexttext| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity qwen2.5-vl-7b-instruct | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity Minimálny počet položiek: 1 | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity Príklady: system, user, assistant, tool, function Podmienky: Tieto roly sú výslovne zastúpené typmi kompatibility v zdrojovom kóde; presný súbor rolí zostáva závislý od modelu. Závisí od modelu | Predvolené— |
Polemessages[].content | Typstring|content_part[]|null | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_calls | Typtool_call[] | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_call_id | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: role=tool; použite skutočne vrátené ID | Predvolené— |
Polemessages[].name | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].reasoning_content | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: Posielajte späť skutočne vrátené uvažovanie, ak ho tento model používa | Predvolené— |
Polemessages[].reasoning_details | Typobject|array | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polemax_completion_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Polestream_options.include_usage | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletemperature | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletop_p | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polestop | Typstring|string[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools | Typfunction_tool[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools[].type | Typstring | PožiadavkaVoliteľné | Hodnoty a limity function Závisí od modelu | Predvolené— |
Poletools[].function.name | Typstring | PožiadavkaPovinné | Hodnoty a limity Platí, keď: poskytnutý nástroj typu funkcia | Predvolené— |
Poletools[].function.description | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletools[].function.parameters | TypJSON_schema | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletool_choice | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleparallel_tool_calls | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleresponse_format | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning_effort | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleservice_tier | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleinstructions | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Pole kompatibility | Predvolené— |
Polefunctions | Typfunction[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polefunction_call | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleprompt_cache_options | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemodalities | Typstring[] | PožiadavkaVoliteľné | Hodnoty a limity text | Predvolené— |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: provider.options sa na tejto textovej trase Ultra odmieta | Predvolené— |
Polecache_control.ttl | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: Hodnota 1h sa v skutočne používaných poliach cache promptov odmieta | Predvolené— |
Text · Text UTF8
messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages |
Parametermaterial_types | Špecifikáciatext |
Parametermessages | Špecifikáciapole správ so štruktúrou role/content |
Parameterfile_material | Špecifikáciaskutočný dokument UTF-8 vložený ako doslovný text; ID súboru sa neodvodzuje |
Parameteroptional_controls | Špecifikáciastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Špecifikáciazávisí od modelu; používateľské nástroje typu funkcia sa líšia od nástrojov prevádzkovaných službou |
Parameteroutput_modalities | Špecifikáciatext |
Parameterhosted_operations | Špecifikáciafalse |
Parametermultimodal_input_binding | Špecifikácianull |
Životný cyklus: synchronous_or_streamed
Pošlite presné ID modelu spolu s messages.
Dĺžka kontextu nie je horná hranica výstupu.
Textový súbor môže poskytnúť doslovný text; obrazové a zvukové vstupy a vstupy so súborovými objektmi potrebujú presné naviazanie.
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
| Konfigurácia | Sadzobník | Poplatok |
|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Poplatok Vstup · Vstupné tokeny $0.0001 / 1K tokenov Výstup · Výstupné tokeny $0.0001 / 1K tokenov Vstup · Čítanie cache $0 / 1K tokenov Vstup · Zápis do cache $0 / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte každý variant odpovede a jeho obsah, volania nástrojov a uvažovanie. V SSE zostavujte čiastkové zmeny podľa indexu variantu/nástroja a zachovajte konečný dôvod ukončenia aj údaje o spotrebe.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Použite cesty metód uvedené vyššie.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct je vizuálno-jazykový model pre obrázky, dokumenty a video. Vytvára text a štruktúrované zistenia vrátane ohraničujúcich rámčekov objektov, bodov a atribútov a do vydania 7B prináša časovú lokalizáciu udalostí a schopnosti vizuálneho agenta.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Qwen2.5-VL-7B-Instruct je vydanie Qwen2.5-VL veľkosti 7B doladené na pokyny. Prepája textový pokyn s obrázkami alebo videom a vracia textový výsledok. Hlavné zlepšenia výrobcu pokrývajú rozpoznávanie objektov a vizuálnych detailov, analýzu textu a rozloženia, úlohy vizuálneho agenta, porozumenie udalostiam v dlhých videách, lokalizáciu objektov a štruktúrovanú extrakciu z dokumentov.
