Qwen2.5-VL-7B-Instruct — Qwen2.5-VL’ning ko‘rsatmalar uchun moslashtirilgan 7B nashri. U matnli ko‘rsatmani tasvir yoki video bilan bog‘lab, matnli natija qaytaradi. Ishlab chiqaruvchining asosiy yaxshilanishlari obyektlar va vizual tafsilotlarni tanish, matn va joylashuvlarni tahlil qilish, vizual agent topshiriqlari, uzun videodagi hodisalarni tushunish, obyekt joylashuvini aniqlash va hujjatlardan tuzilmali ma’lumot ajratishni qamrab oladi.
Vizual mazmunni tushunish
Oila fotosuratning bosh obyektini aniqlashdan kengroq vazifalarni bajaradi. Hujjatlashtirilgan topshiriqlar tasvir ichidagi matn, diagramma, belgi, grafika va elementlar joylashuvini tahlil qilishni o‘z ichiga oladi. Grafikda tekshiriladigan qator yoki munosabatni belgilang, o‘qlar, izohlar va birliklarni saqlang. Chizmada yorliqlangan qismlar qanday bog‘lanishi va ko‘rinadigan joylashuv jarayon haqida nimani bildirishini so‘rang.
Foydali taqqoslashda asl va tahrirlangan dizayn berilib, qaysi biri qaysi ekani ko‘rsatiladi va qisqa talablar ro‘yxatiga nisbatan ko‘rinadigan o‘zgarishlar so‘raladi. Kuzatuvni tegishli tasvir hududi bilan birga so‘rang. Bu ikki aloqasiz tasvirning umumiy tavsifini so‘rash o‘rniga javobga aniq maqsad beradi.
Vizual agent jarayonlari
Ishlab chiqaruvchi Qwen2.5-VL’ni ekran haqida mulohaza yuritadigan va kompyuter yoki telefondan foydalanish topshiriqlarida vositalarni yo‘naltiradigan vizual agent sifatida taqdim etadi. Model talqin va taklif etilgan operatsiyani beradi; atrofdagi agent ilovasi boshqaruvlarni ta’minlaydi, operatsiyani bajaradi va yangi holatni qaytaradi. Shuning uchun matnli javob yoki bashorat qilingan koordinata ushbu birlashgan jarayonning bir qismidir.
Interfeys savolida skrinshot va haqiqiy maqsadni bering, so‘ng qaysi ko‘rinadigan boshqaruv tegishli va keyin nima qilish kerakligini so‘rang. So‘ralgan chiqishni aniq tuting: boshqaruv yorlig‘i, joylashuvi va kutilgan amal. Ilova shu amalni bajarsa, keyingi skrinshot navbatdagi qaror uchun yangilangan vizual kirishni taqdim etadi.
Uzun videolar va hodisa joyini vaqt bo‘yicha aniqlash
Ishlab chiqaruvchi bir soatdan uzun videolarni tushunish va so‘ralgan hodisa bo‘lgan segmentni aniqlashni ta’riflaydi. Bu video tavsifini vaqt bo‘yicha joyni aniqlashga kengaytiradi. Topshiriqda obyekt qachon ilk bor paydo bo‘lishi, namoyish qayerda muayyan bosqichga yetishi yoki qaysi ko‘rinadigan hodisa boshqasidan oldin sodir bo‘lishi so‘ralishi mumkin. Natija xulosa, tartiblangan hodisalar ro‘yxati yoki hodisa tavsifi bilan boshlanish va tugash vaqtlari bo‘lishi kerakligini belgilang.
Oila dinamik kadr tezligida namunalash bilan o‘qitiladi va vaqtga oid pozitsion ma’lumotni mutlaq vaqt bilan moslaydi. Shuning uchun vaqt belgilari muhim bo‘lsa, kadr tezligi ma’lumoti tashlab yuboriladigan ixtiyoriy yorliq emas, video tayyorlashning bir qismidir. Hujjatlashtirilgan uzun video imkoniyati har bir kirish yo‘li uchun universal fayl hajmi yoki maksimal davomiylik spetsifikatsiyasi emas.
Obyekt joylashuvi va tuzilmali hujjatlar
Qwen2.5-VL chegaralovchi to‘rtburchaklar yoki nuqtalarni qaytarishi, koordinata va atributlarni JSON sifatida tartiblashi mumkin. Reliz an’anaviy normallashtirilgan koordinatalar o‘rniga haqiqiy tasvir o‘lchami masshtabidagi koordinatalardan foydalanadi. Topshiriqqa qamrovchi to‘rtburchak, muayyan nuqta yoki obyekt tavsifi kerakligini belgilang; qaytgan joylashuvni talqin qilish uchun zarur tasvir o‘lchamlari va o‘lcham o‘zgartirish ma’lumotlarini saqlang.
Masalan, vizual inventar so‘rovida har bir nishon obyekt, uning to‘rtburchagi va ko‘rinadigan atributi so‘ralishi mumkin. Nuqtali topshiriq yorliqlangan boshqaruv yoki obyektning belgilangan qismi joylashuvini so‘rashi mumkin. Bular har bir so‘rov ishlatishi shart bo‘lgan qat’iy maydon nomlari emas, taklif etilgan chiqish tuzilishlaridir. Bir necha tasvir berilsa, har bir koordinatani o‘z manba tasviriga bog‘lang.
