Qwen 2.5 7B instruct

Qwen2.5‑VL‑7B‑Instruct est un modèle multimodal Qwen dédié à la compréhension visuelle. Il reconnaît les objets et analyse textes, graphiques, icônes et mises en page dans les images, avec sortie JSON incluant coordonnées et attributs. Il comprend les vidéos longues, identifie les segments pertinents et peut agir comme agent visuel avec raisonnement dynamique. Son Vision Encoder utilise window attention pour une inférence plus efficace.

• SIÈGE DU FOURNISSEUR: Hors UE
• PARAMÈTRES: 7B
• CONTEXTE MAX.: 32K token, extensible avec YaRN
• LICENCE: Apache 2.0
• FONCTIONNALITÉS: Multimodal (images + vidéo), OCR
• FORMATS DE SORTIE: Raw_text, Json_object, Structured

• Analyse automatique de documents et factures
• Compréhension et recherche dans des archives vidéo
• OCR sur images complexes
• Agent visuel pour l’automatisation

curl --request POST \
--url https://apiaruba.it/aiplatform/v1/chat/completions \
--header 'content-type: application/json' \
--header 'x-aruba-api-key: *****' \
--data '{
"model": "Qwen2.5-VL-7B-Instruct",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'

{
"id": "chatcmpl-ed150ff5-50e2-45ab-bc04-41dbfb822185",
"created": 1787560896,
"model": "Qwen2.5-VL-7B-Instruct",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-af4d1ed2",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un embedding è una rappresentazione vettoriale di una parola, di un oggetto o di una qualsiasi entità in uno spazio vettoriale, la cui dimensione può essere maggiore rispetto ai dati originali. Questa rappresentazione è usata comunemente nel campo dell'intelligenza artificiale, specialmente nei sistemi basati su neuroni artificiali, per permettere una concatenate analisi. Gli embeddings trasformano la struttura astratta di un'informazione in un vettore numerico. Questo processo è utile perché i modelli neurali possono lavorare con vettori numerici piuttosto che con la complessità dei dati originali, rendendo l'analisi più efficiente e rapida. Un esempio noto di embedding è Word2Vec, utilizzato per la rappresentazione di parole in uno spazio vettoriale.",
"role": "assistant",
"provider_specific_fields": {
"reasoning": null,
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 200,
"prompt_tokens": 30,
"total_tokens": 230
}
}

• Mistral‑Small‑3.2‑24B‑Instruct‑2506

• Hugging Face
• Blog Qwen
• GitHub