Qwen2.5-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen av Qwen2.5-VL, utformad för att förstå visuellt material tillsammans med text. Qwen beskriver igenkänning av objekt, produkter och landmärken samt tolkning av text, diagram, ikoner, grafik och layout inne i bilder. Indata kombinerar en skriftlig fråga med en eller flera bilder eller en video; utdata är text, inklusive strukturerade beskrivningar och extraherad information. Jämfört med Qwen2-VL betonar tillverkaren förbättrad uppfattning av tid och bildskala och en reviderad bildkodare med dynamisk upplösning och fönsterbaserad uppmärksamhet.
Visuell lokalisering är en separat förmåga från att beskriva en bild. Modellen kan returnera begränsningsrutor eller punkter med etiketter och attribut i JSON. Qwen2.5-VL använder koordinater i bildens faktiska storleksskala i stället för ett normaliserat koordinatsystem. Ange vilka objekt som ska lokaliseras och de nödvändiga fälten, som bbox_2d och label, tillsammans med hur koordinaterna ska tolkas. Om bilden storleksändras före analys ska du behålla storleksinformationen med de returnerade koordinaterna så att de kan tolkas mot samma bild. Qwens exempel kombinerar detektion med räkning och objektbeskrivningar.
Tillverkaren lyfter fram textigenkänning på olika språk, i olika riktningar och i olika typer av scener. Exemplen extraherar textrader, kopplar text till platser och hämtar angivna fält från kvitton eller formulär. För en dokumentuppgift ska du ge en tydlig skanning, definiera fälten och ange hur saknad eller oläslig information ska representeras. Ett exempelresultat kan vara en strukturerad post med dokumentidentifierare, datum och radposter, där osäkerhet hålls åtskild från det som faktiskt syns. Den tillhandahållna bilden är underlaget för extraktionen.
Qwens meddelande introducerar QwenVL HTML för dokumenttolkning med layoutinformation. Det visar tidskrifter, forskningsartiklar, webbsidor och mobilskärmbilder och kombinerar rubriker, textavsnitt, bilder och formler med information om begränsningsrutor. Det är användbart när läsordning och sidstruktur är lika viktiga som orden. Begär representationen uttryckligt: vanlig text för läsning, JSON för utvalda fält eller tillverkarens layoutinriktade HTML-format. En skannad rapport kan ordnas i rubriker och textavsnitt innan en senare instruktion begär en sammanfattning av ett visst avsnitt.
För video dokumenterar Qwen förståelse av material längre än en timme, händelsesökning och tidslokalisering ned till sekunder. Träning med dynamisk bildfrekvens och absolut tidskodning hjälper till att representera händelsernas takt och position. Officiella exempel identifierar delen där en beskriven handling sker och returnerar en händelseserie med starttider, sluttider och beskrivningar. Ange händelsen som ska hittas och specificera sekunder eller ett tidsstämpelformat. En praktisk uppgift kan be om relevanta avsnitt i en lång demonstration, följt av en kort beskrivning av vad som sker i vart och ett.
Modellen presenteras också som en visuell agent för dator- och mobilanvändning: den kan resonera utifrån en skärm och styra verktyg mot en uppgift. Lokalisering och skärmförståelse kan identifiera en relevant kontroll eller nästa avsedda interaktion. En applikation tillhandahåller skärmen, tillgängliga åtgärder och målet, kör en begärd åtgärd och returnerar det nya tillståndet. Uppgiften kan till exempel efterfråga kontrollen som behövs för att nå en viss vy med en punkt eller ruta som identifierar den. Modellens textbaserade åtgärdsbeskrivning och applikationens utförda interaktion är separata steg.
Qwens processor tillåter kontroll över bildens pixelantal. Det dokumenterade standardintervallet är 4 till 16 384 visuella token per bild; 256 till 1 280 token är en exempelinställning, inte en allmän bildgräns. Storleksändring kan bevara bildförhållandet, och uttryckliga dimensioner avrundas till en multipel av 28. Högre upplösning använder mer beräkning och kan bevara liten text eller detaljer i täta diagram. Anpassa förberedelsen till frågan och håll viktiga etiketter läsbara och relevant sida eller område tydligt. Videoexempel använder bildruteföljder eller video med bildfrekvensinformation, vilket är viktigt när svaret ska innehålla tidsstämplar.
