Qwen-VL-Max es la línea de modelos de visión y lenguaje de Qwen para preguntas que requieren algo más que reconocer un objeto. El fabricante sitúa a Max en torno al razonamiento visual y el seguimiento de instrucciones: conectar la evidencia visible con las condiciones del usuario, explicar relaciones y producir un resultado textual para una tarea visual más compleja. En comparación con la línea Plus, esta descripción concede mayor importancia al razonamiento y la interpretación.
La ficha actual del fabricante vincula el nombre sin versión qwen-vl-max con qwen-vl-max-2025-08-13. El nombre que se actualiza sigue las novedades, mientras que un nombre con fecha identifica una versión concreta. Conserva el nombre exacto al comparar entradas y resultados; otras ediciones identificadas por nombre pueden tener especificaciones documentadas diferentes.
Capacidades del modelo
La entrada documentada incluye texto, imágenes y vídeo, mientras que la salida es texto. El material visual puede ser una página de documento, un gráfico, una escena o una secuencia de fotogramas. La pregunta escrita determina qué debe establecer el modelo a partir de ese material. El resultado puede describir evidencias, explicar una relación u organizar los hallazgos en campos; no se trata de una edición que genere imágenes o vídeo.
Para un gráfico, especifica la comparación en lugar de pedir una descripción general. Proporciona la imagen y pregunta qué serie visible aumenta, qué significan las etiquetas y qué observaciones respaldan la conclusión. Solicita partes separadas para los datos directamente visibles y la explicación. Para un diagrama de proceso, identifica las condiciones iniciales y finales y pide las conexiones entre etapas, conservando las etiquetas originales.
Para una captura de pantalla, indica el objetivo del usuario y pregunta por los controles visibles y el siguiente paso posible. Esto produce una interpretación escrita de la interfaz. Cualquier clic real, cambio de archivo o acción externa sigue correspondiendo a la aplicación que utiliza el modelo; la comprensión visual por sí sola no constituye un flujo de control del ordenador.
La ficha del fabricante documenta salida estructurada, continuación a partir de un prefijo de respuesta y almacenamiento del contexto en caché. Estas funciones pueden ayudar a organizar análisis visuales repetidos en torno a un diseño de salida estable. El envío por lotes difiere entre configuraciones del fabricante, mientras que la llamada a funciones, la búsqueda web y el ajuste fino no figuran como compatibles en esta ficha. Por tanto, una respuesta textual estructurada no debe confundirse con una llamada a herramienta ejecutada ni con una búsqueda en línea.
Límites de contexto
La ficha de esta versión identificada por nombre indica una ventana de contexto de 131.072 tokens, una entrada máxima de 129.024 tokens y una salida máxima de 8.192 tokens. Las entradas visuales y la tarea textual consumen conjuntamente el presupuesto de entrada disponible. La respuesta tiene un límite independiente, por lo que una gran colección de material visual no implica una salida igual de extensa.
Elige imágenes o fotogramas que respondan a la pregunta real. Conserva la leyenda del gráfico, los encabezados de columna o las etiquetas del diagrama necesarios para interpretar una zona recortada. Al comparar varios materiales, identifica su orden y función: el diseño existente, el diseño revisado y el requisito de referencia. Un resultado escrito útil puede enumerar los elementos coincidentes, las diferencias y las preguntas que siguen sin resolverse con la evidencia aportada.
Trabajo con vídeo
La entrada de vídeo permite preguntar por sucesos visibles y su secuencia. Pregunta qué cambia entre fotogramas, qué participantes interactúan o qué condición visible aparece antes que otra. Define la salida requerida, como una descripción ordenada de los sucesos con las observaciones que respaldan cada punto. La ficha indica entrada de vídeo y salida de texto, no entrada de audio ni salida de voz; una pregunta sobre contenido hablado requiere que ese contenido se facilite por separado.
Una tarea práctica puede comparar un vídeo de demostración con su procedimiento escrito: proporciona el material visual y los pasos pertinentes, pregunta qué pasos están representados de forma visible y solicita una lista concisa de discrepancias. Especifica a qué paso del procedimiento corresponde cada observación y mantén los pasos poco claros en una parte separada de la respuesta.