Ishlab chiqaruvchi skanerlangan hisob-fakturalar, formalar va jadvallardan tuzilmali ma’lumot ajratishni alohida ta’kidlaydi. Maydonlarni belgilang, asl yorliqlarni saqlang va qiymatni o‘qib bo‘lmasa aniq ifodani so‘rang. Jadvalda so‘ralgan qatorlar bilan ustun sarlavhalari va birliklarni saqlang. Amaliy yozuv hujjat identifikatori, maydon yorlig‘i, ajratilgan qiymat va joylashuvni o‘z ichiga olishi mumkin; bu chiqishni keyingi taqqoslash yoki inson tekshiruvi uchun yaroqli qiladi.
Arxitektura va kirishni tayyorlash
Model dinamik tasvir aniqligi va dinamik video namunalashni yangilangan multimodal aylanma pozitsion ma’lumot bilan birlashtiradi. Uning ko‘rish enkoderi window attention, SwiGLU va RMSNorm’dan foydalanadi. Bular vizual va vaqtga oid ishlov berishni qo‘llovchi arxitektura o‘zgarishlaridir; hujjatlashtirilgan matnli natija jarayoniga audio kirish yoki tasvir yaratishni qo‘shmaydi.
Karta bitta tasvir, bir nechta tasvir, video kadrlar ketma-ketligi, video fayli yoki havolasi hamda paketlangan suhbatlarni namoyish etadi. Tasvir protsessori sukut bo‘yicha har bir tasvir uchun 4 dan 16,384 gacha vizual token oralig‘ini hujjatlashtiradi. Minimal va maksimal piksel sozlamalari tomonlar nisbatini saqlaydi; so‘ralgan aniq o‘lchamlar 28 ning karralisiga yaxlitlanadi. 256 dan 1,280 gacha vizual token misoli alohida qat’iy tasvir chegarasi emas, sozlanadigan namuna. O‘lchamni o‘zgartirishda savolga kerakli tafsilotni saqlang.
Kontekst va joylashuvga sezgir sozlamalar
Chiqarilgan konfiguratsiya maksimal pozitsiyalarni 128,000 deb belgilaydi. Model kartasining uzun matn bo‘limi alohida 32,768 tokenli boshlang‘ich holat va YaRN kengaytmasi misolini ta’riflaydi. Unda bu kengaytma vaqt va fazo bo‘yicha joyni aniqlashga sezilarli ta’sir qilishi aniq aytilgan va tavsiya etilmaydi. Qo‘llanma uzun videolar uchun maksimal pozitsiyalarni o‘zgartirishni ham muhokama qiladi; bular har bir topshiriq uchun bitta shartsiz kirish chegarasi emas, konfiguratsiya qaydlaridir.
Ayniqsa koordinata yoki hodisa vaqti muhim bo‘lsa, aniq reliz konfiguratsiyasi va vizual oldindan ishlovni topshiriqqa mos tuting. Kartadagi 128 tokenli generatsiya misoli alohida maksimal chiqish sig‘imini belgilamaydi. Qwen2.5-VL-7B-Instruct matn, koordinata va tuzilmali topilmalar yaratadi; tashqi amal, renderlangan tasvir, video yoki ovozli javob boshqa ilova komponentini talab qiladi.
", "aboutText": "Qwen2.5-VL-7B-Instruct — Qwen2.5-VL’ning ko‘rsatmalar uchun moslashtirilgan 7B nashri. U matnli ko‘rsatmani tasvir yoki video bilan bog‘lab, matnli natija qaytaradi. Ishlab chiqaruvchining asosiy yaxshilanishlari obyektlar va vizual tafsilotlarni tanish, matn va joylashuvlarni tahlil qilish, vizual agent topshiriqlari, uzun videodagi hodisalarni tushunish, obyekt joylashuvini aniqlash va hujjatlardan tuzilmali ma’lumot ajratishni qamrab oladi.\n\nVizual mazmunni tushunish\n\nOila fotosuratning bosh obyektini aniqlashdan kengroq vazifalarni bajaradi. Hujjatlashtirilgan topshiriqlar tasvir ichidagi matn, diagramma, belgi, grafika va elementlar joylashuvini tahlil qilishni o‘z ichiga oladi. Grafikda tekshiriladigan qator yoki munosabatni belgilang, o‘qlar, izohlar va birliklarni saqlang. Chizmada yorliqlangan qismlar qanday bog‘lanishi va ko‘rinadigan joylashuv jarayon haqida nimani bildirishini so‘rang.\n\nFoydali taqqoslashda asl va tahrirlangan dizayn berilib, qaysi biri qaysi ekani ko‘rsatiladi va qisqa talablar ro‘yxatiga nisbatan ko‘rinadigan o‘zgarishlar so‘raladi. Kuzatuvni tegishli tasvir hududi bilan birga so‘rang. Bu ikki aloqasiz tasvirning umumiy tavsifini so‘rash o‘rniga javobga aniq maqsad beradi.\n\nVizual agent jarayonlari\n\nIshlab chiqaruvchi Qwen2.5-VL’ni ekran haqida mulohaza yuritadigan va kompyuter yoki telefondan foydalanish topshiriqlarida vositalarni yo‘naltiradigan vizual agent sifatida taqdim etadi. Model talqin va taklif etilgan operatsiyani beradi; atrofdagi agent ilovasi boshqaruvlarni ta’minlaydi, operatsiyani bajaradi va yangi holatni qaytaradi. Shuning uchun matnli javob yoki bashorat qilingan koordinata ushbu birlashgan jarayonning bir qismidir.