Kortets aktuella konfiguration är inställd på 32 768 kontexttoken. Det beskriver en YaRN-utökning men varnar för att den kan påverka tidsmässig och rumslig lokalisering avsevärt och rekommenderar den inte för dessa uppgifter. Det diskuterar separat en större positionsinställning för lång video. Förståelse i timskala är en dokumenterad förmåga, inte ett allmänt tak för uppladdningslängd eller utdatalängd. Välj ett resultat som bevarar informationen som behövs senare: fält för en post, koordinater för lokalisering, layout för ett dokument eller tidsangivna beskrivningar för video.
", "aboutText": "Qwen2.5-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen av Qwen2.5-VL, utformad för att förstå visuellt material tillsammans med text. Qwen beskriver igenkänning av objekt, produkter och landmärken samt tolkning av text, diagram, ikoner, grafik och layout inne i bilder. Indata kombinerar en skriftlig fråga med en eller flera bilder eller en video; utdata är text, inklusive strukturerade beskrivningar och extraherad information. Jämfört med Qwen2-VL betonar tillverkaren förbättrad uppfattning av tid och bildskala och en reviderad bildkodare med dynamisk upplösning och fönsterbaserad uppmärksamhet.\n\nVisuell lokalisering är en separat förmåga från att beskriva en bild. Modellen kan returnera begränsningsrutor eller punkter med etiketter och attribut i JSON. Qwen2.5-VL använder koordinater i bildens faktiska storleksskala i stället för ett normaliserat koordinatsystem. Ange vilka objekt som ska lokaliseras och de nödvändiga fälten, som bbox_2d och label, tillsammans med hur koordinaterna ska tolkas. Om bilden storleksändras före analys ska du behålla storleksinformationen med de returnerade koordinaterna så att de kan tolkas mot samma bild. Qwens exempel kombinerar detektion med räkning och objektbeskrivningar.\n\nTillverkaren lyfter fram textigenkänning på olika språk, i olika riktningar och i olika typer av scener. Exemplen extraherar textrader, kopplar text till platser och hämtar angivna fält från kvitton eller formulär. För en dokumentuppgift ska du ge en tydlig skanning, definiera fälten och ange hur saknad eller oläslig information ska representeras. Ett exempelresultat kan vara en strukturerad post med dokumentidentifierare, datum och radposter, där osäkerhet hålls åtskild från det som faktiskt syns. Den tillhandahållna bilden är underlaget för extraktionen.\n\nQwens meddelande introducerar QwenVL HTML för dokumenttolkning med layoutinformation. Det visar tidskrifter, forskningsartiklar, webbsidor och mobilskärmbilder och kombinerar rubriker, textavsnitt, bilder och formler med information om begränsningsrutor. Det är användbart när läsordning och sidstruktur är lika viktiga som orden. Begär representationen uttryckligt: vanlig text för läsning, JSON för utvalda fält eller tillverkarens layoutinriktade HTML-format. En skannad rapport kan ordnas i rubriker och textavsnitt innan en senare instruktion begär en sammanfattning av ett visst avsnitt.\n\nFör video dokumenterar Qwen förståelse av material längre än en timme, händelsesökning och tidslokalisering ned till sekunder. Träning med dynamisk bildfrekvens och absolut tidskodning hjälper till att representera händelsernas takt och position. Officiella exempel identifierar delen där en beskriven handling sker och returnerar en händelseserie med starttider, sluttider och beskrivningar. Ange händelsen som ska hittas och specificera sekunder eller ett tidsstämpelformat. En praktisk uppgift kan be om relevanta avsnitt i en lång demonstration, följt av en kort beskrivning av vad som sker i vart och ett.\n\nModellen presenteras också som en visuell agent för dator- och mobilanvändning: den kan resonera utifrån en skärm och styra verktyg mot en uppgift. Lokalisering och skärmförståelse kan identifiera en relevant kontroll eller nästa avsedda interaktion. En applikation tillhandahåller skärmen, tillgängliga åtgärder och målet, kör en begärd åtgärd och returnerar det nya tillståndet. Uppgiften kan till exempel efterfråga kontrollen som behövs för att nå en viss vy med en punkt eller ruta som identifierar den. Modellens textbaserade åtgärdsbeskrivning och applikationens utförda interaktion är separata steg.