Qwen2.5-VL-7B-Instruct là phiên bản 7B được tinh chỉnh theo chỉ dẫn của Qwen2.5-VL. Mô hình kết nối chỉ dẫn văn bản với hình ảnh hoặc video và trả về kết quả văn bản. Các cải tiến chính của nhà sản xuất bao gồm nhận dạng vật thể và chi tiết thị giác, phân tích chữ và bố cục, nhiệm vụ tác tử thị giác, hiểu sự kiện trong video dài, định vị vật thể và trích xuất tài liệu có cấu trúc.
Hiểu nội dung thị giác
Họ mô hình vượt ra ngoài việc nhận ra chủ thể chính của ảnh. Nhiệm vụ được ghi nhận gồm phân tích chữ, biểu đồ, biểu tượng, đồ họa và cách sắp xếp các thành phần trong ảnh. Với biểu đồ, chỉ định chuỗi dữ liệu hoặc quan hệ cần xem xét và giữ trục, chú giải, đơn vị. Với sơ đồ, hỏi cách các thành phần gắn nhãn liên kết và bố trí nhìn thấy cho biết điều gì về quy trình.
Phép so sánh hữu ích có thể cung cấp thiết kế gốc và thiết kế sửa đổi, xác định từng bản và hỏi các thay đổi nhìn thấy theo danh sách yêu cầu ngắn. Yêu cầu quan sát đi cùng vùng ảnh liên quan. Điều này tạo mục đích cụ thể cho câu trả lời thay vì yêu cầu mô tả chung hai ảnh không liên quan.
Quy trình tác tử thị giác
Nhà sản xuất định vị Qwen2.5-VL là tác tử thị giác có thể suy luận về màn hình và chỉ đạo công cụ trong nhiệm vụ sử dụng máy tính hoặc điện thoại. Mô hình cung cấp diễn giải và thao tác đề xuất; ứng dụng tác tử bao quanh cung cấp điều khiển, thực thi thao tác và trả trạng thái mới. Vì vậy câu trả lời văn bản hoặc tọa độ dự đoán là một phần của quy trình tích hợp đó.
Với câu hỏi giao diện, cung cấp ảnh chụp màn hình và mục tiêu thực tế, rồi hỏi điều khiển nhìn thấy nào liên quan và nên làm gì tiếp theo. Giữ đầu ra yêu cầu cụ thể: nhãn điều khiển, vị trí và hành động dự kiến. Nếu ứng dụng thực hiện hành động đó, ảnh chụp tiếp theo cung cấp đầu vào thị giác cập nhật cho quyết định sau.
Video dài và định vị sự kiện
Nhà sản xuất mô tả khả năng hiểu video dài hơn một giờ và xác định đoạn chứa sự kiện được yêu cầu. Điều này mở rộng mô tả video sang định vị theo thời gian. Nhiệm vụ có thể hỏi khi nào vật thể xuất hiện lần đầu, ở đâu phần minh họa đạt bước cụ thể hoặc sự kiện nhìn thấy nào diễn ra trước sự kiện khác. Nêu kết quả cần là tóm tắt, danh sách sự kiện có thứ tự hay thời điểm bắt đầu và kết thúc kèm mô tả sự kiện.
Họ mô hình được huấn luyện với lấy mẫu tốc độ khung hình động và căn chỉnh thông tin vị trí theo thời gian với thời gian tuyệt đối. Vì vậy thông tin tốc độ khung hình thuộc việc chuẩn bị video, không phải nhãn tùy ý có thể bỏ đi khi dấu thời gian quan trọng. Khả năng video dài được ghi nhận không phải thông số dung lượng tệp hoặc thời lượng tối đa phổ quát cho mọi đường đầu vào.
Định vị vật thể và tài liệu có cấu trúc
Qwen2.5-VL có thể trả về khung bao hoặc điểm và tổ chức tọa độ, thuộc tính dưới dạng JSON. Bản phát hành sử dụng tọa độ theo kích thước ảnh thực tế thay vì tọa độ chuẩn hóa truyền thống. Chỉ định nhiệm vụ cần khung bao, điểm cụ thể hay mô tả vật thể, đồng thời giữ kích thước ảnh và thông tin đổi kích thước cần thiết để diễn giải vị trí trả về.
