Qwen-VL-Plus 2025-07-10 è il modello visivo-linguistico datato di Alibaba per comprendere immagini e video. Il suo aggiornamento distintivo è una maggiore comprensione dei contenuti dei video di sorveglianza. Il modello accetta materiale visivo insieme a istruzioni testuali e restituisce testo: una descrizione degli eventi, una risposta sulla scena o un rapporto organizzato attorno ai dettagli da esaminare. Alibaba chiama questa versione anche qwen-vl-plus-0710.
Il produttore distingue questa edizione da Qwen-VL-Plus 2025-05-07 e dall’alias latest di Qwen-VL-Plus descritto nella stessa pagina. La distinzione conta quando il compito riguarda specificamente riprese di telecamere: l’aggiornamento centrato sulla sorveglianza appartiene alla versione di luglio identificata per nome. Mantieni l’edizione esatta nel record del compito quando confronti i prompt o esamini nuovamente le stesse riprese.
Le domande visive possono riguardare ciò che appare in un fotogramma, la posizione degli oggetti e lo sviluppo delle azioni visibili lungo una sequenza. Una singola immagine può sostenere una descrizione della scena; più immagini etichettate possono fornire viste diverse o momenti successivi. La comprensione del video usa fotogrammi campionati. La spiegazione risultante riguarda le evidenze visibili; il modello non genera un video sostitutivo e questo flusso visivo non analizza la traccia audio del video.
Per un rapporto sugli eventi, prepara un filmato pertinente o una sequenza ordinata di fotogrammi e identifica l’area o l’attività importante. Un esempio di istruzioni è: «Descrivi, in ordine, le azioni visibili della persona vicino all’ingresso. Per ogni osservazione, indica l’oggetto coinvolto, la sua posizione e il cambiamento che puoi vedere. Metti i dettagli incerti in una frase finale separata». Puoi richiedere una breve descrizione narrativa, un elenco di osservazioni o sezioni di rapporto con un titolo. Sono istruzioni per la risposta testuale, non una modalità separata di output strutturato.
La finestra di contesto pubblicata per questa versione è di 32.768 token, con un input massimo di 30.720 token e un output massimo di 8.096 token. La tabella dedicata al modello indica anche un massimo di 16.384 token per una sola immagine. Le istruzioni testuali, il contesto della conversazione e il contenuto visivo devono rientrare insieme nel budget di input; il limite di output è distinto e non costituisce spazio aggiuntivo per altro materiale sorgente. Quando esamini una registrazione lunga, isola l’episodio e conserva abbastanza fotogrammi circostanti per renderne comprensibile la sequenza.
Scegli fotogrammi sorgente in cui gli oggetti pertinenti siano distinguibili, etichetta telecamere o viste diverse e rendi precisa l’osservazione richiesta. Per il flusso di file documentato da Alibaba, prepara immagini fornite tramite URL di dimensioni non superiori a 10 MB; un file video fornito tramite URL pubblico deve durare 2–40 secondi e non superare 150 MB, oppure usa un elenco ordinato di 4–80 fotogrammi. I token visivi e testuali combinati devono comunque rientrare nel budget di input del modello. Se il compito dipende da una spiegazione parlata, fornisci separatamente la sua trascrizione come testo. Chiedi al rapporto di distinguere un movimento visibile da uno scopo dedotto: «ha camminato verso la porta» è un’affermazione diversa dall’intenzione di andarsene. Il risultato utile è un record testuale verificabile, collegato alle riprese e ai criteri di osservazione indicati.