\n\nQwens processor tillåter kontroll över bildens pixelantal. Det dokumenterade standardintervallet är 4 till 16 384 visuella token per bild; 256 till 1 280 token är en exempelinställning, inte en allmän bildgräns. Storleksändring kan bevara bildförhållandet, och uttryckliga dimensioner avrundas till en multipel av 28. Högre upplösning använder mer beräkning och kan bevara liten text eller detaljer i täta diagram. Anpassa förberedelsen till frågan och håll viktiga etiketter läsbara och relevant sida eller område tydligt. Videoexempel använder bildruteföljder eller video med bildfrekvensinformation, vilket är viktigt när svaret ska innehålla tidsstämplar.\n\nKortets aktuella konfiguration är inställd på 32 768 kontexttoken. Det beskriver en YaRN-utökning men varnar för att den kan påverka tidsmässig och rumslig lokalisering avsevärt och rekommenderar den inte för dessa uppgifter. Det diskuterar separat en större positionsinställning för lång video. Förståelse i timskala är en dokumenterad förmåga, inte ett allmänt tak för uppladdningslängd eller utdatalängd. Välj ett resultat som bevarar informationen som behövs senare: fält för en post, koordinater för lokalisering, layout för ett dokument eller tidsangivna beskrivningar för video.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct är Qwens modell för bild och språk för bilder, dokument, diagram och video. Den returnerar text, strukturerade extraherade data och visuella koordinater och kan lokalisera händelser i lång video eller resonera om en dator- eller mobilskärm.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen av Qwen2.5-VL, utformad för att förstå visuellt material tillsammans med text. Qwen beskriver igenkänning av objekt, produkter och landmärken samt tolkning av text, diagram, ikoner, grafik och layout inne i bilder. Indata kombinerar en skriftlig fråga med en eller flera bilder eller en video; utdata är text, inklusive strukturerade beskrivningar och extraherad information. Jämfört med Qwen2-VL betonar tillverkaren förbättrad uppfattning av tid och bildskala och en reviderad bildkodare med dynamisk upplösning och fönsterbaserad uppmärksamhet.
Visuell lokalisering är en separat förmåga från att beskriva en bild. Modellen kan returnera begränsningsrutor eller punkter med etiketter och attribut i JSON. Qwen2.5-VL använder koordinater i bildens faktiska storleksskala i stället för ett normaliserat koordinatsystem. Ange vilka objekt som ska lokaliseras och de nödvändiga fälten, som bbox_2d och label, tillsammans med hur koordinaterna ska tolkas. Om bilden storleksändras före analys ska du behålla storleksinformationen med de returnerade koordinaterna så att de kan tolkas mot samma bild. Qwens exempel kombinerar detektion med räkning och objektbeskrivningar.
Tillverkaren lyfter fram textigenkänning på olika språk, i olika riktningar och i olika typer av scener. Exemplen extraherar textrader, kopplar text till platser och hämtar angivna fält från kvitton eller formulär. För en dokumentuppgift ska du ge en tydlig skanning, definiera fälten och ange hur saknad eller oläslig information ska representeras. Ett exempelresultat kan vara en strukturerad post med dokumentidentifierare, datum och radposter, där osäkerhet hålls åtskild från det som faktiskt syns. Den tillhandahållna bilden är underlaget för extraktionen.
Qwens meddelande introducerar QwenVL HTML för dokumenttolkning med layoutinformation. Det visar tidskrifter, forskningsartiklar, webbsidor och mobilskärmbilder och kombinerar rubriker, textavsnitt, bilder och formler med information om begränsningsrutor. Det är användbart när läsordning och sidstruktur är lika viktiga som orden. Begär representationen uttryckligt: vanlig text för läsning, JSON för utvalda fält eller tillverkarens layoutinriktade HTML-format. En skannad rapport kan ordnas i rubriker och textavsnitt innan en senare instruktion begär en sammanfattning av ett visst avsnitt.
För video dokumenterar Qwen förståelse av material längre än en timme, händelsesökning och tidslokalisering ned till sekunder. Träning med dynamisk bildfrekvens och absolut tidskodning hjälper till att representera händelsernas takt och position. Officiella exempel identifierar delen där en beskriven handling sker och returnerar en händelseserie med starttider, sluttider och beskrivningar. Ange händelsen som ska hittas och specificera sekunder eller ett tidsstämpelformat. En praktisk uppgift kan be om relevanta avsnitt i en lång demonstration, följt av en kort beskrivning av vad som sker i vart och ett.