Límites relevantes de la edición
El enfoque de Max en el razonamiento visual resulta útil cuando la tarea depende de interpretar relaciones y seguir una instrucción visual compleja. Su resultado documentado es texto. Mantén la entrada legible, nombra la deducción que necesitas y distingue la evidencia visible de las conclusiones que la tarea pide obtener al modelo. Esa preparación convierte una pregunta visual en una explicación o comparación aprovechable, en lugar de un resumen de la escena sin un objetivo definido.
", "aboutText": "Qwen-VL-Max es la línea de modelos de visión y lenguaje de Qwen para preguntas que requieren algo más que reconocer un objeto. El fabricante sitúa a Max en torno al razonamiento visual y el seguimiento de instrucciones: conectar la evidencia visible con las condiciones del usuario, explicar relaciones y producir un resultado textual para una tarea visual más compleja. En comparación con la línea Plus, esta descripción concede mayor importancia al razonamiento y la interpretación.\n\nLa ficha actual del fabricante vincula el nombre sin versión qwen-vl-max con qwen-vl-max-2025-08-13. El nombre que se actualiza sigue las novedades, mientras que un nombre con fecha identifica una versión concreta. Conserva el nombre exacto al comparar entradas y resultados; otras ediciones identificadas por nombre pueden tener especificaciones documentadas diferentes.\n\nCapacidades del modelo\n\nLa entrada documentada incluye texto, imágenes y vídeo, mientras que la salida es texto. El material visual puede ser una página de documento, un gráfico, una escena o una secuencia de fotogramas. La pregunta escrita determina qué debe establecer el modelo a partir de ese material. El resultado puede describir evidencias, explicar una relación u organizar los hallazgos en campos; no se trata de una edición que genere imágenes o vídeo.\n\nPara un gráfico, especifica la comparación en lugar de pedir una descripción general. Proporciona la imagen y pregunta qué serie visible aumenta, qué significan las etiquetas y qué observaciones respaldan la conclusión. Solicita partes separadas para los datos directamente visibles y la explicación. Para un diagrama de proceso, identifica las condiciones iniciales y finales y pide las conexiones entre etapas, conservando las etiquetas originales.\n\nPara una captura de pantalla, indica el objetivo del usuario y pregunta por los controles visibles y el siguiente paso posible. Esto produce una interpretación escrita de la interfaz. Cualquier clic real, cambio de archivo o acción externa sigue correspondiendo a la aplicación que utiliza el modelo; la comprensión visual por sí sola no constituye un flujo de control del ordenador.\n\nLa ficha del fabricante documenta salida estructurada, continuación a partir de un prefijo de respuesta y almacenamiento del contexto en caché. Estas funciones pueden ayudar a organizar análisis visuales repetidos en torno a un diseño de salida estable. El envío por lotes difiere entre configuraciones del fabricante, mientras que la llamada a funciones, la búsqueda web y el ajuste fino no figuran como compatibles en esta ficha. Por tanto, una respuesta textual estructurada no debe confundirse con una llamada a herramienta ejecutada ni con una búsqueda en línea.\n\nLímites de contexto\n\nLa ficha de esta versión identificada por nombre indica una ventana de contexto de 131.072 tokens, una entrada máxima de 129.024 tokens y una salida máxima de 8.192 tokens. Las entradas visuales y la tarea textual consumen conjuntamente el presupuesto de entrada disponible. La respuesta tiene un límite independiente, por lo que una gran colección de material visual no implica una salida igual de extensa.\n\nElige imágenes o fotogramas que respondan a la pregunta real. Conserva la leyenda del gráfico, los encabezados de columna o las etiquetas del diagrama necesarios para interpretar una zona recortada. Al comparar varios materiales, identifica su orden y función: el diseño existente, el diseño revisado y el requisito de referencia. Un resultado escrito útil puede enumerar los elementos coincidentes, las diferencias y las preguntas que siguen sin resolverse con la evidencia aportada.