Qwen: Qwen2.5 VL 72B Instruct

Qwen: Qwen2.5 VL 72B Instruct es un modelo de lenguaje visual de Qwen, la familia de modelos desarrollada por Alibaba Cloud. El "72B" del nombre se refiere al tamaño del modelo subyacente, e "Instruct" indica que ha sido ajustado para seguir instrucciones en lugar de simplemente continuar texto. Se encuentra en la categoría de texto en api14 y se identifica por la fecha de lanzamiento del proveedor del 1 de febrero de 2025. Si has trabajado con otros modelos Qwen, este extiende el mismo linaje a entradas que incluyen imágenes junto con texto. El proveedor lo describe como competente en el reconocimiento de objetos comunes como flores, pájaros, peces e insectos, y como altamente capaz de analizar textos, gráficos, iconos, ilustraciones y diseños dentro de imágenes.

El modelo acepta entradas de texto e imagen y devuelve solo texto. Su ventana de contexto es de 128.000 tokens, y la salida máxima es de 115.200 tokens, por lo que tanto documentos largos como generaciones extensas caben cómodamente en una sola solicitud. El corte de conocimiento es el 30 de junio de 2024, lo cual importa cuando tus preguntas dependen de eventos o lanzamientos posteriores a esa fecha. Dado que las imágenes son una entrada de primera clase, puedes enviar un prompt que mezcle instrucciones y material visual, y el modelo razona sobre ambos al producir su respuesta. La salida es siempre texto, así que cualquier cosa que necesites en otro formato tiene que producirse como texto y analizarse posteriormente.

Esas capacidades apuntan a un conjunto bastante específico de tareas. El análisis de documentos y gráficos es la más obvia: introducir capturas de pantalla de paneles, tablas escaneadas o diagramas y pedir un resumen o un valor extraído. Las tareas de inspección visual se derivan de la fortaleza en el reconocimiento de objetos, por ejemplo clasificar o describir lo que aparece en una foto. La comprensión de diseños es útil para procesar formularios, recibos y maquetas de interfaces donde la posición de los elementos tiene significado. Y como la ventana de contexto es grande, puedes combinar varias imágenes con un cuerpo extenso de texto de referencia en una sola llamada en lugar de fragmentarlo todo tú mismo.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "qwen/qwen2.5-vl-72b-instruct". Los parámetros de solicitud admitidos son frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, top_k, top_logprobs y top_p. La presencia de response_format y structured_outputs es útil cuando necesitas una salida que se ajuste a un esquema, y seed ayuda cuando quieres resultados repetibles entre llamadas. Ten en cuenta que este modelo es solo de texto en su salida, así que si tu tarea es generación de voz, audio o vídeo, un modelo diferente en api14 se ajustará mejor.