Qwen-VL-Plus 2025-05-07 es una versión identificada por nombre del modelo de visión y lenguaje de Alibaba. Qwen-VL-Plus se centra en la comprensión visual detallada y en leer texto dentro de imágenes, convirtiendo la evidencia visual proporcionada y una pregunta escrita en una respuesta textual. Su punto de partida útil es una fuente concreta: una fotografía, una captura de pantalla, una imagen de una página de documento o fotogramas de vídeo cuyo contenido quieras explicar.
El fabricante identifica la edición de mayo por separado de Qwen-VL-Plus 2025-07-10. La mejora específica de julio para vídeo de vigilancia pertenece a esa versión posterior. Para el modelo de mayo, organiza la tarea en torno a su finalidad documentada de visión y lenguaje: examinar detalles, leer texto visible, describir la escena y relacionar el resultado con la pregunta. Conserva el nombre del modelo junto al material de origen al comparar cómo responde a la misma tarea.
La comprensión de imágenes puede utilizar una imagen o varias para una pregunta común. En tareas documentales, especifica los campos o la zona que necesitas: «Lee las etiquetas de la zona resaltada, conserva su ortografía y dedica una línea a cada etiqueta». Para una página de instrucciones fotografiada, pide una transcripción seguida de una explicación separada. Esta separación proporciona un resultado que puede contrastarse con el original antes de convertirse en un artículo de ayuda o un mensaje para el usuario.
Para una captura de pantalla, añade el objetivo del usuario e identifica cualquier elemento que requiera atención especial. Un ejemplo de instrucciones es: «Explica los pasos visibles que seguiría un usuario para cambiar este ajuste. Utiliza los nombres de los botones que aparecen en pantalla y enumera el texto que sea demasiado pequeño para leerlo». Para comparar, etiqueta las imágenes como A y B y proporciona un criterio común, como las etiquetas cambiadas o la posición de un objeto visible. La respuesta es una propuesta de interpretación textual de las imágenes.
La comprensión de vídeo examina el contenido visual mediante fotogramas y devuelve una descripción o respuesta textual. Elige el episodio pertinente para la pregunta y conserva su orden; si el habla es necesaria para el análisis, añade una transcripción en texto porque este flujo visual no comprende la pista de audio del vídeo. Una salida útil puede contener la secuencia observada, los detalles pertinentes de la escena y las preguntas que los fotogramas proporcionados dejan abiertas.
Prepara las páginas de documentos como imágenes legibles para este flujo de entrada visual; un archivo PDF o Word no es por sí mismo una entrada de imagen. Para el flujo de archivos documentado de Alibaba, prepara imágenes de un máximo de 10 MB mediante URL; un vídeo proporcionado mediante una URL pública debe durar entre 2 y 40 segundos y no superar 150 MB, o utiliza una lista ordenada de 4–80 fotogramas. La suma de tokens visuales y textuales debe seguir ajustándose al presupuesto de entrada del modelo. Recorta la zona de interés cuando la página completa haga que las etiquetas sean demasiado pequeñas, pero conserva el contexto necesario para interpretar una tabla o un diagrama. Indica si quieres una transcripción literal, una explicación o un resumen breve. Esa elección facilita reutilizar el resultado sin confundir las palabras visibles de la fuente con la interpretación adicional del modelo.
