Qwen-VL-Plus ist die visuell-sprachliche Modellreihe von Qwen mit einem besonderen Schwerpunkt auf Detailerkennung und Text innerhalb von Bildern. Der Hersteller beschreibt die Unterstützung von Bildern mit mehr als einer Million Pixeln und unterschiedlichen Seitenverhältnissen. Das Modell ist damit für Aufgaben relevant, deren Antwort von einer kleinen Beschriftung, einem Feld auf einer Seite oder dem Zusammenhang zwischen textlichen und visuellen Elementen abhängt, statt nur vom Motiv eines Fotos.
Die aktuelle Modellkarte des Herstellers beschreibt den unversionierten Namen qwen-vl-plus als funktional gleichwertig mit qwen-vl-plus-2025-08-15. Behalten Sie bei einer wiederholbaren Aufgabe den genauen Editionsnamen bei. Ein Plus-Name, ein Latest-Alias und eine andere datierte Modellversion sind getrennte Auswahlmöglichkeiten; ein übereinstimmender Familienname macht ihre Spezifikationen nicht austauschbar.
Modellfähigkeiten
Der Hersteller nennt Text, Bilder und Video als Eingaben und Text als Ausgabe. Eine Textanweisung kann das Modell dazu anleiten, einen Dokumentabschnitt zu lesen, Objekte zu beschreiben, ein Layout zu erklären oder eine Frage zu einer Szene zu beantworten. Erkennen und Erklären sind verwandte Aufgaben, benötigen aber unterschiedliche Ausgabeanforderungen: Eine Transkription soll den sichtbaren Wortlaut bewahren, während eine Erklärung darstellen soll, wie die sichtbaren Details mit der Frage zusammenhängen.
Stellen Sie für die Dokumentextraktion eine lesbare Seite bereit und benennen Sie die zurückzugebenden Felder. Bei einem Formular können Sie Feldbezeichnungen und Werte anfordern, bei einer Tabelle die gewünschte Zeile zusammen mit ihren Spaltenüberschriften. Wenn ein Wert nicht sichtbar ist, legen Sie eine eindeutige Darstellung für einen fehlenden Wert fest. Dieses beispielhafte Ausgabedesign hilft der Anwendung, extrahierten Text von einer geratenen Ergänzung zu unterscheiden.
Fragen Sie bei einer Layoutprüfung nach den wesentlichen Elementen: wo eine Beschriftung steht, zu welchem Objekt sie gehört und wie sich zwei Versionen unterscheiden. Weisen Sie jedem Bild eine Rolle zu und verwenden Sie dieselben Vergleichskriterien. Nennen Sie für eine Erklärung anhand eines Screenshots das Ziel des Nutzers und bitten Sie um eine kurze Anweisung auf Grundlage der sichtbaren Bedienelemente. Die Antwort ist Text über die Oberfläche, keine ausgeführte Handlung.
Die Herstellertabellen enthalten die Fortsetzung eines Antwortpräfixes und Kontext-Caching. Strukturierte Ausgabe, Batch-Übermittlung und Fine-Tuning stehen in den Herstellerkonfigurationen nicht in gleicher Weise zur Verfügung; behandeln Sie sie als Optionen der Schnittstelle und nicht als bedingungslose Folge der Auswahl des Plus-Namens. Funktionsaufrufe und Websuche werden auf dieser Modellkarte nicht als unterstützt aufgeführt. Eine Bitte, extrahierte Felder zu formatieren, unterscheidet sich von einer Aufforderung, eine Funktion auszuführen oder neue Informationen aus dem Web zu beschaffen.
Kontextgrenzen
Die veröffentlichte Modellkarte nennt ein Kontextfenster von 131.072 Tokens, maximal 129.024 Eingabetokens und maximal 8.192 Ausgabetokens. Die Darstellung von Bildern oder Video beansprucht zusammen mit der Frage und dem ergänzenden Text Eingabekapazität. Planen Sie das visuelle Material und die Antwort getrennt: Eine lange oder detaillierte Eingabe kann trotzdem nur eine kurze Liste von Feldern oder Beobachtungen erfordern.
