Qwen2-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen för bild och språk, byggd kring Qwen2. Den tar emot text tillsammans med bilder eller video och genererar ett textsvar. Tillverkaren lyfter fram förståelse av bilder med olika upplösningar och bildförhållanden, tolkning av text i bilder, resonemang om synliga samband och svar på frågor om videor längre än 20 minuter.
Bild- och videoförmågor
För en dokumentsida ska du fråga efter det specifika innehåll du behöver: ett textavsnitt, en tabellrad, en formel eller villkoren som hör till ett påstående. Håll sidan läsbar och ange om resultatet ska återge ordalydelsen, sammanfatta den eller förklara betydelsen. Ett användbart dokumentresultat kan behålla den ursprungliga avsnittsbeteckningen bredvid det extraherade innehållet. För ett diagram ska du fråga hur de märkta elementen hänger ihop och ange vilket samband som behöver förklaras.
Den dokumenterade videoanvändningen omfattar frågor, dialog och skriftligt innehåll utifrån den synliga följden. Definiera den händelse eller förändring som ska undersökas: när ett objekt dyker upp, vad som händer före ett visst steg eller hur en demonstrerad handling förhåller sig till en skriftlig procedur. Be om en ordnad händelsebeskrivning eller en jämförelse mellan synliga steg och den tillhandahållna proceduren. Tillverkarens uppgift om över 20 minuter beskriver förståelse av långa videor; den är inte en fast maximal videolängd eller en garanti för att varje råklipp passar i en oförändrad indatakonfiguration.
Användning med visuella agenter
Lanseringen positionerar också Qwen2-VL för visuella agenter kopplade till mobila enheter, robotar och andra verktyg. Meddelandet beskriver scenarier med funktionsanrop och kodtolk, till exempel att producera kod från ett diagram eller använda en visuell fråga för att begära en extern sökning. Den omgivande applikationen tillhandahåller verktygen, utför den föreslagna åtgärden och returnerar resultatet. Modellens textsvar klickar inte i sig på en kontroll, förflyttar en enhet eller kör det genererade programmet.
En praktisk gränssnittsuppgift kan ge en skärmbild och användarens mål och sedan fråga efter den synliga kontroll som är relevant för nästa steg och det underlag som stöder valet. Håll observation, föreslagen åtgärd och faktisk körning som separata delar av arbetsflödet. Det använder fokus på visuella agenter och gör det begärda resultatet tillräckligt specifikt för att applikationen ska kunna agera.
Flerspråkig text i bilder
Tillverkaren beskriver igenkänning av text i bilder på engelska och kinesiska, de flesta europeiska språk samt språk som japanska, koreanska, arabiska och vietnamesiska. En flerspråkig sida kan därför behandlas som en visuell läsuppgift. Be först om den ursprungliga transkriptionen när den exakta ordalydelsen är viktig och sedan en översättning eller förklaring på det valda språket. Bevara etiketter och siffror i stället för att blanda igenkänning med en ospecificerad omskrivning.
Dynamisk upplösning och positionsinformation
Qwen2-VL kombinerar en bildkodare med språkmodellen Qwen2. Naive Dynamic Resolution mappar olika bildstorlekar till olika antal visuella token. Multimodal Rotary Position Embedding separerar positionsinformationen så att modellen kan representera textordning, tvådimensionella bilder och videons tidsmässiga och rumsliga struktur. Funktionerna förklarar hur samma familj hanterar en sida, flera bilder eller en videosekvens.
Modellkortets bildprocessor dokumenterar ett standardintervall på 4 till 16 384 visuella token per bild. Applikationen kan justera minsta och största antal pixlar och samtidigt bevara bildförhållandet eller begära dimensioner som avrundas till en multipel av 28. Exempelintervallet 256 till 1 280 token är en konfigurerbar illustration, inte en separat allmän bildgräns. Mer bilddetalj använder mer beräkning och fler visuella token, så bevara de etiketter, rubriker och små objekt som frågan behöver när bilden förbereds.
