Qwen2.5 VL 72B Instruct
Red Neuronal
Qwen2.5 VL 72B Instruct: modelo multimodal Qwen para analizar imágenes: objetos, textos, gráficos, iconos y diseño de maquetación.
Longitud máxima de respuesta
(en tokens)
Tamaño del contexto
(en tokens)
Costo del prompt
(por 1M tokens)
Costo de la respuesta
(por 1M tokens)
Cómo funciona Qwen2.5 VL 72B Instruct?
Qwen2.5 VL 72B Instruct es un modelo de visión y lenguaje de la familia Qwen que acepta tanto texto como imágenes. Reconoce objetos comunes como flores, aves, peces e insectos, y analiza el contenido de las imágenes: fragmentos de texto, gráficos, iconos, esquemas y diseños. En BotHub, el acceso es sencillo: paga solo por los tokens consumidos, que no caducan. Accede a más de 250 redes neuronales en una sola ventana, cambia fácilmente entre ellas y compara respuestas. Nuestra API compatible con OpenAI permite integrar el modelo en tu servicio y cambiarlo sin reescribir la integración. Los datos se cifran mediante AES-GCM y no se almacenan. Para empresas, ofrecemos contratos, facturación, EDI y un panel de administración con límites. Casos de uso: extraer datos de diagramas para informes, obtener texto de capturas de pantalla o escaneos, describir fotos para catálogos, analizar interfaces o diseños, y reconocer objetos en imágenes para tareas de campo.Preguntas frecuentes sobre Qwen2.5 VL 72B Instruct
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
Es un modelo de visión y lenguaje Qwen: lee texto, analiza imágenes y documentos, y responde preguntas sobre su contenido. Es ideal para analizar capturas de pantalla, esquemas, tablas y escaneos, extraer datos estructurados, trabajar con código y conectar herramientas mediante llamadas a funciones. Contexto de 32 000 tokens.
Hasta 115 200 tokens por respuesta según nuestros datos, equivalente a un artículo largo o documentación completa. La ventana de contexto es de 32 000 tokens, así que considera el prompt y los archivos adjuntos juntos; para materiales largos, divide la tarea en partes.
No hay un modo de razonamiento específico marcado en nuestros datos, pero eso no significa que no exista. En la práctica, pedirle al modelo que descomponga la tarea paso a paso ayuda a obtener respuestas más precisas en lógica, cálculos y análisis de documentos. Pruébalo en tu escenario.
Sí. Se admiten llamadas a funciones y salida JSON estructurada: el modelo puede acceder a tus herramientas y devolver respuestas según un esquema definido. Es útil para extraer campos de escaneos y facturas, integraciones y escenarios de agentes. En BotHub, todo funciona a través de una API compatible con OpenAI.
Imágenes y documentos, sí; puedes enviarlos junto con el texto: el modelo describirá la imagen, encontrará fragmentos en capturas de pantalla o analizará tablas y contratos. La entrada de audio y video no está marcada en nuestros datos. Para esas tareas, BotHub cuenta con modelos específicos.
No tenemos datos sobre los idiomas de los prompts y la salida, por lo que no podemos prometer una calidad específica. Qwen2.5-VL pertenece a la línea multilingüe de Qwen, por lo que el modelo entenderá consultas en ruso. Lo más fiable es probarlo en tu tarea y compararlo con otro modelo; puedes cambiar entre ellos en BotHub en una sola ventana.