Qwen2-VL-72B-Instruct là phiên bản thị giác-ngôn ngữ 72B được tinh chỉnh để làm theo chỉ dẫn, xây dựng quanh Qwen2. Mô hình nhận văn bản cùng ảnh hoặc video và tạo câu trả lời văn bản. Nhà phát triển nhấn mạnh hiểu ảnh với nhiều độ phân giải và tỷ lệ khung hình, diễn giải chữ trong ảnh, suy luận về quan hệ nhìn thấy được và trả lời câu hỏi về video dài hơn 20 phút.
Khả năng ảnh và video
Với trang tài liệu, yêu cầu nội dung cụ thể cần dùng: đoạn văn, hàng trong bảng, công thức hoặc điều kiện gắn với một phát biểu. Giữ trang dễ đọc và nêu kết quả cần chép nguyên văn, tóm tắt hay giải thích ý nghĩa. Đầu ra tài liệu hữu ích có thể giữ nhãn phần gốc bên cạnh nội dung được trích xuất. Với sơ đồ, hỏi các thành phần có nhãn kết nối thế nào và xác định quan hệ cần giải thích.
Việc sử dụng video được công bố gồm câu hỏi, hội thoại và nội dung viết dựa trên chuỗi hình ảnh nhìn thấy được. Xác định sự kiện hay thay đổi cần xem: khi nào đối tượng xuất hiện, điều gì xảy ra trước một bước cụ thể, hoặc hành động được trình diễn liên quan thế nào đến quy trình viết. Yêu cầu mô tả sự kiện theo thứ tự hoặc so sánh các bước nhìn thấy với quy trình được cung cấp. Phát biểu hơn 20 phút của nhà phát triển mô tả khả năng hiểu video dài; đây không phải thời lượng video tối đa cố định hay bảo đảm mọi đoạn video thô đều vừa với một cấu hình đầu vào không thay đổi.
Sử dụng agent thị giác
Bản phát hành cũng định vị Qwen2-VL cho agent thị giác kết nối với thiết bị di động, robot và công cụ khác. Thông báo mô tả các tình huống gọi hàm và trình thông dịch mã, như tạo mã từ sơ đồ hoặc dùng câu hỏi thị giác để yêu cầu tra cứu bên ngoài. Ứng dụng bao quanh cung cấp các công cụ đó, thực thi hành động đề xuất và trả về kết quả. Chỉ riêng phản hồi văn bản của mô hình không nhấp vào điều khiển, di chuyển thiết bị hay thực thi chương trình đã tạo.
Tác vụ giao diện thực tế có thể cung cấp ảnh chụp màn hình và mục tiêu người dùng, rồi hỏi điều khiển nhìn thấy nào liên quan đến bước tiếp theo và bằng chứng hỗ trợ lựa chọn. Giữ quan sát, hành động đề xuất và thực thi thực tế thành các phần riêng trong quy trình. Cách này dùng trọng tâm agent thị giác, đồng thời làm kết quả yêu cầu đủ cụ thể để ứng dụng hành động.
Văn bản đa ngôn ngữ trong ảnh
Nhà phát triển mô tả nhận dạng chữ trong ảnh bằng tiếng Anh và tiếng Trung, phần lớn ngôn ngữ châu Âu, cùng các ngôn ngữ như Nhật, Hàn, Ả Rập và Việt. Vì vậy, trang đa ngôn ngữ có thể được xử lý như tác vụ đọc thị giác. Khi cần giữ đúng từ ngữ, hãy yêu cầu chép văn bản gốc trước, rồi dịch hoặc giải thích bằng ngôn ngữ được chọn. Giữ nhãn và con số thay vì trộn nhận dạng với việc viết lại không được xác định.