\n\nInterfeys savolida skrinshot va haqiqiy maqsadni bering, so‘ng qaysi ko‘rinadigan boshqaruv tegishli va keyin nima qilish kerakligini so‘rang. So‘ralgan chiqishni aniq tuting: boshqaruv yorlig‘i, joylashuvi va kutilgan amal. Ilova shu amalni bajarsa, keyingi skrinshot navbatdagi qaror uchun yangilangan vizual kirishni taqdim etadi.\n\nUzun videolar va hodisa joyini vaqt bo‘yicha aniqlash\n\nIshlab chiqaruvchi bir soatdan uzun videolarni tushunish va so‘ralgan hodisa bo‘lgan segmentni aniqlashni ta’riflaydi. Bu video tavsifini vaqt bo‘yicha joyni aniqlashga kengaytiradi. Topshiriqda obyekt qachon ilk bor paydo bo‘lishi, namoyish qayerda muayyan bosqichga yetishi yoki qaysi ko‘rinadigan hodisa boshqasidan oldin sodir bo‘lishi so‘ralishi mumkin. Natija xulosa, tartiblangan hodisalar ro‘yxati yoki hodisa tavsifi bilan boshlanish va tugash vaqtlari bo‘lishi kerakligini belgilang.\n\nOila dinamik kadr tezligida namunalash bilan o‘qitiladi va vaqtga oid pozitsion ma’lumotni mutlaq vaqt bilan moslaydi. Shuning uchun vaqt belgilari muhim bo‘lsa, kadr tezligi ma’lumoti tashlab yuboriladigan ixtiyoriy yorliq emas, video tayyorlashning bir qismidir. Hujjatlashtirilgan uzun video imkoniyati har bir kirish yo‘li uchun universal fayl hajmi yoki maksimal davomiylik spetsifikatsiyasi emas.\n\nObyekt joylashuvi va tuzilmali hujjatlar\n\nQwen2.5-VL chegaralovchi to‘rtburchaklar yoki nuqtalarni qaytarishi, koordinata va atributlarni JSON sifatida tartiblashi mumkin. Reliz an’anaviy normallashtirilgan koordinatalar o‘rniga haqiqiy tasvir o‘lchami masshtabidagi koordinatalardan foydalanadi. Topshiriqqa qamrovchi to‘rtburchak, muayyan nuqta yoki obyekt tavsifi kerakligini belgilang; qaytgan joylashuvni talqin qilish uchun zarur tasvir o‘lchamlari va o‘lcham o‘zgartirish ma’lumotlarini saqlang.\n\nMasalan, vizual inventar so‘rovida har bir nishon obyekt, uning to‘rtburchagi va ko‘rinadigan atributi so‘ralishi mumkin. Nuqtali topshiriq yorliqlangan boshqaruv yoki obyektning belgilangan qismi joylashuvini so‘rashi mumkin. Bular har bir so‘rov ishlatishi shart bo‘lgan qat’iy maydon nomlari emas, taklif etilgan chiqish tuzilishlaridir. Bir necha tasvir berilsa, har bir koordinatani o‘z manba tasviriga bog‘lang.\n\nIshlab chiqaruvchi skanerlangan hisob-fakturalar, formalar va jadvallardan tuzilmali ma’lumot ajratishni alohida ta’kidlaydi. Maydonlarni belgilang, asl yorliqlarni saqlang va qiymatni o‘qib bo‘lmasa aniq ifodani so‘rang. Jadvalda so‘ralgan qatorlar bilan ustun sarlavhalari va birliklarni saqlang. Amaliy yozuv hujjat identifikatori, maydon yorlig‘i, ajratilgan qiymat va joylashuvni o‘z ichiga olishi mumkin; bu chiqishni keyingi taqqoslash yoki inson tekshiruvi uchun yaroqli qiladi.\n\nArxitektura va kirishni tayyorlash\n\nModel dinamik tasvir aniqligi va dinamik video namunalashni yangilangan multimodal aylanma pozitsion ma’lumot bilan birlashtiradi. Uning ko‘rish enkoderi window attention, SwiGLU va RMSNorm’dan foydalanadi. Bular vizual va vaqtga oid ishlov berishni qo‘llovchi arxitektura o‘zgarishlaridir; hujjatlashtirilgan matnli natija jarayoniga audio kirish yoki tasvir yaratishni qo‘shmaydi.\n\nKarta bitta tasvir, bir nechta tasvir, video kadrlar ketma-ketligi, video fayli yoki havolasi hamda paketlangan suhbatlarni namoyish etadi. Tasvir protsessori sukut bo‘yicha har bir tasvir uchun 4 dan 16,384 gacha vizual token oralig‘ini hujjatlashtiradi. Minimal va maksimal piksel sozlamalari tomonlar nisbatini saqlaydi; so‘ralgan aniq o‘lchamlar 28 ning karralisiga yaxlitlanadi. 256 dan 1,280 gacha vizual token misoli alohida qat’iy tasvir chegarasi emas, sozlanadigan namuna. O‘lchamni o‘zgartirishda savolga kerakli tafsilotni saqlang.