Qwen2.5-VL-7B-Instruct är den instruktionsanpassade 7B-utgåvan av Qwen2.5-VL. Den kopplar en textinstruktion till bilder eller video och returnerar ett textresultat. Tillverkarens viktigaste förbättringar omfattar igenkänning av objekt och visuella detaljer, analys av text och layout, uppgifter som visuell agent, förståelse av händelser i långa videor, objektlokalisering och strukturerad extraktion från dokument.
Förstå visuellt innehåll
Familjen går längre än att identifiera huvudmotivet i ett fotografi. Dokumenterade uppgifter omfattar analys av text, diagram, ikoner, grafik och elementens placering i en bild. För ett diagram ska den serie eller relation som ska undersökas anges och axlar, teckenförklaring och enheter bevaras. För ett flödesschema ska man fråga hur märkta komponenter hänger ihop och vad den synliga placeringen säger om processen.
En användbar jämförelse kan tillhandahålla en ursprunglig och en reviderad design, ange vilken som är vilken och be om synliga förändringar utifrån en kort kravlista. Begär observationen tillsammans med relevant bildområde. Det ger svaret ett konkret syfte i stället för en allmän beskrivning av två orelaterade bilder.
Arbetsflöden för visuella agenter
Tillverkaren positionerar Qwen2.5-VL som en visuell agent som kan resonera om en skärm och styra verktyg vid användning av dator eller telefon. Modellen ger en tolkning och en föreslagen operation; en omgivande agentapplikation tillhandahåller kontrollerna, utför operationen och returnerar det nya tillståndet. Ett textsvar eller en förutsagd koordinat är därför en del av det integrerade arbetsflödet.
För en gränssnittsfråga ska skärmbilden och det faktiska målet tillhandahållas; fråga sedan vilken synlig kontroll som är relevant och vad nästa åtgärd bör vara. Håll begärda utdata specifika: kontrollens etikett, plats och avsedd åtgärd. Om applikationen sedan utför åtgärden ger nästa skärmbild uppdaterade visuella indata för ett efterföljande beslut.
Långa videor och händelselokalisering
Tillverkaren beskriver förståelse av videor längre än en timme och identifiering av det segment som innehåller en begärd händelse. Det utvidgar videobeskrivning till tidslokalisering. En uppgift kan fråga när ett objekt först syns, var en demonstration når ett visst steg eller vilken synlig händelse som föregår en annan. Ange om resultatet ska vara en sammanfattning, en ordnad händelselista eller start- och sluttider med en händelsebeskrivning.
Familjen tränas med dynamisk sampling av bildfrekvens och anpassar temporal positionsinformation till absolut tid. Bildfrekvensinformation hör därför till videoförberedelsen och är ingen godtycklig etikett som kan slängas när tidsstämplar är viktiga. Den dokumenterade förmågan för långa videor är ingen universell specifikation av filstorlek eller maximal varaktighet för alla indatavägar.
Objektlokalisering och strukturerade dokument
Qwen2.5-VL kan returnera begränsningsrutor eller punkter och organisera koordinater och attribut som JSON. Utgåvan använder koordinater i skalan för den faktiska bildstorleken i stället för traditionella normaliserade koordinater. Ange om uppgiften behöver en omslutande ruta, en viss punkt eller en objektbeskrivning, och behåll bildmåtten och eventuell storleksändringsinformation som krävs för att tolka den returnerade platsen.
En begäran om visuell inventering kan exempelvis be om varje målobjekt, dess ruta och ett synligt attribut. En punktbaserad uppgift kan fråga efter platsen för en märkt kontroll eller en angiven del av ett objekt. Detta är föreslagna utdataupplägg, inte fasta fältnamn som varje begäran måste använda. Håll varje koordinat kopplad till sin källbild när flera bilder tillhandahålls.
Tillverkaren betonar separat strukturerad extraktion från skannade fakturor, formulär och tabeller. Definiera fälten, bevara ursprungliga etiketter och begär en uttrycklig representation när ett värde inte kan läsas. För en tabell ska kolumnrubriker och enheter behållas med de begärda raderna. En praktisk post kan innehålla dokumentidentifierare, fältetikett, extraherat värde och plats, vilket gör resultatet användbart för senare jämförelse eller mänsklig granskning.