Độ phân giải động và thông tin vị trí
Qwen2-VL kết hợp bộ mã hóa thị giác với mô hình ngôn ngữ Qwen2. Naive Dynamic Resolution ánh xạ các kích thước ảnh khác nhau thành số lượng token thị giác khác nhau. Multimodal Rotary Position Embedding tách thông tin vị trí để mô hình biểu diễn thứ tự văn bản, ảnh hai chiều và cấu trúc thời gian, không gian của video. Các tính năng này giải thích cách cùng họ mô hình xử lý một trang, nhiều ảnh hoặc chuỗi video.
Bộ xử lý ảnh trong thẻ mô hình công bố khoảng mặc định từ 4 đến 16.384 token thị giác mỗi ảnh. Ứng dụng có thể chỉnh số pixel tối thiểu và tối đa mà vẫn giữ tỷ lệ khung hình, hoặc yêu cầu kích thước được làm tròn tới bội số của 28. Khoảng ví dụ từ 256 đến 1.280 token là minh họa có thể cấu hình, không phải giới hạn ảnh riêng áp dụng chung. Nhiều chi tiết ảnh hơn dùng nhiều tính toán và token thị giác hơn, vì vậy giữ nhãn, tiêu đề và vật thể nhỏ cần cho câu hỏi khi chuẩn bị ảnh.
Chuẩn bị đầu vào và ngữ cảnh
Nhà phát triển trình diễn một ảnh, nhiều ảnh, video được cung cấp dưới dạng chuỗi khung hình hoặc tệp cục bộ và các hội thoại theo lô. Chuẩn bị ảnh gồm tệp cục bộ, dữ liệu ảnh được mã hóa và tham chiếu ảnh. Ví dụ video trong thẻ dùng một tốc độ khung hình được chọn; ví dụ đó không xác lập một tốc độ lấy mẫu bắt buộc cho mọi video. Xác định thứ tự và vai trò của nhiều ảnh, đồng thời cung cấp thông tin cần để diễn giải chuỗi thay vì coi các khung không liên quan là một cảnh.
Cấu hình phát hành đặt số vị trí tối đa ở 32.768. Tài liệu thị giác và chỉ dẫn văn bản phải được lập trong ngữ cảnh cấu hình thực tế. Ví dụ sinh 128 token trong thẻ chỉ là thiết lập minh họa; nó không công bố dung lượng đầu ra tối đa riêng. Phiên bản 72B cần giữ cấu hình của chính nó thay vì kế thừa thiết lập ngữ cảnh dài của Qwen2.5-VL hay mô hình Qwen khác.
Hạn chế đáng kể
Nhà phát triển nêu rõ Qwen2-VL không hiểu âm thanh chứa trong video. Vì vậy, thông tin lời nói phải được cung cấp riêng nếu câu hỏi phụ thuộc vào đó. Tập dữ liệu huấn luyện ảnh được mô tả là cập nhật đến tháng 6 năm 2023; đây là phát biểu về tập dữ liệu đó, không phải lời hứa về kiến thức thị giác hiện tại.
Các hạn chế được công bố còn gồm nhận dạng chưa đầy đủ một số người hoặc đối tượng sở hữu trí tuệ được nêu tên, khó khăn với chỉ dẫn nhiều bước phức tạp, khả năng đếm yếu trong cảnh phức tạp và hạn chế suy luận không gian ba chiều. Khi tác vụ phụ thuộc một trong các khả năng này, tập trung câu hỏi vào các đối tượng hoặc quan hệ cần thiết và giữ bằng chứng thị giác bên cạnh câu trả lời. Nguồn rõ và đầu ra được xác định giúp kiểm tra kết quả dễ hơn mà không thay thế các hạn chế đã nêu bằng bảo đảm độ chính xác.