Modellen presenteras också som en visuell agent för dator- och mobilanvändning: den kan resonera utifrån en skärm och styra verktyg mot en uppgift. Lokalisering och skärmförståelse kan identifiera en relevant kontroll eller nästa avsedda interaktion. En applikation tillhandahåller skärmen, tillgängliga åtgärder och målet, kör en begärd åtgärd och returnerar det nya tillståndet. Uppgiften kan till exempel efterfråga kontrollen som behövs för att nå en viss vy med en punkt eller ruta som identifierar den. Modellens textbaserade åtgärdsbeskrivning och applikationens utförda interaktion är separata steg.
Qwens processor tillåter kontroll över bildens pixelantal. Det dokumenterade standardintervallet är 4 till 16 384 visuella token per bild; 256 till 1 280 token är en exempelinställning, inte en allmän bildgräns. Storleksändring kan bevara bildförhållandet, och uttryckliga dimensioner avrundas till en multipel av 28. Högre upplösning använder mer beräkning och kan bevara liten text eller detaljer i täta diagram. Anpassa förberedelsen till frågan och håll viktiga etiketter läsbara och relevant sida eller område tydligt. Videoexempel använder bildruteföljder eller video med bildfrekvensinformation, vilket är viktigt när svaret ska innehålla tidsstämplar.
Kortets aktuella konfiguration är inställd på 32 768 kontexttoken. Det beskriver en YaRN-utökning men varnar för att den kan påverka tidsmässig och rumslig lokalisering avsevärt och rekommenderar den inte för dessa uppgifter. Det diskuterar separat en större positionsinställning för lång video. Förståelse i timskala är en dokumenterad förmåga, inte ett allmänt tak för uppladdningslängd eller utdatalängd. Välj ett resultat som bevarar informationen som behövs senare: fält för en post, koordinater för lokalisering, layout för ett dokument eller tidsangivna beskrivningar för video.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen2.5-vl-72b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0016 / 1K token Utdata · Utdatatoken $0.002 / 1K token Indata · Cacheläsning $0.0008 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0016 / 1K token Utdata · Utdatatoken $0.002 / 1K token Indata · Cacheläsning $0.0008 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen2.5-vl-72b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen2.5-vl-72b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen2.5-vl-72b-instructQwen2.5-VL-72B-Instruct är Qwens modell för bild och språk för bilder, dokument, diagram och video. Den returnerar text, strukturerade extraherade data och visuella koordinater och kan lokalisera händelser i lång video eller resonera om en dator- eller mobilskärm.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen av Qwen2.5-VL, utformad för att förstå visuellt material tillsammans med text. Qwen beskriver igenkänning av objekt, produkter och landmärken samt tolkning av text, diagram, ikoner, grafik och layout inne i bilder. Indata kombinerar en skriftlig fråga med en eller flera bilder eller en video; utdata är text, inklusive strukturerade beskrivningar och extraherad information. Jämfört med Qwen2-VL betonar tillverkaren förbättrad uppfattning av tid och bildskala och en reviderad bildkodare med dynamisk upplösning och fönsterbaserad uppmärksamhet.
Visuell lokalisering är en separat förmåga från att beskriva en bild. Modellen kan returnera begränsningsrutor eller punkter med etiketter och attribut i JSON. Qwen2.5-VL använder koordinater i bildens faktiska storleksskala i stället för ett normaliserat koordinatsystem. Ange vilka objekt som ska lokaliseras och de nödvändiga fälten, som bbox_2d och label, tillsammans med hur koordinaterna ska tolkas. Om bilden storleksändras före analys ska du behålla storleksinformationen med de returnerade koordinaterna så att de kan tolkas mot samma bild. Qwens exempel kombinerar detektion med räkning och objektbeskrivningar.