\n\nKontekst va joylashuvga sezgir sozlamalar\n\nChiqarilgan konfiguratsiya maksimal pozitsiyalarni 128,000 deb belgilaydi. Model kartasining uzun matn bo‘limi alohida 32,768 tokenli boshlang‘ich holat va YaRN kengaytmasi misolini ta’riflaydi. Unda bu kengaytma vaqt va fazo bo‘yicha joyni aniqlashga sezilarli ta’sir qilishi aniq aytilgan va tavsiya etilmaydi. Qo‘llanma uzun videolar uchun maksimal pozitsiyalarni o‘zgartirishni ham muhokama qiladi; bular har bir topshiriq uchun bitta shartsiz kirish chegarasi emas, konfiguratsiya qaydlaridir.\n\nAyniqsa koordinata yoki hodisa vaqti muhim bo‘lsa, aniq reliz konfiguratsiyasi va vizual oldindan ishlovni topshiriqqa mos tuting. Kartadagi 128 tokenli generatsiya misoli alohida maksimal chiqish sig‘imini belgilamaydi. Qwen2.5-VL-7B-Instruct matn, koordinata va tuzilmali topilmalar yaratadi; tashqi amal, renderlangan tasvir, video yoki ovozli javob boshqa ilova komponentini talab qiladi.", "editorialOverlay": { "copy_fields": { "practical_html": "Ingliz tilidagi texnik misol
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 — tasvir, hujjat va video uchun ko‘rish-til modeli. U matn va tuzilmali topilmalar, jumladan obyekt chegaralovchi to‘rtburchaklari, nuqtalar va atributlarni yaratadi hamda 7B nashriga hodisaning vaqt bo‘yicha joyini aniqlash va vizual agent imkoniyatlarini olib keladi.
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Qwen2.5-VL-7B-Instruct — Qwen2.5-VL’ning ko‘rsatmalar uchun moslashtirilgan 7B nashri. U matnli ko‘rsatmani tasvir yoki video bilan bog‘lab, matnli natija qaytaradi. Ishlab chiqaruvchining asosiy yaxshilanishlari obyektlar va vizual tafsilotlarni tanish, matn va joylashuvlarni tahlil qilish, vizual agent topshiriqlari, uzun videodagi hodisalarni tushunish, obyekt joylashuvini aniqlash va hujjatlardan tuzilmali ma’lumot ajratishni qamrab oladi.
Vizual mazmunni tushunish
Oila fotosuratning bosh obyektini aniqlashdan kengroq vazifalarni bajaradi. Hujjatlashtirilgan topshiriqlar tasvir ichidagi matn, diagramma, belgi, grafika va elementlar joylashuvini tahlil qilishni o‘z ichiga oladi. Grafikda tekshiriladigan qator yoki munosabatni belgilang, o‘qlar, izohlar va birliklarni saqlang. Chizmada yorliqlangan qismlar qanday bog‘lanishi va ko‘rinadigan joylashuv jarayon haqida nimani bildirishini so‘rang.
Foydali taqqoslashda asl va tahrirlangan dizayn berilib, qaysi biri qaysi ekani ko‘rsatiladi va qisqa talablar ro‘yxatiga nisbatan ko‘rinadigan o‘zgarishlar so‘raladi. Kuzatuvni tegishli tasvir hududi bilan birga so‘rang. Bu ikki aloqasiz tasvirning umumiy tavsifini so‘rash o‘rniga javobga aniq maqsad beradi.
Vizual agent jarayonlari
Ishlab chiqaruvchi Qwen2.5-VL’ni ekran haqida mulohaza yuritadigan va kompyuter yoki telefondan foydalanish topshiriqlarida vositalarni yo‘naltiradigan vizual agent sifatida taqdim etadi. Model talqin va taklif etilgan operatsiyani beradi; atrofdagi agent ilovasi boshqaruvlarni ta’minlaydi, operatsiyani bajaradi va yangi holatni qaytaradi. Shuning uchun matnli javob yoki bashorat qilingan koordinata ushbu birlashgan jarayonning bir qismidir.
Interfeys savolida skrinshot va haqiqiy maqsadni bering, so‘ng qaysi ko‘rinadigan boshqaruv tegishli va keyin nima qilish kerakligini so‘rang. So‘ralgan chiqishni aniq tuting: boshqaruv yorlig‘i, joylashuvi va kutilgan amal. Ilova shu amalni bajarsa, keyingi skrinshot navbatdagi qaror uchun yangilangan vizual kirishni taqdim etadi.
Uzun videolar va hodisa joyini vaqt bo‘yicha aniqlash
Ishlab chiqaruvchi bir soatdan uzun videolarni tushunish va so‘ralgan hodisa bo‘lgan segmentni aniqlashni ta’riflaydi. Bu video tavsifini vaqt bo‘yicha joyni aniqlashga kengaytiradi. Topshiriqda obyekt qachon ilk bor paydo bo‘lishi, namoyish qayerda muayyan bosqichga yetishi yoki qaysi ko‘rinadigan hodisa boshqasidan oldin sodir bo‘lishi so‘ralishi mumkin. Natija xulosa, tartiblangan hodisalar ro‘yxati yoki hodisa tavsifi bilan boshlanish va tugash vaqtlari bo‘lishi kerakligini belgilang.
