Qwen-VL-Maxは、物体の認識だけでは答えられない質問に対応するQwenの視覚言語モデル系列です。メーカーはMaxを視覚的な推論と指示への追従を重視するモデルとして位置付けています。見えている証拠を利用者の条件と結び付け、関係を説明し、より複雑な視覚的課題に対してテキストの結果を生成します。Plus系列と比べ、この説明では推論と解釈により重点が置かれています。
メーカーの現行モデルカードでは、バージョン指定のないqwen-vl-maxという名称をqwen-vl-max-2025-08-13に対応付けています。更新に追従する名称は変更に合わせて更新され、日付付きの名称は特定の版を識別します。入力と結果を比較するときは正確な名称を保持してください。他の名称付きの版では、文書化された仕様が異なる場合があります。
モデルの機能
文書化されている入力はテキスト、画像、動画で、出力はテキストです。視覚資料には、文書のページ、グラフ、場面、または連続するフレームを使用できます。テキストの質問によって、その資料から何を確認すべきかが決まります。結果では証拠を説明したり、関係を解説したり、所見をフィールドに整理したりできます。このモデルは画像や動画を生成する版ではありません。
グラフの場合は、一般的な説明を求めるのではなく、比較する内容を指定してください。画像を提示し、表示されているどの系列が増加しているか、ラベルが何を意味するか、どの観察結果が結論を裏付けるかを尋ねます。直接読み取れるデータと説明を分けて出力するよう求めてください。工程図の場合は開始条件と終了条件を指定し、元のラベルを保ったまま工程間のつながりを説明するよう求めます。
スクリーンショットの場合は利用者の目標を示し、表示されている操作部品と次に取り得る操作を尋ねてください。これにより、インターフェースの解釈が文章で得られます。実際のクリック、ファイルの変更、外部への操作は、それを利用するアプリケーションが行う作業です。視覚的な理解だけでコンピューター操作の一連の処理になるわけではありません。
メーカーのモデルカードには、構造化出力、応答プレフィックスからの継続生成、コンテキストキャッシュが記載されています。これらは、一定の出力設計に基づいて視覚分析を繰り返す際の整理に役立ちます。バッチ送信はメーカー側の構成によって異なり、このカードでは関数呼び出し、ウェブ検索、ファインチューニングは対応機能として記載されていません。したがって、構造化されたテキスト回答を、実行されたツール呼び出しやオンライン検索と混同しないでください。
コンテキストの制限
この名称のモデルカードでは、コンテキストウィンドウが131,072トークン、最大入力が129,024トークン、最大出力が8,192トークンとされています。視覚入力とテキストの課題は、入力に使える容量を合わせて消費します。回答には独立した上限があるため、大量の視覚資料を渡しても、同じ規模の出力が得られるとは限りません。
実際の質問に答える画像やフレームを選んでください。切り抜いた部分を解釈するために必要なグラフの凡例、列見出し、図のラベルを残します。複数の資料を比較する場合は、既存のデザイン、修正後のデザイン、参照する要件など、それぞれの順序と役割を明示してください。有用な文章の結果では、一致する要素、相違点、提示された証拠だけでは解決できない質問を列挙できます。
動画を扱う
動画入力では、目に見える出来事とその順序について質問できます。フレーム間で何が変わるか、どの参加者が関わり合うか、ある可視的な条件が別の条件より先に現れるかを尋ねてください。各項目を裏付ける観察結果を添えた、時系列の出来事の説明など、必要な出力を定義します。カードに記載されているのは動画入力とテキスト出力で、音声入力や音声出力ではありません。発話内容について質問する場合は、その内容を別途提示する必要があります。
実践的な課題として、実演動画と文章の手順を比較できます。視覚資料と関連する手順を提示し、どの手順が目に見える形で示されているかを尋ね、不一致を簡潔に列挙するよう求めてください。各観察結果がどの手順に対応するかを指定し、明確でない手順は回答の別の部分にまとめます。
版を選ぶ際に重要な制約
Maxが重視する視覚的な推論は、関係の解釈や複雑な視覚的指示への追従が必要な課題に役立ちます。文書化された結果はテキストです。入力を読み取りやすくし、必要な推論を明示し、直接見える証拠と、課題がモデルに求める結論を区別してください。こうした準備によって、視覚的な質問を、目的のない場面の要約ではなく、利用できる説明や比較につなげられます。
", "aboutText": "Qwen-VL-Maxは、物体の認識だけでは答えられない質問に対応するQwenの視覚言語モデル系列です。メーカーはMaxを視覚的な推論と指示への追従を重視するモデルとして位置付けています。見えている証拠を利用者の条件と結び付け、関係を説明し、より複雑な視覚的課題に対してテキストの結果を生成します。Plus系列と比べ、この説明では推論と解釈により重点が置かれています。\n\nメーカーの現行モデルカードでは、バージョン指定のないqwen-vl-maxという名称をqwen-vl-max-2025-08-13に対応付けています。更新に追従する名称は変更に合わせて更新され、日付付きの名称は特定の版を識別します。入力と結果を比較するときは正確な名称を保持してください。他の名称付きの版では、文書化された仕様が異なる場合があります。\n\nモデルの機能\n\n文書化されている入力はテキスト、画像、動画で、出力はテキストです。視覚資料には、文書のページ、グラフ、場面、または連続するフレームを使用できます。