Arkitektur och indataberedning
Modellen kombinerar dynamisk bildupplösning och dynamisk videosampling med uppdaterad multimodal roterande positionsinformation. Bildkodaren använder window attention, SwiGLU och RMSNorm. Detta är arkitekturändringar som stöder visuell och temporal bearbetning; de lägger inte till ljudindata eller bildgenerering i det dokumenterade flödet med textresultat.
Modellkortet demonstrerar en enskild bild, flera bilder, en sekvens av videobildrutor, en videofil eller referens samt batchade samtal. Bildprocessorn dokumenterar ett standardintervall på 4 till 16,384 visuella token per bild. Inställningar för minsta och största pixelantal bevarar bildförhållandet; begärda exakta mått avrundas till en multipel av 28. Exempelintervallet 256 till 1,280 visuella token är en justerbar illustration, inte en separat hård bildgräns. Behåll de detaljer frågan behöver när storleksändringen väljs.
Kontext och inställningar som påverkar lokalisering
Den släppta konfigurationen anger högsta antal positioner till 128,000. Modellkortets avsnitt om lång text beskriver separat en basnivå på 32,768 token och ett exempel på YaRN-utökning. Det varnar uttryckligen för att utökningen påverkar temporal och spatial lokalisering avsevärt och rekommenderar den inte. Guiden diskuterar också ändring av högsta antal positioner för långa videor; detta är konfigurationsanmärkningar snarare än en ovillkorlig indatagräns för varje uppgift.
Håll den exakta utgåvans konfiguration och visuella förbehandling anpassade till uppgiften, särskilt när koordinater eller händelsetider är viktiga. Modellkortets genereringsexempel med 128 token anger ingen separat maximal utdatakapacitet. Qwen2.5-VL-7B-Instruct producerar text, koordinater och strukturerade fynd; en extern åtgärd, renderad bild, video eller ett talat svar kräver en annan applikationskomponent.
", "aboutText": "Qwen2.5-VL-7B-Instruct är den instruktionsanpassade 7B-utgåvan av Qwen2.5-VL. Den kopplar en textinstruktion till bilder eller video och returnerar ett textresultat. Tillverkarens viktigaste förbättringar omfattar igenkänning av objekt och visuella detaljer, analys av text och layout, uppgifter som visuell agent, förståelse av händelser i långa videor, objektlokalisering och strukturerad extraktion från dokument.\n\nFörstå visuellt innehåll\n\nFamiljen går längre än att identifiera huvudmotivet i ett fotografi. Dokumenterade uppgifter omfattar analys av text, diagram, ikoner, grafik och elementens placering i en bild. För ett diagram ska den serie eller relation som ska undersökas anges och axlar, teckenförklaring och enheter bevaras. För ett flödesschema ska man fråga hur märkta komponenter hänger ihop och vad den synliga placeringen säger om processen.\n\nEn användbar jämförelse kan tillhandahålla en ursprunglig och en reviderad design, ange vilken som är vilken och be om synliga förändringar utifrån en kort kravlista. Begär observationen tillsammans med relevant bildområde. Det ger svaret ett konkret syfte i stället för en allmän beskrivning av två orelaterade bilder.\n\nArbetsflöden för visuella agenter\n\nTillverkaren positionerar Qwen2.5-VL som en visuell agent som kan resonera om en skärm och styra verktyg vid användning av dator eller telefon. Modellen ger en tolkning och en föreslagen operation; en omgivande agentapplikation tillhandahåller kontrollerna, utför operationen och returnerar det nya tillståndet. Ett textsvar eller en förutsagd koordinat är därför en del av det integrerade arbetsflödet.\n\nFör en gränssnittsfråga ska skärmbilden och det faktiska målet tillhandahållas; fråga sedan vilken synlig kontroll som är relevant och vad nästa åtgärd bör vara. Håll begärda utdata specifika: kontrollens etikett, plats och avsedd åtgärd. Om applikationen sedan utför åtgärden ger nästa skärmbild uppdaterade visuella indata för ett efterföljande beslut.\n\nLånga videor och händelselokalisering\n\nTillverkaren beskriver förståelse av videor längre än en timme och identifiering av det segment som innehåller en begärd händelse. Det utvidgar videobeskrivning till tidslokalisering. En uppgift kan fråga när ett objekt först syns, var en demonstration når ett visst steg eller vilken synlig händelse som föregår en annan. Ange om resultatet ska vara en sammanfattning, en ordnad händelselista eller start- och sluttider med en händelsebeskrivning.