Introduktion: utgåvan på 7B för bild och språk
Qwen2-VL-7B-Instruct är den instruktionsanpassade 7B-medlemmen i Qwen2-VL-familjen. Den kombinerar textinstruktioner med bilder eller video och producerar textsvar. Användbara resultat omfattar en förklaring av en sida, en bildjämförelse, en beskrivning av synliga händelser eller ett svar på en fråga om ett diagram. Detta är fortfarande den exakta Qwen2-VL-utgåvan; nyare Qwen2.5-VL- och Qwen3-VL-modeller har egna förmågor och identiteter.
Vad Qwen2-VL tillför
Qwen beskriver bildförståelse över olika upplösningar och bildförhållanden samt frågor om video, dialog och innehållsskapande. Familjens dokumenterade videoförmåga omfattar material längre än 20 minuter. Enbart längden fastställer inte hur många bildrutor en applikation bearbetar och garanterar inte att varje händelse återges. Flerspråkig förståelse av bilder och text omfattar engelska och kinesiska, många europeiska språk, japanska, koreanska, arabiska och vietnamesiska.
Tillverkaren beskriver även integration med telefoner, robotar och andra enheter genom visuella observationer och textinstruktioner. Detta är ett applikationsflöde: modellen tolkar den visuella miljön och hjälper till att välja handlingar, medan ansluten programvara eller hårdvara utför dem. Att känna igen en skärm ger inte i sig kontroll över skärmen.
Arkitekturförändringar
Dynamisk upplösning omvandlar en bild till ett varierande antal visuella token i stället för att tvinga varje indata till samma representation. M-ROPE skiljer positionsinformation för text, tvådimensionella bilder och tredimensionell videoinformation åt och kombinerar rumslig och tidsmässig struktur. Den publicerade 7B-konfigurationen anger 32 768 positioner. Text, visuella token och genererade utdata delar det begränsade sekvensutrymmet, så bildupplösning och videosampling påverkar hur mycket material en begäran kan innehålla.
Förbereda bilder och konversationer
De officiella exemplen stöder en bild, flera bilder och konversationer med enbart text. Bifoga bilden med en specifik fråga i stället för att förlita dig på en bred instruktion som ”analysera allt”. För en dokumentsida ber du om namngivna fält och bevarar skiljetecken i citat. För två skärmbilder av en design märker du dem som första och andra och ber sedan om en tabell över synliga förändringar. För ett diagram ber du om dess etiketter, enheter och de värden som stöder en angiven trend. Detta är praktiska tillämpningar av frågor om bilder, inte löften om felfri extrahering.
Tillverkarens verktyg accepterar bilder från lokala filer, kodade bilddata eller bildadresser; det dokumenterade videoexemplet använder lokala videofiler eller en ordnad lista med bildrutor. Applikationens uppladdningsformat är fortfarande ett separat gränssnittsbeslut. Bevara bildrutornas ursprungliga ordning och ange vilket tidsintervall en bildrutelista representerar. Exemplen genererar text; denna modellversion beskrivs inte som en bild- eller videogenerator.
Upplösning och videoförberedelse
Qwens processor använder som standard ett intervall från fyra till 16 384 visuella token per bild. Den exponerar min_pixels och max_pixels för att balansera detaljrikedom mot minne och beräkningsbehov, med ett dokumenterat exempel som siktar på 256–1 280 visuella token. Bilder skalas om inom de valda gränserna med bibehållet bildförhållande. Uttryckligen angivna omskalade dimensioner avrundas till en multipel av 28. En tät tabell eller liten text kan behöva tillräcklig upplösning för att vara läsbar; en högre upplösning förbrukar också mer av det tillgängliga bild- och kontextutrymmet.
Videoexemplet visar en samplingsfrekvens på en bildruta per sekund och en konfigurerbar pixelgräns. Detta är exempelinställningar, inte en allmänt föreskriven frekvens eller hård mediegräns. För en händelsegranskning tillhandahåller du det relevanta klippet och ber om en ordnad redogörelse för synliga förändringar. Händelser som ligger tätt kan kräva finare sampling än en bred scensammanfattning. Qwen2-VL förstår inte ljudinformation i video, så talad dialog eller ljudeffekter kräver ett separat ljudflöde.