Förberedelse av indata och kontext
Tillverkaren demonstrerar en enda bild, flera bilder, video som en följd av bildrutor eller lokal fil samt samtal i batch. Bildförberedelse omfattar lokala filer, kodade bilddata och bildreferenser. Kortets videoexempel använder en vald bildfrekvens; det exemplet fastställer inte en obligatorisk samplingsfrekvens för varje video. Ange ordningen och rollen för flera bilder och tillhandahåll den information som behövs för att tolka en följd, i stället för att behandla orelaterade bildrutor som en enda scen.
Den släppta konfigurationen anger maximalt antal positioner till 32 768. Visuellt material och textinstruktioner måste planeras inom den faktiskt konfigurerade kontexten. Kortets genereringsexempel med 128 token är bara en exempelinställning; det publicerar inte en separat maximal utdatakapacitet. 72B-versionen ska behålla sin egen konfiguration i stället för att ärva inställningarna för lång kontext i Qwen2.5-VL eller en annan Qwen-modell.
Väsentliga begränsningar
Tillverkaren anger uttryckligen att Qwen2-VL inte förstår ljud som ingår i videor. Talad information måste därför tillhandahållas separat om frågan beror på den. Bildträningsdatasetet beskrivs som uppdaterat till och med juni 2023; det är ett påstående om datasetet, inte ett löfte om aktuell visuell kunskap.
De dokumenterade begränsningarna omfattar också ofullständig igenkänning av vissa personer eller namngiven immateriell egendom, svårigheter med invecklade instruktioner i flera steg, svag räkneförmåga i komplexa scener och begränsningar i tredimensionella rumsliga resonemang. När uppgiften beror på någon av dessa förmågor ska du fokusera frågan på de nödvändiga objekten eller sambanden och bevara det visuella underlaget bredvid svaret. Tydligt källmaterial och ett definierat resultat gör resultatet lättare att granska utan att ersätta de angivna begränsningarna med en träffsäkerhetsgaranti.
", "aboutText": "Qwen2-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen för bild och språk, byggd kring Qwen2. Den tar emot text tillsammans med bilder eller video och genererar ett textsvar. Tillverkaren lyfter fram förståelse av bilder med olika upplösningar och bildförhållanden, tolkning av text i bilder, resonemang om synliga samband och svar på frågor om videor längre än 20 minuter.\n\nBild- och videoförmågor\n\nFör en dokumentsida ska du fråga efter det specifika innehåll du behöver: ett textavsnitt, en tabellrad, en formel eller villkoren som hör till ett påstående. Håll sidan läsbar och ange om resultatet ska återge ordalydelsen, sammanfatta den eller förklara betydelsen. Ett användbart dokumentresultat kan behålla den ursprungliga avsnittsbeteckningen bredvid det extraherade innehållet. För ett diagram ska du fråga hur de märkta elementen hänger ihop och ange vilket samband som behöver förklaras.\n\nDen dokumenterade videoanvändningen omfattar frågor, dialog och skriftligt innehåll utifrån den synliga följden. Definiera den händelse eller förändring som ska undersökas: när ett objekt dyker upp, vad som händer före ett visst steg eller hur en demonstrerad handling förhåller sig till en skriftlig procedur. Be om en ordnad händelsebeskrivning eller en jämförelse mellan synliga steg och den tillhandahållna proceduren. Tillverkarens uppgift om över 20 minuter beskriver förståelse av långa videor; den är inte en fast maximal videolängd eller en garanti för att varje råklipp passar i en oförändrad indatakonfiguration.\n\nAnvändning med visuella agenter\n\nLanseringen positionerar också Qwen2-VL för visuella agenter kopplade till mobila enheter, robotar och andra verktyg. Meddelandet beskriver scenarier med funktionsanrop och kodtolk, till exempel att producera kod från ett diagram eller använda en visuell fråga för att begära en extern sökning. Den omgivande applikationen tillhandahåller verktygen, utför den föreslagna åtgärden och returnerar resultatet. Modellens textsvar klickar inte i sig på en kontroll, förflyttar en enhet eller kör det genererade programmet.\n\nEn praktisk gränssnittsuppgift kan ge en skärmbild och användarens mål och sedan fråga efter den synliga kontroll som är relevant för nästa steg och det underlag som stöder valet. Håll observation, föreslagen åtgärd och faktisk körning som separata delar av arbetsflödet. Det använder fokus på visuella agenter och gör det begärda resultatet tillräckligt specifikt för att applikationen ska kunna agera.