", "aboutText": "Qwen-VL-Plus 2025-05-07 es una versión identificada por nombre del modelo de visión y lenguaje de Alibaba. Qwen-VL-Plus se centra en la comprensión visual detallada y en leer texto dentro de imágenes, convirtiendo la evidencia visual proporcionada y una pregunta escrita en una respuesta textual. Su punto de partida útil es una fuente concreta: una fotografía, una captura de pantalla, una imagen de una página de documento o fotogramas de vídeo cuyo contenido quieras explicar.\n\nEl fabricante identifica la edición de mayo por separado de Qwen-VL-Plus 2025-07-10. La mejora específica de julio para vídeo de vigilancia pertenece a esa versión posterior. Para el modelo de mayo, organiza la tarea en torno a su finalidad documentada de visión y lenguaje: examinar detalles, leer texto visible, describir la escena y relacionar el resultado con la pregunta. Conserva el nombre del modelo junto al material de origen al comparar cómo responde a la misma tarea.\n\nLa comprensión de imágenes puede utilizar una imagen o varias para una pregunta común. En tareas documentales, especifica los campos o la zona que necesitas: «Lee las etiquetas de la zona resaltada, conserva su ortografía y dedica una línea a cada etiqueta». Para una página de instrucciones fotografiada, pide una transcripción seguida de una explicación separada. Esta separación proporciona un resultado que puede contrastarse con el original antes de convertirse en un artículo de ayuda o un mensaje para el usuario.\n\nPara una captura de pantalla, añade el objetivo del usuario e identifica cualquier elemento que requiera atención especial. Un ejemplo de instrucciones es: «Explica los pasos visibles que seguiría un usuario para cambiar este ajuste. Utiliza los nombres de los botones que aparecen en pantalla y enumera el texto que sea demasiado pequeño para leerlo». Para comparar, etiqueta las imágenes como A y B y proporciona un criterio común, como las etiquetas cambiadas o la posición de un objeto visible. La respuesta es una propuesta de interpretación textual de las imágenes.\n\nLa comprensión de vídeo examina el contenido visual mediante fotogramas y devuelve una descripción o respuesta textual. Elige el episodio pertinente para la pregunta y conserva su orden; si el habla es necesaria para el análisis, añade una transcripción en texto porque este flujo visual no comprende la pista de audio del vídeo. Una salida útil puede contener la secuencia observada, los detalles pertinentes de la escena y las preguntas que los fotogramas proporcionados dejan abiertas.\n\nPrepara las páginas de documentos como imágenes legibles para este flujo de entrada visual; un archivo PDF o Word no es por sí mismo una entrada de imagen. Para el flujo de archivos documentado de Alibaba, prepara imágenes de un máximo de 10 MB mediante URL; un vídeo proporcionado mediante una URL pública debe durar entre 2 y 40 segundos y no superar 150 MB, o utiliza una lista ordenada de 4–80 fotogramas. La suma de tokens visuales y textuales debe seguir ajustándose al presupuesto de entrada del modelo. Recorta la zona de interés cuando la página completa haga que las etiquetas sean demasiado pequeñas, pero conserva el contexto necesario para interpretar una tabla o un diagrama. Indica si quieres una transcripción literal, una explicación o un resumen breve. Esa elección facilita reutilizar el resultado sin confundir las palabras visibles de la fuente con la interpretación adicional del modelo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 combina texto con imágenes y vídeo para producir explicaciones visuales. Utiliza esta versión identificada por nombre para describir escenas, extraer texto visible y preguntar por detalles de documentos, capturas de pantalla o secuencias de fotogramas.
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-Plus 2025-05-07 es una versión identificada por nombre del modelo de visión y lenguaje de Alibaba. Qwen-VL-Plus se centra en la comprensión visual detallada y en leer texto dentro de imágenes, convirtiendo la evidencia visual proporcionada y una pregunta escrita en una respuesta textual. Su punto de partida útil es una fuente concreta: una fotografía, una captura de pantalla, una imagen de una página de documento o fotogramas de vídeo cuyo contenido quieras explicar.
El fabricante identifica la edición de mayo por separado de Qwen-VL-Plus 2025-07-10. La mejora específica de julio para vídeo de vigilancia pertenece a esa versión posterior. Para el modelo de mayo, organiza la tarea en torno a su finalidad documentada de visión y lenguaje: examinar detalles, leer texto visible, describir la escena y relacionar el resultado con la pregunta. Conserva el nombre del modelo junto al material de origen al comparar cómo responde a la misma tarea.
La comprensión de imágenes puede utilizar una imagen o varias para una pregunta común. En tareas documentales, especifica los campos o la zona que necesitas: «Lee las etiquetas de la zona resaltada, conserva su ortografía y dedica una línea a cada etiqueta». Para una página de instrucciones fotografiada, pide una transcripción seguida de una explicación separada. Esta separación proporciona un resultado que puede contrastarse con el original antes de convertirse en un artículo de ayuda o un mensaje para el usuario.
Para una captura de pantalla, añade el objetivo del usuario e identifica cualquier elemento que requiera atención especial. Un ejemplo de instrucciones es: «Explica los pasos visibles que seguiría un usuario para cambiar este ajuste. Utiliza los nombres de los botones que aparecen en pantalla y enumera el texto que sea demasiado pequeño para leerlo». Para comparar, etiqueta las imágenes como A y B y proporciona un criterio común, como las etiquetas cambiadas o la posición de un objeto visible. La respuesta es una propuesta de interpretación textual de las imágenes.
La comprensión de vídeo examina el contenido visual mediante fotogramas y devuelve una descripción o respuesta textual. Elige el episodio pertinente para la pregunta y conserva su orden; si el habla es necesaria para el análisis, añade una transcripción en texto porque este flujo visual no comprende la pista de audio del vídeo. Una salida útil puede contener la secuencia observada, los detalles pertinentes de la escena y las preguntas que los fotogramas proporcionados dejan abiertas.
