Qwen-VL-Plus 2025-05-07 ist eine benannte visuell-sprachliche Modellversion von Alibaba. Qwen-VL-Plus konzentriert sich auf detailliertes visuelles Verständnis und das Lesen von Text in Bildern und wandelt bereitgestellte visuelle Belege und eine schriftliche Frage in eine Textantwort um. Ein sinnvoller Ausgangspunkt ist eine konkrete Quelle: ein Foto, ein Screenshot, das Bild einer Dokumentseite oder Videoframes, deren Inhalt Sie erklärt haben möchten.
Der Hersteller führt die Mai-Edition getrennt von Qwen-VL-Plus 2025-07-10 auf. Die spezifische Verbesserung für Überwachungsvideos im Juli gehört zu dieser späteren Modellversion. Organisieren Sie die Aufgabe für das Mai-Modell um seinen dokumentierten visuell-sprachlichen Zweck: Details untersuchen, sichtbaren Text lesen, die Szene beschreiben und das Ergebnis mit Ihrer Frage verbinden. Behalten Sie den Modellnamen neben dem Quellmaterial, wenn Sie vergleichen, wie dieselbe Aufgabe beantwortet wird.
Bildverständnis kann ein einzelnes Bild oder mehrere Bilder innerhalb einer gemeinsamen Frage verwenden. Geben Sie bei Dokumentaufgaben die benötigten Felder oder den Bereich an: „Lesen Sie die Beschriftungen im hervorgehobenen Bereich, behalten Sie ihre Schreibweise bei und geben Sie für jede Beschriftung eine Zeile aus.“ Fordern Sie bei einer fotografierten Anleitungsseite eine Transkription und danach eine separate Erklärung an. Diese Trennung liefert eine Ausgabe, die Sie anhand des Originals prüfen können, bevor sie zu einem Hilfeartikel oder einer Nutzernachricht wird.
Nennen Sie bei einem Screenshot das Ziel des Nutzers und kennzeichnen Sie Elemente, die besondere Aufmerksamkeit verdienen. Ein beispielhafter Auftrag lautet: „Erklären Sie die sichtbaren Schritte, die ein Nutzer zum Ändern dieser Einstellung ausführen würde. Verwenden Sie die auf dem Bildschirm gezeigten Schaltflächennamen und listen Sie Text auf, der zu klein zum Lesen ist.“ Kennzeichnen Sie zum Vergleich Bilder mit A und B und geben Sie ein gemeinsames Kriterium vor, etwa veränderte Beschriftungen oder die Position eines sichtbaren Objekts. Die Antwort ist ein Vorschlag für eine textliche Interpretation der Bilder.
Videoverständnis untersucht visuelle Inhalte anhand von Frames und liefert eine Textbeschreibung oder Antwort. Wählen Sie den für die Frage relevanten Abschnitt und bewahren Sie seine Reihenfolge; wenn Sprache für die Analyse erforderlich ist, ergänzen Sie eine Transkription als Text, da dieser visuelle Ablauf die Tonspur des Videos nicht versteht. Eine nützliche Ausgabe kann die beobachtete Abfolge, relevante Szenendetails und Fragen enthalten, die anhand der bereitgestellten Frames offenbleiben.
Bereiten Sie Dokumentseiten für diesen visuellen Eingabeablauf als lesbare Bilder vor; eine PDF- oder Word-Datei ist selbst keine Bildeingabe. Bereiten Sie für den dokumentierten Dateiablauf von Alibaba Bilder über URL mit höchstens 10 MB vor; eine über eine öffentliche URL bereitgestellte Videodatei muss 2–40 Sekunden lang und höchstens 150 MB groß sein, oder verwenden Sie eine geordnete Liste von 4–80 Frames. Visuelle Tokens und Texttokens müssen zusammen weiterhin in das Eingabebudget des Modells passen. Schneiden Sie den relevanten Bereich zu, wenn Beschriftungen auf der gesamten Seite zu klein sind, und bewahren Sie den für die Interpretation einer Tabelle oder eines Diagramms erforderlichen Kontext. Legen Sie fest, ob Sie eine wortgetreue Transkription, eine Erklärung oder eine kurze Zusammenfassung wünschen. Diese Wahl erleichtert die Wiederverwendung des Ergebnisses, ohne die in der Quelle sichtbaren Wörter mit der zusätzlichen Interpretation des Modells zu verwechseln.