", "aboutText": "Qwen2-VL-72B-Instruct là phiên bản thị giác-ngôn ngữ 72B được tinh chỉnh để làm theo chỉ dẫn, xây dựng quanh Qwen2. Mô hình nhận văn bản cùng ảnh hoặc video và tạo câu trả lời văn bản. Nhà phát triển nhấn mạnh hiểu ảnh với nhiều độ phân giải và tỷ lệ khung hình, diễn giải chữ trong ảnh, suy luận về quan hệ nhìn thấy được và trả lời câu hỏi về video dài hơn 20 phút.\n\nKhả năng ảnh và video\n\nVới trang tài liệu, yêu cầu nội dung cụ thể cần dùng: đoạn văn, hàng trong bảng, công thức hoặc điều kiện gắn với một phát biểu. Giữ trang dễ đọc và nêu kết quả cần chép nguyên văn, tóm tắt hay giải thích ý nghĩa. Đầu ra tài liệu hữu ích có thể giữ nhãn phần gốc bên cạnh nội dung được trích xuất. Với sơ đồ, hỏi các thành phần có nhãn kết nối thế nào và xác định quan hệ cần giải thích.\n\nViệc sử dụng video được công bố gồm câu hỏi, hội thoại và nội dung viết dựa trên chuỗi hình ảnh nhìn thấy được. Xác định sự kiện hay thay đổi cần xem: khi nào đối tượng xuất hiện, điều gì xảy ra trước một bước cụ thể, hoặc hành động được trình diễn liên quan thế nào đến quy trình viết. Yêu cầu mô tả sự kiện theo thứ tự hoặc so sánh các bước nhìn thấy với quy trình được cung cấp. Phát biểu hơn 20 phút của nhà phát triển mô tả khả năng hiểu video dài; đây không phải thời lượng video tối đa cố định hay bảo đảm mọi đoạn video thô đều vừa với một cấu hình đầu vào không thay đổi.\n\nSử dụng agent thị giác\n\nBản phát hành cũng định vị Qwen2-VL cho agent thị giác kết nối với thiết bị di động, robot và công cụ khác. Thông báo mô tả các tình huống gọi hàm và trình thông dịch mã, như tạo mã từ sơ đồ hoặc dùng câu hỏi thị giác để yêu cầu tra cứu bên ngoài. Ứng dụng bao quanh cung cấp các công cụ đó, thực thi hành động đề xuất và trả về kết quả. Chỉ riêng phản hồi văn bản của mô hình không nhấp vào điều khiển, di chuyển thiết bị hay thực thi chương trình đã tạo.\n\nTác vụ giao diện thực tế có thể cung cấp ảnh chụp màn hình và mục tiêu người dùng, rồi hỏi điều khiển nhìn thấy nào liên quan đến bước tiếp theo và bằng chứng hỗ trợ lựa chọn. Giữ quan sát, hành động đề xuất và thực thi thực tế thành các phần riêng trong quy trình. Cách này dùng trọng tâm agent thị giác, đồng thời làm kết quả yêu cầu đủ cụ thể để ứng dụng hành động.\n\nVăn bản đa ngôn ngữ trong ảnh\n\nNhà phát triển mô tả nhận dạng chữ trong ảnh bằng tiếng Anh và tiếng Trung, phần lớn ngôn ngữ châu Âu, cùng các ngôn ngữ như Nhật, Hàn, Ả Rập và Việt. Vì vậy, trang đa ngôn ngữ có thể được xử lý như tác vụ đọc thị giác. Khi cần giữ đúng từ ngữ, hãy yêu cầu chép văn bản gốc trước, rồi dịch hoặc giải thích bằng ngôn ngữ được chọn. Giữ nhãn và con số thay vì trộn nhận dạng với việc viết lại không được xác định.\n\nĐộ phân giải động và thông tin vị trí\n\nQwen2-VL kết hợp bộ mã hóa thị giác với mô hình ngôn ngữ Qwen2. Naive Dynamic Resolution ánh xạ các kích thước ảnh khác nhau thành số lượng token thị giác khác nhau. Multimodal Rotary Position Embedding tách thông tin vị trí để mô hình biểu diễn thứ tự văn bản, ảnh hai chiều và cấu trúc thời gian, không gian của video. Các tính năng này giải thích cách cùng họ mô hình xử lý một trang, nhiều ảnh hoặc chuỗi video.