Vorbereitung der Eingaben
Die Betonung von Details und unterschiedlichen Proportionen durch den Hersteller ersetzt nicht die Notwendigkeit lesbaren Materials. Halten Sie den Bereich mit dem angeforderten Text deutlich erkennbar. Bewahren Sie beim Zuschneiden einer Tabelle die Überschriften und Einheiten, die zur Interpretation der Werte nötig sind; geben Sie bei mehreren Seiten ihre Reihenfolge und den zu prüfenden Abschnitt an. Legen Sie fest, ob Sie den ursprünglichen Wortlaut, eine Zusammenfassung oder eine Interpretation wünschen, damit diese Ergebnisse nicht vermischt werden.
Bestimmen Sie bei Video das zu beschreibende Ereignis oder sichtbare Detail und die gewünschte Antwortstruktur. Eine praktische Aufgabe könnte nach der Handlungsfolge in einer Demonstration und den an jedem Schritt beteiligten Objekten fragen. Die dokumentierte Ausgabe ist Text; die Modellkarte führt weder Audio als Eingabe noch Sprache als Ausgabe auf. Dieser visuelle Weg sollte daher nicht als Beleg dafür dienen, dass eine Transkription gesprochener Inhalte verstanden wurde.
Ein nützlicher wiederholbarer Ablauf besteht darin, mehreren Dokumentbildern dieselben Extraktionsfelder vorzugeben, die Bildkennungen neben den Ergebnissen zu behalten und anschließend die entstandenen Datensätze in der Anwendung zu vergleichen. Ein anderer Ablauf kombiniert einen Screenshot mit einer schriftlichen Anforderung und fragt nach sichtbaren Übereinstimmungen, Unterschieden und ungeklärten Details. Halten Sie in beiden Fällen das Quellbild mit jedem zurückgegebenen Wert verbunden, damit das Ergebnis überprüft werden kann.
", "aboutText": "Qwen-VL-Plus ist die visuell-sprachliche Modellreihe von Qwen mit einem besonderen Schwerpunkt auf Detailerkennung und Text innerhalb von Bildern. Der Hersteller beschreibt die Unterstützung von Bildern mit mehr als einer Million Pixeln und unterschiedlichen Seitenverhältnissen. Das Modell ist damit für Aufgaben relevant, deren Antwort von einer kleinen Beschriftung, einem Feld auf einer Seite oder dem Zusammenhang zwischen textlichen und visuellen Elementen abhängt, statt nur vom Motiv eines Fotos.\n\nDie aktuelle Modellkarte des Herstellers beschreibt den unversionierten Namen qwen-vl-plus als funktional gleichwertig mit qwen-vl-plus-2025-08-15. Behalten Sie bei einer wiederholbaren Aufgabe den genauen Editionsnamen bei. Ein Plus-Name, ein Latest-Alias und eine andere datierte Modellversion sind getrennte Auswahlmöglichkeiten; ein übereinstimmender Familienname macht ihre Spezifikationen nicht austauschbar.\n\nModellfähigkeiten\n\nDer Hersteller nennt Text, Bilder und Video als Eingaben und Text als Ausgabe. Eine Textanweisung kann das Modell dazu anleiten, einen Dokumentabschnitt zu lesen, Objekte zu beschreiben, ein Layout zu erklären oder eine Frage zu einer Szene zu beantworten. Erkennen und Erklären sind verwandte Aufgaben, benötigen aber unterschiedliche Ausgabeanforderungen: Eine Transkription soll den sichtbaren Wortlaut bewahren, während eine Erklärung darstellen soll, wie die sichtbaren Details mit der Frage zusammenhängen.\n\nStellen Sie für die Dokumentextraktion eine lesbare Seite bereit und benennen Sie die zurückzugebenden Felder. Bei einem Formular können Sie Feldbezeichnungen und Werte anfordern, bei einer Tabelle die gewünschte Zeile zusammen mit ihren Spaltenüberschriften. Wenn ein Wert nicht sichtbar ist, legen Sie eine eindeutige Darstellung für einen fehlenden Wert fest. Dieses beispielhafte Ausgabedesign hilft der Anwendung, extrahierten Text von einer geratenen Ergänzung zu unterscheiden.