Kända begränsningar
Qwen anger juni 2023 som slutdatum för bildträningsdata, utan någon garanti för kunskap om senare personer, produkter eller händelser. Igenkänning av specifika personer och immateriellt skyddat innehåll är ofullständig. Komplexa instruktioner i flera steg, objekträkning i täta scener och rumsliga samband — särskilt i tre dimensioner — är dokumenterade svagheter. Dela upp en komplicerad visuell uppgift i tydliga frågor, be om de synliga beläggen för resultatet och kontrollera extraherade tal och citerad text mot bilden. En rimlig bildbeskrivning ska inte behandlas som ett exakt antal eller en uppmätt tredimensionell position.
Modellkortets korta genereringsexempel fastställer inte en separat hård gräns för utdata. Planera svarsstorleken tillsammans med text och visuella indata och bevara tillräcklig detaljrikedom i källan för den aktuella frågan. Detta gör modellval och förberedelse av indata mer användbara än att anta att varje bild eller varje lång video ger ett lika tillförlitligt svar.
", "aboutText": "Introduktion: utgåvan på 7B för bild och språk\n\nQwen2-VL-7B-Instruct är den instruktionsanpassade 7B-medlemmen i Qwen2-VL-familjen. Den kombinerar textinstruktioner med bilder eller video och producerar textsvar. Användbara resultat omfattar en förklaring av en sida, en bildjämförelse, en beskrivning av synliga händelser eller ett svar på en fråga om ett diagram. Detta är fortfarande den exakta Qwen2-VL-utgåvan; nyare Qwen2.5-VL- och Qwen3-VL-modeller har egna förmågor och identiteter.\n\nVad Qwen2-VL tillför\n\nQwen beskriver bildförståelse över olika upplösningar och bildförhållanden samt frågor om video, dialog och innehållsskapande. Familjens dokumenterade videoförmåga omfattar material längre än 20 minuter. Enbart längden fastställer inte hur många bildrutor en applikation bearbetar och garanterar inte att varje händelse återges. Flerspråkig förståelse av bilder och text omfattar engelska och kinesiska, många europeiska språk, japanska, koreanska, arabiska och vietnamesiska.\n\nTillverkaren beskriver även integration med telefoner, robotar och andra enheter genom visuella observationer och textinstruktioner. Detta är ett applikationsflöde: modellen tolkar den visuella miljön och hjälper till att välja handlingar, medan ansluten programvara eller hårdvara utför dem. Att känna igen en skärm ger inte i sig kontroll över skärmen.\n\nArkitekturförändringar\n\nDynamisk upplösning omvandlar en bild till ett varierande antal visuella token i stället för att tvinga varje indata till samma representation. M-ROPE skiljer positionsinformation för text, tvådimensionella bilder och tredimensionell videoinformation åt och kombinerar rumslig och tidsmässig struktur. Den publicerade 7B-konfigurationen anger 32 768 positioner. Text, visuella token och genererade utdata delar det begränsade sekvensutrymmet, så bildupplösning och videosampling påverkar hur mycket material en begäran kan innehålla.\n\nFörbereda bilder och konversationer\n\nDe officiella exemplen stöder en bild, flera bilder och konversationer med enbart text. Bifoga bilden med en specifik fråga i stället för att förlita dig på en bred instruktion som ”analysera allt”. För en dokumentsida ber du om namngivna fält och bevarar skiljetecken i citat. För två skärmbilder av en design märker du dem som första och andra och ber sedan om en tabell över synliga förändringar. För ett diagram ber du om dess etiketter, enheter och de värden som stöder en angiven trend. Detta är praktiska tillämpningar av frågor om bilder, inte löften om felfri extrahering.\n\nTillverkarens verktyg accepterar bilder från lokala filer, kodade bilddata eller bildadresser; det dokumenterade videoexemplet använder lokala videofiler eller en ordnad lista med bildrutor. Applikationens uppladdningsformat är fortfarande ett separat gränssnittsbeslut. Bevara bildrutornas ursprungliga ordning och ange vilket tidsintervall en bildrutelista representerar. Exemplen genererar text; denna modellversion beskrivs inte som en bild- eller videogenerator.\n\nUpplösning och videoförberedelse\n\nQwens processor använder som standard ett intervall från fyra till 16 384 visuella token per bild. Den exponerar min_pixels och max_pixels för att balansera detaljrikedom mot minne och beräkningsbehov, med ett dokumenterat exempel som siktar på 256–1 280 visuella token. Bilder skalas om inom de valda gränserna med bibehållet bildförhållande. Uttryckligen angivna omskalade dimensioner avrundas till en multipel av 28. En tät tabell eller liten text kan behöva tillräcklig upplösning för att vara läsbar; en högre upplösning förbrukar också mer av det tillgängliga bild- och kontextutrymmet.