Qwen-VL-Plus 2025-07-10 es el modelo fechado de visión y lenguaje de Alibaba para comprender imágenes y vídeo. Su actualización característica es una mejor comprensión del contenido de vídeo de vigilancia. El modelo recibe material visual junto con instrucciones escritas y devuelve texto: una descripción de sucesos, una respuesta sobre la escena o un informe organizado en torno a los detalles que le pides examinar. Alibaba también denomina a esta versión qwen-vl-plus-0710.
El fabricante distingue esta edición de Qwen-VL-Plus 2025-05-07 y del alias latest de Qwen-VL-Plus descrito en la misma página. La distinción importa cuando la tarea trata específicamente sobre grabaciones de cámaras: la actualización centrada en vigilancia pertenece a la versión identificada por nombre de julio. Conserva la edición exacta en el registro de la tarea al comparar prompts o volver a revisar las mismas grabaciones.
Las preguntas visuales pueden tratar sobre qué aparece en un fotograma, dónde están los objetos y cómo se desarrollan las acciones visibles a lo largo de una secuencia. Una sola imagen puede servir para describir una escena; varias imágenes etiquetadas pueden aportar distintas vistas o momentos sucesivos. La comprensión de vídeo utiliza fotogramas muestreados. La explicación resultante se refiere a la evidencia visible; el modelo no genera un vídeo de sustitución y este flujo visual no analiza la pista de audio del vídeo.
Para un informe de sucesos, prepara un clip pertinente o una secuencia ordenada de fotogramas e identifica la zona o actividad importante. Un ejemplo de instrucciones es: «Describe, en orden, las acciones visibles de la persona cerca de la entrada. Para cada observación, indica el objeto implicado, su posición y el cambio que puedes ver. Coloca los detalles dudosos en una frase final separada». Puedes solicitar una narración breve, una lista de observaciones o secciones de informe con nombre. Son instrucciones para la respuesta textual, no un modo separado de salida estructurada.
La ventana de contexto publicada de esta versión es de 32.768 tokens, con una entrada máxima de 30.720 tokens y una salida máxima de 8.096 tokens. La tabla específica del modelo también indica un máximo de 16.384 tokens para una imagen. Las instrucciones textuales, el contexto de conversación y el contenido visual deben caber juntos en el presupuesto de entrada; el límite de salida es independiente y no constituye espacio adicional para más material de origen. Al revisar una grabación larga, aísla el episodio y conserva suficientes fotogramas circundantes para que su secuencia resulte comprensible.
Elige fotogramas de origen en los que se distingan los objetos pertinentes, etiqueta distintas cámaras o vistas y precisa la observación solicitada. 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. Si la tarea depende de una explicación hablada, proporciona su transcripción por separado en texto. Pide que el informe distinga un movimiento visible de una finalidad inferida: «caminó hacia la puerta» es una afirmación distinta de una intención de salir. El resultado útil es un registro textual revisable, vinculado a las grabaciones y a los criterios de observación indicados.
", "aboutText": "Qwen-VL-Plus 2025-07-10 es el modelo fechado de visión y lenguaje de Alibaba para comprender imágenes y vídeo. Su actualización característica es una mejor comprensión del contenido de vídeo de vigilancia. El modelo recibe material visual junto con instrucciones escritas y devuelve texto: una descripción de sucesos, una respuesta sobre la escena o un informe organizado en torno a los detalles que le pides examinar. Alibaba también denomina a esta versión qwen-vl-plus-0710.\n\nEl fabricante distingue esta edición de Qwen-VL-Plus 2025-05-07 y del alias latest de Qwen-VL-Plus descrito en la misma página. La distinción importa cuando la tarea trata específicamente sobre grabaciones de cámaras: la actualización centrada en vigilancia pertenece a la versión identificada por nombre de julio. Conserva la edición exacta en el registro de la tarea al comparar prompts o volver a revisar las mismas grabaciones.\n\nLas preguntas visuales pueden tratar sobre qué aparece en un fotograma, dónde están los objetos y cómo se desarrollan las acciones visibles a lo largo de una secuencia. Una sola imagen puede servir para describir una escena; varias imágenes etiquetadas pueden aportar distintas vistas o momentos sucesivos. La comprensión de vídeo utiliza fotogramas muestreados. La explicación resultante se refiere a la evidencia visible; el modelo no genera un vídeo de sustitución y este flujo visual no analiza la pista de audio del vídeo.