\n\nFragen Sie bei einer Layoutprüfung nach den wesentlichen Elementen: wo eine Beschriftung steht, zu welchem Objekt sie gehört und wie sich zwei Versionen unterscheiden. Weisen Sie jedem Bild eine Rolle zu und verwenden Sie dieselben Vergleichskriterien. Nennen Sie für eine Erklärung anhand eines Screenshots das Ziel des Nutzers und bitten Sie um eine kurze Anweisung auf Grundlage der sichtbaren Bedienelemente. Die Antwort ist Text über die Oberfläche, keine ausgeführte Handlung.\n\nDie Herstellertabellen enthalten die Fortsetzung eines Antwortpräfixes und Kontext-Caching. Strukturierte Ausgabe, Batch-Übermittlung und Fine-Tuning stehen in den Herstellerkonfigurationen nicht in gleicher Weise zur Verfügung; behandeln Sie sie als Optionen der Schnittstelle und nicht als bedingungslose Folge der Auswahl des Plus-Namens. Funktionsaufrufe und Websuche werden auf dieser Modellkarte nicht als unterstützt aufgeführt. Eine Bitte, extrahierte Felder zu formatieren, unterscheidet sich von einer Aufforderung, eine Funktion auszuführen oder neue Informationen aus dem Web zu beschaffen.\n\nKontextgrenzen\n\nDie veröffentlichte Modellkarte nennt ein Kontextfenster von 131.072 Tokens, maximal 129.024 Eingabetokens und maximal 8.192 Ausgabetokens. Die Darstellung von Bildern oder Video beansprucht zusammen mit der Frage und dem ergänzenden Text Eingabekapazität. Planen Sie das visuelle Material und die Antwort getrennt: Eine lange oder detaillierte Eingabe kann trotzdem nur eine kurze Liste von Feldern oder Beobachtungen erfordern.\n\nVorbereitung der Eingaben\n\nDie Betonung von Details und unterschiedlichen Proportionen durch den Hersteller ersetzt nicht die Notwendigkeit lesbaren Materials. Halten Sie den Bereich mit dem angeforderten Text deutlich erkennbar. Bewahren Sie beim Zuschneiden einer Tabelle die Überschriften und Einheiten, die zur Interpretation der Werte nötig sind; geben Sie bei mehreren Seiten ihre Reihenfolge und den zu prüfenden Abschnitt an. Legen Sie fest, ob Sie den ursprünglichen Wortlaut, eine Zusammenfassung oder eine Interpretation wünschen, damit diese Ergebnisse nicht vermischt werden.\n\nBestimmen Sie bei Video das zu beschreibende Ereignis oder sichtbare Detail und die gewünschte Antwortstruktur. Eine praktische Aufgabe könnte nach der Handlungsfolge in einer Demonstration und den an jedem Schritt beteiligten Objekten fragen. Die dokumentierte Ausgabe ist Text; die Modellkarte führt weder Audio als Eingabe noch Sprache als Ausgabe auf. Dieser visuelle Weg sollte daher nicht als Beleg dafür dienen, dass eine Transkription gesprochener Inhalte verstanden wurde.\n\nEin nützlicher wiederholbarer Ablauf besteht darin, mehreren Dokumentbildern dieselben Extraktionsfelder vorzugeben, die Bildkennungen neben den Ergebnissen zu behalten und anschließend die entstandenen Datensätze in der Anwendung zu vergleichen. Ein anderer Ablauf kombiniert einen Screenshot mit einer schriftlichen Anforderung und fragt nach sichtbaren Übereinstimmungen, Unterschieden und ungeklärten Details. Halten Sie in beiden Fällen das Quellbild mit jedem zurückgegebenen Wert verbunden, damit das Ergebnis überprüft werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 liest Text und Details in Bildern und verbindet sie mit einer schriftlichen Frage. Der Hersteller dokumentiert Bild- und Videoeingaben, Textausgaben, hochauflösende Bilder und verschiedene Seitenverhältnisse für die Dokumentextraktion, den visuellen Vergleich und die Erklärung von Szenen.