Chẳng hạn yêu cầu kiểm kê bằng hình ảnh có thể hỏi từng vật thể mục tiêu, khung bao và thuộc tính nhìn thấy. Nhiệm vụ theo điểm có thể hỏi vị trí của điều khiển có nhãn hoặc bộ phận được chỉ định của vật thể. Đây là thiết kế đầu ra đề xuất, không phải tên trường cố định mà mọi yêu cầu phải dùng. Giữ từng tọa độ gắn với ảnh nguồn khi cung cấp nhiều ảnh.
Nhà sản xuất nhấn mạnh riêng trích xuất có cấu trúc từ hóa đơn quét, biểu mẫu và bảng. Xác định các trường, giữ nhãn gốc và yêu cầu cách biểu diễn rõ ràng khi không đọc được giá trị. Với bảng, giữ tiêu đề cột và đơn vị cùng các hàng yêu cầu. Bản ghi thực tế có thể gồm mã tài liệu, nhãn trường, giá trị trích xuất và vị trí, giúp đầu ra dùng được cho so sánh sau này hoặc kiểm tra thủ công.
Kiến trúc và chuẩn bị đầu vào
Mô hình kết hợp độ phân giải ảnh linh hoạt và lấy mẫu video linh hoạt với thông tin vị trí xoay đa phương thức được cập nhật. Bộ mã hóa thị giác dùng window attention, SwiGLU và RMSNorm. Đây là thay đổi kiến trúc hỗ trợ xử lý thị giác và thời gian; chúng không thêm đầu vào âm thanh hay tạo ảnh vào quy trình kết quả văn bản được ghi nhận.
Thẻ minh họa một ảnh, nhiều ảnh, chuỗi khung hình video, tệp hoặc tham chiếu video và các hội thoại theo lô. Bộ xử lý ảnh ghi nhận phạm vi mặc định từ 4 đến 16,384 token thị giác mỗi ảnh. Thiết lập pixel tối thiểu và tối đa giữ tỷ lệ khung hình; kích thước chính xác được yêu cầu làm tròn tới bội số 28. Phạm vi ví dụ từ 256 đến 1,280 token thị giác là minh họa có thể điều chỉnh, không phải giới hạn ảnh cứng riêng. Giữ chi tiết cần cho câu hỏi khi chọn đổi kích thước.
Ngữ cảnh và thiết lập nhạy với định vị
Cấu hình phát hành đặt số vị trí tối đa là 128,000. Phần văn bản dài của thẻ mô hình mô tả riêng mức cơ sở 32,768 token và ví dụ mở rộng YaRN. Tài liệu cảnh báo rõ mở rộng này ảnh hưởng đáng kể tới định vị thời gian và không gian, và không khuyến nghị sử dụng. Hướng dẫn còn bàn về thay đổi số vị trí tối đa cho video dài; đây là ghi chú cấu hình thay vì một giới hạn đầu vào vô điều kiện cho mọi nhiệm vụ.
Giữ cấu hình bản phát hành chính xác và tiền xử lý thị giác phù hợp nhiệm vụ, nhất là khi tọa độ hoặc thời điểm sự kiện quan trọng. Ví dụ tạo sinh 128 token của thẻ không chỉ định năng lực đầu ra tối đa riêng. Qwen2.5-VL-7B-Instruct tạo văn bản, tọa độ và kết quả có cấu trúc; hành động bên ngoài, ảnh kết xuất, video hay câu trả lời bằng giọng nói cần thành phần ứng dụng khác.