\n\nVideoexemplet visar en samplingsfrekvens på en bildruta per sekund och en konfigurerbar pixelgräns. Detta är exempelinställningar, inte en allmänt föreskriven frekvens eller hård mediegräns. För en händelsegranskning tillhandahåller du det relevanta klippet och ber om en ordnad redogörelse för synliga förändringar. Händelser som ligger tätt kan kräva finare sampling än en bred scensammanfattning. Qwen2-VL förstår inte ljudinformation i video, så talad dialog eller ljudeffekter kräver ett separat ljudflöde.\n\nKända begränsningar\n\nQwen anger juni 2023 som slutdatum för bildträningsdata, utan någon garanti för kunskap om senare personer, produkter eller händelser. Igenkänning av specifika personer och immateriellt skyddat innehåll är ofullständig. Komplexa instruktioner i flera steg, objekträkning i täta scener och rumsliga samband — särskilt i tre dimensioner — är dokumenterade svagheter. Dela upp en komplicerad visuell uppgift i tydliga frågor, be om de synliga beläggen för resultatet och kontrollera extraherade tal och citerad text mot bilden. En rimlig bildbeskrivning ska inte behandlas som ett exakt antal eller en uppmätt tredimensionell position.\n\nModellkortets korta genereringsexempel fastställer inte en separat hård gräns för utdata. Planera svarsstorleken tillsammans med text och visuella indata och bevara tillräcklig detaljrikedom i källan för den aktuella frågan. Detta gör modellval och förberedelse av indata mer användbara än att anta att varje bild eller varje lång video ger ett lika tillförlitligt svar.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct är Qwens instruktionsanpassade modell för bild och språk som tar emot text, bilder och video och returnerar text. Använd den för frågor om dokumentsidor, bildjämförelser eller beskrivningar av visuella händelser, med dynamisk bildupplösning och dokumenterade begränsningar i räkning, rumsligt resonemang och förståelse av ljud i video.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: utgåvan på 7B för bild och språk
Qwen2-VL-7B-Instruct är den instruktionsanpassade 7B-medlemmen i Qwen2-VL-familjen. Den kombinerar textinstruktioner med bilder eller video och producerar textsvar. Användbara resultat omfattar en förklaring av en sida, en bildjämförelse, en beskrivning av synliga händelser eller ett svar på en fråga om ett diagram. Detta är fortfarande den exakta Qwen2-VL-utgåvan; nyare Qwen2.5-VL- och Qwen3-VL-modeller har egna förmågor och identiteter.
Vad Qwen2-VL tillför
Qwen beskriver bildförståelse över olika upplösningar och bildförhållanden samt frågor om video, dialog och innehållsskapande. Familjens dokumenterade videoförmåga omfattar material längre än 20 minuter. Enbart längden fastställer inte hur många bildrutor en applikation bearbetar och garanterar inte att varje händelse återges. Flerspråkig förståelse av bilder och text omfattar engelska och kinesiska, många europeiska språk, japanska, koreanska, arabiska och vietnamesiska.
Tillverkaren beskriver även integration med telefoner, robotar och andra enheter genom visuella observationer och textinstruktioner. Detta är ett applikationsflöde: modellen tolkar den visuella miljön och hjälper till att välja handlingar, medan ansluten programvara eller hårdvara utför dem. Att känna igen en skärm ger inte i sig kontroll över skärmen.
Arkitekturförändringar
Dynamisk upplösning omvandlar en bild till ett varierande antal visuella token i stället för att tvinga varje indata till samma representation. M-ROPE skiljer positionsinformation för text, tvådimensionella bilder och tredimensionell videoinformation åt och kombinerar rumslig och tidsmässig struktur. Den publicerade 7B-konfigurationen anger 32 768 positioner. Text, visuella token och genererade utdata delar det begränsade sekvensutrymmet, så bildupplösning och videosampling påverkar hur mycket material en begäran kan innehålla.
Förbereda bilder och konversationer
De officiella exemplen stöder en bild, flera bilder och konversationer med enbart text. Bifoga bilden med en specifik fråga i stället för att förlita dig på en bred instruktion som ”analysera allt”. För en dokumentsida ber du om namngivna fält och bevarar skiljetecken i citat. För två skärmbilder av en design märker du dem som första och andra och ber sedan om en tabell över synliga förändringar. För ett diagram ber du om dess etiketter, enheter och de värden som stöder en angiven trend. Detta är praktiska tillämpningar av frågor om bilder, inte löften om felfri extrahering.