\n\nFamiljen tränas med dynamisk sampling av bildfrekvens och anpassar temporal positionsinformation till absolut tid. Bildfrekvensinformation hör därför till videoförberedelsen och är ingen godtycklig etikett som kan slängas när tidsstämplar är viktiga. Den dokumenterade förmågan för långa videor är ingen universell specifikation av filstorlek eller maximal varaktighet för alla indatavägar.\n\nObjektlokalisering och strukturerade dokument\n\nQwen2.5-VL kan returnera begränsningsrutor eller punkter och organisera koordinater och attribut som JSON. Utgåvan använder koordinater i skalan för den faktiska bildstorleken i stället för traditionella normaliserade koordinater. Ange om uppgiften behöver en omslutande ruta, en viss punkt eller en objektbeskrivning, och behåll bildmåtten och eventuell storleksändringsinformation som krävs för att tolka den returnerade platsen.\n\nEn begäran om visuell inventering kan exempelvis be om varje målobjekt, dess ruta och ett synligt attribut. En punktbaserad uppgift kan fråga efter platsen för en märkt kontroll eller en angiven del av ett objekt. Detta är föreslagna utdataupplägg, inte fasta fältnamn som varje begäran måste använda. Håll varje koordinat kopplad till sin källbild när flera bilder tillhandahålls.\n\nTillverkaren betonar separat strukturerad extraktion från skannade fakturor, formulär och tabeller. Definiera fälten, bevara ursprungliga etiketter och begär en uttrycklig representation när ett värde inte kan läsas. För en tabell ska kolumnrubriker och enheter behållas med de begärda raderna. En praktisk post kan innehålla dokumentidentifierare, fältetikett, extraherat värde och plats, vilket gör resultatet användbart för senare jämförelse eller mänsklig granskning.\n\nArkitektur och indataberedning\n\nModellen kombinerar dynamisk bildupplösning och dynamisk videosampling med uppdaterad multimodal roterande positionsinformation. Bildkodaren använder window attention, SwiGLU och RMSNorm. Detta är arkitekturändringar som stöder visuell och temporal bearbetning; de lägger inte till ljudindata eller bildgenerering i det dokumenterade flödet med textresultat.\n\nModellkortet demonstrerar en enskild bild, flera bilder, en sekvens av videobildrutor, en videofil eller referens samt batchade samtal. Bildprocessorn dokumenterar ett standardintervall på 4 till 16,384 visuella token per bild. Inställningar för minsta och största pixelantal bevarar bildförhållandet; begärda exakta mått avrundas till en multipel av 28. Exempelintervallet 256 till 1,280 visuella token är en justerbar illustration, inte en separat hård bildgräns. Behåll de detaljer frågan behöver när storleksändringen väljs.\n\nKontext och inställningar som påverkar lokalisering\n\nDen släppta konfigurationen anger högsta antal positioner till 128,000. Modellkortets avsnitt om lång text beskriver separat en basnivå på 32,768 token och ett exempel på YaRN-utökning. Det varnar uttryckligen för att utökningen påverkar temporal och spatial lokalisering avsevärt och rekommenderar den inte. Guiden diskuterar också ändring av högsta antal positioner för långa videor; detta är konfigurationsanmärkningar snarare än en ovillkorlig indatagräns för varje uppgift.\n\nHåll den exakta utgåvans konfiguration och visuella förbehandling anpassade till uppgiften, särskilt när koordinater eller händelsetider är viktiga. Modellkortets genereringsexempel med 128 token anger ingen separat maximal utdatakapacitet. Qwen2.5-VL-7B-Instruct producerar text, koordinater och strukturerade fynd; en extern åtgärd, renderad bild, video eller ett talat svar kräver en annan applikationskomponent.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är en visuell språkmodell för bilder, dokument och video. Den producerar text och strukturerade fynd, inklusive objektrutor, punkter och attribut, och ger 7B-utgåvan förmåga till tidslokalisering av händelser och användning som visuell agent.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-VL-7B-Instruct är den instruktionsanpassade 7B-utgåvan av Qwen2.5-VL. Den kopplar en textinstruktion till bilder eller video och returnerar ett textresultat. Tillverkarens viktigaste förbättringar omfattar igenkänning av objekt och visuella detaljer, analys av text och layout, uppgifter som visuell agent, förståelse av händelser i långa videor, objektlokalisering och strukturerad extraktion från dokument.