", "aboutText": "Qwen2.5-VL-7B-Instruct là phiên bản 7B được tinh chỉnh theo chỉ dẫn của Qwen2.5-VL. Mô hình kết nối chỉ dẫn văn bản với hình ảnh hoặc video và trả về kết quả văn bản. Các cải tiến chính của nhà sản xuất bao gồm nhận dạng vật thể và chi tiết thị giác, phân tích chữ và bố cục, nhiệm vụ tác tử thị giác, hiểu sự kiện trong video dài, định vị vật thể và trích xuất tài liệu có cấu trúc.\n\nHiểu nội dung thị giác\n\nHọ mô hình vượt ra ngoài việc nhận ra chủ thể chính của ảnh. Nhiệm vụ được ghi nhận gồm phân tích chữ, biểu đồ, biểu tượng, đồ họa và cách sắp xếp các thành phần trong ảnh. Với biểu đồ, chỉ định chuỗi dữ liệu hoặc quan hệ cần xem xét và giữ trục, chú giải, đơn vị. Với sơ đồ, hỏi cách các thành phần gắn nhãn liên kết và bố trí nhìn thấy cho biết điều gì về quy trình.\n\nPhép so sánh hữu ích có thể cung cấp thiết kế gốc và thiết kế sửa đổi, xác định từng bản và hỏi các thay đổi nhìn thấy theo danh sách yêu cầu ngắn. Yêu cầu quan sát đi cùng vùng ảnh liên quan. Điều này tạo mục đích cụ thể cho câu trả lời thay vì yêu cầu mô tả chung hai ảnh không liên quan.\n\nQuy trình tác tử thị giác\n\nNhà sản xuất định vị Qwen2.5-VL là tác tử thị giác có thể suy luận về màn hình và chỉ đạo công cụ trong nhiệm vụ sử dụng máy tính hoặc điện thoại. Mô hình cung cấp diễn giải và thao tác đề xuất; ứng dụng tác tử bao quanh cung cấp điều khiển, thực thi thao tác và trả trạng thái mới. Vì vậy câu trả lời văn bản hoặc tọa độ dự đoán là một phần của quy trình tích hợp đó.\n\nVới câu hỏi giao diện, cung cấp ảnh chụp màn hình và mục tiêu thực tế, rồi hỏi điều khiển nhìn thấy nào liên quan và nên làm gì tiếp theo. Giữ đầu ra yêu cầu cụ thể: nhãn điều khiển, vị trí và hành động dự kiến. Nếu ứng dụng thực hiện hành động đó, ảnh chụp tiếp theo cung cấp đầu vào thị giác cập nhật cho quyết định sau.\n\nVideo dài và định vị sự kiện\n\nNhà sản xuất mô tả khả năng hiểu video dài hơn một giờ và xác định đoạn chứa sự kiện được yêu cầu. Điều này mở rộng mô tả video sang định vị theo thời gian. Nhiệm vụ có thể hỏi khi nào vật thể xuất hiện lần đầu, ở đâu phần minh họa đạt bước cụ thể hoặc sự kiện nhìn thấy nào diễn ra trước sự kiện khác. Nêu kết quả cần là tóm tắt, danh sách sự kiện có thứ tự hay thời điểm bắt đầu và kết thúc kèm mô tả sự kiện.\n\nHọ mô hình được huấn luyện với lấy mẫu tốc độ khung hình động và căn chỉnh thông tin vị trí theo thời gian với thời gian tuyệt đối. Vì vậy thông tin tốc độ khung hình thuộc việc chuẩn bị video, không phải nhãn tùy ý có thể bỏ đi khi dấu thời gian quan trọng. Khả năng video dài được ghi nhận không phải thông số dung lượng tệp hoặc thời lượng tối đa phổ quát cho mọi đường đầu vào.\n\nĐịnh vị vật thể và tài liệu có cấu trúc\n\nQwen2.5-VL có thể trả về khung bao hoặc điểm và tổ chức tọa độ, thuộc tính dưới dạng JSON. Bản phát hành sử dụng tọa độ theo kích thước ảnh thực tế thay vì tọa độ chuẩn hóa truyền thống. Chỉ định nhiệm vụ cần khung bao, điểm cụ thể hay mô tả vật thể, đồng thời giữ kích thước ảnh và thông tin đổi kích thước cần thiết để diễn giải vị trí trả về.