\n\nFlerspråkig text i bilder\n\nTillverkaren beskriver igenkänning av text i bilder på engelska och kinesiska, de flesta europeiska språk samt språk som japanska, koreanska, arabiska och vietnamesiska. En flerspråkig sida kan därför behandlas som en visuell läsuppgift. Be först om den ursprungliga transkriptionen när den exakta ordalydelsen är viktig och sedan en översättning eller förklaring på det valda språket. Bevara etiketter och siffror i stället för att blanda igenkänning med en ospecificerad omskrivning.\n\nDynamisk upplösning och positionsinformation\n\nQwen2-VL kombinerar en bildkodare med språkmodellen Qwen2. Naive Dynamic Resolution mappar olika bildstorlekar till olika antal visuella token. Multimodal Rotary Position Embedding separerar positionsinformationen så att modellen kan representera textordning, tvådimensionella bilder och videons tidsmässiga och rumsliga struktur. Funktionerna förklarar hur samma familj hanterar en sida, flera bilder eller en videosekvens.\n\nModellkortets bildprocessor dokumenterar ett standardintervall på 4 till 16 384 visuella token per bild. Applikationen kan justera minsta och största antal pixlar och samtidigt bevara bildförhållandet eller begära dimensioner som avrundas till en multipel av 28. Exempelintervallet 256 till 1 280 token är en konfigurerbar illustration, inte en separat allmän bildgräns. Mer bilddetalj använder mer beräkning och fler visuella token, så bevara de etiketter, rubriker och små objekt som frågan behöver när bilden förbereds.\n\nFörberedelse av indata och kontext\n\nTillverkaren demonstrerar en enda bild, flera bilder, video som en följd av bildrutor eller lokal fil samt samtal i batch. Bildförberedelse omfattar lokala filer, kodade bilddata och bildreferenser. Kortets videoexempel använder en vald bildfrekvens; det exemplet fastställer inte en obligatorisk samplingsfrekvens för varje video. Ange ordningen och rollen för flera bilder och tillhandahåll den information som behövs för att tolka en följd, i stället för att behandla orelaterade bildrutor som en enda scen.\n\nDen släppta konfigurationen anger maximalt antal positioner till 32 768. Visuellt material och textinstruktioner måste planeras inom den faktiskt konfigurerade kontexten. Kortets genereringsexempel med 128 token är bara en exempelinställning; det publicerar inte en separat maximal utdatakapacitet. 72B-versionen ska behålla sin egen konfiguration i stället för att ärva inställningarna för lång kontext i Qwen2.5-VL eller en annan Qwen-modell.\n\nVäsentliga begränsningar\n\nTillverkaren anger uttryckligen att Qwen2-VL inte förstår ljud som ingår i videor. Talad information måste därför tillhandahållas separat om frågan beror på den. Bildträningsdatasetet beskrivs som uppdaterat till och med juni 2023; det är ett påstående om datasetet, inte ett löfte om aktuell visuell kunskap.\n\nDe dokumenterade begränsningarna omfattar också ofullständig igenkänning av vissa personer eller namngiven immateriell egendom, svårigheter med invecklade instruktioner i flera steg, svag räkneförmåga i komplexa scener och begränsningar i tredimensionella rumsliga resonemang. När uppgiften beror på någon av dessa förmågor ska du fokusera frågan på de nödvändiga objekten eller sambanden och bevara det visuella underlaget bredvid svaret. Tydligt källmaterial och ett definierat resultat gör resultatet lättare att granska utan att ersätta de angivna begränsningarna med en träffsäkerhetsgaranti.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kombinerar text, bilder och video för visuella frågor, dokumentläsning och flerspråkig text i bilder. Tillverkaren beskriver videoförståelse bortom 20 minuter, dynamisk bildupplösning och integrationer med visuella agenter; svaret är text.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen för bild och språk, byggd kring Qwen2. Den tar emot text tillsammans med bilder eller video och genererar ett textsvar. Tillverkaren lyfter fram förståelse av bilder med olika upplösningar och bildförhållanden, tolkning av text i bilder, resonemang om synliga samband och svar på frågor om videor längre än 20 minuter.