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 ist die visuell-sprachliche Modellreihe von Qwen mit einem besonderen Schwerpunkt auf Detailerkennung und Text innerhalb von Bildern. Der Hersteller beschreibt die Unterstützung von Bildern mit mehr als einer Million Pixeln und unterschiedlichen Seitenverhältnissen. Das Modell ist damit für Aufgaben relevant, deren Antwort von einer kleinen Beschriftung, einem Feld auf einer Seite oder dem Zusammenhang zwischen textlichen und visuellen Elementen abhängt, statt nur vom Motiv eines Fotos.
Die aktuelle Modellkarte des Herstellers beschreibt den unversionierten Namen qwen-vl-plus als funktional gleichwertig mit qwen-vl-plus-2025-08-15. Behalten Sie bei einer wiederholbaren Aufgabe den genauen Editionsnamen bei. Ein Plus-Name, ein Latest-Alias und eine andere datierte Modellversion sind getrennte Auswahlmöglichkeiten; ein übereinstimmender Familienname macht ihre Spezifikationen nicht austauschbar.
Modellfähigkeiten
Der Hersteller nennt Text, Bilder und Video als Eingaben und Text als Ausgabe. Eine Textanweisung kann das Modell dazu anleiten, einen Dokumentabschnitt zu lesen, Objekte zu beschreiben, ein Layout zu erklären oder eine Frage zu einer Szene zu beantworten. Erkennen und Erklären sind verwandte Aufgaben, benötigen aber unterschiedliche Ausgabeanforderungen: Eine Transkription soll den sichtbaren Wortlaut bewahren, während eine Erklärung darstellen soll, wie die sichtbaren Details mit der Frage zusammenhängen.
Stellen Sie für die Dokumentextraktion eine lesbare Seite bereit und benennen Sie die zurückzugebenden Felder. Bei einem Formular können Sie Feldbezeichnungen und Werte anfordern, bei einer Tabelle die gewünschte Zeile zusammen mit ihren Spaltenüberschriften. Wenn ein Wert nicht sichtbar ist, legen Sie eine eindeutige Darstellung für einen fehlenden Wert fest. Dieses beispielhafte Ausgabedesign hilft der Anwendung, extrahierten Text von einer geratenen Ergänzung zu unterscheiden.
Fragen Sie bei einer Layoutprüfung nach den wesentlichen Elementen: wo eine Beschriftung steht, zu welchem Objekt sie gehört und wie sich zwei Versionen unterscheiden. Weisen Sie jedem Bild eine Rolle zu und verwenden Sie dieselben Vergleichskriterien. Nennen Sie für eine Erklärung anhand eines Screenshots das Ziel des Nutzers und bitten Sie um eine kurze Anweisung auf Grundlage der sichtbaren Bedienelemente. Die Antwort ist Text über die Oberfläche, keine ausgeführte Handlung.
Die Herstellertabellen enthalten die Fortsetzung eines Antwortpräfixes und Kontext-Caching. Strukturierte Ausgabe, Batch-Übermittlung und Fine-Tuning stehen in den Herstellerkonfigurationen nicht in gleicher Weise zur Verfügung; behandeln Sie sie als Optionen der Schnittstelle und nicht als bedingungslose Folge der Auswahl des Plus-Namens. Funktionsaufrufe und Websuche werden auf dieser Modellkarte nicht als unterstützt aufgeführt. Eine Bitte, extrahierte Felder zu formatieren, unterscheidet sich von einer Aufforderung, eine Funktion auszuführen oder neue Informationen aus dem Web zu beschaffen.
Kontextgrenzen
Die veröffentlichte Modellkarte nennt ein Kontextfenster von 131.072 Tokens, maximal 129.024 Eingabetokens und maximal 8.192 Ausgabetokens. Die Darstellung von Bildern oder Video beansprucht zusammen mit der Frage und dem ergänzenden Text Eingabekapazität. Planen Sie das visuelle Material und die Antwort getrennt: Eine lange oder detaillierte Eingabe kann trotzdem nur eine kurze Liste von Feldern oder Beobachtungen erfordern.
