Qwen-VL-Plus 2025-07-10 ist Alibabas datiertes visuell-sprachliches Modell zum Verstehen von Bildern und Video. Seine prägende Neuerung ist ein besseres Verständnis von Überwachungsvideoinhalten. Das Modell nimmt visuelles Material zusammen mit Textanweisungen entgegen und gibt Text zurück: eine Ereignisbeschreibung, eine Antwort zur Szene oder einen Bericht, der nach den zu untersuchenden Details gegliedert ist. Alibaba nennt diese Modellversion auch qwen-vl-plus-0710.
Der Hersteller unterscheidet diese Edition von Qwen-VL-Plus 2025-05-07 und dem auf derselben Seite beschriebenen Alias Qwen-VL-Plus latest. Diese Unterscheidung ist wichtig, wenn Ihre Aufgabe ausdrücklich Kameraaufnahmen betrifft: Die auf Überwachung ausgerichtete Neuerung gehört zur benannten Juli-Version. Halten Sie die genaue Edition im Aufgabenprotokoll fest, wenn Sie Prompts vergleichen oder dieselben Aufnahmen erneut prüfen.
Visuelle Fragen können betreffen, was in einem Frame erscheint, wo Objekte liegen und wie sich sichtbare Handlungen über eine Sequenz entwickeln. Ein einzelnes Bild kann eine Szenenbeschreibung ermöglichen; mehrere gekennzeichnete Bilder können unterschiedliche Ansichten oder aufeinanderfolgende Momente liefern. Videoverständnis verwendet entnommene Frames. Die daraus entstehende Erklärung betrifft die sichtbaren Belege; das Modell erzeugt kein Ersatzvideo, und dieser visuelle Ablauf analysiert die Tonspur des Videos nicht.
Bereiten Sie für einen Ereignisbericht einen relevanten Clip oder eine geordnete Framefolge vor und benennen Sie die wichtige Zone oder Aktivität. Ein beispielhafter Auftrag lautet: „Beschreiben Sie die sichtbaren Handlungen der Person in der Nähe des Eingangs in ihrer Reihenfolge. Geben Sie für jede Beobachtung das beteiligte Objekt, seine Position und die sichtbare Veränderung an. Setzen Sie unsichere Details in einen separaten abschließenden Satz.“ Sie können eine kurze Darstellung, eine Liste von Beobachtungen oder benannte Berichtsabschnitte anfordern. Dies sind Anweisungen für die Textantwort, kein separater Modus für strukturierte Ausgabe.
Das veröffentlichte Kontextfenster dieser Modellversion umfasst 32.768 Tokens, mit maximal 30.720 Eingabetokens und maximal 8.096 Ausgabetokens. Die spezielle Modelltabelle nennt außerdem höchstens 16.384 Tokens für ein einzelnes Bild. Textanweisungen, Gesprächskontext und visuelle Inhalte müssen zusammen in das Eingabebudget passen; die Ausgabeobergrenze ist eine separate Grenze, kein zusätzlicher Platz für weiteres Quellmaterial. Isolieren Sie bei der Prüfung einer langen Aufnahme den relevanten Abschnitt und bewahren Sie genügend umgebende Frames, um seine Abfolge verständlich zu machen.
Wählen Sie Quellframes, in denen die relevanten Objekte erkennbar sind, kennzeichnen Sie unterschiedliche Kameras oder Ansichten und formulieren Sie die gewünschte Beobachtung präzise. 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. Wenn die Aufgabe von einer gesprochenen Erklärung abhängt, stellen Sie deren Transkription separat als Text bereit. Fordern Sie den Bericht auf, eine sichtbare Bewegung von einer vermuteten Absicht zu trennen: „ging in Richtung Tür“ ist eine andere Aussage als die Absicht, den Ort zu verlassen. Das nützliche Ergebnis ist ein überprüfbares Textprotokoll, das mit den Aufnahmen und den festgelegten Beobachtungskriterien verbunden ist.
