Qwen-VL-Plus er Qwens modelserie til billeder og sprog med særligt fokus på genkendelse af detaljer og tekst i billeder. Producenten beskriver understøttelse af billeder med over en million pixels og forskellige sideforhold. Modellen er relevant, når svaret afhænger af en lille mærkning, et felt på en side eller forholdet mellem tekstlige og visuelle elementer frem for blot motivet i et fotografi.
Producentens aktuelle modelkort beskriver navnet uden versionsangivelse, qwen-vl-plus, som funktionelt tilsvarende qwen-vl-plus-2025-08-15. Bevar det præcise versionsnavn i en opgave, der skal kunne gentages. En Plus-betegnelse, et Latest-alias og en anden dateret version er separate valg; et fælles familienavn gør ikke deres specifikationer indbyrdes udskiftelige.
Modellens funktioner
Producenten angiver tekst, billeder og video som input og tekst som output. En tekstinstruktion kan bede modellen om at læse et dokumentafsnit, beskrive objekter, forklare et layout eller besvare et spørgsmål om en scene. Genkendelse og forklaring er beslægtede opgaver, men kræver forskellige resultater: en transskription skal bevare den synlige ordlyd, mens en forklaring skal vise, hvordan de synlige detaljer hænger sammen med spørgsmålet.
Til dokumentudtræk skal du levere en læsbar side og angive de felter, der skal returneres. For en formular kan du bede om feltnavne og værdier; for en tabel kan du bede om den ønskede række sammen med dens kolonneoverskrifter. Hvis en værdi ikke er synlig, skal du definere en eksplicit repræsentation af en manglende værdi. Dette eksempel på udformning af output hjælper applikationen med at skelne udtrukket tekst fra en gættet udfyldning.
Ved gennemgang af et layout skal du spørge om de relevante elementer: hvor en mærkning er placeret, hvilket objekt den hører til, og hvordan to versioner adskiller sig. Giv hvert billede en rolle, og hold sammenligningskriterierne ens. Ved en forklaring baseret på et skærmbillede skal du angive brugerens mål og bede om en kort instruktion ud fra de synlige betjeningselementer. Svaret er tekst om grænsefladen, ikke en udført handling.
Producentens tabeller omfatter fortsættelse fra et svarpræfiks og caching af kontekst. Struktureret output, batchindsendelse og finjustering tilbydes ikke på samme måde i producentens forskellige konfigurationer; behandl dem som muligheder i grænsefladen og ikke som en ubetinget følge af at vælge Plus-navnet. Funktionskald og websøgning er ikke angivet som understøttet på dette modelkort. En anmodning om at formatere udtrukne felter er forskellig fra en anmodning om at udføre en funktion eller hente nye oplysninger fra nettet.
Kontekstgrænser
Det offentliggjorte modelkort angiver et kontekstvindue på 131.072 tokens, højst 129.024 inputtokens og højst 8.192 outputtokens. Billedets eller videoens repræsentation bruger inputkapacitet sammen med spørgsmålet og den understøttende tekst. Planlæg det visuelle materiale og svaret hver for sig: et langt eller detaljeret input kan stadig kun kræve en kort liste over felter eller observationer.
Forberedelse af input
Producentens fokus på detaljer og varierende proportioner fjerner ikke behovet for læsbart materiale. Hold området med den ønskede tekst tydeligt. Når du beskærer en tabel, skal du bevare de overskrifter og enheder, der er nødvendige for at fortolke værdierne; ved flere sider skal du angive deres rækkefølge og det afsnit, der skal undersøges. Angiv, om du ønsker den oprindelige ordlyd, et resumé eller en fortolkning, så disse resultater ikke blandes sammen.
For video skal du definere den hændelse eller synlige detalje, der skal beskrives, og den ønskede struktur for svaret. En praktisk opgave kan spørge efter handlingsrækkefølgen i en demonstration og de objekter, der indgår i hvert trin. Det dokumenterede output er tekst; modelkortet angiver ikke lyd som input eller tale som output. Denne visuelle tilgang bør derfor ikke bruges som bevis for, at en transskription af talt indhold er blevet forstået.
