Qwen: Qwen2.5 VL 72B Instruct

Qwen : Qwen2.5 VL 72B Instruct est un modèle de langage visuel de Qwen, la famille de modèles développée par Alibaba Cloud. Le « 72B » dans le nom fait référence à la taille du modèle sous-jacent, et « Instruct » indique qu'il a été ajusté pour suivre des instructions plutôt que simplement continuer du texte. Il se situe dans la catégorie texte sur api14 et est identifié par la date de publication du fournisseur du 1er février 2025. Si vous avez travaillé avec d'autres modèles Qwen, celui-ci étend la même lignée à des entrées qui incluent des images en plus du texte. Le fournisseur le décrit comme compétent pour reconnaître des objets courants tels que des fleurs, des oiseaux, des poissons et des insectes, et comme très capable d'analyser des textes, des graphiques, des icônes, des illustrations et des mises en page au sein d'images.

Le modèle accepte des entrées texte et image et renvoie uniquement du texte. Sa fenêtre de contexte est de 128 000 tokens, et la sortie maximale est de 115 200 tokens, de sorte que les documents longs et les générations longues tiennent tous deux confortablement dans une seule requête. La date limite de connaissance est le 30 juin 2024, ce qui compte lorsque vos questions dépendent d'événements ou de publications postérieurs à cette date. Parce que les images sont une entrée de premier ordre, vous pouvez envoyer une invite qui mélange des instructions et du contenu visuel, et le modèle raisonne sur les deux lorsqu'il produit sa réponse. La sortie est toujours du texte, donc tout ce dont vous avez besoin dans un autre format doit être produit sous forme de texte et analysé en aval.

Ces capacités renvoient à un ensemble assez spécifique de tâches. L'analyse de documents et de graphiques est l'évidence : fournir des captures d'écran de tableaux de bord, des tableaux numérisés ou des diagrammes et demander un résumé ou une valeur extraite. Les tâches d'inspection visuelle découlent de la force de reconnaissance d'objets, par exemple classer ou décrire ce qui apparaît sur une photo. La compréhension de la mise en page est utile pour traiter des formulaires, des reçus et des maquettes d'interface où la position des éléments porte un sens. Et comme la fenêtre de contexte est grande, vous pouvez combiner plusieurs images avec un long corps de texte de référence en un seul appel au lieu de tout découper vous-même.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle « qwen/qwen2.5-vl-72b-instruct ». Les paramètres de requête pris en charge sont frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, top_k, top_logprobs et top_p. La présence de response_format et structured_outputs est utile lorsque vous avez besoin d'une sortie conforme à un schéma, et seed aide lorsque vous voulez des résultats reproductibles d'un appel à l'autre. Notez que ce modèle produit uniquement du texte, donc si votre tâche est la génération de parole, d'audio ou de vidéo, un autre modèle sur api14 conviendra mieux.