テキストの質問によって、その資料から何を確認すべきかが決まります。結果では証拠を説明したり、関係を解説したり、所見をフィールドに整理したりできます。このモデルは画像や動画を生成する版ではありません。\n\nグラフの場合は、一般的な説明を求めるのではなく、比較する内容を指定してください。画像を提示し、表示されているどの系列が増加しているか、ラベルが何を意味するか、どの観察結果が結論を裏付けるかを尋ねます。直接読み取れるデータと説明を分けて出力するよう求めてください。工程図の場合は開始条件と終了条件を指定し、元のラベルを保ったまま工程間のつながりを説明するよう求めます。\n\nスクリーンショットの場合は利用者の目標を示し、表示されている操作部品と次に取り得る操作を尋ねてください。これにより、インターフェースの解釈が文章で得られます。実際のクリック、ファイルの変更、外部への操作は、それを利用するアプリケーションが行う作業です。視覚的な理解だけでコンピューター操作の一連の処理になるわけではありません。\n\nメーカーのモデルカードには、構造化出力、応答プレフィックスからの継続生成、コンテキストキャッシュが記載されています。これらは、一定の出力設計に基づいて視覚分析を繰り返す際の整理に役立ちます。バッチ送信はメーカー側の構成によって異なり、このカードでは関数呼び出し、ウェブ検索、ファインチューニングは対応機能として記載されていません。したがって、構造化されたテキスト回答を、実行されたツール呼び出しやオンライン検索と混同しないでください。\n\nコンテキストの制限\n\nこの名称のモデルカードでは、コンテキストウィンドウが131,072トークン、最大入力が129,024トークン、最大出力が8,192トークンとされています。視覚入力とテキストの課題は、入力に使える容量を合わせて消費します。回答には独立した上限があるため、大量の視覚資料を渡しても、同じ規模の出力が得られるとは限りません。\n\n実際の質問に答える画像やフレームを選んでください。切り抜いた部分を解釈するために必要なグラフの凡例、列見出し、図のラベルを残します。複数の資料を比較する場合は、既存のデザイン、修正後のデザイン、参照する要件など、それぞれの順序と役割を明示してください。有用な文章の結果では、一致する要素、相違点、提示された証拠だけでは解決できない質問を列挙できます。\n\n動画を扱う\n\n動画入力では、目に見える出来事とその順序について質問できます。フレーム間で何が変わるか、どの参加者が関わり合うか、ある可視的な条件が別の条件より先に現れるかを尋ねてください。各項目を裏付ける観察結果を添えた、時系列の出来事の説明など、必要な出力を定義します。カードに記載されているのは動画入力とテキスト出力で、音声入力や音声出力ではありません。発話内容について質問する場合は、その内容を別途提示する必要があります。\n\n実践的な課題として、実演動画と文章の手順を比較できます。視覚資料と関連する手順を提示し、どの手順が目に見える形で示されているかを尋ね、不一致を簡潔に列挙するよう求めてください。各観察結果がどの手順に対応するかを指定し、明確でない手順は回答の別の部分にまとめます。\n\n版を選ぶ際に重要な制約\n\nMaxが重視する視覚的な推論は、関係の解釈や複雑な視覚的指示への追従が必要な課題に役立ちます。文書化された結果はテキストです。入力を読み取りやすくし、必要な推論を明示し、直接見える証拠と、課題がモデルに求める結論を区別してください。こうした準備によって、視覚的な質問を、目的のない場面の要約ではなく、利用できる説明や比較につなげられます。", "editorialOverlay": { "copy_fields": { "practical_html": "英語の技術例
Trace a described process diagram\n\nInterpret this diagram transcribed as text: Request -> Validate -> [valid: Queue; invalid: Return error]; Queue -> Worker -> Result. Requirement: invalid requests must never reach the worker. Explain both paths, identify the gate enforcing the requirement and list two checks tied to those paths. Use only the supplied connections and labels.A two-path explanation, the validation gate and valid/invalid path checks.Check the invalid branch ends at Return error rather than passing through Queue.qwen-vl-maxQwen-VL-Maxは、テキスト、画像、動画を視覚的な推論と指示への追従によって結び付けます。テキストによる説明や構造化された所見を返し、複雑な視覚的質問、文書分析、場面内の関係の把握に向けたモデルとして位置付けられています。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Qwen-VL-Maxは、物体の認識だけでは答えられない質問に対応するQwenの視覚言語モデル系列です。メーカーはMaxを視覚的な推論と指示への追従を重視するモデルとして位置付けています。見えている証拠を利用者の条件と結び付け、関係を説明し、より複雑な視覚的課題に対してテキストの結果を生成します。Plus系列と比べ、この説明では推論と解釈により重点が置かれています。