\n\nChẳng hạn yêu cầu kiểm kê bằng hình ảnh có thể hỏi từng vật thể mục tiêu, khung bao và thuộc tính nhìn thấy. Nhiệm vụ theo điểm có thể hỏi vị trí của điều khiển có nhãn hoặc bộ phận được chỉ định của vật thể. Đây là thiết kế đầu ra đề xuất, không phải tên trường cố định mà mọi yêu cầu phải dùng. Giữ từng tọa độ gắn với ảnh nguồn khi cung cấp nhiều ảnh.\n\nNhà sản xuất nhấn mạnh riêng trích xuất có cấu trúc từ hóa đơn quét, biểu mẫu và bảng. Xác định các trường, giữ nhãn gốc và yêu cầu cách biểu diễn rõ ràng khi không đọc được giá trị. Với bảng, giữ tiêu đề cột và đơn vị cùng các hàng yêu cầu. Bản ghi thực tế có thể gồm mã tài liệu, nhãn trường, giá trị trích xuất và vị trí, giúp đầu ra dùng được cho so sánh sau này hoặc kiểm tra thủ công.\n\nKiến trúc và chuẩn bị đầu vào\n\nMô hình kết hợp độ phân giải ảnh linh hoạt và lấy mẫu video linh hoạt với thông tin vị trí xoay đa phương thức được cập nhật. Bộ mã hóa thị giác dùng window attention, SwiGLU và RMSNorm. Đây là thay đổi kiến trúc hỗ trợ xử lý thị giác và thời gian; chúng không thêm đầu vào âm thanh hay tạo ảnh vào quy trình kết quả văn bản được ghi nhận.\n\nThẻ minh họa một ảnh, nhiều ảnh, chuỗi khung hình video, tệp hoặc tham chiếu video và các hội thoại theo lô. Bộ xử lý ảnh ghi nhận phạm vi mặc định từ 4 đến 16,384 token thị giác mỗi ảnh. Thiết lập pixel tối thiểu và tối đa giữ tỷ lệ khung hình; kích thước chính xác được yêu cầu làm tròn tới bội số 28. Phạm vi ví dụ từ 256 đến 1,280 token thị giác là minh họa có thể điều chỉnh, không phải giới hạn ảnh cứng riêng. Giữ chi tiết cần cho câu hỏi khi chọn đổi kích thước.\n\nNgữ cảnh và thiết lập nhạy với định vị\n\nCấu hình phát hành đặt số vị trí tối đa là 128,000. Phần văn bản dài của thẻ mô hình mô tả riêng mức cơ sở 32,768 token và ví dụ mở rộng YaRN. Tài liệu cảnh báo rõ mở rộng này ảnh hưởng đáng kể tới định vị thời gian và không gian, và không khuyến nghị sử dụng. Hướng dẫn còn bàn về thay đổi số vị trí tối đa cho video dài; đây là ghi chú cấu hình thay vì một giới hạn đầu vào vô điều kiện cho mọi nhiệm vụ.\n\nGiữ cấu hình bản phát hành chính xác và tiền xử lý thị giác phù hợp nhiệm vụ, nhất là khi tọa độ hoặc thời điểm sự kiện quan trọng. Ví dụ tạo sinh 128 token của thẻ không chỉ định năng lực đầu ra tối đa riêng. Qwen2.5-VL-7B-Instruct tạo văn bản, tọa độ và kết quả có cấu trúc; hành động bên ngoài, ảnh kết xuất, video hay câu trả lời bằng giọng nói cần thành phần ứng dụng khác.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
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 là mô hình thị giác-ngôn ngữ cho hình ảnh, tài liệu và video. Mô hình tạo văn bản và kết quả có cấu trúc, bao gồm khung bao vật thể, điểm và thuộc tính, đồng thời mang khả năng định vị sự kiện theo thời gian và tác tử thị giác tới phiên bản 7B.
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.
