Qwen 2.5 7B instruct

Qwen2.5‑VL‑7B‑Instruct è un modello multimodale della famiglia Qwen per la comprensione visiva. Riconosce oggetti e analizza testi, grafici, icone e layout nelle immagini, generando output JSON con coordinate e attributi. Comprende video lunghi individuando segmenti rilevanti e può operare come agente visivo con ragionamento dinamico. Il Vision Encoder usa window attention per rendere più efficiente l’inferenza.

• SEDE DEL PROVIDER: Extra UE
• PARAMETRI: 7B
• CONTESTO MAX: 32K token, estendibile con YaRN
• LICENZA: Apache 2.0
• FUNZIONALITÀ: Multimodale (immagini + video), OCR
• OUTPUT FORMATS: Raw_text, Json_object, Structured

• Analisi automatica di documenti e fatture
• Comprensione e ricerca in archivi video
• OCR intelligente su immagini complesse
• Agente visivo per automazione

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