Förstå visuellt innehåll
Familjen går längre än att identifiera huvudmotivet i ett fotografi. Dokumenterade uppgifter omfattar analys av text, diagram, ikoner, grafik och elementens placering i en bild. För ett diagram ska den serie eller relation som ska undersökas anges och axlar, teckenförklaring och enheter bevaras. För ett flödesschema ska man fråga hur märkta komponenter hänger ihop och vad den synliga placeringen säger om processen.
En användbar jämförelse kan tillhandahålla en ursprunglig och en reviderad design, ange vilken som är vilken och be om synliga förändringar utifrån en kort kravlista. Begär observationen tillsammans med relevant bildområde. Det ger svaret ett konkret syfte i stället för en allmän beskrivning av två orelaterade bilder.
Arbetsflöden för visuella agenter
Tillverkaren positionerar Qwen2.5-VL som en visuell agent som kan resonera om en skärm och styra verktyg vid användning av dator eller telefon. Modellen ger en tolkning och en föreslagen operation; en omgivande agentapplikation tillhandahåller kontrollerna, utför operationen och returnerar det nya tillståndet. Ett textsvar eller en förutsagd koordinat är därför en del av det integrerade arbetsflödet.
För en gränssnittsfråga ska skärmbilden och det faktiska målet tillhandahållas; fråga sedan vilken synlig kontroll som är relevant och vad nästa åtgärd bör vara. Håll begärda utdata specifika: kontrollens etikett, plats och avsedd åtgärd. Om applikationen sedan utför åtgärden ger nästa skärmbild uppdaterade visuella indata för ett efterföljande beslut.
Långa videor och händelselokalisering
Tillverkaren beskriver förståelse av videor längre än en timme och identifiering av det segment som innehåller en begärd händelse. Det utvidgar videobeskrivning till tidslokalisering. En uppgift kan fråga när ett objekt först syns, var en demonstration når ett visst steg eller vilken synlig händelse som föregår en annan. Ange om resultatet ska vara en sammanfattning, en ordnad händelselista eller start- och sluttider med en händelsebeskrivning.
Familjen tränas med dynamisk sampling av bildfrekvens och anpassar temporal positionsinformation till absolut tid. Bildfrekvensinformation hör därför till videoförberedelsen och är ingen godtycklig etikett som kan slängas när tidsstämplar är viktiga. Den dokumenterade förmågan för långa videor är ingen universell specifikation av filstorlek eller maximal varaktighet för alla indatavägar.
Objektlokalisering och strukturerade dokument
Qwen2.5-VL kan returnera begränsningsrutor eller punkter och organisera koordinater och attribut som JSON. Utgåvan använder koordinater i skalan för den faktiska bildstorleken i stället för traditionella normaliserade koordinater. Ange om uppgiften behöver en omslutande ruta, en viss punkt eller en objektbeskrivning, och behåll bildmåtten och eventuell storleksändringsinformation som krävs för att tolka den returnerade platsen.
En begäran om visuell inventering kan exempelvis be om varje målobjekt, dess ruta och ett synligt attribut. En punktbaserad uppgift kan fråga efter platsen för en märkt kontroll eller en angiven del av ett objekt. Detta är föreslagna utdataupplägg, inte fasta fältnamn som varje begäran måste använda. Håll varje koordinat kopplad till sin källbild när flera bilder tillhandahålls.
Tillverkaren betonar separat strukturerad extraktion från skannade fakturor, formulär och tabeller. Definiera fälten, bevara ursprungliga etiketter och begär en uttrycklig representation när ett värde inte kan läsas. För en tabell ska kolumnrubriker och enheter behållas med de begärda raderna. En praktisk post kan innehålla dokumentidentifierare, fältetikett, extraherat värde och plats, vilket gör resultatet användbart för senare jämförelse eller mänsklig granskning.