Qwen2.5-VL-7B-Instruct là phiên bản 7B được tinh chỉnh theo chỉ dẫn của Qwen2.5-VL. Mô hình kết nối chỉ dẫn văn bản với hình ảnh hoặc video và trả về kết quả văn bản. Các cải tiến chính của nhà sản xuất bao gồm nhận dạng vật thể và chi tiết thị giác, phân tích chữ và bố cục, nhiệm vụ tác tử thị giác, hiểu sự kiện trong video dài, định vị vật thể và trích xuất tài liệu có cấu trúc.
Hiểu nội dung thị giác
Họ mô hình vượt ra ngoài việc nhận ra chủ thể chính của ảnh. Nhiệm vụ được ghi nhận gồm phân tích chữ, biểu đồ, biểu tượng, đồ họa và cách sắp xếp các thành phần trong ảnh. Với biểu đồ, chỉ định chuỗi dữ liệu hoặc quan hệ cần xem xét và giữ trục, chú giải, đơn vị. Với sơ đồ, hỏi cách các thành phần gắn nhãn liên kết và bố trí nhìn thấy cho biết điều gì về quy trình.
Phép so sánh hữu ích có thể cung cấp thiết kế gốc và thiết kế sửa đổi, xác định từng bản và hỏi các thay đổi nhìn thấy theo danh sách yêu cầu ngắn. Yêu cầu quan sát đi cùng vùng ảnh liên quan. Điều này tạo mục đích cụ thể cho câu trả lời thay vì yêu cầu mô tả chung hai ảnh không liên quan.
Quy trình tác tử thị giác
Nhà sản xuất định vị Qwen2.5-VL là tác tử thị giác có thể suy luận về màn hình và chỉ đạo công cụ trong nhiệm vụ sử dụng máy tính hoặc điện thoại. Mô hình cung cấp diễn giải và thao tác đề xuất; ứng dụng tác tử bao quanh cung cấp điều khiển, thực thi thao tác và trả trạng thái mới. Vì vậy câu trả lời văn bản hoặc tọa độ dự đoán là một phần của quy trình tích hợp đó.
Với câu hỏi giao diện, cung cấp ảnh chụp màn hình và mục tiêu thực tế, rồi hỏi điều khiển nhìn thấy nào liên quan và nên làm gì tiếp theo. Giữ đầu ra yêu cầu cụ thể: nhãn điều khiển, vị trí và hành động dự kiến. Nếu ứng dụng thực hiện hành động đó, ảnh chụp tiếp theo cung cấp đầu vào thị giác cập nhật cho quyết định sau.
Video dài và định vị sự kiện
Nhà sản xuất mô tả khả năng hiểu video dài hơn một giờ và xác định đoạn chứa sự kiện được yêu cầu. Điều này mở rộng mô tả video sang định vị theo thời gian. Nhiệm vụ có thể hỏi khi nào vật thể xuất hiện lần đầu, ở đâu phần minh họa đạt bước cụ thể hoặc sự kiện nhìn thấy nào diễn ra trước sự kiện khác. Nêu kết quả cần là tóm tắt, danh sách sự kiện có thứ tự hay thời điểm bắt đầu và kết thúc kèm mô tả sự kiện.
Họ mô hình được huấn luyện với lấy mẫu tốc độ khung hình động và căn chỉnh thông tin vị trí theo thời gian với thời gian tuyệt đối. Vì vậy thông tin tốc độ khung hình thuộc việc chuẩn bị video, không phải nhãn tùy ý có thể bỏ đi khi dấu thời gian quan trọng. Khả năng video dài được ghi nhận không phải thông số dung lượng tệp hoặc thời lượng tối đa phổ quát cho mọi đường đầu vào.
Định vị vật thể và tài liệu có cấu trúc
Qwen2.5-VL có thể trả về khung bao hoặc điểm và tổ chức tọa độ, thuộc tính dưới dạng JSON. Bản phát hành sử dụng tọa độ theo kích thước ảnh thực tế thay vì tọa độ chuẩn hóa truyền thống. Chỉ định nhiệm vụ cần khung bao, điểm cụ thể hay mô tả vật thể, đồng thời giữ kích thước ảnh và thông tin đổi kích thước cần thiết để diễn giải vị trí trả về.
