Qwen: Qwen2.5 VL 72B Instruct

Qwen: Qwen2.5 VL 72B Instruct ist ein Vision-Language-Modell von Qwen, der Modellfamilie, die von Alibaba Cloud entwickelt wird. Das "72B" im Namen bezieht sich auf die Größe des zugrunde liegenden Modells, und "Instruct" zeigt an, dass es darauf abgestimmt wurde, Anweisungen zu befolgen, anstatt einfach Text fortzusetzen. Es befindet sich in der Textkategorie auf api14 und ist durch das Veröffentlichungsdatum des Anbieters vom 1. Februar 2025 gekennzeichnet. Wenn Sie mit anderen Qwen-Modellen gearbeitet haben, erweitert dieses dieselbe Linie auf Eingaben, die Bilder zusammen mit Text enthalten. Der Anbieter beschreibt es als versiert in der Erkennung häufiger Objekte wie Blumen, Vögel, Fische und Insekten und als sehr fähig zur Analyse von Texten, Diagrammen, Symbolen, Grafiken und Layouts innerhalb von Bildern.

Das Modell akzeptiert Text- und Bildeingaben und gibt nur Text zurück. Sein Kontextfenster beträgt 128.000 Token, und die maximale Ausgabe beträgt 115.200 Token, sodass sowohl lange Dokumente als auch umfangreiche Generierungen bequem in eine einzelne Anfrage passen. Der Wissensstand reicht bis zum 30. Juni 2024, was wichtig ist, wenn Ihre Fragen von Ereignissen oder Veröffentlichungen nach diesem Datum abhängen. Da Bilder eine erstklassige Eingabe sind, können Sie einen Prompt senden, der Anweisungen und visuelles Material mischt, und das Modell schließt über beides beim Erzeugen seiner Antwort. Die Ausgabe ist immer Text, sodass alles, was Sie in einem anderen Format benötigen, als Text erzeugt und nachgelagert geparst werden muss.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Aufgaben hin. Dokument- und Diagrammanalyse ist die offensichtliche: Screenshots von Dashboards, gescannte Tabellen oder Diagramme einspeisen und um eine Zusammenfassung oder einen extrahierten Wert bitten. Visuelle Inspektionsaufgaben folgen aus der Stärke bei der Objekterkennung, zum Beispiel das Klassifizieren oder Beschreiben dessen, was auf einem Foto erscheint. Layoutverständnis ist nützlich für die Verarbeitung von Formularen, Belegen und Interface-Mockups, bei denen die Position von Elementen Bedeutung trägt. Und weil das Kontextfenster groß ist, können Sie mehrere Bilder mit einem langen Referenztext in einem Aufruf kombinieren, anstatt alles selbst zu zerlegen.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "qwen/qwen2.5-vl-72b-instruct" auf. Unterstützte Anfrageparameter sind frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, top_k, top_logprobs und top_p. Das Vorhandensein von response_format und structured_outputs ist nützlich, wenn Sie Ausgaben benötigen, die einem Schema entsprechen, und seed hilft, wenn Sie über Aufrufe hinweg wiederholbare Ergebnisse wünschen. Beachten Sie, dass dieses Modell in seiner Ausgabe nur Text liefert, wenn Ihre Aufgabe also Sprach-, Audio- oder Videogenerierung ist, passt ein anderes Modell auf api14 besser.