", "aboutText": "Qwen-VL-Plus 2025-07-10 è il modello visivo-linguistico datato di Alibaba per comprendere immagini e video. Il suo aggiornamento distintivo è una maggiore comprensione dei contenuti dei video di sorveglianza. Il modello accetta materiale visivo insieme a istruzioni testuali e restituisce testo: una descrizione degli eventi, una risposta sulla scena o un rapporto organizzato attorno ai dettagli da esaminare. Alibaba chiama questa versione anche qwen-vl-plus-0710.\n\nIl produttore distingue questa edizione da Qwen-VL-Plus 2025-05-07 e dall’alias latest di Qwen-VL-Plus descritto nella stessa pagina. La distinzione conta quando il compito riguarda specificamente riprese di telecamere: l’aggiornamento centrato sulla sorveglianza appartiene alla versione di luglio identificata per nome. Mantieni l’edizione esatta nel record del compito quando confronti i prompt o esamini nuovamente le stesse riprese.\n\nLe domande visive possono riguardare ciò che appare in un fotogramma, la posizione degli oggetti e lo sviluppo delle azioni visibili lungo una sequenza. Una singola immagine può sostenere una descrizione della scena; più immagini etichettate possono fornire viste diverse o momenti successivi. La comprensione del video usa fotogrammi campionati. La spiegazione risultante riguarda le evidenze visibili; il modello non genera un video sostitutivo e questo flusso visivo non analizza la traccia audio del video.\n\nPer un rapporto sugli eventi, prepara un filmato pertinente o una sequenza ordinata di fotogrammi e identifica l’area o l’attività importante. Un esempio di istruzioni è: «Descrivi, in ordine, le azioni visibili della persona vicino all’ingresso. Per ogni osservazione, indica l’oggetto coinvolto, la sua posizione e il cambiamento che puoi vedere. Metti i dettagli incerti in una frase finale separata». Puoi richiedere una breve descrizione narrativa, un elenco di osservazioni o sezioni di rapporto con un titolo. Sono istruzioni per la risposta testuale, non una modalità separata di output strutturato.\n\nLa finestra di contesto pubblicata per questa versione è di 32.768 token, con un input massimo di 30.720 token e un output massimo di 8.096 token. La tabella dedicata al modello indica anche un massimo di 16.384 token per una sola immagine. Le istruzioni testuali, il contesto della conversazione e il contenuto visivo devono rientrare insieme nel budget di input; il limite di output è distinto e non costituisce spazio aggiuntivo per altro materiale sorgente. Quando esamini una registrazione lunga, isola l’episodio e conserva abbastanza fotogrammi circostanti per renderne comprensibile la sequenza.\n\nScegli fotogrammi sorgente in cui gli oggetti pertinenti siano distinguibili, etichetta telecamere o viste diverse e rendi precisa l’osservazione richiesta. Per il flusso di file documentato da Alibaba, prepara immagini fornite tramite URL di dimensioni non superiori a 10 MB; un file video fornito tramite URL pubblico deve durare 2–40 secondi e non superare 150 MB, oppure usa un elenco ordinato di 4–80 fotogrammi. I token visivi e testuali combinati devono comunque rientrare nel budget di input del modello. Se il compito dipende da una spiegazione parlata, fornisci separatamente la sua trascrizione come testo. Chiedi al rapporto di distinguere un movimento visibile da uno scopo dedotto: «ha camminato verso la porta» è un’affermazione diversa dall’intenzione di andarsene. Il risultato utile è un record testuale verificabile, collegato alle riprese e ai criteri di osservazione indicati.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è una versione visivo-linguistica centrata sulla comprensione dei video di sorveglianza. Combina immagini o fotogrammi video con una domanda scritta per descrivere eventi visibili, seguire le azioni e produrre un rapporto testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen-VL-Plus 2025-07-10 è il modello visivo-linguistico datato di Alibaba per comprendere immagini e video. Il suo aggiornamento distintivo è una maggiore comprensione dei contenuti dei video di sorveglianza. Il modello accetta materiale visivo insieme a istruzioni testuali e restituisce testo: una descrizione degli eventi, una risposta sulla scena o un rapporto organizzato attorno ai dettagli da esaminare. Alibaba chiama questa versione anche qwen-vl-plus-0710.
Il produttore distingue questa edizione da Qwen-VL-Plus 2025-05-07 e dall’alias latest di Qwen-VL-Plus descritto nella stessa pagina. La distinzione conta quando il compito riguarda specificamente riprese di telecamere: l’aggiornamento centrato sulla sorveglianza appartiene alla versione di luglio identificata per nome. Mantieni l’edizione esatta nel record del compito quando confronti i prompt o esamini nuovamente le stesse riprese.
Le domande visive possono riguardare ciò che appare in un fotogramma, la posizione degli oggetti e lo sviluppo delle azioni visibili lungo una sequenza. Una singola immagine può sostenere una descrizione della scena; più immagini etichettate possono fornire viste diverse o momenti successivi. La comprensione del video usa fotogrammi campionati. La spiegazione risultante riguarda le evidenze visibili; il modello non genera un video sostitutivo e questo flusso visivo non analizza la traccia audio del video.
Per un rapporto sugli eventi, prepara un filmato pertinente o una sequenza ordinata di fotogrammi e identifica l’area o l’attività importante. Un esempio di istruzioni è: «Descrivi, in ordine, le azioni visibili della persona vicino all’ingresso. Per ogni osservazione, indica l’oggetto coinvolto, la sua posizione e il cambiamento che puoi vedere. Metti i dettagli incerti in una frase finale separata». Puoi richiedere una breve descrizione narrativa, un elenco di osservazioni o sezioni di rapporto con un titolo. Sono istruzioni per la risposta testuale, non una modalità separata di output strutturato.
La finestra di contesto pubblicata per questa versione è di 32.768 token, con un input massimo di 30.720 token e un output massimo di 8.096 token. La tabella dedicata al modello indica anche un massimo di 16.384 token per una sola immagine. Le istruzioni testuali, il contesto della conversazione e il contenuto visivo devono rientrare insieme nel budget di input; il limite di output è distinto e non costituisce spazio aggiuntivo per altro materiale sorgente. Quando esamini una registrazione lunga, isola l’episodio e conserva abbastanza fotogrammi circostanti per renderne comprensibile la sequenza.