Arkitektur och indataberedning
Modellen kombinerar dynamisk bildupplösning och dynamisk videosampling med uppdaterad multimodal roterande positionsinformation. Bildkodaren använder window attention, SwiGLU och RMSNorm. Detta är arkitekturändringar som stöder visuell och temporal bearbetning; de lägger inte till ljudindata eller bildgenerering i det dokumenterade flödet med textresultat.
Modellkortet demonstrerar en enskild bild, flera bilder, en sekvens av videobildrutor, en videofil eller referens samt batchade samtal. Bildprocessorn dokumenterar ett standardintervall på 4 till 16,384 visuella token per bild. Inställningar för minsta och största pixelantal bevarar bildförhållandet; begärda exakta mått avrundas till en multipel av 28. Exempelintervallet 256 till 1,280 visuella token är en justerbar illustration, inte en separat hård bildgräns. Behåll de detaljer frågan behöver när storleksändringen väljs.
Kontext och inställningar som påverkar lokalisering
Den släppta konfigurationen anger högsta antal positioner till 128,000. Modellkortets avsnitt om lång text beskriver separat en basnivå på 32,768 token och ett exempel på YaRN-utökning. Det varnar uttryckligen för att utökningen påverkar temporal och spatial lokalisering avsevärt och rekommenderar den inte. Guiden diskuterar också ändring av högsta antal positioner för långa videor; detta är konfigurationsanmärkningar snarare än en ovillkorlig indatagräns för varje uppgift.
Håll den exakta utgåvans konfiguration och visuella förbehandling anpassade till uppgiften, särskilt när koordinater eller händelsetider är viktiga. Modellkortets genereringsexempel med 128 token anger ingen separat maximal utdatakapacitet. Qwen2.5-VL-7B-Instruct producerar text, koordinater och strukturerade fynd; en extern åtgärd, renderad bild, video eller ett talat svar kräver en annan applikationskomponent.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen2.5-vl-7b-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 $0.0001 / 1K token Utdata · Utdatatoken $0.0001 / 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": "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 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 qwen2.5-vl-7b-instruct
Använd metodsökvägarna som visas ovan.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct är en visuell språkmodell för bilder, dokument och video. Den producerar text och strukturerade fynd, inklusive objektrutor, punkter och attribut, och ger 7B-utgåvan förmåga till tidslokalisering av händelser och användning som visuell agent.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen2.5-VL-7B-Instruct är den instruktionsanpassade 7B-utgåvan av Qwen2.5-VL. Den kopplar en textinstruktion till bilder eller video och returnerar ett textresultat. Tillverkarens viktigaste förbättringar omfattar igenkänning av objekt och visuella detaljer, analys av text och layout, uppgifter som visuell agent, förståelse av händelser i långa videor, objektlokalisering och strukturerad extraktion från dokument.
Förstå visuellt innehåll
Familjen går längre än att identifiera huvudmotivet i ett fotografi. Dokumenterade uppgifter omfattar analys av text, diagram, ikoner, grafik och elementens placering i en bild. För ett diagram ska den serie eller relation som ska undersökas anges och axlar, teckenförklaring och enheter bevaras. För ett flödesschema ska man fråga hur märkta komponenter hänger ihop och vad den synliga placeringen säger om processen.
En användbar jämförelse kan tillhandahålla en ursprunglig och en reviderad design, ange vilken som är vilken och be om synliga förändringar utifrån en kort kravlista. Begär observationen tillsammans med relevant bildområde. Det ger svaret ett konkret syfte i stället för en allmän beskrivning av två orelaterade bilder.
Arbetsflöden för visuella agenter
Tillverkaren positionerar Qwen2.5-VL som en visuell agent som kan resonera om en skärm och styra verktyg vid användning av dator eller telefon. Modellen ger en tolkning och en föreslagen operation; en omgivande agentapplikation tillhandahåller kontrollerna, utför operationen och returnerar det nya tillståndet. Ett textsvar eller en förutsagd koordinat är därför en del av det integrerade arbetsflödet.
För en gränssnittsfråga ska skärmbilden och det faktiska målet tillhandahållas; fråga sedan vilken synlig kontroll som är relevant och vad nästa åtgärd bör vara. Håll begärda utdata specifika: kontrollens etikett, plats och avsedd åtgärd. Om applikationen sedan utför åtgärden ger nästa skärmbild uppdaterade visuella indata för ett efterföljande beslut.