\n\nTrabajo con vídeo\n\nLa entrada de vídeo permite preguntar por sucesos visibles y su secuencia. Pregunta qué cambia entre fotogramas, qué participantes interactúan o qué condición visible aparece antes que otra. Define la salida requerida, como una descripción ordenada de los sucesos con las observaciones que respaldan cada punto. La ficha indica entrada de vídeo y salida de texto, no entrada de audio ni salida de voz; una pregunta sobre contenido hablado requiere que ese contenido se facilite por separado.\n\nUna tarea práctica puede comparar un vídeo de demostración con su procedimiento escrito: proporciona el material visual y los pasos pertinentes, pregunta qué pasos están representados de forma visible y solicita una lista concisa de discrepancias. Especifica a qué paso del procedimiento corresponde cada observación y mantén los pasos poco claros en una parte separada de la respuesta.\n\nLímites relevantes de la edición\n\nEl enfoque de Max en el razonamiento visual resulta útil cuando la tarea depende de interpretar relaciones y seguir una instrucción visual compleja. Su resultado documentado es texto. Mantén la entrada legible, nombra la deducción que necesitas y distingue la evidencia visible de las conclusiones que la tarea pide obtener al modelo. Esa preparación convierte una pregunta visual en una explicación o comparación aprovechable, en lugar de un resumen de la escena sin un objetivo definido.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Trace a described process diagram\n\nInterpret this diagram transcribed as text: Request -> Validate -> [valid: Queue; invalid: Return error]; Queue -> Worker -> Result. Requirement: invalid requests must never reach the worker. Explain both paths, identify the gate enforcing the requirement and list two checks tied to those paths. Use only the supplied connections and labels.A two-path explanation, the validation gate and valid/invalid path checks.Check the invalid branch ends at Return error rather than passing through Queue.qwen-vl-maxQwen-VL-Max conecta texto, imágenes y vídeo mediante razonamiento visual y seguimiento de instrucciones. Devuelve explicaciones textuales o hallazgos estructurados y se orienta a preguntas visuales complejas, análisis de documentos y relaciones dentro de una escena.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen-VL-Max es la línea de modelos de visión y lenguaje de Qwen para preguntas que requieren algo más que reconocer un objeto. El fabricante sitúa a Max en torno al razonamiento visual y el seguimiento de instrucciones: conectar la evidencia visible con las condiciones del usuario, explicar relaciones y producir un resultado textual para una tarea visual más compleja. En comparación con la línea Plus, esta descripción concede mayor importancia al razonamiento y la interpretación.
La ficha actual del fabricante vincula el nombre sin versión qwen-vl-max con qwen-vl-max-2025-08-13. El nombre que se actualiza sigue las novedades, mientras que un nombre con fecha identifica una versión concreta. Conserva el nombre exacto al comparar entradas y resultados; otras ediciones identificadas por nombre pueden tener especificaciones documentadas diferentes.
Capacidades del modelo
La entrada documentada incluye texto, imágenes y vídeo, mientras que la salida es texto. El material visual puede ser una página de documento, un gráfico, una escena o una secuencia de fotogramas. La pregunta escrita determina qué debe establecer el modelo a partir de ese material. El resultado puede describir evidencias, explicar una relación u organizar los hallazgos en campos; no se trata de una edición que genere imágenes o vídeo.
Para un gráfico, especifica la comparación en lugar de pedir una descripción general. Proporciona la imagen y pregunta qué serie visible aumenta, qué significan las etiquetas y qué observaciones respaldan la conclusión. Solicita partes separadas para los datos directamente visibles y la explicación. Para un diagrama de proceso, identifica las condiciones iniciales y finales y pide las conexiones entre etapas, conservando las etiquetas originales.
Para una captura de pantalla, indica el objetivo del usuario y pregunta por los controles visibles y el siguiente paso posible. Esto produce una interpretación escrita de la interfaz. Cualquier clic real, cambio de archivo o acción externa sigue correspondiendo a la aplicación que utiliza el modelo; la comprensión visual por sí sola no constituye un flujo de control del ordenador.