", "aboutText": "Qwen-VL-Plus 2025-05-07 ist eine benannte visuell-sprachliche Modellversion von Alibaba. Qwen-VL-Plus konzentriert sich auf detailliertes visuelles Verständnis und das Lesen von Text in Bildern und wandelt bereitgestellte visuelle Belege und eine schriftliche Frage in eine Textantwort um. Ein sinnvoller Ausgangspunkt ist eine konkrete Quelle: ein Foto, ein Screenshot, das Bild einer Dokumentseite oder Videoframes, deren Inhalt Sie erklärt haben möchten.\n\nDer Hersteller führt die Mai-Edition getrennt von Qwen-VL-Plus 2025-07-10 auf. Die spezifische Verbesserung für Überwachungsvideos im Juli gehört zu dieser späteren Modellversion. Organisieren Sie die Aufgabe für das Mai-Modell um seinen dokumentierten visuell-sprachlichen Zweck: Details untersuchen, sichtbaren Text lesen, die Szene beschreiben und das Ergebnis mit Ihrer Frage verbinden. Behalten Sie den Modellnamen neben dem Quellmaterial, wenn Sie vergleichen, wie dieselbe Aufgabe beantwortet wird.\n\nBildverständnis kann ein einzelnes Bild oder mehrere Bilder innerhalb einer gemeinsamen Frage verwenden. Geben Sie bei Dokumentaufgaben die benötigten Felder oder den Bereich an: „Lesen Sie die Beschriftungen im hervorgehobenen Bereich, behalten Sie ihre Schreibweise bei und geben Sie für jede Beschriftung eine Zeile aus.“ Fordern Sie bei einer fotografierten Anleitungsseite eine Transkription und danach eine separate Erklärung an. Diese Trennung liefert eine Ausgabe, die Sie anhand des Originals prüfen können, bevor sie zu einem Hilfeartikel oder einer Nutzernachricht wird.\n\nNennen Sie bei einem Screenshot das Ziel des Nutzers und kennzeichnen Sie Elemente, die besondere Aufmerksamkeit verdienen. Ein beispielhafter Auftrag lautet: „Erklären Sie die sichtbaren Schritte, die ein Nutzer zum Ändern dieser Einstellung ausführen würde. Verwenden Sie die auf dem Bildschirm gezeigten Schaltflächennamen und listen Sie Text auf, der zu klein zum Lesen ist.“ Kennzeichnen Sie zum Vergleich Bilder mit A und B und geben Sie ein gemeinsames Kriterium vor, etwa veränderte Beschriftungen oder die Position eines sichtbaren Objekts. Die Antwort ist ein Vorschlag für eine textliche Interpretation der Bilder.\n\nVideoverständnis untersucht visuelle Inhalte anhand von Frames und liefert eine Textbeschreibung oder Antwort. Wählen Sie den für die Frage relevanten Abschnitt und bewahren Sie seine Reihenfolge; wenn Sprache für die Analyse erforderlich ist, ergänzen Sie eine Transkription als Text, da dieser visuelle Ablauf die Tonspur des Videos nicht versteht. Eine nützliche Ausgabe kann die beobachtete Abfolge, relevante Szenendetails und Fragen enthalten, die anhand der bereitgestellten Frames offenbleiben.\n\nBereiten Sie Dokumentseiten für diesen visuellen Eingabeablauf als lesbare Bilder vor; eine PDF- oder Word-Datei ist selbst keine Bildeingabe. Bereiten Sie für den dokumentierten Dateiablauf von Alibaba Bilder über URL mit höchstens 10 MB vor; eine über eine öffentliche URL bereitgestellte Videodatei muss 2–40 Sekunden lang und höchstens 150 MB groß sein, oder verwenden Sie eine geordnete Liste von 4–80 Frames. Visuelle Tokens und Texttokens müssen zusammen weiterhin in das Eingabebudget des Modells passen. Schneiden Sie den relevanten Bereich zu, wenn Beschriftungen auf der gesamten Seite zu klein sind, und bewahren Sie den für die Interpretation einer Tabelle oder eines Diagramms erforderlichen Kontext. Legen Sie fest, ob Sie eine wortgetreue Transkription, eine Erklärung oder eine kurze Zusammenfassung wünschen. Diese Wahl erleichtert die Wiederverwendung des Ergebnisses, ohne die in der Quelle sichtbaren Wörter mit der zusätzlichen Interpretation des Modells zu verwechseln.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 kombiniert Text mit Bildern und Video, um Erklärungen zu visuellen Inhalten zu liefern. Nutzen Sie diese benannte Modellversion für Szenenbeschreibungen, die Extraktion sichtbaren Textes und Fragen zu Details in Dokumenten, Screenshots oder einer Framefolge.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-VL-Plus 2025-05-07 ist eine benannte visuell-sprachliche Modellversion von Alibaba. Qwen-VL-Plus konzentriert sich auf detailliertes visuelles Verständnis und das Lesen von Text in Bildern und wandelt bereitgestellte visuelle Belege und eine schriftliche Frage in eine Textantwort um. Ein sinnvoller Ausgangspunkt ist eine konkrete Quelle: ein Foto, ein Screenshot, das Bild einer Dokumentseite oder Videoframes, deren Inhalt Sie erklärt haben möchten.