Porozumenie vizuálnemu obsahu
Táto rodina presahuje určovanie hlavného predmetu fotografie. Medzi dokumentované úlohy patrí analýza textu, grafov, ikon, grafiky a usporiadania prvkov v obrázku. Pri grafe určte rad alebo vzťah, ktorý treba preskúmať, a zachovajte osi, legendu a jednotky. Pri diagrame sa pýtajte, ako sú označené komponenty prepojené a čo viditeľné usporiadanie hovorí o procese.
Pri užitočnom porovnaní môžete poskytnúť pôvodný a upravený návrh, označiť, ktorý je ktorý, a žiadať viditeľné zmeny podľa krátkeho zoznamu požiadaviek. Žiadajte pozorovanie spolu s relevantnou oblasťou obrázka. Odpoveď tak získava konkrétny účel namiesto všeobecného opisu dvoch nesúvisiacich obrázkov.
Postupy vizuálneho agenta
Výrobca prezentuje Qwen2.5-VL ako vizuálneho agenta, ktorý dokáže uvažovať o obrazovke a usmerňovať nástroje pri úlohách používania počítača alebo telefónu. Model poskytuje interpretáciu a navrhovanú operáciu; obklopujúca agentová aplikácia poskytuje ovládacie prvky, vykonáva operáciu a vracia nový stav. Textová odpoveď alebo predpovedaná súradnica je preto jednou časťou tohto integrovaného postupu.
Pri otázke o rozhraní poskytnite snímku obrazovky a skutočný cieľ a potom sa pýtajte, ktorý viditeľný ovládací prvok je relevantný a čo treba urobiť ďalej. Požadujte konkrétny výstup: označenie ovládacieho prvku, jeho polohu a zamýšľanú akciu. Ak aplikácia túto akciu následne vykoná, ďalšia snímka obrazovky poskytne aktualizovaný vizuálny vstup pre nasledujúce rozhodnutie.
Dlhé videá a lokalizácia udalostí
Výrobca opisuje porozumenie videám dlhším než jedna hodina a určenie úseku obsahujúceho požadovanú udalosť. Tým sa opis videa rozširuje o časovú lokalizáciu. Úloha sa môže pýtať, kedy sa objekt prvýkrát objaví, kde ukážka dosiahne konkrétny krok alebo ktorá viditeľná udalosť nastane pred inou. Uveďte, či má byť výsledkom súhrn, usporiadaný zoznam udalostí alebo počiatočné a koncové časy s opisom udalosti.
Rodina sa trénuje s dynamickým vzorkovaním snímkovej frekvencie a zarovnáva časové pozičné informácie s absolútnym časom. Informácia o snímkovej frekvencii preto patrí do prípravy videa; nie je ľubovoľným označením, ktoré možno zahodiť, keď záleží na časových značkách. Dokumentovaná schopnosť práce s dlhým videom nie je univerzálnou špecifikáciou veľkosti súboru ani maximálnej dĺžky pre každú vstupnú cestu.
Lokalizácia objektov a štruktúrované dokumenty
Qwen2.5-VL dokáže vracať ohraničujúce rámčeky alebo body a usporiadať súradnice a atribúty do JSON. Vydanie používa súradnice v mierke skutočnej veľkosti obrázka namiesto tradičných normalizovaných súradníc. Určte, či úloha potrebuje ohraničujúci rámček, konkrétny bod alebo opis objektu, a zachovajte rozmery obrázka aj všetky informácie o zmene veľkosti potrebné na interpretáciu vrátenej polohy.
Požiadavka na vizuálny inventár môže napríklad žiadať každý cieľový objekt, jeho rámček a viditeľný atribút. Úloha založená na bode sa môže pýtať na polohu označeného ovládacieho prvku alebo určenej časti objektu. Ide o navrhované podoby výstupu, nie pevné názvy polí, ktoré musí používať každá požiadavka. Pri dodaní viacerých obrázkov uchovávajte každú súradnicu priradenú k jej zdrojovému obrázku.