Långa videor och händelselokalisering
Tillverkaren beskriver förståelse av videor längre än en timme och identifiering av det segment som innehåller en begärd händelse. Det utvidgar videobeskrivning till tidslokalisering. En uppgift kan fråga när ett objekt först syns, var en demonstration når ett visst steg eller vilken synlig händelse som föregår en annan. Ange om resultatet ska vara en sammanfattning, en ordnad händelselista eller start- och sluttider med en händelsebeskrivning.
Familjen tränas med dynamisk sampling av bildfrekvens och anpassar temporal positionsinformation till absolut tid. Bildfrekvensinformation hör därför till videoförberedelsen och är ingen godtycklig etikett som kan slängas när tidsstämplar är viktiga. Den dokumenterade förmågan för långa videor är ingen universell specifikation av filstorlek eller maximal varaktighet för alla indatavägar.
Objektlokalisering och strukturerade dokument
Qwen2.5-VL kan returnera begränsningsrutor eller punkter och organisera koordinater och attribut som JSON. Utgåvan använder koordinater i skalan för den faktiska bildstorleken i stället för traditionella normaliserade koordinater. Ange om uppgiften behöver en omslutande ruta, en viss punkt eller en objektbeskrivning, och behåll bildmåtten och eventuell storleksändringsinformation som krävs för att tolka den returnerade platsen.
En begäran om visuell inventering kan exempelvis be om varje målobjekt, dess ruta och ett synligt attribut. En punktbaserad uppgift kan fråga efter platsen för en märkt kontroll eller en angiven del av ett objekt. Detta är föreslagna utdataupplägg, inte fasta fältnamn som varje begäran måste använda. Håll varje koordinat kopplad till sin källbild när flera bilder tillhandahålls.
Tillverkaren betonar separat strukturerad extraktion från skannade fakturor, formulär och tabeller. Definiera fälten, bevara ursprungliga etiketter och begär en uttrycklig representation när ett värde inte kan läsas. För en tabell ska kolumnrubriker och enheter behållas med de begärda raderna. En praktisk post kan innehålla dokumentidentifierare, fältetikett, extraherat värde och plats, vilket gör resultatet användbart för senare jämförelse eller mänsklig granskning.
Arkitektur och indataberedning
Modellen kombinerar dynamisk bildupplösning och dynamisk videosampling med uppdaterad multimodal roterande positionsinformation. Bildkodaren använder window attention, SwiGLU och RMSNorm. Detta är arkitekturändringar som stöder visuell och temporal bearbetning; de lägger inte till ljudindata eller bildgenerering i det dokumenterade flödet med textresultat.
Modellkortet demonstrerar en enskild bild, flera bilder, en sekvens av videobildrutor, en videofil eller referens samt batchade samtal. Bildprocessorn dokumenterar ett standardintervall på 4 till 16,384 visuella token per bild. Inställningar för minsta och största pixelantal bevarar bildförhållandet; begärda exakta mått avrundas till en multipel av 28. Exempelintervallet 256 till 1,280 visuella token är en justerbar illustration, inte en separat hård bildgräns. Behåll de detaljer frågan behöver när storleksändringen väljs.
Kontext och inställningar som påverkar lokalisering
Den släppta konfigurationen anger högsta antal positioner till 128,000. Modellkortets avsnitt om lång text beskriver separat en basnivå på 32,768 token och ett exempel på YaRN-utökning. Det varnar uttryckligen för att utökningen påverkar temporal och spatial lokalisering avsevärt och rekommenderar den inte. Guiden diskuterar också ändring av högsta antal positioner för långa videor; detta är konfigurationsanmärkningar snarare än en ovillkorlig indatagräns för varje uppgift.
Håll den exakta utgåvans konfiguration och visuella förbehandling anpassade till uppgiften, särskilt när koordinater eller händelsetider är viktiga. Modellkortets genereringsexempel med 128 token anger ingen separat maximal utdatakapacitet. Qwen2.5-VL-7B-Instruct producerar text, koordinater och strukturerade fynd; en extern åtgärd, renderad bild, video eller ett talat svar kräver en annan applikationskomponent.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen2.5-vl-7b-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 $0.0001 / 1K token Utdata · Utdatatoken $0.0001 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 qwen2.5-vl-7b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.