Tillverkarens verktyg accepterar bilder från lokala filer, kodade bilddata eller bildadresser; det dokumenterade videoexemplet använder lokala videofiler eller en ordnad lista med bildrutor. Applikationens uppladdningsformat är fortfarande ett separat gränssnittsbeslut. Bevara bildrutornas ursprungliga ordning och ange vilket tidsintervall en bildrutelista representerar. Exemplen genererar text; denna modellversion beskrivs inte som en bild- eller videogenerator.
Upplösning och videoförberedelse
Qwens processor använder som standard ett intervall från fyra till 16 384 visuella token per bild. Den exponerar min_pixels och max_pixels för att balansera detaljrikedom mot minne och beräkningsbehov, med ett dokumenterat exempel som siktar på 256–1 280 visuella token. Bilder skalas om inom de valda gränserna med bibehållet bildförhållande. Uttryckligen angivna omskalade dimensioner avrundas till en multipel av 28. En tät tabell eller liten text kan behöva tillräcklig upplösning för att vara läsbar; en högre upplösning förbrukar också mer av det tillgängliga bild- och kontextutrymmet.
Videoexemplet visar en samplingsfrekvens på en bildruta per sekund och en konfigurerbar pixelgräns. Detta är exempelinställningar, inte en allmänt föreskriven frekvens eller hård mediegräns. För en händelsegranskning tillhandahåller du det relevanta klippet och ber om en ordnad redogörelse för synliga förändringar. Händelser som ligger tätt kan kräva finare sampling än en bred scensammanfattning. Qwen2-VL förstår inte ljudinformation i video, så talad dialog eller ljudeffekter kräver ett separat ljudflöde.
Kända begränsningar
Qwen anger juni 2023 som slutdatum för bildträningsdata, utan någon garanti för kunskap om senare personer, produkter eller händelser. Igenkänning av specifika personer och immateriellt skyddat innehåll är ofullständig. Komplexa instruktioner i flera steg, objekträkning i täta scener och rumsliga samband — särskilt i tre dimensioner — är dokumenterade svagheter. Dela upp en komplicerad visuell uppgift i tydliga frågor, be om de synliga beläggen för resultatet och kontrollera extraherade tal och citerad text mot bilden. En rimlig bildbeskrivning ska inte behandlas som ett exakt antal eller en uppmätt tredimensionell position.
Modellkortets korta genereringsexempel fastställer inte en separat hård gräns för utdata. Planera svarsstorleken tillsammans med text och visuella indata och bevara tillräcklig detaljrikedom i källan för den aktuella frågan. Detta gör modellval och förberedelse av indata mer användbara än att anta att varje bild eller varje lång video ger ett lika tillförlitligt svar.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Utdata · Utdatatoken $0.00142 / 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-VL-7B-Instruct-ultra", "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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra',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-VL-7B-Instruct-ultra
Använd metodsökvägarna som visas ovan.
Qwen2-VL-7B-Instruct-ultraQwen2-VL-7B-Instruct är Qwens instruktionsanpassade modell för bild och språk som tar emot text, bilder och video och returnerar text. Använd den för frågor om dokumentsidor, bildjämförelser eller beskrivningar av visuella händelser, med dynamisk bildupplösning och dokumenterade begränsningar i räkning, rumsligt resonemang och förståelse av ljud i video.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: utgåvan på 7B för bild och språk
Qwen2-VL-7B-Instruct är den instruktionsanpassade 7B-medlemmen i Qwen2-VL-familjen. Den kombinerar textinstruktioner med bilder eller video och producerar textsvar. Användbara resultat omfattar en förklaring av en sida, en bildjämförelse, en beskrivning av synliga händelser eller ett svar på en fråga om ett diagram. Detta är fortfarande den exakta Qwen2-VL-utgåvan; nyare Qwen2.5-VL- och Qwen3-VL-modeller har egna förmågor och identiteter.
Vad Qwen2-VL tillför
Qwen beskriver bildförståelse över olika upplösningar och bildförhållanden samt frågor om video, dialog och innehållsskapande. Familjens dokumenterade videoförmåga omfattar material längre än 20 minuter. Enbart längden fastställer inte hur många bildrutor en applikation bearbetar och garanterar inte att varje händelse återges. Flerspråkig förståelse av bilder och text omfattar engelska och kinesiska, många europeiska språk, japanska, koreanska, arabiska och vietnamesiska.
Tillverkaren beskriver även integration med telefoner, robotar och andra enheter genom visuella observationer och textinstruktioner. Detta är ett applikationsflöde: modellen tolkar den visuella miljön och hjälper till att välja handlingar, medan ansluten programvara eller hårdvara utför dem. Att känna igen en skärm ger inte i sig kontroll över skärmen.