Vorbereitung der Eingaben
Die Betonung von Details und unterschiedlichen Proportionen durch den Hersteller ersetzt nicht die Notwendigkeit lesbaren Materials. Halten Sie den Bereich mit dem angeforderten Text deutlich erkennbar. Bewahren Sie beim Zuschneiden einer Tabelle die Überschriften und Einheiten, die zur Interpretation der Werte nötig sind; geben Sie bei mehreren Seiten ihre Reihenfolge und den zu prüfenden Abschnitt an. Legen Sie fest, ob Sie den ursprünglichen Wortlaut, eine Zusammenfassung oder eine Interpretation wünschen, damit diese Ergebnisse nicht vermischt werden.
Bestimmen Sie bei Video das zu beschreibende Ereignis oder sichtbare Detail und die gewünschte Antwortstruktur. Eine praktische Aufgabe könnte nach der Handlungsfolge in einer Demonstration und den an jedem Schritt beteiligten Objekten fragen. Die dokumentierte Ausgabe ist Text; die Modellkarte führt weder Audio als Eingabe noch Sprache als Ausgabe auf. Dieser visuelle Weg sollte daher nicht als Beleg dafür dienen, dass eine Transkription gesprochener Inhalte verstanden wurde.
Ein nützlicher wiederholbarer Ablauf besteht darin, mehreren Dokumentbildern dieselben Extraktionsfelder vorzugeben, die Bildkennungen neben den Ergebnissen zu behalten und anschließend die entstandenen Datensätze in der Anwendung zu vergleichen. Ein anderer Ablauf kombiniert einen Screenshot mit einer schriftlichen Anforderung und fragt nach sichtbaren Übereinstimmungen, Unterschieden und ungeklärten Details. Halten Sie in beiden Fällen das Quellbild mit jedem zurückgegebenen Wert verbunden, damit das Ergebnis überprüft werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-vl-plus | 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 $0.00024 / 1K Token Ausgabe · Ausgabetoken $0.000572 / 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", "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 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
Verwenden Sie die oben angezeigten Methodenpfade.
qwen-vl-plusQwen-VL-Plus liest Text und Details in Bildern und verbindet sie mit einer schriftlichen Frage. Der Hersteller dokumentiert Bild- und Videoeingaben, Textausgaben, hochauflösende Bilder und verschiedene Seitenverhältnisse für die Dokumentextraktion, den visuellen Vergleich und die Erklärung von Szenen.
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 ist die visuell-sprachliche Modellreihe von Qwen mit einem besonderen Schwerpunkt auf Detailerkennung und Text innerhalb von Bildern. Der Hersteller beschreibt die Unterstützung von Bildern mit mehr als einer Million Pixeln und unterschiedlichen Seitenverhältnissen. Das Modell ist damit für Aufgaben relevant, deren Antwort von einer kleinen Beschriftung, einem Feld auf einer Seite oder dem Zusammenhang zwischen textlichen und visuellen Elementen abhängt, statt nur vom Motiv eines Fotos.
Die aktuelle Modellkarte des Herstellers beschreibt den unversionierten Namen qwen-vl-plus als funktional gleichwertig mit qwen-vl-plus-2025-08-15. Behalten Sie bei einer wiederholbaren Aufgabe den genauen Editionsnamen bei. Ein Plus-Name, ein Latest-Alias und eine andere datierte Modellversion sind getrennte Auswahlmöglichkeiten; ein übereinstimmender Familienname macht ihre Spezifikationen nicht austauschbar.
Modellfähigkeiten
Der Hersteller nennt Text, Bilder und Video als Eingaben und Text als Ausgabe. Eine Textanweisung kann das Modell dazu anleiten, einen Dokumentabschnitt zu lesen, Objekte zu beschreiben, ein Layout zu erklären oder eine Frage zu einer Szene zu beantworten. Erkennen und Erklären sind verwandte Aufgaben, benötigen aber unterschiedliche Ausgabeanforderungen: Eine Transkription soll den sichtbaren Wortlaut bewahren, während eine Erklärung darstellen soll, wie die sichtbaren Details mit der Frage zusammenhängen.