\n\nBộ xử lý ảnh trong thẻ mô hình công bố khoảng mặc định từ 4 đến 16.384 token thị giác mỗi ảnh. Ứng dụng có thể chỉnh số pixel tối thiểu và tối đa mà vẫn giữ tỷ lệ khung hình, hoặc yêu cầu kích thước được làm tròn tới bội số của 28. Khoảng ví dụ từ 256 đến 1.280 token là minh họa có thể cấu hình, không phải giới hạn ảnh riêng áp dụng chung. Nhiều chi tiết ảnh hơn dùng nhiều tính toán và token thị giác hơn, vì vậy giữ nhãn, tiêu đề và vật thể nhỏ cần cho câu hỏi khi chuẩn bị ảnh.\n\nChuẩn bị đầu vào và ngữ cảnh\n\nNhà phát triển trình diễn một ảnh, nhiều ảnh, video được cung cấp dưới dạng chuỗi khung hình hoặc tệp cục bộ và các hội thoại theo lô. Chuẩn bị ảnh gồm tệp cục bộ, dữ liệu ảnh được mã hóa và tham chiếu ảnh. Ví dụ video trong thẻ dùng một tốc độ khung hình được chọn; ví dụ đó không xác lập một tốc độ lấy mẫu bắt buộc cho mọi video. Xác định thứ tự và vai trò của nhiều ảnh, đồng thời cung cấp thông tin cần để diễn giải chuỗi thay vì coi các khung không liên quan là một cảnh.\n\nCấu hình phát hành đặt số vị trí tối đa ở 32.768. Tài liệu thị giác và chỉ dẫn văn bản phải được lập trong ngữ cảnh cấu hình thực tế. Ví dụ sinh 128 token trong thẻ chỉ là thiết lập minh họa; nó không công bố dung lượng đầu ra tối đa riêng. Phiên bản 72B cần giữ cấu hình của chính nó thay vì kế thừa thiết lập ngữ cảnh dài của Qwen2.5-VL hay mô hình Qwen khác.\n\nHạn chế đáng kể\n\nNhà phát triển nêu rõ Qwen2-VL không hiểu âm thanh chứa trong video. Vì vậy, thông tin lời nói phải được cung cấp riêng nếu câu hỏi phụ thuộc vào đó. Tập dữ liệu huấn luyện ảnh được mô tả là cập nhật đến tháng 6 năm 2023; đây là phát biểu về tập dữ liệu đó, không phải lời hứa về kiến thức thị giác hiện tại.\n\nCác hạn chế được công bố còn gồm nhận dạng chưa đầy đủ một số người hoặc đối tượng sở hữu trí tuệ được nêu tên, khó khăn với chỉ dẫn nhiều bước phức tạp, khả năng đếm yếu trong cảnh phức tạp và hạn chế suy luận không gian ba chiều. Khi tác vụ phụ thuộc một trong các khả năng này, tập trung câu hỏi vào các đối tượng hoặc quan hệ cần thiết và giữ bằng chứng thị giác bên cạnh câu trả lời. Nguồn rõ và đầu ra được xác định giúp kiểm tra kết quả dễ hơn mà không thay thế các hạn chế đã nêu bằng bảo đảm độ chính xác.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kết hợp văn bản, ảnh và video cho câu hỏi thị giác, đọc tài liệu và văn bản đa ngôn ngữ trong ảnh. Nhà phát triển mô tả khả năng hiểu video dài hơn 20 phút, độ phân giải ảnh động và tích hợp agent thị giác; câu trả lời là văn bản.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen2-VL-72B-Instruct là phiên bản thị giác-ngôn ngữ 72B được tinh chỉnh để làm theo chỉ dẫn, xây dựng quanh Qwen2. Mô hình nhận văn bản cùng ảnh hoặc video và tạo câu trả lời văn bản. Nhà phát triển nhấn mạnh hiểu ảnh với nhiều độ phân giải và tỷ lệ khung hình, diễn giải chữ trong ảnh, suy luận về quan hệ nhìn thấy được và trả lời câu hỏi về video dài hơn 20 phút.