Arkitekturförändringar
Dynamisk upplösning omvandlar en bild till ett varierande antal visuella token i stället för att tvinga varje indata till samma representation. M-ROPE skiljer positionsinformation för text, tvådimensionella bilder och tredimensionell videoinformation åt och kombinerar rumslig och tidsmässig struktur. Den publicerade 7B-konfigurationen anger 32 768 positioner. Text, visuella token och genererade utdata delar det begränsade sekvensutrymmet, så bildupplösning och videosampling påverkar hur mycket material en begäran kan innehålla.
Förbereda bilder och konversationer
De officiella exemplen stöder en bild, flera bilder och konversationer med enbart text. Bifoga bilden med en specifik fråga i stället för att förlita dig på en bred instruktion som ”analysera allt”. För en dokumentsida ber du om namngivna fält och bevarar skiljetecken i citat. För två skärmbilder av en design märker du dem som första och andra och ber sedan om en tabell över synliga förändringar. För ett diagram ber du om dess etiketter, enheter och de värden som stöder en angiven trend. Detta är praktiska tillämpningar av frågor om bilder, inte löften om felfri extrahering.
Tillverkarens verktyg accepterar bilder från lokala filer, kodade bilddata eller bildadresser; det dokumenterade videoexemplet använder lokala videofiler eller en ordnad lista med bildrutor. Applikationens uppladdningsformat är fortfarande ett separat gränssnittsbeslut. Bevara bildrutornas ursprungliga ordning och ange vilket tidsintervall en bildrutelista representerar. Exemplen genererar text; denna modellversion beskrivs inte som en bild- eller videogenerator.
Upplösning och videoförberedelse
Qwens processor använder som standard ett intervall från fyra till 16 384 visuella token per bild. Den exponerar min_pixels och max_pixels för att balansera detaljrikedom mot minne och beräkningsbehov, med ett dokumenterat exempel som siktar på 256–1 280 visuella token. Bilder skalas om inom de valda gränserna med bibehållet bildförhållande. Uttryckligen angivna omskalade dimensioner avrundas till en multipel av 28. En tät tabell eller liten text kan behöva tillräcklig upplösning för att vara läsbar; en högre upplösning förbrukar också mer av det tillgängliga bild- och kontextutrymmet.
Videoexemplet visar en samplingsfrekvens på en bildruta per sekund och en konfigurerbar pixelgräns. Detta är exempelinställningar, inte en allmänt föreskriven frekvens eller hård mediegräns. För en händelsegranskning tillhandahåller du det relevanta klippet och ber om en ordnad redogörelse för synliga förändringar. Händelser som ligger tätt kan kräva finare sampling än en bred scensammanfattning. Qwen2-VL förstår inte ljudinformation i video, så talad dialog eller ljudeffekter kräver ett separat ljudflöde.
Kända begränsningar
Qwen anger juni 2023 som slutdatum för bildträningsdata, utan någon garanti för kunskap om senare personer, produkter eller händelser. Igenkänning av specifika personer och immateriellt skyddat innehåll är ofullständig. Komplexa instruktioner i flera steg, objekträkning i täta scener och rumsliga samband — särskilt i tre dimensioner — är dokumenterade svagheter. Dela upp en komplicerad visuell uppgift i tydliga frågor, be om de synliga beläggen för resultatet och kontrollera extraherade tal och citerad text mot bilden. En rimlig bildbeskrivning ska inte behandlas som ett exakt antal eller en uppmätt tredimensionell position.
Modellkortets korta genereringsexempel fastställer inte en separat hård gräns för utdata. Planera svarsstorleken tillsammans med text och visuella indata och bevara tillräcklig detaljrikedom i källan för den aktuella frågan. Detta gör modellval och förberedelse av indata mer användbara än att anta att varje bild eller varje lång video ger ett lika tillförlitligt svar.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen2-VL-7B-Instruct-ultra | 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 $0.00058 / 1K token Utdata · Utdatatoken $0.00142 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "Qwen2-VL-7B-Instruct-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra', '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-VL-7B-Instruct-ultra
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Compare transcribed dashboard changes\n\nCompare these dashboard descriptions supplied as text. First: heading 'Orders', filter 'All dates', total 240. Second: heading 'Orders', filter 'This week', total 38. Return a table of changed and unchanged fields, then explain why the totals alone do not establish a fall in orders. Use only the descriptions and keep the filter labels exact.A field-comparison table and a short explanation of the different date scopes.The result does not treat totals from All dates and This week as comparable periods.