Chẳng hạn yêu cầu kiểm kê bằng hình ảnh có thể hỏi từng vật thể mục tiêu, khung bao và thuộc tính nhìn thấy. Nhiệm vụ theo điểm có thể hỏi vị trí của điều khiển có nhãn hoặc bộ phận được chỉ định của vật thể. Đây là thiết kế đầu ra đề xuất, không phải tên trường cố định mà mọi yêu cầu phải dùng. Giữ từng tọa độ gắn với ảnh nguồn khi cung cấp nhiều ảnh.
Nhà sản xuất nhấn mạnh riêng trích xuất có cấu trúc từ hóa đơn quét, biểu mẫu và bảng. Xác định các trường, giữ nhãn gốc và yêu cầu cách biểu diễn rõ ràng khi không đọc được giá trị. Với bảng, giữ tiêu đề cột và đơn vị cùng các hàng yêu cầu. Bản ghi thực tế có thể gồm mã tài liệu, nhãn trường, giá trị trích xuất và vị trí, giúp đầu ra dùng được cho so sánh sau này hoặc kiểm tra thủ công.
Kiến trúc và chuẩn bị đầu vào
Mô hình kết hợp độ phân giải ảnh linh hoạt và lấy mẫu video linh hoạt với thông tin vị trí xoay đa phương thức được cập nhật. Bộ mã hóa thị giác dùng window attention, SwiGLU và RMSNorm. Đây là thay đổi kiến trúc hỗ trợ xử lý thị giác và thời gian; chúng không thêm đầu vào âm thanh hay tạo ảnh vào quy trình kết quả văn bản được ghi nhận.
Thẻ minh họa một ảnh, nhiều ảnh, chuỗi khung hình video, tệp hoặc tham chiếu video và các hội thoại theo lô. Bộ xử lý ảnh ghi nhận phạm vi mặc định từ 4 đến 16,384 token thị giác mỗi ảnh. Thiết lập pixel tối thiểu và tối đa giữ tỷ lệ khung hình; kích thước chính xác được yêu cầu làm tròn tới bội số 28. Phạm vi ví dụ từ 256 đến 1,280 token thị giác là minh họa có thể điều chỉnh, không phải giới hạn ảnh cứng riêng. Giữ chi tiết cần cho câu hỏi khi chọn đổi kích thước.
Ngữ cảnh và thiết lập nhạy với định vị
Cấu hình phát hành đặt số vị trí tối đa là 128,000. Phần văn bản dài của thẻ mô hình mô tả riêng mức cơ sở 32,768 token và ví dụ mở rộng YaRN. Tài liệu cảnh báo rõ mở rộng này ảnh hưởng đáng kể tới định vị thời gian và không gian, và không khuyến nghị sử dụng. Hướng dẫn còn bàn về thay đổi số vị trí tối đa cho video dài; đây là ghi chú cấu hình thay vì một giới hạn đầu vào vô điều kiện cho mọi nhiệm vụ.
Giữ cấu hình bản phát hành chính xác và tiền xử lý thị giác phù hợp nhiệm vụ, nhất là khi tọa độ hoặc thời điểm sự kiện quan trọng. Ví dụ tạo sinh 128 token của thẻ không chỉ định năng lực đầu ra tối đa riêng. Qwen2.5-VL-7B-Instruct tạo văn bản, tọa độ và kết quả có cấu trúc; hành động bên ngoài, ảnh kết xuất, video hay câu trả lời bằng giọng nói cần thành phần ứng dụng khác.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen2.5-vl-7b-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 $0.0001 / 1K token Đầu ra · Token đầu ra $0.0001 / 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": "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 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 qwen2.5-vl-7b-instruct
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen2.5-vl-7b-instructQwen2.5-VL-7B-Instruct là mô hình thị giác-ngôn ngữ cho hình ảnh, tài liệu và video. Mô hình tạo văn bản và kết quả có cấu trúc, bao gồm khung bao vật thể, điểm và thuộc tính, đồng thời mang khả năng định vị sự kiện theo thời gian và tác tử thị giác tới phiên bản 7B.