La ficha del fabricante documenta salida estructurada, continuación a partir de un prefijo de respuesta y almacenamiento del contexto en caché. Estas funciones pueden ayudar a organizar análisis visuales repetidos en torno a un diseño de salida estable. El envío por lotes difiere entre configuraciones del fabricante, mientras que la llamada a funciones, la búsqueda web y el ajuste fino no figuran como compatibles en esta ficha. Por tanto, una respuesta textual estructurada no debe confundirse con una llamada a herramienta ejecutada ni con una búsqueda en línea.
Límites de contexto
La ficha de esta versión identificada por nombre indica una ventana de contexto de 131.072 tokens, una entrada máxima de 129.024 tokens y una salida máxima de 8.192 tokens. Las entradas visuales y la tarea textual consumen conjuntamente el presupuesto de entrada disponible. La respuesta tiene un límite independiente, por lo que una gran colección de material visual no implica una salida igual de extensa.
Elige imágenes o fotogramas que respondan a la pregunta real. Conserva la leyenda del gráfico, los encabezados de columna o las etiquetas del diagrama necesarios para interpretar una zona recortada. Al comparar varios materiales, identifica su orden y función: el diseño existente, el diseño revisado y el requisito de referencia. Un resultado escrito útil puede enumerar los elementos coincidentes, las diferencias y las preguntas que siguen sin resolverse con la evidencia aportada.
Trabajo con vídeo
La entrada de vídeo permite preguntar por sucesos visibles y su secuencia. Pregunta qué cambia entre fotogramas, qué participantes interactúan o qué condición visible aparece antes que otra. Define la salida requerida, como una descripción ordenada de los sucesos con las observaciones que respaldan cada punto. La ficha indica entrada de vídeo y salida de texto, no entrada de audio ni salida de voz; una pregunta sobre contenido hablado requiere que ese contenido se facilite por separado.
Una tarea práctica puede comparar un vídeo de demostración con su procedimiento escrito: proporciona el material visual y los pasos pertinentes, pregunta qué pasos están representados de forma visible y solicita una lista concisa de discrepancias. Especifica a qué paso del procedimiento corresponde cada observación y mantén los pasos poco claros en una parte separada de la respuesta.
Límites relevantes de la edición
El enfoque de Max en el razonamiento visual resulta útil cuando la tarea depende de interpretar relaciones y seguir una instrucción visual compleja. Su resultado documentado es texto. Mantén la entrada legible, nombra la deducción que necesitas y distingue la evidencia visible de las conclusiones que la tarea pide obtener al modelo. Esa preparación convierte una pregunta visual en una explicación o comparación aprovechable, en lugar de un resumen de la escena sin un objetivo definido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-vl-max | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00046 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-vl-max", "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-max',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-max',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen-vl-max
Usa las rutas de método indicadas arriba.
qwen-vl-maxQwen-VL-Max conecta texto, imágenes y vídeo mediante razonamiento visual y seguimiento de instrucciones. Devuelve explicaciones textuales o hallazgos estructurados y se orienta a preguntas visuales complejas, análisis de documentos y relaciones dentro de una escena.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen-VL-Max es la línea de modelos de visión y lenguaje de Qwen para preguntas que requieren algo más que reconocer un objeto. El fabricante sitúa a Max en torno al razonamiento visual y el seguimiento de instrucciones: conectar la evidencia visible con las condiciones del usuario, explicar relaciones y producir un resultado textual para una tarea visual más compleja. En comparación con la línea Plus, esta descripción concede mayor importancia al razonamiento y la interpretación.
La ficha actual del fabricante vincula el nombre sin versión qwen-vl-max con qwen-vl-max-2025-08-13. El nombre que se actualiza sigue las novedades, mientras que un nombre con fecha identifica una versión concreta. Conserva el nombre exacto al comparar entradas y resultados; otras ediciones identificadas por nombre pueden tener especificaciones documentadas diferentes.
Capacidades del modelo
La entrada documentada incluye texto, imágenes y vídeo, mientras que la salida es texto. El material visual puede ser una página de documento, un gráfico, una escena o una secuencia de fotogramas. La pregunta escrita determina qué debe establecer el modelo a partir de ese material. El resultado puede describir evidencias, explicar una relación u organizar los hallazgos en campos; no se trata de una edición que genere imágenes o vídeo.