Bild- och videoförmågor
För en dokumentsida ska du fråga efter det specifika innehåll du behöver: ett textavsnitt, en tabellrad, en formel eller villkoren som hör till ett påstående. Håll sidan läsbar och ange om resultatet ska återge ordalydelsen, sammanfatta den eller förklara betydelsen. Ett användbart dokumentresultat kan behålla den ursprungliga avsnittsbeteckningen bredvid det extraherade innehållet. För ett diagram ska du fråga hur de märkta elementen hänger ihop och ange vilket samband som behöver förklaras.
Den dokumenterade videoanvändningen omfattar frågor, dialog och skriftligt innehåll utifrån den synliga följden. Definiera den händelse eller förändring som ska undersökas: när ett objekt dyker upp, vad som händer före ett visst steg eller hur en demonstrerad handling förhåller sig till en skriftlig procedur. Be om en ordnad händelsebeskrivning eller en jämförelse mellan synliga steg och den tillhandahållna proceduren. Tillverkarens uppgift om över 20 minuter beskriver förståelse av långa videor; den är inte en fast maximal videolängd eller en garanti för att varje råklipp passar i en oförändrad indatakonfiguration.
Användning med visuella agenter
Lanseringen positionerar också Qwen2-VL för visuella agenter kopplade till mobila enheter, robotar och andra verktyg. Meddelandet beskriver scenarier med funktionsanrop och kodtolk, till exempel att producera kod från ett diagram eller använda en visuell fråga för att begära en extern sökning. Den omgivande applikationen tillhandahåller verktygen, utför den föreslagna åtgärden och returnerar resultatet. Modellens textsvar klickar inte i sig på en kontroll, förflyttar en enhet eller kör det genererade programmet.
En praktisk gränssnittsuppgift kan ge en skärmbild och användarens mål och sedan fråga efter den synliga kontroll som är relevant för nästa steg och det underlag som stöder valet. Håll observation, föreslagen åtgärd och faktisk körning som separata delar av arbetsflödet. Det använder fokus på visuella agenter och gör det begärda resultatet tillräckligt specifikt för att applikationen ska kunna agera.
Flerspråkig text i bilder
Tillverkaren beskriver igenkänning av text i bilder på engelska och kinesiska, de flesta europeiska språk samt språk som japanska, koreanska, arabiska och vietnamesiska. En flerspråkig sida kan därför behandlas som en visuell läsuppgift. Be först om den ursprungliga transkriptionen när den exakta ordalydelsen är viktig och sedan en översättning eller förklaring på det valda språket. Bevara etiketter och siffror i stället för att blanda igenkänning med en ospecificerad omskrivning.
Dynamisk upplösning och positionsinformation
Qwen2-VL kombinerar en bildkodare med språkmodellen Qwen2. Naive Dynamic Resolution mappar olika bildstorlekar till olika antal visuella token. Multimodal Rotary Position Embedding separerar positionsinformationen så att modellen kan representera textordning, tvådimensionella bilder och videons tidsmässiga och rumsliga struktur. Funktionerna förklarar hur samma familj hanterar en sida, flera bilder eller en videosekvens.
Modellkortets bildprocessor dokumenterar ett standardintervall på 4 till 16 384 visuella token per bild. Applikationen kan justera minsta och största antal pixlar och samtidigt bevara bildförhållandet eller begära dimensioner som avrundas till en multipel av 28. Exempelintervallet 256 till 1 280 token är en konfigurerbar illustration, inte en separat allmän bildgräns. Mer bilddetalj använder mer beräkning och fler visuella token, så bevara de etiketter, rubriker och små objekt som frågan behöver när bilden förbereds.
Förberedelse av indata och kontext
Tillverkaren demonstrerar en enda bild, flera bilder, video som en följd av bildrutor eller lokal fil samt samtal i batch. Bildförberedelse omfattar lokala filer, kodade bilddata och bildreferenser. Kortets videoexempel använder en vald bildfrekvens; det exemplet fastställer inte en obligatorisk samplingsfrekvens för varje video. Ange ordningen och rollen för flera bilder och tillhandahåll den information som behövs för att tolka en följd, i stället för att behandla orelaterade bildrutor som en enda scen.