En nyttig arbejdsgang, der kan gentages, er at bede om de samme udtræksfelter for flere dokumentbilleder, bevare billedidentifikatorerne ved siden af resultaterne og derefter sammenligne de resulterende poster i applikationen. En anden er at kombinere et skærmbillede med et skriftligt krav og bede om synlige overensstemmelser, forskelle og uafklarede detaljer. Bevar i begge tilfælde forbindelsen mellem kildebilledet og hver returneret værdi, så resultatet kan kontrolleres.
", "aboutText": "Qwen-VL-Plus er Qwens modelserie til billeder og sprog med særligt fokus på genkendelse af detaljer og tekst i billeder. Producenten beskriver understøttelse af billeder med over en million pixels og forskellige sideforhold. Modellen er relevant, når svaret afhænger af en lille mærkning, et felt på en side eller forholdet mellem tekstlige og visuelle elementer frem for blot motivet i et fotografi.\n\nProducentens aktuelle modelkort beskriver navnet uden versionsangivelse, qwen-vl-plus, som funktionelt tilsvarende qwen-vl-plus-2025-08-15. Bevar det præcise versionsnavn i en opgave, der skal kunne gentages. En Plus-betegnelse, et Latest-alias og en anden dateret version er separate valg; et fælles familienavn gør ikke deres specifikationer indbyrdes udskiftelige.\n\nModellens funktioner\n\nProducenten angiver tekst, billeder og video som input og tekst som output. En tekstinstruktion kan bede modellen om at læse et dokumentafsnit, beskrive objekter, forklare et layout eller besvare et spørgsmål om en scene. Genkendelse og forklaring er beslægtede opgaver, men kræver forskellige resultater: en transskription skal bevare den synlige ordlyd, mens en forklaring skal vise, hvordan de synlige detaljer hænger sammen med spørgsmålet.\n\nTil dokumentudtræk skal du levere en læsbar side og angive de felter, der skal returneres. For en formular kan du bede om feltnavne og værdier; for en tabel kan du bede om den ønskede række sammen med dens kolonneoverskrifter. Hvis en værdi ikke er synlig, skal du definere en eksplicit repræsentation af en manglende værdi. Dette eksempel på udformning af output hjælper applikationen med at skelne udtrukket tekst fra en gættet udfyldning.\n\nVed gennemgang af et layout skal du spørge om de relevante elementer: hvor en mærkning er placeret, hvilket objekt den hører til, og hvordan to versioner adskiller sig. Giv hvert billede en rolle, og hold sammenligningskriterierne ens. Ved en forklaring baseret på et skærmbillede skal du angive brugerens mål og bede om en kort instruktion ud fra de synlige betjeningselementer. Svaret er tekst om grænsefladen, ikke en udført handling.\n\nProducentens tabeller omfatter fortsættelse fra et svarpræfiks og caching af kontekst. Struktureret output, batchindsendelse og finjustering tilbydes ikke på samme måde i producentens forskellige konfigurationer; behandl dem som muligheder i grænsefladen og ikke som en ubetinget følge af at vælge Plus-navnet. Funktionskald og websøgning er ikke angivet som understøttet på dette modelkort. En anmodning om at formatere udtrukne felter er forskellig fra en anmodning om at udføre en funktion eller hente nye oplysninger fra nettet.\n\nKontekstgrænser\n\nDet offentliggjorte modelkort angiver et kontekstvindue på 131.072 tokens, højst 129.024 inputtokens og højst 8.192 outputtokens. Billedets eller videoens repræsentation bruger inputkapacitet sammen med spørgsmålet og den understøttende tekst. Planlæg det visuelle materiale og svaret hver for sig: et langt eller detaljeret input kan stadig kun kræve en kort liste over felter eller observationer.\n\nForberedelse af input\n\nProducentens fokus på detaljer og varierende proportioner fjerner ikke behovet for læsbart materiale. Hold området med den ønskede tekst tydeligt. Når du beskærer en tabel, skal du bevare de overskrifter og enheder, der er nødvendige for at fortolke værdierne; ved flere sider skal du angive deres rækkefølge og det afsnit, der skal undersøges. Angiv, om du ønsker den oprindelige ordlyd, et resumé eller en fortolkning, så disse resultater ikke blandes sammen.