Para un gráfico, especifica la comparación en lugar de pedir una descripción general. Proporciona la imagen y pregunta qué serie visible aumenta, qué significan las etiquetas y qué observaciones respaldan la conclusión. Solicita partes separadas para los datos directamente visibles y la explicación. Para un diagrama de proceso, identifica las condiciones iniciales y finales y pide las conexiones entre etapas, conservando las etiquetas originales.
Para una captura de pantalla, indica el objetivo del usuario y pregunta por los controles visibles y el siguiente paso posible. Esto produce una interpretación escrita de la interfaz. Cualquier clic real, cambio de archivo o acción externa sigue correspondiendo a la aplicación que utiliza el modelo; la comprensión visual por sí sola no constituye un flujo de control del ordenador.
La ficha del fabricante documenta salida estructurada, continuación a partir de un prefijo de respuesta y almacenamiento del contexto en caché. Estas funciones pueden ayudar a organizar análisis visuales repetidos en torno a un diseño de salida estable. El envío por lotes difiere entre configuraciones del fabricante, mientras que la llamada a funciones, la búsqueda web y el ajuste fino no figuran como compatibles en esta ficha. Por tanto, una respuesta textual estructurada no debe confundirse con una llamada a herramienta ejecutada ni con una búsqueda en línea.
Límites de contexto
La ficha de esta versión identificada por nombre indica una ventana de contexto de 131.072 tokens, una entrada máxima de 129.024 tokens y una salida máxima de 8.192 tokens. Las entradas visuales y la tarea textual consumen conjuntamente el presupuesto de entrada disponible. La respuesta tiene un límite independiente, por lo que una gran colección de material visual no implica una salida igual de extensa.
Elige imágenes o fotogramas que respondan a la pregunta real. Conserva la leyenda del gráfico, los encabezados de columna o las etiquetas del diagrama necesarios para interpretar una zona recortada. Al comparar varios materiales, identifica su orden y función: el diseño existente, el diseño revisado y el requisito de referencia. Un resultado escrito útil puede enumerar los elementos coincidentes, las diferencias y las preguntas que siguen sin resolverse con la evidencia aportada.
Trabajo con vídeo
La entrada de vídeo permite preguntar por sucesos visibles y su secuencia. Pregunta qué cambia entre fotogramas, qué participantes interactúan o qué condición visible aparece antes que otra. Define la salida requerida, como una descripción ordenada de los sucesos con las observaciones que respaldan cada punto. La ficha indica entrada de vídeo y salida de texto, no entrada de audio ni salida de voz; una pregunta sobre contenido hablado requiere que ese contenido se facilite por separado.
Una tarea práctica puede comparar un vídeo de demostración con su procedimiento escrito: proporciona el material visual y los pasos pertinentes, pregunta qué pasos están representados de forma visible y solicita una lista concisa de discrepancias. Especifica a qué paso del procedimiento corresponde cada observación y mantén los pasos poco claros en una parte separada de la respuesta.
Límites relevantes de la edición
El enfoque de Max en el razonamiento visual resulta útil cuando la tarea depende de interpretar relaciones y seguir una instrucción visual compleja. Su resultado documentado es texto. Mantén la entrada legible, nombra la deducción que necesitas y distingue la evidencia visible de las conclusiones que la tarea pide obtener al modelo. Esa preparación convierte una pregunta visual en una explicación o comparación aprovechable, en lugar de un resumen de la escena sin un objetivo definido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-vl-max | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00046 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen-vl-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-max', '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-max', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen-vl-max
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Trace a described process diagram\n\nInterpret this diagram transcribed as text: Request -> Validate -> [valid: Queue; invalid: Return error]; Queue -> Worker -> Result. Requirement: invalid requests must never reach the worker. Explain both paths, identify the gate enforcing the requirement and list two checks tied to those paths. Use only the supplied connections and labels.A two-path explanation, the validation gate and valid/invalid path checks.Check the invalid branch ends at Return error rather than passing through Queue.