Khả năng ảnh và video
Với trang tài liệu, yêu cầu nội dung cụ thể cần dùng: đoạn văn, hàng trong bảng, công thức hoặc điều kiện gắn với một phát biểu. Giữ trang dễ đọc và nêu kết quả cần chép nguyên văn, tóm tắt hay giải thích ý nghĩa. Đầu ra tài liệu hữu ích có thể giữ nhãn phần gốc bên cạnh nội dung được trích xuất. Với sơ đồ, hỏi các thành phần có nhãn kết nối thế nào và xác định quan hệ cần giải thích.
Việc sử dụng video được công bố gồm câu hỏi, hội thoại và nội dung viết dựa trên chuỗi hình ảnh nhìn thấy được. Xác định sự kiện hay thay đổi cần xem: khi nào đối tượng xuất hiện, điều gì xảy ra trước một bước cụ thể, hoặc hành động được trình diễn liên quan thế nào đến quy trình viết. Yêu cầu mô tả sự kiện theo thứ tự hoặc so sánh các bước nhìn thấy với quy trình được cung cấp. Phát biểu hơn 20 phút của nhà phát triển mô tả khả năng hiểu video dài; đây không phải thời lượng video tối đa cố định hay bảo đảm mọi đoạn video thô đều vừa với một cấu hình đầu vào không thay đổi.
Sử dụng agent thị giác
Bản phát hành cũng định vị Qwen2-VL cho agent thị giác kết nối với thiết bị di động, robot và công cụ khác. Thông báo mô tả các tình huống gọi hàm và trình thông dịch mã, như tạo mã từ sơ đồ hoặc dùng câu hỏi thị giác để yêu cầu tra cứu bên ngoài. Ứng dụng bao quanh cung cấp các công cụ đó, thực thi hành động đề xuất và trả về kết quả. Chỉ riêng phản hồi văn bản của mô hình không nhấp vào điều khiển, di chuyển thiết bị hay thực thi chương trình đã tạo.
Tác vụ giao diện thực tế có thể cung cấp ảnh chụp màn hình và mục tiêu người dùng, rồi hỏi điều khiển nhìn thấy nào liên quan đến bước tiếp theo và bằng chứng hỗ trợ lựa chọn. Giữ quan sát, hành động đề xuất và thực thi thực tế thành các phần riêng trong quy trình. Cách này dùng trọng tâm agent thị giác, đồng thời làm kết quả yêu cầu đủ cụ thể để ứng dụng hành động.
Văn bản đa ngôn ngữ trong ảnh
Nhà phát triển mô tả nhận dạng chữ trong ảnh bằng tiếng Anh và tiếng Trung, phần lớn ngôn ngữ châu Âu, cùng các ngôn ngữ như Nhật, Hàn, Ả Rập và Việt. Vì vậy, trang đa ngôn ngữ có thể được xử lý như tác vụ đọc thị giác. Khi cần giữ đúng từ ngữ, hãy yêu cầu chép văn bản gốc trước, rồi dịch hoặc giải thích bằng ngôn ngữ được chọn. Giữ nhãn và con số thay vì trộn nhận dạng với việc viết lại không được xác định.
Độ phân giải động và thông tin vị trí
Qwen2-VL kết hợp bộ mã hóa thị giác với mô hình ngôn ngữ Qwen2. Naive Dynamic Resolution ánh xạ các kích thước ảnh khác nhau thành số lượng token thị giác khác nhau. Multimodal Rotary Position Embedding tách thông tin vị trí để mô hình biểu diễn thứ tự văn bản, ảnh hai chiều và cấu trúc thời gian, không gian của video. Các tính năng này giải thích cách cùng họ mô hình xử lý một trang, nhiều ảnh hoặc chuỗi video.