\n\nFor video skal du definere den hændelse eller synlige detalje, der skal beskrives, og den ønskede struktur for svaret. En praktisk opgave kan spørge efter handlingsrækkefølgen i en demonstration og de objekter, der indgår i hvert trin. Det dokumenterede output er tekst; modelkortet angiver ikke lyd som input eller tale som output. Denne visuelle tilgang bør derfor ikke bruges som bevis for, at en transskription af talt indhold er blevet forstået.\n\nEn nyttig arbejdsgang, der kan gentages, er at bede om de samme udtræksfelter for flere dokumentbilleder, bevare billedidentifikatorerne ved siden af resultaterne og derefter sammenligne de resulterende poster i applikationen. En anden er at kombinere et skærmbillede med et skriftligt krav og bede om synlige overensstemmelser, forskelle og uafklarede detaljer. Bevar i begge tilfælde forbindelsen mellem kildebilledet og hver returneret værdi, så resultatet kan kontrolleres.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare transcribed package labels\n\nCompare these package-label transcriptions using the same fields. Label A: Oat drink; 1 L; ingredients: water, oats, salt. Label B: Oat drink; 750 mL; ingredients: water, oats, sunflower oil, salt. Return product name, volume and ingredient differences. Preserve original units and do not infer nutrition values or visual layout.A label comparison table plus a short list of explicit wording and quantity differences.Check that sunflower oil is attributed only to Label B and the original L/mL units are retained.qwen-vl-plusQwen-VL-Plus læser tekst og detaljer i billeder og kombinerer dem med et skriftligt spørgsmål. Producenten dokumenterer billeder og video som input, tekst som output, billeder i høj opløsning og forskellige sideforhold til dokumentudtræk, visuel sammenligning og forklaring af scener.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-VL-Plus er Qwens modelserie til billeder og sprog med særligt fokus på genkendelse af detaljer og tekst i billeder. Producenten beskriver understøttelse af billeder med over en million pixels og forskellige sideforhold. Modellen er relevant, når svaret afhænger af en lille mærkning, et felt på en side eller forholdet mellem tekstlige og visuelle elementer frem for blot motivet i et fotografi.
Producentens aktuelle modelkort beskriver navnet uden versionsangivelse, qwen-vl-plus, som funktionelt tilsvarende qwen-vl-plus-2025-08-15. Bevar det præcise versionsnavn i en opgave, der skal kunne gentages. En Plus-betegnelse, et Latest-alias og en anden dateret version er separate valg; et fælles familienavn gør ikke deres specifikationer indbyrdes udskiftelige.
Modellens funktioner
Producenten angiver tekst, billeder og video som input og tekst som output. En tekstinstruktion kan bede modellen om at læse et dokumentafsnit, beskrive objekter, forklare et layout eller besvare et spørgsmål om en scene. Genkendelse og forklaring er beslægtede opgaver, men kræver forskellige resultater: en transskription skal bevare den synlige ordlyd, mens en forklaring skal vise, hvordan de synlige detaljer hænger sammen med spørgsmålet.
Til dokumentudtræk skal du levere en læsbar side og angive de felter, der skal returneres. For en formular kan du bede om feltnavne og værdier; for en tabel kan du bede om den ønskede række sammen med dens kolonneoverskrifter. Hvis en værdi ikke er synlig, skal du definere en eksplicit repræsentation af en manglende værdi. Dette eksempel på udformning af output hjælper applikationen med at skelne udtrukket tekst fra en gættet udfyldning.
Ved gennemgang af et layout skal du spørge om de relevante elementer: hvor en mærkning er placeret, hvilket objekt den hører til, og hvordan to versioner adskiller sig. Giv hvert billede en rolle, og hold sammenligningskriterierne ens. Ved en forklaring baseret på et skærmbillede skal du angive brugerens mål og bede om en kort instruktion ud fra de synlige betjeningselementer. Svaret er tekst om grænsefladen, ikke en udført handling.