Den släppta konfigurationen anger maximalt antal positioner till 32 768. Visuellt material och textinstruktioner måste planeras inom den faktiskt konfigurerade kontexten. Kortets genereringsexempel med 128 token är bara en exempelinställning; det publicerar inte en separat maximal utdatakapacitet. 72B-versionen ska behålla sin egen konfiguration i stället för att ärva inställningarna för lång kontext i Qwen2.5-VL eller en annan Qwen-modell.
Väsentliga begränsningar
Tillverkaren anger uttryckligen att Qwen2-VL inte förstår ljud som ingår i videor. Talad information måste därför tillhandahållas separat om frågan beror på den. Bildträningsdatasetet beskrivs som uppdaterat till och med juni 2023; det är ett påstående om datasetet, inte ett löfte om aktuell visuell kunskap.
De dokumenterade begränsningarna omfattar också ofullständig igenkänning av vissa personer eller namngiven immateriell egendom, svårigheter med invecklade instruktioner i flera steg, svag räkneförmåga i komplexa scener och begränsningar i tredimensionella rumsliga resonemang. När uppgiften beror på någon av dessa förmågor ska du fokusera frågan på de nödvändiga objekten eller sambanden och bevara det visuella underlaget bredvid svaret. Tydligt källmaterial och ett definierat resultat gör resultatet lättare att granska utan att ersätta de angivna begränsningarna med en träffsäkerhetsgaranti.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen/Qwen2-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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00118 / 1K token Utdata · Utdatatoken $0.00118 / 1K token Indata · Cacheläsning $0 / 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-VL-72B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-VL-72B-Instruct
Använd metodsökvägarna som visas ovan.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kombinerar text, bilder och video för visuella frågor, dokumentläsning och flerspråkig text i bilder. Tillverkaren beskriver videoförståelse bortom 20 minuter, dynamisk bildupplösning och integrationer med visuella agenter; svaret är text.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2-VL-72B-Instruct är den instruktionsfinjusterade 72B-versionen för bild och språk, byggd kring Qwen2. Den tar emot text tillsammans med bilder eller video och genererar ett textsvar. Tillverkaren lyfter fram förståelse av bilder med olika upplösningar och bildförhållanden, tolkning av text i bilder, resonemang om synliga samband och svar på frågor om videor längre än 20 minuter.
Bild- och videoförmågor
För en dokumentsida ska du fråga efter det specifika innehåll du behöver: ett textavsnitt, en tabellrad, en formel eller villkoren som hör till ett påstående. Håll sidan läsbar och ange om resultatet ska återge ordalydelsen, sammanfatta den eller förklara betydelsen. Ett användbart dokumentresultat kan behålla den ursprungliga avsnittsbeteckningen bredvid det extraherade innehållet. För ett diagram ska du fråga hur de märkta elementen hänger ihop och ange vilket samband som behöver förklaras.
Den dokumenterade videoanvändningen omfattar frågor, dialog och skriftligt innehåll utifrån den synliga följden. Definiera den händelse eller förändring som ska undersökas: när ett objekt dyker upp, vad som händer före ett visst steg eller hur en demonstrerad handling förhåller sig till en skriftlig procedur. Be om en ordnad händelsebeskrivning eller en jämförelse mellan synliga steg och den tillhandahållna proceduren. Tillverkarens uppgift om över 20 minuter beskriver förståelse av långa videor; den är inte en fast maximal videolängd eller en garanti för att varje råklipp passar i en oförändrad indatakonfiguration.
Användning med visuella agenter
Lanseringen positionerar också Qwen2-VL för visuella agenter kopplade till mobila enheter, robotar och andra verktyg. Meddelandet beskriver scenarier med funktionsanrop och kodtolk, till exempel att producera kod från ett diagram eller använda en visuell fråga för att begära en extern sökning. Den omgivande applikationen tillhandahåller verktygen, utför den föreslagna åtgärden och returnerar resultatet. Modellens textsvar klickar inte i sig på en kontroll, förflyttar en enhet eller kör det genererade programmet.