Der Hersteller führt die Mai-Edition getrennt von Qwen-VL-Plus 2025-07-10 auf. Die spezifische Verbesserung für Überwachungsvideos im Juli gehört zu dieser späteren Modellversion. Organisieren Sie die Aufgabe für das Mai-Modell um seinen dokumentierten visuell-sprachlichen Zweck: Details untersuchen, sichtbaren Text lesen, die Szene beschreiben und das Ergebnis mit Ihrer Frage verbinden. Behalten Sie den Modellnamen neben dem Quellmaterial, wenn Sie vergleichen, wie dieselbe Aufgabe beantwortet wird.
Bildverständnis kann ein einzelnes Bild oder mehrere Bilder innerhalb einer gemeinsamen Frage verwenden. Geben Sie bei Dokumentaufgaben die benötigten Felder oder den Bereich an: „Lesen Sie die Beschriftungen im hervorgehobenen Bereich, behalten Sie ihre Schreibweise bei und geben Sie für jede Beschriftung eine Zeile aus.“ Fordern Sie bei einer fotografierten Anleitungsseite eine Transkription und danach eine separate Erklärung an. Diese Trennung liefert eine Ausgabe, die Sie anhand des Originals prüfen können, bevor sie zu einem Hilfeartikel oder einer Nutzernachricht wird.
Nennen Sie bei einem Screenshot das Ziel des Nutzers und kennzeichnen Sie Elemente, die besondere Aufmerksamkeit verdienen. Ein beispielhafter Auftrag lautet: „Erklären Sie die sichtbaren Schritte, die ein Nutzer zum Ändern dieser Einstellung ausführen würde. Verwenden Sie die auf dem Bildschirm gezeigten Schaltflächennamen und listen Sie Text auf, der zu klein zum Lesen ist.“ Kennzeichnen Sie zum Vergleich Bilder mit A und B und geben Sie ein gemeinsames Kriterium vor, etwa veränderte Beschriftungen oder die Position eines sichtbaren Objekts. Die Antwort ist ein Vorschlag für eine textliche Interpretation der Bilder.
Videoverständnis untersucht visuelle Inhalte anhand von Frames und liefert eine Textbeschreibung oder Antwort. Wählen Sie den für die Frage relevanten Abschnitt und bewahren Sie seine Reihenfolge; wenn Sprache für die Analyse erforderlich ist, ergänzen Sie eine Transkription als Text, da dieser visuelle Ablauf die Tonspur des Videos nicht versteht. Eine nützliche Ausgabe kann die beobachtete Abfolge, relevante Szenendetails und Fragen enthalten, die anhand der bereitgestellten Frames offenbleiben.
Bereiten Sie Dokumentseiten für diesen visuellen Eingabeablauf als lesbare Bilder vor; eine PDF- oder Word-Datei ist selbst keine Bildeingabe. Bereiten Sie für den dokumentierten Dateiablauf von Alibaba Bilder über URL mit höchstens 10 MB vor; eine über eine öffentliche URL bereitgestellte Videodatei muss 2–40 Sekunden lang und höchstens 150 MB groß sein, oder verwenden Sie eine geordnete Liste von 4–80 Frames. Visuelle Tokens und Texttokens müssen zusammen weiterhin in das Eingabebudget des Modells passen. Schneiden Sie den relevanten Bereich zu, wenn Beschriftungen auf der gesamten Seite zu klein sind, und bewahren Sie den für die Interpretation einer Tabelle oder eines Diagramms erforderlichen Kontext. Legen Sie fest, ob Sie eine wortgetreue Transkription, eine Erklärung oder eine kurze Zusammenfassung wünschen. Diese Wahl erleichtert die Wiederverwendung des Ergebnisses, ohne die in der Quelle sichtbaren Wörter mit der zusätzlichen Interpretation des Modells zu verwechseln.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-vl-plus-2025-05-07 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00044 / 1K Token Ausgabe · Ausgabetoken $0.0013 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-2025-05-07", "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-2025-05-07',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-2025-05-07',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen-vl-plus-2025-05-07
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 kombiniert Text mit Bildern und Video, um Erklärungen zu visuellen Inhalten zu liefern. Nutzen Sie diese benannte Modellversion für Szenenbeschreibungen, die Extraktion sichtbaren Textes und Fragen zu Details in Dokumenten, Screenshots oder einer Framefolge.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen-VL-Plus 2025-05-07 ist eine benannte visuell-sprachliche Modellversion von Alibaba. Qwen-VL-Plus konzentriert sich auf detailliertes visuelles Verständnis und das Lesen von Text in Bildern und wandelt bereitgestellte visuelle Belege und eine schriftliche Frage in eine Textantwort um. Ein sinnvoller Ausgangspunkt ist eine konkrete Quelle: ein Foto, ein Screenshot, das Bild einer Dokumentseite oder Videoframes, deren Inhalt Sie erklärt haben möchten.