", "aboutText": "Qwen-VL-Plus 2025-07-10 ist Alibabas datiertes visuell-sprachliches Modell zum Verstehen von Bildern und Video. Seine prägende Neuerung ist ein besseres Verständnis von Überwachungsvideoinhalten. Das Modell nimmt visuelles Material zusammen mit Textanweisungen entgegen und gibt Text zurück: eine Ereignisbeschreibung, eine Antwort zur Szene oder einen Bericht, der nach den zu untersuchenden Details gegliedert ist. Alibaba nennt diese Modellversion auch qwen-vl-plus-0710.\n\nDer Hersteller unterscheidet diese Edition von Qwen-VL-Plus 2025-05-07 und dem auf derselben Seite beschriebenen Alias Qwen-VL-Plus latest. Diese Unterscheidung ist wichtig, wenn Ihre Aufgabe ausdrücklich Kameraaufnahmen betrifft: Die auf Überwachung ausgerichtete Neuerung gehört zur benannten Juli-Version. Halten Sie die genaue Edition im Aufgabenprotokoll fest, wenn Sie Prompts vergleichen oder dieselben Aufnahmen erneut prüfen.\n\nVisuelle Fragen können betreffen, was in einem Frame erscheint, wo Objekte liegen und wie sich sichtbare Handlungen über eine Sequenz entwickeln. Ein einzelnes Bild kann eine Szenenbeschreibung ermöglichen; mehrere gekennzeichnete Bilder können unterschiedliche Ansichten oder aufeinanderfolgende Momente liefern. Videoverständnis verwendet entnommene Frames. Die daraus entstehende Erklärung betrifft die sichtbaren Belege; das Modell erzeugt kein Ersatzvideo, und dieser visuelle Ablauf analysiert die Tonspur des Videos nicht.\n\nBereiten Sie für einen Ereignisbericht einen relevanten Clip oder eine geordnete Framefolge vor und benennen Sie die wichtige Zone oder Aktivität. Ein beispielhafter Auftrag lautet: „Beschreiben Sie die sichtbaren Handlungen der Person in der Nähe des Eingangs in ihrer Reihenfolge. Geben Sie für jede Beobachtung das beteiligte Objekt, seine Position und die sichtbare Veränderung an. Setzen Sie unsichere Details in einen separaten abschließenden Satz.“ Sie können eine kurze Darstellung, eine Liste von Beobachtungen oder benannte Berichtsabschnitte anfordern. Dies sind Anweisungen für die Textantwort, kein separater Modus für strukturierte Ausgabe.\n\nDas veröffentlichte Kontextfenster dieser Modellversion umfasst 32.768 Tokens, mit maximal 30.720 Eingabetokens und maximal 8.096 Ausgabetokens. Die spezielle Modelltabelle nennt außerdem höchstens 16.384 Tokens für ein einzelnes Bild. Textanweisungen, Gesprächskontext und visuelle Inhalte müssen zusammen in das Eingabebudget passen; die Ausgabeobergrenze ist eine separate Grenze, kein zusätzlicher Platz für weiteres Quellmaterial. Isolieren Sie bei der Prüfung einer langen Aufnahme den relevanten Abschnitt und bewahren Sie genügend umgebende Frames, um seine Abfolge verständlich zu machen.\n\nWählen Sie Quellframes, in denen die relevanten Objekte erkennbar sind, kennzeichnen Sie unterschiedliche Kameras oder Ansichten und formulieren Sie die gewünschte Beobachtung präzise. 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. Wenn die Aufgabe von einer gesprochenen Erklärung abhängt, stellen Sie deren Transkription separat als Text bereit. Fordern Sie den Bericht auf, eine sichtbare Bewegung von einer vermuteten Absicht zu trennen: „ging in Richtung Tür“ ist eine andere Aussage als die Absicht, den Ort zu verlassen. Das nützliche Ergebnis ist ein überprüfbares Textprotokoll, das mit den Aufnahmen und den festgelegten Beobachtungskriterien verbunden ist.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 ist eine visuell-sprachliche Modellversion mit Schwerpunkt auf dem Verständnis von Überwachungsvideos. Sie kombiniert Bilder oder Videoframes mit einer schriftlichen Frage, um sichtbare Ereignisse zu beschreiben, Handlungen nachzuverfolgen und einen Textbericht zu erstellen.
