Qwen: Qwen2.5 VL 72B Instruct

Qwen: Qwen2.5 VL 72B Instruct é um modelo de linguagem visual da Qwen, a família de modelos desenvolvida pela Alibaba Cloud. O "72B" no nome refere-se ao tamanho do modelo subjacente, e "Instruct" indica que foi ajustado para seguir instruções em vez de simplesmente continuar texto. Ele está na categoria de texto em api14 e é identificado pela data de lançamento do provedor de 1 de fevereiro de 2025. Se você já trabalhou com outros modelos Qwen, este estende a mesma linhagem para entradas que incluem imagens junto com texto. O provedor o descreve como proficiente em reconhecer objetos comuns como flores, pássaros, peixes e insetos, e como altamente capaz de analisar textos, gráficos, ícones, elementos gráficos e layouts dentro de imagens.

O modelo aceita entradas de texto e imagem e retorna apenas texto. Sua janela de contexto é de 128.000 tokens, e a saída máxima é de 115.200 tokens, então documentos longos e gerações extensas cabem confortavelmente em uma única requisição. O corte de conhecimento é 30 de junho de 2024, o que importa quando suas perguntas dependem de eventos ou lançamentos após essa data. Como as imagens são uma entrada de primeira classe, você pode enviar um prompt que mistura instruções e material visual, e o modelo raciocina sobre ambos ao produzir sua resposta. A saída é sempre texto, então qualquer coisa que você precise em outro formato tem que ser produzida como texto e analisada posteriormente.

Essas capacidades apontam para um conjunto bastante específico de tarefas. Análise de documentos e gráficos é a mais óbvia: alimentar capturas de tela de painéis, tabelas digitalizadas ou diagramas e pedir um resumo ou um valor extraído. Tarefas de inspeção visual decorrem da força de reconhecimento de objetos, por exemplo classificar ou descrever o que aparece em uma foto. A compreensão de layout é útil para processar formulários, recibos e mockups de interface onde a posição dos elementos carrega significado. E como a janela de contexto é grande, você pode combinar várias imagens com um longo corpo de texto de referência em uma única chamada em vez de dividir tudo você mesmo.

Você chama o modelo através da API compatível com OpenAI do api14 usando o id de modelo "qwen/qwen2.5-vl-72b-instruct". Os parâmetros de requisição suportados são frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, top_k, top_logprobs e top_p. A presença de response_format e structured_outputs é útil quando você precisa de saída que siga um esquema, e seed ajuda quando você quer resultados repetíveis entre chamadas. Note que este modelo é apenas texto em sua saída, então se sua tarefa é geração de fala, áudio ou vídeo, um modelo diferente no api14 se encaixará melhor.