Výrobca osobitne vyzdvihuje štruktúrovanú extrakciu zo skenov faktúr, formulárov a tabuliek. Definujte polia, zachovajte pôvodné označenia a žiadajte explicitnú reprezentáciu pre prípad, keď hodnotu nemožno prečítať. Pri tabuľke uchovávajte hlavičky stĺpcov a jednotky spolu s požadovanými riadkami. Praktický záznam môže obsahovať identifikátor dokumentu, označenie poľa, extrahovanú hodnotu a polohu, čím sa výstup stáva použiteľným na neskoršie porovnanie alebo ľudskú kontrolu.
Architektúra a príprava vstupu
Model kombinuje dynamické rozlíšenie obrázkov a dynamické vzorkovanie videa s aktualizovanými multimodálnymi rotačnými pozičnými informáciami. Jeho vizuálny enkodér používa oknovú pozornosť, SwiGLU a RMSNorm. Ide o zmeny architektúry podporujúce vizuálne a časové spracovanie; do dokumentovaného postupu s textovým výsledkom nepridávajú zvukový vstup ani generovanie obrázkov.
Karta ukazuje jeden obrázok, viacero obrázkov, sekvenciu videosnímok, videosúbor alebo odkaz naň a dávky konverzácií. Obrazový procesor dokumentuje predvolený rozsah od 4 do 16,384 vizuálnych tokenov na obrázok. Nastavenia minimálneho a maximálneho počtu pixelov zachovávajú pomer strán; požadované presné rozmery sa zaokrúhľujú na násobok 28. Príklad rozsahu od 256 do 1,280 vizuálnych tokenov je nastaviteľnou ukážkou, nie samostatným pevným limitom obrázka. Pri výbere zmeny veľkosti zachovajte detail potrebný na zodpovedanie otázky.
Kontext a nastavenia citlivé na lokalizáciu
Vydaná konfigurácia nastavuje maximum pozícií na 128,000. Oddiel karty modelu o dlhom texte samostatne opisuje základ 32,768 tokenov a príklad rozšírenia YaRN. Výslovne upozorňuje, že toto rozšírenie výrazne ovplyvňuje časovú a priestorovú lokalizáciu, a neodporúča ho. Príručka tiež rozoberá zmenu maxima pozícií pre dlhé videá; ide o konfiguračné poznámky, nie jeden bezpodmienečný vstupný limit pre každú úlohu.
Konfiguráciu konkrétneho vydania a vizuálne predspracovanie udržujte v súlade s úlohou, najmä keď záleží na súradniciach alebo časoch udalostí. Príklad generovania 128 tokenov na karte neurčuje samostatnú maximálnu výstupnú kapacitu. Qwen2.5-VL-7B-Instruct vytvára text, súradnice a štruktúrované zistenia; externá akcia, vykreslený obrázok, video alebo hovorená odpoveď vyžadujú ďalšiu súčasť aplikácie.
POST /v1/messagestextjson, sse| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity qwen2.5-vl-7b-instruct | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity user, assistant | Predvolené— |
Polemessages[].content | Typstring | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Text · Text UTF-8
reťazec messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages, max_tokens |
Parameteroptional_controls | Špecifikáciastream |
Parametermaterial_types | Špecifikáciatext |
Parametertext_file_material | ŠpecifikáciaPrečítajte skutočný dokument UTF-8 a vložte jeho text do uvedeného vstupného reťazca alebo reťazca obsahu správy. |
Životný cyklus: synchronous_or_streamed
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
| Konfigurácia | Sadzobník | Poplatok |
|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Poplatok Vstup · Vstupné tokeny $0.0001 / 1K tokenov Výstup · Výstupné tokeny $0.0001 / 1K tokenov Vstup · Čítanie cache $0 / 1K tokenov Vstup · Zápis do cache $0 / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte všetky bloky obsahu, podpisy uvažovania a skutočné ID volaní nástrojov. Zostavte všetky čiastkové zmeny blokov SSE; prvý textový blok nie je celý výstup.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Použite cesty metód uvedené vyššie.
Technický príklad v angličtine
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.