Tillverkaren lyfter fram textigenkänning på olika språk, i olika riktningar och i olika typer av scener. Exemplen extraherar textrader, kopplar text till platser och hämtar angivna fält från kvitton eller formulär. För en dokumentuppgift ska du ge en tydlig skanning, definiera fälten och ange hur saknad eller oläslig information ska representeras. Ett exempelresultat kan vara en strukturerad post med dokumentidentifierare, datum och radposter, där osäkerhet hålls åtskild från det som faktiskt syns. Den tillhandahållna bilden är underlaget för extraktionen.
Qwens meddelande introducerar QwenVL HTML för dokumenttolkning med layoutinformation. Det visar tidskrifter, forskningsartiklar, webbsidor och mobilskärmbilder och kombinerar rubriker, textavsnitt, bilder och formler med information om begränsningsrutor. Det är användbart när läsordning och sidstruktur är lika viktiga som orden. Begär representationen uttryckligt: vanlig text för läsning, JSON för utvalda fält eller tillverkarens layoutinriktade HTML-format. En skannad rapport kan ordnas i rubriker och textavsnitt innan en senare instruktion begär en sammanfattning av ett visst avsnitt.
För video dokumenterar Qwen förståelse av material längre än en timme, händelsesökning och tidslokalisering ned till sekunder. Träning med dynamisk bildfrekvens och absolut tidskodning hjälper till att representera händelsernas takt och position. Officiella exempel identifierar delen där en beskriven handling sker och returnerar en händelseserie med starttider, sluttider och beskrivningar. Ange händelsen som ska hittas och specificera sekunder eller ett tidsstämpelformat. En praktisk uppgift kan be om relevanta avsnitt i en lång demonstration, följt av en kort beskrivning av vad som sker i vart och ett.
Modellen presenteras också som en visuell agent för dator- och mobilanvändning: den kan resonera utifrån en skärm och styra verktyg mot en uppgift. Lokalisering och skärmförståelse kan identifiera en relevant kontroll eller nästa avsedda interaktion. En applikation tillhandahåller skärmen, tillgängliga åtgärder och målet, kör en begärd åtgärd och returnerar det nya tillståndet. Uppgiften kan till exempel efterfråga kontrollen som behövs för att nå en viss vy med en punkt eller ruta som identifierar den. Modellens textbaserade åtgärdsbeskrivning och applikationens utförda interaktion är separata steg.
Qwens processor tillåter kontroll över bildens pixelantal. Det dokumenterade standardintervallet är 4 till 16 384 visuella token per bild; 256 till 1 280 token är en exempelinställning, inte en allmän bildgräns. Storleksändring kan bevara bildförhållandet, och uttryckliga dimensioner avrundas till en multipel av 28. Högre upplösning använder mer beräkning och kan bevara liten text eller detaljer i täta diagram. Anpassa förberedelsen till frågan och håll viktiga etiketter läsbara och relevant sida eller område tydligt. Videoexempel använder bildruteföljder eller video med bildfrekvensinformation, vilket är viktigt när svaret ska innehålla tidsstämplar.
Kortets aktuella konfiguration är inställd på 32 768 kontexttoken. Det beskriver en YaRN-utökning men varnar för att den kan påverka tidsmässig och rumslig lokalisering avsevärt och rekommenderar den inte för dessa uppgifter. Det diskuterar separat en större positionsinställning för lång video. Förståelse i timskala är en dokumenterad förmåga, inte ett allmänt tak för uppladdningslängd eller utdatalängd. Välj ett resultat som bevarar informationen som behövs senare: fält för en post, koordinater för lokalisering, layout för ett dokument eller tidsangivna beskrivningar för video.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen2.5-vl-72b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0016 / 1K token Utdata · Utdatatoken $0.002 / 1K token Indata · Cacheläsning $0.0008 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0016 / 1K token Utdata · Utdatatoken $0.002 / 1K token Indata · Cacheläsning $0.0008 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen2.5-vl-72b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen2.5-vl-72b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen2.5-vl-72b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Extract fields from a receipt transcription\n\nExtract a record from this receipt transcription: “Harbor Stationery; receipt HS-81; 14 March; notebooks 3 x 4.00; total 12.00.” Return merchant, receipt_id, date_text, items, total and currency. Preserve the written date and mark currency as unknown because no symbol or currency name is present. Keep a supporting source phrase with each field.A field record with line-item details, preserved date text, source phrases and an explicit unknown currency.Check that the answer does not infer a year or currency and that item arithmetic agrees with the stated total.