Qwen: Qwen2.5 VL 72B Instruct

Qwen: Qwen2.5 VL 72B Instruct to model językowo-wizyjny od Qwen, rodziny modeli opracowanej przez Alibaba Cloud. Liczba "72B" w nazwie odnosi się do rozmiaru modelu bazowego, a "Instruct" wskazuje, że został dostrojony do wykonywania instrukcji, a nie tylko kontynuowania tekstu. Znajduje się w kategorii tekstowej na api14 i jest identyfikowany przez datę wydania dostawcy 1 lutego 2025. Jeśli pracowałeś z innymi modelami Qwen, ten rozszerza tę samą linię na dane wejściowe zawierające obrazy obok tekstu. Dostawca opisuje go jako biegły w rozpoznawaniu typowych obiektów, takich jak kwiaty, ptaki, ryby i owady, oraz jako wysoce zdolny do analizowania tekstów, wykresów, ikon, grafik i układów w obrazach.

Model przyjmuje dane wejściowe w postaci tekstu i obrazów, a zwraca wyłącznie tekst. Jego okno kontekstowe wynosi 128 000 tokenów, a maksymalne wyjście to 115 200 tokenów, więc długie dokumenty i obszerne generacje mieszczą się wygodnie w jednym żądaniu. Data odcięcia wiedzy to 30 czerwca 2024, co ma znaczenie, gdy pytania zależą od zdarzeń lub wydań po tej dacie. Ponieważ obrazy są pełnoprawnym typem danych wejściowych, możesz wysłać polecenie łączące instrukcje i materiał wizualny, a model rozumuje nad oboma podczas tworzenia odpowiedzi. Wyjście jest zawsze tekstem, więc wszystko, czego potrzebujesz w innym formacie, musi zostać wygenerowane jako tekst i przetworzone dalej.

Te możliwości wskazują na dość konkretny zestaw zadań. Analiza dokumentów i wykresów jest oczywista: podawanie zrzutów ekranu pulpitów, zeskanowanych tabel lub diagramów i proszenie o podsumowanie albo wyodrębnioną wartość. Zadania inspekcji wizualnej wynikają z siły rozpoznawania obiektów, na przykład klasyfikowanie lub opisywanie tego, co pojawia się na zdjęciu. Rozumienie układu jest przydatne do przetwarzania formularzy, paragonów i makiet interfejsów, gdzie pozycja elementów niesie znaczenie. A ponieważ okno kontekstowe jest duże, możesz połączyć kilka obrazów z długim tekstem referencyjnym w jednym wywołaniu, zamiast dzielić wszystko samodzielnie.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "qwen/qwen2.5-vl-72b-instruct". Obsługiwane parametry żądania to frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, top_k, top_logprobs i top_p. Obecność response_format i structured_outputs jest przydatna, gdy potrzebujesz wyjścia zgodnego ze schematem, a seed pomaga, gdy chcesz uzyskać powtarzalne wyniki między wywołaniami. Pamiętaj, że ten model generuje wyłącznie tekst, więc jeśli twoim zadaniem jest generowanie mowy, dźwięku lub wideo, lepiej pasować będzie inny model na api14.