Producentens tabeller omfatter fortsættelse fra et svarpræfiks og caching af kontekst. Struktureret output, batchindsendelse og finjustering tilbydes ikke på samme måde i producentens forskellige konfigurationer; behandl dem som muligheder i grænsefladen og ikke som en ubetinget følge af at vælge Plus-navnet. Funktionskald og websøgning er ikke angivet som understøttet på dette modelkort. En anmodning om at formatere udtrukne felter er forskellig fra en anmodning om at udføre en funktion eller hente nye oplysninger fra nettet.
Kontekstgrænser
Det offentliggjorte modelkort angiver et kontekstvindue på 131.072 tokens, højst 129.024 inputtokens og højst 8.192 outputtokens. Billedets eller videoens repræsentation bruger inputkapacitet sammen med spørgsmålet og den understøttende tekst. Planlæg det visuelle materiale og svaret hver for sig: et langt eller detaljeret input kan stadig kun kræve en kort liste over felter eller observationer.
Forberedelse af input
Producentens fokus på detaljer og varierende proportioner fjerner ikke behovet for læsbart materiale. Hold området med den ønskede tekst tydeligt. Når du beskærer en tabel, skal du bevare de overskrifter og enheder, der er nødvendige for at fortolke værdierne; ved flere sider skal du angive deres rækkefølge og det afsnit, der skal undersøges. Angiv, om du ønsker den oprindelige ordlyd, et resumé eller en fortolkning, så disse resultater ikke blandes sammen.
For video skal du definere den hændelse eller synlige detalje, der skal beskrives, og den ønskede struktur for svaret. En praktisk opgave kan spørge efter handlingsrækkefølgen i en demonstration og de objekter, der indgår i hvert trin. Det dokumenterede output er tekst; modelkortet angiver ikke lyd som input eller tale som output. Denne visuelle tilgang bør derfor ikke bruges som bevis for, at en transskription af talt indhold er blevet forstået.
En nyttig arbejdsgang, der kan gentages, er at bede om de samme udtræksfelter for flere dokumentbilleder, bevare billedidentifikatorerne ved siden af resultaterne og derefter sammenligne de resulterende poster i applikationen. En anden er at kombinere et skærmbillede med et skriftligt krav og bede om synlige overensstemmelser, forskelle og uafklarede detaljer. Bevar i begge tilfælde forbindelsen mellem kildebilledet og hver returneret værdi, så resultatet kan kontrolleres.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-vl-plus | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00024 / 1K tokens Output · Outputtokens $0.000572 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-vl-plus", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen-vl-plus
Brug metodestierne vist ovenfor.
qwen-vl-plusQwen-VL-Plus læser tekst og detaljer i billeder og kombinerer dem med et skriftligt spørgsmål. Producenten dokumenterer billeder og video som input, tekst som output, billeder i høj opløsning og forskellige sideforhold til dokumentudtræk, visuel sammenligning og forklaring af scener.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen-VL-Plus er Qwens modelserie til billeder og sprog med særligt fokus på genkendelse af detaljer og tekst i billeder. Producenten beskriver understøttelse af billeder med over en million pixels og forskellige sideforhold. Modellen er relevant, når svaret afhænger af en lille mærkning, et felt på en side eller forholdet mellem tekstlige og visuelle elementer frem for blot motivet i et fotografi.
Producentens aktuelle modelkort beskriver navnet uden versionsangivelse, qwen-vl-plus, som funktionelt tilsvarende qwen-vl-plus-2025-08-15. Bevar det præcise versionsnavn i en opgave, der skal kunne gentages. En Plus-betegnelse, et Latest-alias og en anden dateret version er separate valg; et fælles familienavn gør ikke deres specifikationer indbyrdes udskiftelige.
Modellens funktioner
Producenten angiver tekst, billeder og video som input og tekst som output. En tekstinstruktion kan bede modellen om at læse et dokumentafsnit, beskrive objekter, forklare et layout eller besvare et spørgsmål om en scene. Genkendelse og forklaring er beslægtede opgaver, men kræver forskellige resultater: en transskription skal bevare den synlige ordlyd, mens en forklaring skal vise, hvordan de synlige detaljer hænger sammen med spørgsmålet.