\n\nPara un informe de sucesos, prepara un clip pertinente o una secuencia ordenada de fotogramas e identifica la zona o actividad importante. Un ejemplo de instrucciones es: «Describe, en orden, las acciones visibles de la persona cerca de la entrada. Para cada observación, indica el objeto implicado, su posición y el cambio que puedes ver. Coloca los detalles dudosos en una frase final separada». Puedes solicitar una narración breve, una lista de observaciones o secciones de informe con nombre. Son instrucciones para la respuesta textual, no un modo separado de salida estructurada.\n\nLa ventana de contexto publicada de esta versión es de 32.768 tokens, con una entrada máxima de 30.720 tokens y una salida máxima de 8.096 tokens. La tabla específica del modelo también indica un máximo de 16.384 tokens para una imagen. Las instrucciones textuales, el contexto de conversación y el contenido visual deben caber juntos en el presupuesto de entrada; el límite de salida es independiente y no constituye espacio adicional para más material de origen. Al revisar una grabación larga, aísla el episodio y conserva suficientes fotogramas circundantes para que su secuencia resulte comprensible.\n\nElige fotogramas de origen en los que se distingan los objetos pertinentes, etiqueta distintas cámaras o vistas y precisa la observación solicitada. 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. Si la tarea depende de una explicación hablada, proporciona su transcripción por separado en texto. Pide que el informe distinga un movimiento visible de una finalidad inferida: «caminó hacia la puerta» es una afirmación distinta de una intención de salir. El resultado útil es un registro textual revisable, vinculado a las grabaciones y a los criterios de observación indicados.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 es una versión de visión y lenguaje centrada en comprender vídeo de vigilancia. Combina imágenes o fotogramas de vídeo con una pregunta escrita para describir sucesos visibles, seguir acciones y producir un informe textual.
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 2025-07-10 es el modelo fechado de visión y lenguaje de Alibaba para comprender imágenes y vídeo. Su actualización característica es una mejor comprensión del contenido de vídeo de vigilancia. El modelo recibe material visual junto con instrucciones escritas y devuelve texto: una descripción de sucesos, una respuesta sobre la escena o un informe organizado en torno a los detalles que le pides examinar. Alibaba también denomina a esta versión qwen-vl-plus-0710.
El fabricante distingue esta edición de Qwen-VL-Plus 2025-05-07 y del alias latest de Qwen-VL-Plus descrito en la misma página. La distinción importa cuando la tarea trata específicamente sobre grabaciones de cámaras: la actualización centrada en vigilancia pertenece a la versión identificada por nombre de julio. Conserva la edición exacta en el registro de la tarea al comparar prompts o volver a revisar las mismas grabaciones.
Las preguntas visuales pueden tratar sobre qué aparece en un fotograma, dónde están los objetos y cómo se desarrollan las acciones visibles a lo largo de una secuencia. Una sola imagen puede servir para describir una escena; varias imágenes etiquetadas pueden aportar distintas vistas o momentos sucesivos. La comprensión de vídeo utiliza fotogramas muestreados. La explicación resultante se refiere a la evidencia visible; el modelo no genera un vídeo de sustitución y este flujo visual no analiza la pista de audio del vídeo.
Para un informe de sucesos, prepara un clip pertinente o una secuencia ordenada de fotogramas e identifica la zona o actividad importante. Un ejemplo de instrucciones es: «Describe, en orden, las acciones visibles de la persona cerca de la entrada. Para cada observación, indica el objeto implicado, su posición y el cambio que puedes ver. Coloca los detalles dudosos en una frase final separada». Puedes solicitar una narración breve, una lista de observaciones o secciones de informe con nombre. Son instrucciones para la respuesta textual, no un modo separado de salida estructurada.
La ventana de contexto publicada de esta versión es de 32.768 tokens, con una entrada máxima de 30.720 tokens y una salida máxima de 8.096 tokens. La tabla específica del modelo también indica un máximo de 16.384 tokens para una imagen. Las instrucciones textuales, el contexto de conversación y el contenido visual deben caber juntos en el presupuesto de entrada; el límite de salida es independiente y no constituye espacio adicional para más material de origen. Al revisar una grabación larga, aísla el episodio y conserva suficientes fotogramas circundantes para que su secuencia resulte comprensible.