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.
Qwen2.5-VL-7B-Instruct là phiên bản 7B được tinh chỉnh theo chỉ dẫn của Qwen2.5-VL. Mô hình kết nối chỉ dẫn văn bản với hình ảnh hoặc video và trả về kết quả văn bản. Các cải tiến chính của nhà sản xuất bao gồm nhận dạng vật thể và chi tiết thị giác, phân tích chữ và bố cục, nhiệm vụ tác tử thị giác, hiểu sự kiện trong video dài, định vị vật thể và trích xuất tài liệu có cấu trúc.
Hiểu nội dung thị giác
Họ mô hình vượt ra ngoài việc nhận ra chủ thể chính của ảnh. Nhiệm vụ được ghi nhận gồm phân tích chữ, biểu đồ, biểu tượng, đồ họa và cách sắp xếp các thành phần trong ảnh. Với biểu đồ, chỉ định chuỗi dữ liệu hoặc quan hệ cần xem xét và giữ trục, chú giải, đơn vị. Với sơ đồ, hỏi cách các thành phần gắn nhãn liên kết và bố trí nhìn thấy cho biết điều gì về quy trình.
Phép so sánh hữu ích có thể cung cấp thiết kế gốc và thiết kế sửa đổi, xác định từng bản và hỏi các thay đổi nhìn thấy theo danh sách yêu cầu ngắn. Yêu cầu quan sát đi cùng vùng ảnh liên quan. Điều này tạo mục đích cụ thể cho câu trả lời thay vì yêu cầu mô tả chung hai ảnh không liên quan.
Quy trình tác tử thị giác
Nhà sản xuất định vị Qwen2.5-VL là tác tử thị giác có thể suy luận về màn hình và chỉ đạo công cụ trong nhiệm vụ sử dụng máy tính hoặc điện thoại. Mô hình cung cấp diễn giải và thao tác đề xuất; ứng dụng tác tử bao quanh cung cấp điều khiển, thực thi thao tác và trả trạng thái mới. Vì vậy câu trả lời văn bản hoặc tọa độ dự đoán là một phần của quy trình tích hợp đó.
Với câu hỏi giao diện, cung cấp ảnh chụp màn hình và mục tiêu thực tế, rồi hỏi điều khiển nhìn thấy nào liên quan và nên làm gì tiếp theo. Giữ đầu ra yêu cầu cụ thể: nhãn điều khiển, vị trí và hành động dự kiến. Nếu ứng dụng thực hiện hành động đó, ảnh chụp tiếp theo cung cấp đầu vào thị giác cập nhật cho quyết định sau.
Video dài và định vị sự kiện
Nhà sản xuất mô tả khả năng hiểu video dài hơn một giờ và xác định đoạn chứa sự kiện được yêu cầu. Điều này mở rộng mô tả video sang định vị theo thời gian. Nhiệm vụ có thể hỏi khi nào vật thể xuất hiện lần đầu, ở đâu phần minh họa đạt bước cụ thể hoặc sự kiện nhìn thấy nào diễn ra trước sự kiện khác. Nêu kết quả cần là tóm tắt, danh sách sự kiện có thứ tự hay thời điểm bắt đầu và kết thúc kèm mô tả sự kiện.
Họ mô hình được huấn luyện với lấy mẫu tốc độ khung hình động và căn chỉnh thông tin vị trí theo thời gian với thời gian tuyệt đối. Vì vậy thông tin tốc độ khung hình thuộc việc chuẩn bị video, không phải nhãn tùy ý có thể bỏ đi khi dấu thời gian quan trọng. Khả năng video dài được ghi nhận không phải thông số dung lượng tệp hoặc thời lượng tối đa phổ quát cho mọi đường đầu vào.