Til dokumentudtræk skal du levere en læsbar side og angive de felter, der skal returneres. For en formular kan du bede om feltnavne og værdier; for en tabel kan du bede om den ønskede række sammen med dens kolonneoverskrifter. Hvis en værdi ikke er synlig, skal du definere en eksplicit repræsentation af en manglende værdi. Dette eksempel på udformning af output hjælper applikationen med at skelne udtrukket tekst fra en gættet udfyldning.
Ved gennemgang af et layout skal du spørge om de relevante elementer: hvor en mærkning er placeret, hvilket objekt den hører til, og hvordan to versioner adskiller sig. Giv hvert billede en rolle, og hold sammenligningskriterierne ens. Ved en forklaring baseret på et skærmbillede skal du angive brugerens mål og bede om en kort instruktion ud fra de synlige betjeningselementer. Svaret er tekst om grænsefladen, ikke en udført handling.
Producentens tabeller omfatter fortsættelse fra et svarpræfiks og caching af kontekst. Struktureret output, batchindsendelse og finjustering tilbydes ikke på samme måde i producentens forskellige konfigurationer; behandl dem som muligheder i grænsefladen og ikke som en ubetinget følge af at vælge Plus-navnet. Funktionskald og websøgning er ikke angivet som understøttet på dette modelkort. En anmodning om at formatere udtrukne felter er forskellig fra en anmodning om at udføre en funktion eller hente nye oplysninger fra nettet.
Kontekstgrænser
Det offentliggjorte modelkort angiver et kontekstvindue på 131.072 tokens, højst 129.024 inputtokens og højst 8.192 outputtokens. Billedets eller videoens repræsentation bruger inputkapacitet sammen med spørgsmålet og den understøttende tekst. Planlæg det visuelle materiale og svaret hver for sig: et langt eller detaljeret input kan stadig kun kræve en kort liste over felter eller observationer.
Forberedelse af input
Producentens fokus på detaljer og varierende proportioner fjerner ikke behovet for læsbart materiale. Hold området med den ønskede tekst tydeligt. Når du beskærer en tabel, skal du bevare de overskrifter og enheder, der er nødvendige for at fortolke værdierne; ved flere sider skal du angive deres rækkefølge og det afsnit, der skal undersøges. Angiv, om du ønsker den oprindelige ordlyd, et resumé eller en fortolkning, så disse resultater ikke blandes sammen.
For video skal du definere den hændelse eller synlige detalje, der skal beskrives, og den ønskede struktur for svaret. En praktisk opgave kan spørge efter handlingsrækkefølgen i en demonstration og de objekter, der indgår i hvert trin. Det dokumenterede output er tekst; modelkortet angiver ikke lyd som input eller tale som output. Denne visuelle tilgang bør derfor ikke bruges som bevis for, at en transskription af talt indhold er blevet forstået.
En nyttig arbejdsgang, der kan gentages, er at bede om de samme udtræksfelter for flere dokumentbilleder, bevare billedidentifikatorerne ved siden af resultaterne og derefter sammenligne de resulterende poster i applikationen. En anden er at kombinere et skærmbillede med et skriftligt krav og bede om synlige overensstemmelser, forskelle og uafklarede detaljer. Bevar i begge tilfælde forbindelsen mellem kildebilledet og hver returneret værdi, så resultatet kan kontrolleres.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen-vl-plus | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00024 / 1K tokens Output · Outputtokens $0.000572 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen-vl-plus
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Compare transcribed package labels\n\nCompare these package-label transcriptions using the same fields. Label A: Oat drink; 1 L; ingredients: water, oats, salt. Label B: Oat drink; 750 mL; ingredients: water, oats, sunflower oil, salt. Return product name, volume and ingredient differences. Preserve original units and do not infer nutrition values or visual layout.A label comparison table plus a short list of explicit wording and quantity differences.Check that sunflower oil is attributed only to Label B and the original L/mL units are retained.