Der Hersteller führt die Mai-Edition getrennt von Qwen-VL-Plus 2025-07-10 auf. Die spezifische Verbesserung für Überwachungsvideos im Juli gehört zu dieser späteren Modellversion. Organisieren Sie die Aufgabe für das Mai-Modell um seinen dokumentierten visuell-sprachlichen Zweck: Details untersuchen, sichtbaren Text lesen, die Szene beschreiben und das Ergebnis mit Ihrer Frage verbinden. Behalten Sie den Modellnamen neben dem Quellmaterial, wenn Sie vergleichen, wie dieselbe Aufgabe beantwortet wird.
Bildverständnis kann ein einzelnes Bild oder mehrere Bilder innerhalb einer gemeinsamen Frage verwenden. Geben Sie bei Dokumentaufgaben die benötigten Felder oder den Bereich an: „Lesen Sie die Beschriftungen im hervorgehobenen Bereich, behalten Sie ihre Schreibweise bei und geben Sie für jede Beschriftung eine Zeile aus.“ Fordern Sie bei einer fotografierten Anleitungsseite eine Transkription und danach eine separate Erklärung an. Diese Trennung liefert eine Ausgabe, die Sie anhand des Originals prüfen können, bevor sie zu einem Hilfeartikel oder einer Nutzernachricht wird.
Nennen Sie bei einem Screenshot das Ziel des Nutzers und kennzeichnen Sie Elemente, die besondere Aufmerksamkeit verdienen. Ein beispielhafter Auftrag lautet: „Erklären Sie die sichtbaren Schritte, die ein Nutzer zum Ändern dieser Einstellung ausführen würde. Verwenden Sie die auf dem Bildschirm gezeigten Schaltflächennamen und listen Sie Text auf, der zu klein zum Lesen ist.“ Kennzeichnen Sie zum Vergleich Bilder mit A und B und geben Sie ein gemeinsames Kriterium vor, etwa veränderte Beschriftungen oder die Position eines sichtbaren Objekts. Die Antwort ist ein Vorschlag für eine textliche Interpretation der Bilder.
Videoverständnis untersucht visuelle Inhalte anhand von Frames und liefert eine Textbeschreibung oder Antwort. Wählen Sie den für die Frage relevanten Abschnitt und bewahren Sie seine Reihenfolge; wenn Sprache für die Analyse erforderlich ist, ergänzen Sie eine Transkription als Text, da dieser visuelle Ablauf die Tonspur des Videos nicht versteht. Eine nützliche Ausgabe kann die beobachtete Abfolge, relevante Szenendetails und Fragen enthalten, die anhand der bereitgestellten Frames offenbleiben.
Bereiten Sie Dokumentseiten für diesen visuellen Eingabeablauf als lesbare Bilder vor; eine PDF- oder Word-Datei ist selbst keine Bildeingabe. Bereiten Sie für den dokumentierten Dateiablauf von Alibaba Bilder über URL mit höchstens 10 MB vor; eine über eine öffentliche URL bereitgestellte Videodatei muss 2–40 Sekunden lang und höchstens 150 MB groß sein, oder verwenden Sie eine geordnete Liste von 4–80 Frames. Visuelle Tokens und Texttokens müssen zusammen weiterhin in das Eingabebudget des Modells passen. Schneiden Sie den relevanten Bereich zu, wenn Beschriftungen auf der gesamten Seite zu klein sind, und bewahren Sie den für die Interpretation einer Tabelle oder eines Diagramms erforderlichen Kontext. Legen Sie fest, ob Sie eine wortgetreue Transkription, eine Erklärung oder eine kurze Zusammenfassung wünschen. Diese Wahl erleichtert die Wiederverwendung des Ergebnisses, ohne die in der Quelle sichtbaren Wörter mit der zusätzlichen Interpretation des Modells zu verwechseln.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-vl-plus-2025-05-07 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00044 / 1K Token Ausgabe · Ausgabetoken $0.0013 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-vl-plus-2025-05-07",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2025-05-07', '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-2025-05-07', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen-vl-plus-2025-05-07
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.