Bộ xử lý ảnh trong thẻ mô hình công bố khoảng mặc định từ 4 đến 16.384 token thị giác mỗi ảnh. Ứng dụng có thể chỉnh số pixel tối thiểu và tối đa mà vẫn giữ tỷ lệ khung hình, hoặc yêu cầu kích thước được làm tròn tới bội số của 28. Khoảng ví dụ từ 256 đến 1.280 token là minh họa có thể cấu hình, không phải giới hạn ảnh riêng áp dụng chung. Nhiều chi tiết ảnh hơn dùng nhiều tính toán và token thị giác hơn, vì vậy giữ nhãn, tiêu đề và vật thể nhỏ cần cho câu hỏi khi chuẩn bị ảnh.
Chuẩn bị đầu vào và ngữ cảnh
Nhà phát triển trình diễn một ảnh, nhiều ảnh, video được cung cấp dưới dạng chuỗi khung hình hoặc tệp cục bộ và các hội thoại theo lô. Chuẩn bị ảnh gồm tệp cục bộ, dữ liệu ảnh được mã hóa và tham chiếu ảnh. Ví dụ video trong thẻ dùng một tốc độ khung hình được chọn; ví dụ đó không xác lập một tốc độ lấy mẫu bắt buộc cho mọi video. Xác định thứ tự và vai trò của nhiều ảnh, đồng thời cung cấp thông tin cần để diễn giải chuỗi thay vì coi các khung không liên quan là một cảnh.
Cấu hình phát hành đặt số vị trí tối đa ở 32.768. Tài liệu thị giác và chỉ dẫn văn bản phải được lập trong ngữ cảnh cấu hình thực tế. Ví dụ sinh 128 token trong thẻ chỉ là thiết lập minh họa; nó không công bố dung lượng đầu ra tối đa riêng. Phiên bản 72B cần giữ cấu hình của chính nó thay vì kế thừa thiết lập ngữ cảnh dài của Qwen2.5-VL hay mô hình Qwen khác.
Hạn chế đáng kể
Nhà phát triển nêu rõ Qwen2-VL không hiểu âm thanh chứa trong video. Vì vậy, thông tin lời nói phải được cung cấp riêng nếu câu hỏi phụ thuộc vào đó. Tập dữ liệu huấn luyện ảnh được mô tả là cập nhật đến tháng 6 năm 2023; đây là phát biểu về tập dữ liệu đó, không phải lời hứa về kiến thức thị giác hiện tại.
Các hạn chế được công bố còn gồm nhận dạng chưa đầy đủ một số người hoặc đối tượng sở hữu trí tuệ được nêu tên, khó khăn với chỉ dẫn nhiều bước phức tạp, khả năng đếm yếu trong cảnh phức tạp và hạn chế suy luận không gian ba chiều. Khi tác vụ phụ thuộc một trong các khả năng này, tập trung câu hỏi vào các đối tượng hoặc quan hệ cần thiết và giữ bằng chứng thị giác bên cạnh câu trả lời. Nguồn rõ và đầu ra được xác định giúp kiểm tra kết quả dễ hơn mà không thay thế các hạn chế đã nêu bằng bảo đảm độ chính xác.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Qwen/Qwen2-VL-72B-Instruct | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.00118 / 1K token Đầu ra · Token đầu ra $0.00118 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen2-VL-72B-Instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen2-VL-72B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct
Dùng các đường dẫn phương thức hiển thị ở trên.
Qwen/Qwen2-VL-72B-InstructQwen2-VL-72B-Instruct kết hợp văn bản, ảnh và video cho câu hỏi thị giác, đọc tài liệu và văn bản đa ngôn ngữ trong ảnh. Nhà phát triển mô tả khả năng hiểu video dài hơn 20 phút, độ phân giải ảnh động và tích hợp agent thị giác; câu trả lời là văn bản.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen2-VL-72B-Instruct là phiên bản thị giác-ngôn ngữ 72B được tinh chỉnh để làm theo chỉ dẫn, xây dựng quanh Qwen2. Mô hình nhận văn bản cùng ảnh hoặc video và tạo câu trả lời văn bản. Nhà phát triển nhấn mạnh hiểu ảnh với nhiều độ phân giải và tỷ lệ khung hình, diễn giải chữ trong ảnh, suy luận về quan hệ nhìn thấy được và trả lời câu hỏi về video dài hơn 20 phút.