Oila dinamik kadr tezligida namunalash bilan o‘qitiladi va vaqtga oid pozitsion ma’lumotni mutlaq vaqt bilan moslaydi. Shuning uchun vaqt belgilari muhim bo‘lsa, kadr tezligi ma’lumoti tashlab yuboriladigan ixtiyoriy yorliq emas, video tayyorlashning bir qismidir. Hujjatlashtirilgan uzun video imkoniyati har bir kirish yo‘li uchun universal fayl hajmi yoki maksimal davomiylik spetsifikatsiyasi emas.
Obyekt joylashuvi va tuzilmali hujjatlar
Qwen2.5-VL chegaralovchi to‘rtburchaklar yoki nuqtalarni qaytarishi, koordinata va atributlarni JSON sifatida tartiblashi mumkin. Reliz an’anaviy normallashtirilgan koordinatalar o‘rniga haqiqiy tasvir o‘lchami masshtabidagi koordinatalardan foydalanadi. Topshiriqqa qamrovchi to‘rtburchak, muayyan nuqta yoki obyekt tavsifi kerakligini belgilang; qaytgan joylashuvni talqin qilish uchun zarur tasvir o‘lchamlari va o‘lcham o‘zgartirish ma’lumotlarini saqlang.
Masalan, vizual inventar so‘rovida har bir nishon obyekt, uning to‘rtburchagi va ko‘rinadigan atributi so‘ralishi mumkin. Nuqtali topshiriq yorliqlangan boshqaruv yoki obyektning belgilangan qismi joylashuvini so‘rashi mumkin. Bular har bir so‘rov ishlatishi shart bo‘lgan qat’iy maydon nomlari emas, taklif etilgan chiqish tuzilishlaridir. Bir necha tasvir berilsa, har bir koordinatani o‘z manba tasviriga bog‘lang.
Ishlab chiqaruvchi skanerlangan hisob-fakturalar, formalar va jadvallardan tuzilmali ma’lumot ajratishni alohida ta’kidlaydi. Maydonlarni belgilang, asl yorliqlarni saqlang va qiymatni o‘qib bo‘lmasa aniq ifodani so‘rang. Jadvalda so‘ralgan qatorlar bilan ustun sarlavhalari va birliklarni saqlang. Amaliy yozuv hujjat identifikatori, maydon yorlig‘i, ajratilgan qiymat va joylashuvni o‘z ichiga olishi mumkin; bu chiqishni keyingi taqqoslash yoki inson tekshiruvi uchun yaroqli qiladi.
Arxitektura va kirishni tayyorlash
Model dinamik tasvir aniqligi va dinamik video namunalashni yangilangan multimodal aylanma pozitsion ma’lumot bilan birlashtiradi. Uning ko‘rish enkoderi window attention, SwiGLU va RMSNorm’dan foydalanadi. Bular vizual va vaqtga oid ishlov berishni qo‘llovchi arxitektura o‘zgarishlaridir; hujjatlashtirilgan matnli natija jarayoniga audio kirish yoki tasvir yaratishni qo‘shmaydi.
Karta bitta tasvir, bir nechta tasvir, video kadrlar ketma-ketligi, video fayli yoki havolasi hamda paketlangan suhbatlarni namoyish etadi. Tasvir protsessori sukut bo‘yicha har bir tasvir uchun 4 dan 16,384 gacha vizual token oralig‘ini hujjatlashtiradi. Minimal va maksimal piksel sozlamalari tomonlar nisbatini saqlaydi; so‘ralgan aniq o‘lchamlar 28 ning karralisiga yaxlitlanadi. 256 dan 1,280 gacha vizual token misoli alohida qat’iy tasvir chegarasi emas, sozlanadigan namuna. O‘lchamni o‘zgartirishda savolga kerakli tafsilotni saqlang.
Kontekst va joylashuvga sezgir sozlamalar
Chiqarilgan konfiguratsiya maksimal pozitsiyalarni 128,000 deb belgilaydi. Model kartasining uzun matn bo‘limi alohida 32,768 tokenli boshlang‘ich holat va YaRN kengaytmasi misolini ta’riflaydi. Unda bu kengaytma vaqt va fazo bo‘yicha joyni aniqlashga sezilarli ta’sir qilishi aniq aytilgan va tavsiya etilmaydi. Qo‘llanma uzun videolar uchun maksimal pozitsiyalarni o‘zgartirishni ham muhokama qiladi; bular har bir topshiriq uchun bitta shartsiz kirish chegarasi emas, konfiguratsiya qaydlaridir.
Ayniqsa koordinata yoki hodisa vaqti muhim bo‘lsa, aniq reliz konfiguratsiyasi va vizual oldindan ishlovni topshiriqqa mos tuting. Kartadagi 128 tokenli generatsiya misoli alohida maksimal chiqish sig‘imini belgilamaydi. Qwen2.5-VL-7B-Instruct matn, koordinata va tuzilmali topilmalar yaratadi; tashqi amal, renderlangan tasvir, video yoki ovozli javob boshqa ilova komponentini talab qiladi.