En praktisk gränssnittsuppgift kan ge en skärmbild och användarens mål och sedan fråga efter den synliga kontroll som är relevant för nästa steg och det underlag som stöder valet. Håll observation, föreslagen åtgärd och faktisk körning som separata delar av arbetsflödet. Det använder fokus på visuella agenter och gör det begärda resultatet tillräckligt specifikt för att applikationen ska kunna agera.
Flerspråkig text i bilder
Tillverkaren beskriver igenkänning av text i bilder på engelska och kinesiska, de flesta europeiska språk samt språk som japanska, koreanska, arabiska och vietnamesiska. En flerspråkig sida kan därför behandlas som en visuell läsuppgift. Be först om den ursprungliga transkriptionen när den exakta ordalydelsen är viktig och sedan en översättning eller förklaring på det valda språket. Bevara etiketter och siffror i stället för att blanda igenkänning med en ospecificerad omskrivning.
Dynamisk upplösning och positionsinformation
Qwen2-VL kombinerar en bildkodare med språkmodellen Qwen2. Naive Dynamic Resolution mappar olika bildstorlekar till olika antal visuella token. Multimodal Rotary Position Embedding separerar positionsinformationen så att modellen kan representera textordning, tvådimensionella bilder och videons tidsmässiga och rumsliga struktur. Funktionerna förklarar hur samma familj hanterar en sida, flera bilder eller en videosekvens.
Modellkortets bildprocessor dokumenterar ett standardintervall på 4 till 16 384 visuella token per bild. Applikationen kan justera minsta och största antal pixlar och samtidigt bevara bildförhållandet eller begära dimensioner som avrundas till en multipel av 28. Exempelintervallet 256 till 1 280 token är en konfigurerbar illustration, inte en separat allmän bildgräns. Mer bilddetalj använder mer beräkning och fler visuella token, så bevara de etiketter, rubriker och små objekt som frågan behöver när bilden förbereds.
Förberedelse av indata och kontext
Tillverkaren demonstrerar en enda bild, flera bilder, video som en följd av bildrutor eller lokal fil samt samtal i batch. Bildförberedelse omfattar lokala filer, kodade bilddata och bildreferenser. Kortets videoexempel använder en vald bildfrekvens; det exemplet fastställer inte en obligatorisk samplingsfrekvens för varje video. Ange ordningen och rollen för flera bilder och tillhandahåll den information som behövs för att tolka en följd, i stället för att behandla orelaterade bildrutor som en enda scen.
Den släppta konfigurationen anger maximalt antal positioner till 32 768. Visuellt material och textinstruktioner måste planeras inom den faktiskt konfigurerade kontexten. Kortets genereringsexempel med 128 token är bara en exempelinställning; det publicerar inte en separat maximal utdatakapacitet. 72B-versionen ska behålla sin egen konfiguration i stället för att ärva inställningarna för lång kontext i Qwen2.5-VL eller en annan Qwen-modell.
Väsentliga begränsningar
Tillverkaren anger uttryckligen att Qwen2-VL inte förstår ljud som ingår i videor. Talad information måste därför tillhandahållas separat om frågan beror på den. Bildträningsdatasetet beskrivs som uppdaterat till och med juni 2023; det är ett påstående om datasetet, inte ett löfte om aktuell visuell kunskap.
De dokumenterade begränsningarna omfattar också ofullständig igenkänning av vissa personer eller namngiven immateriell egendom, svårigheter med invecklade instruktioner i flera steg, svag räkneförmåga i komplexa scener och begränsningar i tredimensionella rumsliga resonemang. När uppgiften beror på någon av dessa förmågor ska du fokusera frågan på de nödvändiga objekten eller sambanden och bevara det visuella underlaget bredvid svaret. Tydligt källmaterial och ett definierat resultat gör resultatet lättare att granska utan att ersätta de angivna begränsningarna med en träffsäkerhetsgaranti.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen/Qwen2-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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00118 / 1K token Utdata · Utdatatoken $0.00118 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-VL-72B-Instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.