Khả năng ảnh và video
Với trang tài liệu, yêu cầu nội dung cụ thể cần dùng: đoạn văn, hàng trong bảng, công thức hoặc điều kiện gắn với một phát biểu. Giữ trang dễ đọc và nêu kết quả cần chép nguyên văn, tóm tắt hay giải thích ý nghĩa. Đầu ra tài liệu hữu ích có thể giữ nhãn phần gốc bên cạnh nội dung được trích xuất. Với sơ đồ, hỏi các thành phần có nhãn kết nối thế nào và xác định quan hệ cần giải thích.
Việc sử dụng video được công bố gồm câu hỏi, hội thoại và nội dung viết dựa trên chuỗi hình ảnh nhìn thấy được. Xác định sự kiện hay thay đổi cần xem: khi nào đối tượng xuất hiện, điều gì xảy ra trước một bước cụ thể, hoặc hành động được trình diễn liên quan thế nào đến quy trình viết. Yêu cầu mô tả sự kiện theo thứ tự hoặc so sánh các bước nhìn thấy với quy trình được cung cấp. Phát biểu hơn 20 phút của nhà phát triển mô tả khả năng hiểu video dài; đây không phải thời lượng video tối đa cố định hay bảo đảm mọi đoạn video thô đều vừa với một cấu hình đầu vào không thay đổi.
Sử dụng agent thị giác
Bản phát hành cũng định vị Qwen2-VL cho agent thị giác kết nối với thiết bị di động, robot và công cụ khác. Thông báo mô tả các tình huống gọi hàm và trình thông dịch mã, như tạo mã từ sơ đồ hoặc dùng câu hỏi thị giác để yêu cầu tra cứu bên ngoài. Ứng dụng bao quanh cung cấp các công cụ đó, thực thi hành động đề xuất và trả về kết quả. Chỉ riêng phản hồi văn bản của mô hình không nhấp vào điều khiển, di chuyển thiết bị hay thực thi chương trình đã tạo.
Tác vụ giao diện thực tế có thể cung cấp ảnh chụp màn hình và mục tiêu người dùng, rồi hỏi điều khiển nhìn thấy nào liên quan đến bước tiếp theo và bằng chứng hỗ trợ lựa chọn. Giữ quan sát, hành động đề xuất và thực thi thực tế thành các phần riêng trong quy trình. Cách này dùng trọng tâm agent thị giác, đồng thời làm kết quả yêu cầu đủ cụ thể để ứng dụng hành động.
Văn bản đa ngôn ngữ trong ảnh
Nhà phát triển mô tả nhận dạng chữ trong ảnh bằng tiếng Anh và tiếng Trung, phần lớn ngôn ngữ châu Âu, cùng các ngôn ngữ như Nhật, Hàn, Ả Rập và Việt. Vì vậy, trang đa ngôn ngữ có thể được xử lý như tác vụ đọc thị giác. Khi cần giữ đúng từ ngữ, hãy yêu cầu chép văn bản gốc trước, rồi dịch hoặc giải thích bằng ngôn ngữ được chọn. Giữ nhãn và con số thay vì trộn nhận dạng với việc viết lại không được xác định.
Độ phân giải động và thông tin vị trí
Qwen2-VL kết hợp bộ mã hóa thị giác với mô hình ngôn ngữ Qwen2. Naive Dynamic Resolution ánh xạ các kích thước ảnh khác nhau thành số lượng token thị giác khác nhau. Multimodal Rotary Position Embedding tách thông tin vị trí để mô hình biểu diễn thứ tự văn bản, ảnh hai chiều và cấu trúc thời gian, không gian của video. Các tính năng này giải thích cách cùng họ mô hình xử lý một trang, nhiều ảnh hoặc chuỗi video.