POST /v1/chat/completionstexttext| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar qwen2.5-vl-7b-instruct | Standart— |
Maydonmessages | Turmessage[] | TalabMajburiy | Qiymatlar va cheklovlar Elementlarning eng kam soni: 1 | Standart— |
Maydonmessages[].role | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Namunalar: system, user, assistant, tool, function Shartlar: Bu rollar manba kodining moslik turlarida ochiq ifodalangan; aniq rollar to‘plami har bir modelga xos bo‘lib qoladi. Modelga bogʻliq | Standart— |
Maydonmessages[].content | Turstring|content_part[]|null | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonmessages[].tool_calls | Turtool_call[] | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonmessages[].tool_call_id | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Quyidagi holatda qo‘llanadi: role=tool; haqiqatan qaytarilgan IDdan foydalaning | Standart— |
Maydonmessages[].name | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonmessages[].reasoning_content | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Quyidagi holatda qo‘llanadi: Ushbu model foydalanganda, haqiqatan qaytarilgan fikrlash ma’lumotlarini keyingi so‘rovda qayta yuboring | Standart— |
Maydonmessages[].reasoning_details | Turobject|array | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonmax_tokens | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 1 Modelga bogʻliq | Standart— |
Maydonmax_completion_tokens | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 1 Modelga bogʻliq | Standart— |
Maydonstream | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Maydonstream_options.include_usage | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydontemperature | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydontop_p | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonstop | Turstring|string[] | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydontools | Turfunction_tool[] | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydontools[].type | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar function Modelga bogʻliq | Standart— |
Maydontools[].function.name | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Quyidagi holatda qo‘llanadi: Funksiya vositasi taqdim etilgan | Standart— |
Maydontools[].function.description | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydontools[].function.parameters | TurJSON_schema | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydontool_choice | Turstring|object | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonparallel_tool_calls | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonresponse_format | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonreasoning_effort | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonreasoning | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonservice_tier | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydoninstructions | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Moslik maydoni | Standart— |
Maydonfunctions | Turfunction[] | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonfunction_call | Turstring|object | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonprompt_cache_options | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar Modelga bogʻliq | Standart— |
Maydonmodalities | Turstring[] | TalabIxtiyoriy | Qiymatlar va cheklovlar text | Standart— |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Ushbu Ultra matn marshrutida provider.options rad etiladi | Standart— |
Maydoncache_control.ttl | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Haqiqiy prompt-kesh joylarida 1h rad etiladi | Standart— |
Matn · UTF8 matni
messages[].content
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, messages |
Parametrmaterial_types | Parametr talablaritext |
Parametrmessages | Parametr talablarirole/content tuzilishidagi xabarlar massivi |
Parametrfile_material | Parametr talablariHaqiqiy UTF-8 hujjati aynan matn sifatida kiritiladi; fayl IDsi faraz qilinmaydi |
Parametroptional_controls | Parametr talablaristream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Parametr talablariModelga xos; foydalanuvchi funksiya vositalari hostingdagi vositalardan farq qiladi |
Parametroutput_modalities | Parametr talablaritext |
Parametrhosted_operations | Parametr talablarifalse |
Parametrmultimodal_input_binding | Parametr talablarinull |
Hayot sikli: synchronous_or_streamed
Aniq model IDsini messages bilan yuboring.
Kontekst uzunligi chiqishning yuqori chegarasi emas.
Matn fayli aynan matnni taqdim etishi mumkin; tasvir, audio va fayl obyekti kirishlari aniq bog‘lashni talab qiladi.
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
| Sozlama | Tariflar jadvali | To‘lov |
|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | To‘lov Kirish · Kirish tokenlari $0.0001 / 1K token Chiqish · Chiqish tokenlari $0.0001 / 1K token Kirish · Keshdan o‘qish $0 / 1K token Kirish · Keshga yozish $0 / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
set -eu\n: "${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 yoki SSE
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
Har bir javob variantini va uning kontenti, vosita chaqiruvlari hamda fikrlash ma’lumotlarini saqlang. SSEda o‘zgarish qismlarini variant va vosita indeksi bo‘yicha yig‘ing, yakuniy tugash sababi va sarf ma’lumotlarini saqlang.
So‘rov va javob IDlari hamda sarlavhalarini saqlang. Matn vazifasini olish uchun umumiy URL taqdim etilmagan.
| Maydon | Tur |
|---|---|
Maydonchoices[].index | Turinteger |
Maydonchoices[].message.content | Turstring|null |
Maydonchoices[].message.tool_calls | Turtool_call[] |
Maydonchoices[].message.reasoning_content | Turstring |
Maydonchoices[].message.reasoning_details | Turobject|array |
Maydonchoices[].finish_reason | Turstring|null |
Maydonusage | Turobject |
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct — tasvir, hujjat va video uchun ko‘rish-til modeli. U matn va tuzilmali topilmalar, jumladan obyekt chegaralovchi to‘rtburchaklari, nuqtalar va atributlarni yaratadi hamda 7B nashriga hodisaning vaqt bo‘yicha joyini aniqlash va vizual agent imkoniyatlarini olib keladi.