Định vị vật thể và tài liệu có cấu trúc
Qwen2.5-VL có thể trả về khung bao hoặc điểm và tổ chức tọa độ, thuộc tính dưới dạng JSON. Bản phát hành sử dụng tọa độ theo kích thước ảnh thực tế thay vì tọa độ chuẩn hóa truyền thống. Chỉ định nhiệm vụ cần khung bao, điểm cụ thể hay mô tả vật thể, đồng thời giữ kích thước ảnh và thông tin đổi kích thước cần thiết để diễn giải vị trí trả về.
Chẳng hạn yêu cầu kiểm kê bằng hình ảnh có thể hỏi từng vật thể mục tiêu, khung bao và thuộc tính nhìn thấy. Nhiệm vụ theo điểm có thể hỏi vị trí của điều khiển có nhãn hoặc bộ phận được chỉ định của vật thể. Đây là thiết kế đầu ra đề xuất, không phải tên trường cố định mà mọi yêu cầu phải dùng. Giữ từng tọa độ gắn với ảnh nguồn khi cung cấp nhiều ảnh.
Nhà sản xuất nhấn mạnh riêng trích xuất có cấu trúc từ hóa đơn quét, biểu mẫu và bảng. Xác định các trường, giữ nhãn gốc và yêu cầu cách biểu diễn rõ ràng khi không đọc được giá trị. Với bảng, giữ tiêu đề cột và đơn vị cùng các hàng yêu cầu. Bản ghi thực tế có thể gồm mã tài liệu, nhãn trường, giá trị trích xuất và vị trí, giúp đầu ra dùng được cho so sánh sau này hoặc kiểm tra thủ công.
Kiến trúc và chuẩn bị đầu vào
Mô hình kết hợp độ phân giải ảnh linh hoạt và lấy mẫu video linh hoạt với thông tin vị trí xoay đa phương thức được cập nhật. Bộ mã hóa thị giác dùng window attention, SwiGLU và RMSNorm. Đây là thay đổi kiến trúc hỗ trợ xử lý thị giác và thời gian; chúng không thêm đầu vào âm thanh hay tạo ảnh vào quy trình kết quả văn bản được ghi nhận.
Thẻ minh họa một ảnh, nhiều ảnh, chuỗi khung hình video, tệp hoặc tham chiếu video và các hội thoại theo lô. Bộ xử lý ảnh ghi nhận phạm vi mặc định từ 4 đến 16,384 token thị giác mỗi ảnh. Thiết lập pixel tối thiểu và tối đa giữ tỷ lệ khung hình; kích thước chính xác được yêu cầu làm tròn tới bội số 28. Phạm vi ví dụ từ 256 đến 1,280 token thị giác là minh họa có thể điều chỉnh, không phải giới hạn ảnh cứng riêng. Giữ chi tiết cần cho câu hỏi khi chọn đổi kích thước.
Ngữ cảnh và thiết lập nhạy với định vị
Cấu hình phát hành đặt số vị trí tối đa là 128,000. Phần văn bản dài của thẻ mô hình mô tả riêng mức cơ sở 32,768 token và ví dụ mở rộng YaRN. Tài liệu cảnh báo rõ mở rộng này ảnh hưởng đáng kể tới định vị thời gian và không gian, và không khuyến nghị sử dụng. Hướng dẫn còn bàn về thay đổi số vị trí tối đa cho video dài; đây là ghi chú cấu hình thay vì một giới hạn đầu vào vô điều kiện cho mọi nhiệm vụ.
Giữ cấu hình bản phát hành chính xác và tiền xử lý thị giác phù hợp nhiệm vụ, nhất là khi tọa độ hoặc thời điểm sự kiện quan trọng. Ví dụ tạo sinh 128 token của thẻ không chỉ định năng lực đầu ra tối đa riêng. Qwen2.5-VL-7B-Instruct tạo văn bản, tọa độ và kết quả có cấu trúc; hành động bên ngoài, ảnh kết xuất, video hay câu trả lời bằng giọng nói cần thành phần ứng dụng khác.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen2.5-vl-7b-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 $0.0001 / 1K token Đầu ra · Token đầu ra $0.0001 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen2.5-vl-7b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 qwen2.5-vl-7b-instruct
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
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.