Prepara las páginas de documentos como imágenes legibles para este flujo de entrada visual; un archivo PDF o Word no es por sí mismo una entrada de imagen. Para el flujo de archivos documentado de Alibaba, prepara imágenes de un máximo de 10 MB mediante URL; un vídeo proporcionado mediante una URL pública debe durar entre 2 y 40 segundos y no superar 150 MB, o utiliza una lista ordenada de 4–80 fotogramas. La suma de tokens visuales y textuales debe seguir ajustándose al presupuesto de entrada del modelo. Recorta la zona de interés cuando la página completa haga que las etiquetas sean demasiado pequeñas, pero conserva el contexto necesario para interpretar una tabla o un diagrama. Indica si quieres una transcripción literal, una explicación o un resumen breve. Esa elección facilita reutilizar el resultado sin confundir las palabras visibles de la fuente con la interpretación adicional del modelo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K tokens Salida · Tokens de salida $0.0013 / 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-plus-2025-05-07", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-plus-2025-05-07
Usa las rutas de método indicadas arriba.
qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 combina texto con imágenes y vídeo para producir explicaciones visuales. Utiliza esta versión identificada por nombre para describir escenas, extraer texto visible y preguntar por detalles de documentos, capturas de pantalla o secuencias de fotogramas.
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-Plus 2025-05-07 es una versión identificada por nombre del modelo de visión y lenguaje de Alibaba. Qwen-VL-Plus se centra en la comprensión visual detallada y en leer texto dentro de imágenes, convirtiendo la evidencia visual proporcionada y una pregunta escrita en una respuesta textual. Su punto de partida útil es una fuente concreta: una fotografía, una captura de pantalla, una imagen de una página de documento o fotogramas de vídeo cuyo contenido quieras explicar.
El fabricante identifica la edición de mayo por separado de Qwen-VL-Plus 2025-07-10. La mejora específica de julio para vídeo de vigilancia pertenece a esa versión posterior. Para el modelo de mayo, organiza la tarea en torno a su finalidad documentada de visión y lenguaje: examinar detalles, leer texto visible, describir la escena y relacionar el resultado con la pregunta. Conserva el nombre del modelo junto al material de origen al comparar cómo responde a la misma tarea.
La comprensión de imágenes puede utilizar una imagen o varias para una pregunta común. En tareas documentales, especifica los campos o la zona que necesitas: «Lee las etiquetas de la zona resaltada, conserva su ortografía y dedica una línea a cada etiqueta». Para una página de instrucciones fotografiada, pide una transcripción seguida de una explicación separada. Esta separación proporciona un resultado que puede contrastarse con el original antes de convertirse en un artículo de ayuda o un mensaje para el usuario.
Para una captura de pantalla, añade el objetivo del usuario e identifica cualquier elemento que requiera atención especial. Un ejemplo de instrucciones es: «Explica los pasos visibles que seguiría un usuario para cambiar este ajuste. Utiliza los nombres de los botones que aparecen en pantalla y enumera el texto que sea demasiado pequeño para leerlo». Para comparar, etiqueta las imágenes como A y B y proporciona un criterio común, como las etiquetas cambiadas o la posición de un objeto visible. La respuesta es una propuesta de interpretación textual de las imágenes.
La comprensión de vídeo examina el contenido visual mediante fotogramas y devuelve una descripción o respuesta textual. Elige el episodio pertinente para la pregunta y conserva su orden; si el habla es necesaria para el análisis, añade una transcripción en texto porque este flujo visual no comprende la pista de audio del vídeo. Una salida útil puede contener la secuencia observada, los detalles pertinentes de la escena y las preguntas que los fotogramas proporcionados dejan abiertas.
Prepara las páginas de documentos como imágenes legibles para este flujo de entrada visual; un archivo PDF o Word no es por sí mismo una entrada de imagen. Para el flujo de archivos documentado de Alibaba, prepara imágenes de un máximo de 10 MB mediante URL; un vídeo proporcionado mediante una URL pública debe durar entre 2 y 40 segundos y no superar 150 MB, o utiliza una lista ordenada de 4–80 fotogramas. La suma de tokens visuales y textuales debe seguir ajustándose al presupuesto de entrada del modelo. Recorta la zona de interés cuando la página completa haga que las etiquetas sean demasiado pequeñas, pero conserva el contexto necesario para interpretar una tabla o un diagrama. Indica si quieres una transcripción literal, una explicación o un resumen breve. Esa elección facilita reutilizar el resultado sin confundir las palabras visibles de la fuente con la interpretación adicional del modelo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K tokens Salida · Tokens de salida $0.0013 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen-vl-plus-2025-05-07",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-plus-2025-05-07
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.