Bộ xử lý ảnh trong thẻ mô hình công bố khoảng mặc định từ 4 đến 16.384 token thị giác mỗi ảnh. Ứng dụng có thể chỉnh số pixel tối thiểu và tối đa mà vẫn giữ tỷ lệ khung hình, hoặc yêu cầu kích thước được làm tròn tới bội số của 28. Khoảng ví dụ từ 256 đến 1.280 token là minh họa có thể cấu hình, không phải giới hạn ảnh riêng áp dụng chung. Nhiều chi tiết ảnh hơn dùng nhiều tính toán và token thị giác hơn, vì vậy giữ nhãn, tiêu đề và vật thể nhỏ cần cho câu hỏi khi chuẩn bị ảnh.
Chuẩn bị đầu vào và ngữ cảnh
Nhà phát triển trình diễn một ảnh, nhiều ảnh, video được cung cấp dưới dạng chuỗi khung hình hoặc tệp cục bộ và các hội thoại theo lô. Chuẩn bị ảnh gồm tệp cục bộ, dữ liệu ảnh được mã hóa và tham chiếu ảnh. Ví dụ video trong thẻ dùng một tốc độ khung hình được chọn; ví dụ đó không xác lập một tốc độ lấy mẫu bắt buộc cho mọi video. Xác định thứ tự và vai trò của nhiều ảnh, đồng thời cung cấp thông tin cần để diễn giải chuỗi thay vì coi các khung không liên quan là một cảnh.
Cấu hình phát hành đặt số vị trí tối đa ở 32.768. Tài liệu thị giác và chỉ dẫn văn bản phải được lập trong ngữ cảnh cấu hình thực tế. Ví dụ sinh 128 token trong thẻ chỉ là thiết lập minh họa; nó không công bố dung lượng đầu ra tối đa riêng. Phiên bản 72B cần giữ cấu hình của chính nó thay vì kế thừa thiết lập ngữ cảnh dài của Qwen2.5-VL hay mô hình Qwen khác.
Hạn chế đáng kể
Nhà phát triển nêu rõ Qwen2-VL không hiểu âm thanh chứa trong video. Vì vậy, thông tin lời nói phải được cung cấp riêng nếu câu hỏi phụ thuộc vào đó. Tập dữ liệu huấn luyện ảnh được mô tả là cập nhật đến tháng 6 năm 2023; đây là phát biểu về tập dữ liệu đó, không phải lời hứa về kiến thức thị giác hiện tại.
Các hạn chế được công bố còn gồm nhận dạng chưa đầy đủ một số người hoặc đối tượng sở hữu trí tuệ được nêu tên, khó khăn với chỉ dẫn nhiều bước phức tạp, khả năng đếm yếu trong cảnh phức tạp và hạn chế suy luận không gian ba chiều. Khi tác vụ phụ thuộc một trong các khả năng này, tập trung câu hỏi vào các đối tượng hoặc quan hệ cần thiết và giữ bằng chứng thị giác bên cạnh câu trả lời. Nguồn rõ và đầu ra được xác định giúp kiểm tra kết quả dễ hơn mà không thay thế các hạn chế đã nêu bằng bảo đảm độ chính xác.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Qwen/Qwen2-VL-72B-Instruct | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.00118 / 1K token Đầu ra · Token đầu ra $0.00118 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "Qwen/Qwen2-VL-72B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen2-VL-72B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra Qwen/Qwen2-VL-72B-Instruct
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Read a supplied document transcription\n\nUse this text transcription of page P2, section Limits: 'Store below 25 C. Once opened, use within seven days. Do not freeze.' Return the original wording first, then a plain-English explanation separating the temperature, time and freezing conditions. Preserve P2 as the source label. No image or video is attached.A labelled transcription followed by three source-grounded explanations of the conditions.Below 25 C is not rewritten as at or below 25 C, and the seven-day period starts at opening.