Scegli fotogrammi sorgente in cui gli oggetti pertinenti siano distinguibili, etichetta telecamere o viste diverse e rendi precisa l’osservazione richiesta. Per il flusso di file documentato da Alibaba, prepara immagini fornite tramite URL di dimensioni non superiori a 10 MB; un file video fornito tramite URL pubblico deve durare 2–40 secondi e non superare 150 MB, oppure usa un elenco ordinato di 4–80 fotogrammi. I token visivi e testuali combinati devono comunque rientrare nel budget di input del modello. Se il compito dipende da una spiegazione parlata, fornisci separatamente la sua trascrizione come testo. Chiedi al rapporto di distinguere un movimento visibile da uno scopo dedotto: «ha camminato verso la porta» è un’affermazione diversa dall’intenzione di andarsene. Il risultato utile è un record testuale verificabile, collegato alle riprese e ai criteri di osservazione indicati.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen-vl-plus-2025-07-10 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000044 / 1K token Output · Token in output $0.00044 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| 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 |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen-vl-plus-2025-07-10
Usa i percorsi dei metodi indicati sopra.
qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 è una versione visivo-linguistica centrata sulla comprensione dei video di sorveglianza. Combina immagini o fotogrammi video con una domanda scritta per descrivere eventi visibili, seguire le azioni e produrre un rapporto testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen-VL-Plus 2025-07-10 è il modello visivo-linguistico datato di Alibaba per comprendere immagini e video. Il suo aggiornamento distintivo è una maggiore comprensione dei contenuti dei video di sorveglianza. Il modello accetta materiale visivo insieme a istruzioni testuali e restituisce testo: una descrizione degli eventi, una risposta sulla scena o un rapporto organizzato attorno ai dettagli da esaminare. Alibaba chiama questa versione anche qwen-vl-plus-0710.
Il produttore distingue questa edizione da Qwen-VL-Plus 2025-05-07 e dall’alias latest di Qwen-VL-Plus descritto nella stessa pagina. La distinzione conta quando il compito riguarda specificamente riprese di telecamere: l’aggiornamento centrato sulla sorveglianza appartiene alla versione di luglio identificata per nome. Mantieni l’edizione esatta nel record del compito quando confronti i prompt o esamini nuovamente le stesse riprese.
Le domande visive possono riguardare ciò che appare in un fotogramma, la posizione degli oggetti e lo sviluppo delle azioni visibili lungo una sequenza. Una singola immagine può sostenere una descrizione della scena; più immagini etichettate possono fornire viste diverse o momenti successivi. La comprensione del video usa fotogrammi campionati. La spiegazione risultante riguarda le evidenze visibili; il modello non genera un video sostitutivo e questo flusso visivo non analizza la traccia audio del video.
Per un rapporto sugli eventi, prepara un filmato pertinente o una sequenza ordinata di fotogrammi e identifica l’area o l’attività importante. Un esempio di istruzioni è: «Descrivi, in ordine, le azioni visibili della persona vicino all’ingresso. Per ogni osservazione, indica l’oggetto coinvolto, la sua posizione e il cambiamento che puoi vedere. Metti i dettagli incerti in una frase finale separata». Puoi richiedere una breve descrizione narrativa, un elenco di osservazioni o sezioni di rapporto con un titolo. Sono istruzioni per la risposta testuale, non una modalità separata di output strutturato.
La finestra di contesto pubblicata per questa versione è di 32.768 token, con un input massimo di 30.720 token e un output massimo di 8.096 token. La tabella dedicata al modello indica anche un massimo di 16.384 token per una sola immagine. Le istruzioni testuali, il contesto della conversazione e il contenuto visivo devono rientrare insieme nel budget di input; il limite di output è distinto e non costituisce spazio aggiuntivo per altro materiale sorgente. Quando esamini una registrazione lunga, isola l’episodio e conserva abbastanza fotogrammi circostanti per renderne comprensibile la sequenza.
Scegli fotogrammi sorgente in cui gli oggetti pertinenti siano distinguibili, etichetta telecamere o viste diverse e rendi precisa l’osservazione richiesta. Per il flusso di file documentato da Alibaba, prepara immagini fornite tramite URL di dimensioni non superiori a 10 MB; un file video fornito tramite URL pubblico deve durare 2–40 secondi e non superare 150 MB, oppure usa un elenco ordinato di 4–80 fotogrammi. I token visivi e testuali combinati devono comunque rientrare nel budget di input del modello. Se il compito dipende da una spiegazione parlata, fornisci separatamente la sua trascrizione come testo. Chiedi al rapporto di distinguere un movimento visibile da uno scopo dedotto: «ha camminato verso la porta» è un’affermazione diversa dall’intenzione di andarsene. Il risultato utile è un record testuale verificabile, collegato alle riprese e ai criteri di osservazione indicati.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen-vl-plus-2025-07-10 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000044 / 1K token Output · Token in output $0.00044 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen-vl-plus-2025-07-10",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen-vl-plus-2025-07-10
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.