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Qwen2.5-VL-7B-Instruct — Qwen2.5-VL’ning ko‘rsatmalar uchun moslashtirilgan 7B nashri. U matnli ko‘rsatmani tasvir yoki video bilan bog‘lab, matnli natija qaytaradi. Ishlab chiqaruvchining asosiy yaxshilanishlari obyektlar va vizual tafsilotlarni tanish, matn va joylashuvlarni tahlil qilish, vizual agent topshiriqlari, uzun videodagi hodisalarni tushunish, obyekt joylashuvini aniqlash va hujjatlardan tuzilmali ma’lumot ajratishni qamrab oladi.
Vizual mazmunni tushunish
Oila fotosuratning bosh obyektini aniqlashdan kengroq vazifalarni bajaradi. Hujjatlashtirilgan topshiriqlar tasvir ichidagi matn, diagramma, belgi, grafika va elementlar joylashuvini tahlil qilishni o‘z ichiga oladi. Grafikda tekshiriladigan qator yoki munosabatni belgilang, o‘qlar, izohlar va birliklarni saqlang. Chizmada yorliqlangan qismlar qanday bog‘lanishi va ko‘rinadigan joylashuv jarayon haqida nimani bildirishini so‘rang.
Foydali taqqoslashda asl va tahrirlangan dizayn berilib, qaysi biri qaysi ekani ko‘rsatiladi va qisqa talablar ro‘yxatiga nisbatan ko‘rinadigan o‘zgarishlar so‘raladi. Kuzatuvni tegishli tasvir hududi bilan birga so‘rang. Bu ikki aloqasiz tasvirning umumiy tavsifini so‘rash o‘rniga javobga aniq maqsad beradi.
Vizual agent jarayonlari
Ishlab chiqaruvchi Qwen2.5-VL’ni ekran haqida mulohaza yuritadigan va kompyuter yoki telefondan foydalanish topshiriqlarida vositalarni yo‘naltiradigan vizual agent sifatida taqdim etadi. Model talqin va taklif etilgan operatsiyani beradi; atrofdagi agent ilovasi boshqaruvlarni ta’minlaydi, operatsiyani bajaradi va yangi holatni qaytaradi. Shuning uchun matnli javob yoki bashorat qilingan koordinata ushbu birlashgan jarayonning bir qismidir.
Interfeys savolida skrinshot va haqiqiy maqsadni bering, so‘ng qaysi ko‘rinadigan boshqaruv tegishli va keyin nima qilish kerakligini so‘rang. So‘ralgan chiqishni aniq tuting: boshqaruv yorlig‘i, joylashuvi va kutilgan amal. Ilova shu amalni bajarsa, keyingi skrinshot navbatdagi qaror uchun yangilangan vizual kirishni taqdim etadi.
Uzun videolar va hodisa joyini vaqt bo‘yicha aniqlash
Ishlab chiqaruvchi bir soatdan uzun videolarni tushunish va so‘ralgan hodisa bo‘lgan segmentni aniqlashni ta’riflaydi. Bu video tavsifini vaqt bo‘yicha joyni aniqlashga kengaytiradi. Topshiriqda obyekt qachon ilk bor paydo bo‘lishi, namoyish qayerda muayyan bosqichga yetishi yoki qaysi ko‘rinadigan hodisa boshqasidan oldin sodir bo‘lishi so‘ralishi mumkin. Natija xulosa, tartiblangan hodisalar ro‘yxati yoki hodisa tavsifi bilan boshlanish va tugash vaqtlari bo‘lishi kerakligini belgilang.
Oila dinamik kadr tezligida namunalash bilan o‘qitiladi va vaqtga oid pozitsion ma’lumotni mutlaq vaqt bilan moslaydi. Shuning uchun vaqt belgilari muhim bo‘lsa, kadr tezligi ma’lumoti tashlab yuboriladigan ixtiyoriy yorliq emas, video tayyorlashning bir qismidir. Hujjatlashtirilgan uzun video imkoniyati har bir kirish yo‘li uchun universal fayl hajmi yoki maksimal davomiylik spetsifikatsiyasi emas.
Obyekt joylashuvi va tuzilmali hujjatlar
Qwen2.5-VL chegaralovchi to‘rtburchaklar yoki nuqtalarni qaytarishi, koordinata va atributlarni JSON sifatida tartiblashi mumkin. Reliz an’anaviy normallashtirilgan koordinatalar o‘rniga haqiqiy tasvir o‘lchami masshtabidagi koordinatalardan foydalanadi. Topshiriqqa qamrovchi to‘rtburchak, muayyan nuqta yoki obyekt tavsifi kerakligini belgilang; qaytgan joylashuvni talqin qilish uchun zarur tasvir o‘lchamlari va o‘lcham o‘zgartirish ma’lumotlarini saqlang.
Masalan, vizual inventar so‘rovida har bir nishon obyekt, uning to‘rtburchagi va ko‘rinadigan atributi so‘ralishi mumkin. Nuqtali topshiriq yorliqlangan boshqaruv yoki obyektning belgilangan qismi joylashuvini so‘rashi mumkin. Bular har bir so‘rov ishlatishi shart bo‘lgan qat’iy maydon nomlari emas, taklif etilgan chiqish tuzilishlaridir. Bir necha tasvir berilsa, har bir koordinatani o‘z manba tasviriga bog‘lang.