Elige fotogramas de origen en los que se distingan los objetos pertinentes, etiqueta distintas cámaras o vistas y precisa la observación solicitada. 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. Si la tarea depende de una explicación hablada, proporciona su transcripción por separado en texto. Pide que el informe distinga un movimiento visible de una finalidad inferida: «caminó hacia la puerta» es una afirmación distinta de una intención de salir. El resultado útil es un registro textual revisable, vinculado a las grabaciones y a los criterios de observación indicados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-vl-plus-2025-07-10 | 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 $0.000044 / 1K tokens Salida · Tokens de salida $0.00044 / 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-2025-07-10", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-07-10',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-07-10',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-2025-07-10
Usa las rutas de método indicadas arriba.
qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 es una versión de visión y lenguaje centrada en comprender vídeo de vigilancia. Combina imágenes o fotogramas de vídeo con una pregunta escrita para describir sucesos visibles, seguir acciones y producir un informe textual.
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 2025-07-10 es el modelo fechado de visión y lenguaje de Alibaba para comprender imágenes y vídeo. Su actualización característica es una mejor comprensión del contenido de vídeo de vigilancia. El modelo recibe material visual junto con instrucciones escritas y devuelve texto: una descripción de sucesos, una respuesta sobre la escena o un informe organizado en torno a los detalles que le pides examinar. Alibaba también denomina a esta versión qwen-vl-plus-0710.
El fabricante distingue esta edición de Qwen-VL-Plus 2025-05-07 y del alias latest de Qwen-VL-Plus descrito en la misma página. La distinción importa cuando la tarea trata específicamente sobre grabaciones de cámaras: la actualización centrada en vigilancia pertenece a la versión identificada por nombre de julio. Conserva la edición exacta en el registro de la tarea al comparar prompts o volver a revisar las mismas grabaciones.
Las preguntas visuales pueden tratar sobre qué aparece en un fotograma, dónde están los objetos y cómo se desarrollan las acciones visibles a lo largo de una secuencia. Una sola imagen puede servir para describir una escena; varias imágenes etiquetadas pueden aportar distintas vistas o momentos sucesivos. La comprensión de vídeo utiliza fotogramas muestreados. La explicación resultante se refiere a la evidencia visible; el modelo no genera un vídeo de sustitución y este flujo visual no analiza la pista de audio del vídeo.
Para un informe de sucesos, prepara un clip pertinente o una secuencia ordenada de fotogramas e identifica la zona o actividad importante. Un ejemplo de instrucciones es: «Describe, en orden, las acciones visibles de la persona cerca de la entrada. Para cada observación, indica el objeto implicado, su posición y el cambio que puedes ver. Coloca los detalles dudosos en una frase final separada». Puedes solicitar una narración breve, una lista de observaciones o secciones de informe con nombre. Son instrucciones para la respuesta textual, no un modo separado de salida estructurada.
La ventana de contexto publicada de esta versión es de 32.768 tokens, con una entrada máxima de 30.720 tokens y una salida máxima de 8.096 tokens. La tabla específica del modelo también indica un máximo de 16.384 tokens para una imagen. Las instrucciones textuales, el contexto de conversación y el contenido visual deben caber juntos en el presupuesto de entrada; el límite de salida es independiente y no constituye espacio adicional para más material de origen. Al revisar una grabación larga, aísla el episodio y conserva suficientes fotogramas circundantes para que su secuencia resulte comprensible.
Elige fotogramas de origen en los que se distingan los objetos pertinentes, etiqueta distintas cámaras o vistas y precisa la observación solicitada. 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. Si la tarea depende de una explicación hablada, proporciona su transcripción por separado en texto. Pide que el informe distinga un movimiento visible de una finalidad inferida: «caminó hacia la puerta» es una afirmación distinta de una intención de salir. El resultado útil es un registro textual revisable, vinculado a las grabaciones y a los criterios de observación indicados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen-vl-plus-2025-07-10 | 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 $0.000044 / 1K tokens Salida · Tokens de salida $0.00044 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen-vl-plus-2025-07-10",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-07-10', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-07-10', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-2025-07-10
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.