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 2025-07-10 ist Alibabas datiertes visuell-sprachliches Modell zum Verstehen von Bildern und Video. Seine prägende Neuerung ist ein besseres Verständnis von Überwachungsvideoinhalten. Das Modell nimmt visuelles Material zusammen mit Textanweisungen entgegen und gibt Text zurück: eine Ereignisbeschreibung, eine Antwort zur Szene oder einen Bericht, der nach den zu untersuchenden Details gegliedert ist. Alibaba nennt diese Modellversion auch qwen-vl-plus-0710.
Der Hersteller unterscheidet diese Edition von Qwen-VL-Plus 2025-05-07 und dem auf derselben Seite beschriebenen Alias Qwen-VL-Plus latest. Diese Unterscheidung ist wichtig, wenn Ihre Aufgabe ausdrücklich Kameraaufnahmen betrifft: Die auf Überwachung ausgerichtete Neuerung gehört zur benannten Juli-Version. Halten Sie die genaue Edition im Aufgabenprotokoll fest, wenn Sie Prompts vergleichen oder dieselben Aufnahmen erneut prüfen.
Visuelle Fragen können betreffen, was in einem Frame erscheint, wo Objekte liegen und wie sich sichtbare Handlungen über eine Sequenz entwickeln. Ein einzelnes Bild kann eine Szenenbeschreibung ermöglichen; mehrere gekennzeichnete Bilder können unterschiedliche Ansichten oder aufeinanderfolgende Momente liefern. Videoverständnis verwendet entnommene Frames. Die daraus entstehende Erklärung betrifft die sichtbaren Belege; das Modell erzeugt kein Ersatzvideo, und dieser visuelle Ablauf analysiert die Tonspur des Videos nicht.
Bereiten Sie für einen Ereignisbericht einen relevanten Clip oder eine geordnete Framefolge vor und benennen Sie die wichtige Zone oder Aktivität. Ein beispielhafter Auftrag lautet: „Beschreiben Sie die sichtbaren Handlungen der Person in der Nähe des Eingangs in ihrer Reihenfolge. Geben Sie für jede Beobachtung das beteiligte Objekt, seine Position und die sichtbare Veränderung an. Setzen Sie unsichere Details in einen separaten abschließenden Satz.“ Sie können eine kurze Darstellung, eine Liste von Beobachtungen oder benannte Berichtsabschnitte anfordern. Dies sind Anweisungen für die Textantwort, kein separater Modus für strukturierte Ausgabe.
Das veröffentlichte Kontextfenster dieser Modellversion umfasst 32.768 Tokens, mit maximal 30.720 Eingabetokens und maximal 8.096 Ausgabetokens. Die spezielle Modelltabelle nennt außerdem höchstens 16.384 Tokens für ein einzelnes Bild. Textanweisungen, Gesprächskontext und visuelle Inhalte müssen zusammen in das Eingabebudget passen; die Ausgabeobergrenze ist eine separate Grenze, kein zusätzlicher Platz für weiteres Quellmaterial. Isolieren Sie bei der Prüfung einer langen Aufnahme den relevanten Abschnitt und bewahren Sie genügend umgebende Frames, um seine Abfolge verständlich zu machen.
Wählen Sie Quellframes, in denen die relevanten Objekte erkennbar sind, kennzeichnen Sie unterschiedliche Kameras oder Ansichten und formulieren Sie die gewünschte Beobachtung präzise. 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. Wenn die Aufgabe von einer gesprochenen Erklärung abhängt, stellen Sie deren Transkription separat als Text bereit. Fordern Sie den Bericht auf, eine sichtbare Bewegung von einer vermuteten Absicht zu trennen: „ging in Richtung Tür“ ist eine andere Aussage als die Absicht, den Ort zu verlassen. Das nützliche Ergebnis ist ein überprüfbares Textprotokoll, das mit den Aufnahmen und den festgelegten Beobachtungskriterien verbunden ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-vl-plus-2025-07-10 | 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 $0.000044 / 1K Token Ausgabe · Ausgabetoken $0.00044 / 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-2025-07-10", "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-2025-07-10',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-2025-07-10',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-2025-07-10
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 ist eine visuell-sprachliche Modellversion mit Schwerpunkt auf dem Verständnis von Überwachungsvideos. Sie kombiniert Bilder oder Videoframes mit einer schriftlichen Frage, um sichtbare Ereignisse zu beschreiben, Handlungen nachzuverfolgen und einen Textbericht zu erstellen.