Ishlab chiqaruvchi skanerlangan hisob-fakturalar, formalar va jadvallardan tuzilmali ma’lumot ajratishni alohida ta’kidlaydi. Maydonlarni belgilang, asl yorliqlarni saqlang va qiymatni o‘qib bo‘lmasa aniq ifodani so‘rang. Jadvalda so‘ralgan qatorlar bilan ustun sarlavhalari va birliklarni saqlang. Amaliy yozuv hujjat identifikatori, maydon yorlig‘i, ajratilgan qiymat va joylashuvni o‘z ichiga olishi mumkin; bu chiqishni keyingi taqqoslash yoki inson tekshiruvi uchun yaroqli qiladi.
Arxitektura va kirishni tayyorlash
Model dinamik tasvir aniqligi va dinamik video namunalashni yangilangan multimodal aylanma pozitsion ma’lumot bilan birlashtiradi. Uning ko‘rish enkoderi window attention, SwiGLU va RMSNorm’dan foydalanadi. Bular vizual va vaqtga oid ishlov berishni qo‘llovchi arxitektura o‘zgarishlaridir; hujjatlashtirilgan matnli natija jarayoniga audio kirish yoki tasvir yaratishni qo‘shmaydi.
Karta bitta tasvir, bir nechta tasvir, video kadrlar ketma-ketligi, video fayli yoki havolasi hamda paketlangan suhbatlarni namoyish etadi. Tasvir protsessori sukut bo‘yicha har bir tasvir uchun 4 dan 16,384 gacha vizual token oralig‘ini hujjatlashtiradi. Minimal va maksimal piksel sozlamalari tomonlar nisbatini saqlaydi; so‘ralgan aniq o‘lchamlar 28 ning karralisiga yaxlitlanadi. 256 dan 1,280 gacha vizual token misoli alohida qat’iy tasvir chegarasi emas, sozlanadigan namuna. O‘lchamni o‘zgartirishda savolga kerakli tafsilotni saqlang.
Kontekst va joylashuvga sezgir sozlamalar
Chiqarilgan konfiguratsiya maksimal pozitsiyalarni 128,000 deb belgilaydi. Model kartasining uzun matn bo‘limi alohida 32,768 tokenli boshlang‘ich holat va YaRN kengaytmasi misolini ta’riflaydi. Unda bu kengaytma vaqt va fazo bo‘yicha joyni aniqlashga sezilarli ta’sir qilishi aniq aytilgan va tavsiya etilmaydi. Qo‘llanma uzun videolar uchun maksimal pozitsiyalarni o‘zgartirishni ham muhokama qiladi; bular har bir topshiriq uchun bitta shartsiz kirish chegarasi emas, konfiguratsiya qaydlaridir.
Ayniqsa koordinata yoki hodisa vaqti muhim bo‘lsa, aniq reliz konfiguratsiyasi va vizual oldindan ishlovni topshiriqqa mos tuting. Kartadagi 128 tokenli generatsiya misoli alohida maksimal chiqish sig‘imini belgilamaydi. Qwen2.5-VL-7B-Instruct matn, koordinata va tuzilmali topilmalar yaratadi; tashqi amal, renderlangan tasvir, video yoki ovozli javob boshqa ilova komponentini talab qiladi.
POST /v1/messagestextjson, sse| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar qwen2.5-vl-7b-instruct | Standart— |
Maydonmessages | Turmessage[] | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonmessages[].role | Turstring | TalabMajburiy | Qiymatlar va cheklovlar user, assistant | Standart— |
Maydonmessages[].content | Turstring | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonmax_tokens | Turinteger | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonstream | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Matn · UTF-8 matni
messages[].content satri
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, messages, max_tokens |
Parametroptional_controls | Parametr talablaristream |
Parametrmaterial_types | Parametr talablaritext |
Parametrtext_file_material | Parametr talablariHaqiqiy UTF-8 hujjatini o‘qing va uning matnini ko‘rsatilgan kirish yoki xabar kontenti satriga joylashtiring. |
Hayot sikli: synchronous_or_streamed
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
| Sozlama | Tariflar jadvali | To‘lov |
|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | To‘lov Kirish · Kirish tokenlari $0.0001 / 1K token Chiqish · Chiqish tokenlari $0.0001 / 1K token Kirish · Keshdan o‘qish $0 / 1K token Kirish · Keshga yozish $0 / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 yoki SSE
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
Barcha kontent bloklari, fikrlash imzolari va haqiqiy vosita ishlatish IDlarini saqlang. SSE bloklarining barcha o‘zgarish qismlarini yig‘ing; birinchi matn bloki to‘liq chiqish emas.
So‘rov va javob IDlari hamda sarlavhalarini saqlang. Matn vazifasini olish uchun umumiy URL taqdim etilmagan.
| Maydon | Tur |
|---|---|
Maydonid | Turstring |
Maydonmodel | Turstring |
Maydoncontent[] | Turtext|thinking|tool_use|other content block |
Maydonstop_reason | Turstring|null |
Maydonusage | Turobject |
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Ailoot Ultra qwen2.5-vl-7b-instruct
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Ingliz tilidagi texnik misol
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.