Stellen Sie für die Dokumentextraktion eine lesbare Seite bereit und benennen Sie die zurückzugebenden Felder. Bei einem Formular können Sie Feldbezeichnungen und Werte anfordern, bei einer Tabelle die gewünschte Zeile zusammen mit ihren Spaltenüberschriften. Wenn ein Wert nicht sichtbar ist, legen Sie eine eindeutige Darstellung für einen fehlenden Wert fest. Dieses beispielhafte Ausgabedesign hilft der Anwendung, extrahierten Text von einer geratenen Ergänzung zu unterscheiden.
Fragen Sie bei einer Layoutprüfung nach den wesentlichen Elementen: wo eine Beschriftung steht, zu welchem Objekt sie gehört und wie sich zwei Versionen unterscheiden. Weisen Sie jedem Bild eine Rolle zu und verwenden Sie dieselben Vergleichskriterien. Nennen Sie für eine Erklärung anhand eines Screenshots das Ziel des Nutzers und bitten Sie um eine kurze Anweisung auf Grundlage der sichtbaren Bedienelemente. Die Antwort ist Text über die Oberfläche, keine ausgeführte Handlung.
Die Herstellertabellen enthalten die Fortsetzung eines Antwortpräfixes und Kontext-Caching. Strukturierte Ausgabe, Batch-Übermittlung und Fine-Tuning stehen in den Herstellerkonfigurationen nicht in gleicher Weise zur Verfügung; behandeln Sie sie als Optionen der Schnittstelle und nicht als bedingungslose Folge der Auswahl des Plus-Namens. Funktionsaufrufe und Websuche werden auf dieser Modellkarte nicht als unterstützt aufgeführt. Eine Bitte, extrahierte Felder zu formatieren, unterscheidet sich von einer Aufforderung, eine Funktion auszuführen oder neue Informationen aus dem Web zu beschaffen.
Kontextgrenzen
Die veröffentlichte Modellkarte nennt ein Kontextfenster von 131.072 Tokens, maximal 129.024 Eingabetokens und maximal 8.192 Ausgabetokens. Die Darstellung von Bildern oder Video beansprucht zusammen mit der Frage und dem ergänzenden Text Eingabekapazität. Planen Sie das visuelle Material und die Antwort getrennt: Eine lange oder detaillierte Eingabe kann trotzdem nur eine kurze Liste von Feldern oder Beobachtungen erfordern.
Vorbereitung der Eingaben
Die Betonung von Details und unterschiedlichen Proportionen durch den Hersteller ersetzt nicht die Notwendigkeit lesbaren Materials. Halten Sie den Bereich mit dem angeforderten Text deutlich erkennbar. Bewahren Sie beim Zuschneiden einer Tabelle die Überschriften und Einheiten, die zur Interpretation der Werte nötig sind; geben Sie bei mehreren Seiten ihre Reihenfolge und den zu prüfenden Abschnitt an. Legen Sie fest, ob Sie den ursprünglichen Wortlaut, eine Zusammenfassung oder eine Interpretation wünschen, damit diese Ergebnisse nicht vermischt werden.
Bestimmen Sie bei Video das zu beschreibende Ereignis oder sichtbare Detail und die gewünschte Antwortstruktur. Eine praktische Aufgabe könnte nach der Handlungsfolge in einer Demonstration und den an jedem Schritt beteiligten Objekten fragen. Die dokumentierte Ausgabe ist Text; die Modellkarte führt weder Audio als Eingabe noch Sprache als Ausgabe auf. Dieser visuelle Weg sollte daher nicht als Beleg dafür dienen, dass eine Transkription gesprochener Inhalte verstanden wurde.
Ein nützlicher wiederholbarer Ablauf besteht darin, mehreren Dokumentbildern dieselben Extraktionsfelder vorzugeben, die Bildkennungen neben den Ergebnissen zu behalten und anschließend die entstandenen Datensätze in der Anwendung zu vergleichen. Ein anderer Ablauf kombiniert einen Screenshot mit einer schriftlichen Anforderung und fragt nach sichtbaren Übereinstimmungen, Unterschieden und ungeklärten Details. Halten Sie in beiden Fällen das Quellbild mit jedem zurückgegebenen Wert verbunden, damit das Ergebnis überprüft werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen-vl-plus | 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 $0.00024 / 1K Token Ausgabe · Ausgabetoken $0.000572 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.