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 2025-07-10 ist Alibabas datiertes visuell-sprachliches Modell zum Verstehen von Bildern und Video. Seine prägende Neuerung ist ein besseres Verständnis von Überwachungsvideoinhalten. Das Modell nimmt visuelles Material zusammen mit Textanweisungen entgegen und gibt Text zurück: eine Ereignisbeschreibung, eine Antwort zur Szene oder einen Bericht, der nach den zu untersuchenden Details gegliedert ist. Alibaba nennt diese Modellversion auch qwen-vl-plus-0710.
Der Hersteller unterscheidet diese Edition von Qwen-VL-Plus 2025-05-07 und dem auf derselben Seite beschriebenen Alias Qwen-VL-Plus latest. Diese Unterscheidung ist wichtig, wenn Ihre Aufgabe ausdrücklich Kameraaufnahmen betrifft: Die auf Überwachung ausgerichtete Neuerung gehört zur benannten Juli-Version. Halten Sie die genaue Edition im Aufgabenprotokoll fest, wenn Sie Prompts vergleichen oder dieselben Aufnahmen erneut prüfen.
Visuelle Fragen können betreffen, was in einem Frame erscheint, wo Objekte liegen und wie sich sichtbare Handlungen über eine Sequenz entwickeln. Ein einzelnes Bild kann eine Szenenbeschreibung ermöglichen; mehrere gekennzeichnete Bilder können unterschiedliche Ansichten oder aufeinanderfolgende Momente liefern. Videoverständnis verwendet entnommene Frames. Die daraus entstehende Erklärung betrifft die sichtbaren Belege; das Modell erzeugt kein Ersatzvideo, und dieser visuelle Ablauf analysiert die Tonspur des Videos nicht.
Bereiten Sie für einen Ereignisbericht einen relevanten Clip oder eine geordnete Framefolge vor und benennen Sie die wichtige Zone oder Aktivität. Ein beispielhafter Auftrag lautet: „Beschreiben Sie die sichtbaren Handlungen der Person in der Nähe des Eingangs in ihrer Reihenfolge. Geben Sie für jede Beobachtung das beteiligte Objekt, seine Position und die sichtbare Veränderung an. Setzen Sie unsichere Details in einen separaten abschließenden Satz.“ Sie können eine kurze Darstellung, eine Liste von Beobachtungen oder benannte Berichtsabschnitte anfordern. Dies sind Anweisungen für die Textantwort, kein separater Modus für strukturierte Ausgabe.
Das veröffentlichte Kontextfenster dieser Modellversion umfasst 32.768 Tokens, mit maximal 30.720 Eingabetokens und maximal 8.096 Ausgabetokens. Die spezielle Modelltabelle nennt außerdem höchstens 16.384 Tokens für ein einzelnes Bild. Textanweisungen, Gesprächskontext und visuelle Inhalte müssen zusammen in das Eingabebudget passen; die Ausgabeobergrenze ist eine separate Grenze, kein zusätzlicher Platz für weiteres Quellmaterial. Isolieren Sie bei der Prüfung einer langen Aufnahme den relevanten Abschnitt und bewahren Sie genügend umgebende Frames, um seine Abfolge verständlich zu machen.
Wählen Sie Quellframes, in denen die relevanten Objekte erkennbar sind, kennzeichnen Sie unterschiedliche Kameras oder Ansichten und formulieren Sie die gewünschte Beobachtung präzise. 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. Wenn die Aufgabe von einer gesprochenen Erklärung abhängt, stellen Sie deren Transkription separat als Text bereit. Fordern Sie den Bericht auf, eine sichtbare Bewegung von einer vermuteten Absicht zu trennen: „ging in Richtung Tür“ ist eine andere Aussage als die Absicht, den Ort zu verlassen. Das nützliche Ergebnis ist ein überprüfbares Textprotokoll, das mit den Aufnahmen und den festgelegten Beobachtungskriterien verbunden ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-vl-plus-2025-07-10 | 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 $0.000044 / 1K Token Ausgabe · Ausgabetoken $0.00044 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-vl-plus-2025-07-10",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2025-07-10', '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-2025-07-10', '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-2025-07-10
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.