メーカーの現行モデルカードでは、バージョン指定のないqwen-vl-maxという名称をqwen-vl-max-2025-08-13に対応付けています。更新に追従する名称は変更に合わせて更新され、日付付きの名称は特定の版を識別します。入力と結果を比較するときは正確な名称を保持してください。他の名称付きの版では、文書化された仕様が異なる場合があります。
モデルの機能
文書化されている入力はテキスト、画像、動画で、出力はテキストです。視覚資料には、文書のページ、グラフ、場面、または連続するフレームを使用できます。テキストの質問によって、その資料から何を確認すべきかが決まります。結果では証拠を説明したり、関係を解説したり、所見をフィールドに整理したりできます。このモデルは画像や動画を生成する版ではありません。
グラフの場合は、一般的な説明を求めるのではなく、比較する内容を指定してください。画像を提示し、表示されているどの系列が増加しているか、ラベルが何を意味するか、どの観察結果が結論を裏付けるかを尋ねます。直接読み取れるデータと説明を分けて出力するよう求めてください。工程図の場合は開始条件と終了条件を指定し、元のラベルを保ったまま工程間のつながりを説明するよう求めます。
スクリーンショットの場合は利用者の目標を示し、表示されている操作部品と次に取り得る操作を尋ねてください。これにより、インターフェースの解釈が文章で得られます。実際のクリック、ファイルの変更、外部への操作は、それを利用するアプリケーションが行う作業です。視覚的な理解だけでコンピューター操作の一連の処理になるわけではありません。
メーカーのモデルカードには、構造化出力、応答プレフィックスからの継続生成、コンテキストキャッシュが記載されています。これらは、一定の出力設計に基づいて視覚分析を繰り返す際の整理に役立ちます。バッチ送信はメーカー側の構成によって異なり、このカードでは関数呼び出し、ウェブ検索、ファインチューニングは対応機能として記載されていません。したがって、構造化されたテキスト回答を、実行されたツール呼び出しやオンライン検索と混同しないでください。
コンテキストの制限
この名称のモデルカードでは、コンテキストウィンドウが131,072トークン、最大入力が129,024トークン、最大出力が8,192トークンとされています。視覚入力とテキストの課題は、入力に使える容量を合わせて消費します。回答には独立した上限があるため、大量の視覚資料を渡しても、同じ規模の出力が得られるとは限りません。
実際の質問に答える画像やフレームを選んでください。切り抜いた部分を解釈するために必要なグラフの凡例、列見出し、図のラベルを残します。複数の資料を比較する場合は、既存のデザイン、修正後のデザイン、参照する要件など、それぞれの順序と役割を明示してください。有用な文章の結果では、一致する要素、相違点、提示された証拠だけでは解決できない質問を列挙できます。
動画を扱う
動画入力では、目に見える出来事とその順序について質問できます。フレーム間で何が変わるか、どの参加者が関わり合うか、ある可視的な条件が別の条件より先に現れるかを尋ねてください。各項目を裏付ける観察結果を添えた、時系列の出来事の説明など、必要な出力を定義します。カードに記載されているのは動画入力とテキスト出力で、音声入力や音声出力ではありません。発話内容について質問する場合は、その内容を別途提示する必要があります。
実践的な課題として、実演動画と文章の手順を比較できます。視覚資料と関連する手順を提示し、どの手順が目に見える形で示されているかを尋ね、不一致を簡潔に列挙するよう求めてください。各観察結果がどの手順に対応するかを指定し、明確でない手順は回答の別の部分にまとめます。
版を選ぶ際に重要な制約
Maxが重視する視覚的な推論は、関係の解釈や複雑な視覚的指示への追従が必要な課題に役立ちます。文書化された結果はテキストです。入力を読み取りやすくし、必要な推論を明示し、直接見える証拠と、課題がモデルに求める結論を区別してください。こうした準備によって、視覚的な質問を、目的のない場面の要約ではなく、利用できる説明や比較につなげられます。
POST /v1/chat/completionstexttext| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 qwen-vl-max | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 最小項目数: 1 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 例：system, user, assistant, tool, function 条件: これらのロールはソースコードの互換型で明示されています。正確なロールの集合はモデルごとに異なります。 モデルによる | デフォルト— |
フィールドmessages[].content | 種類string|content_part[]|null | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_calls | 種類tool_call[] | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_call_id | 種類string | 要件任意 | 値と制限 適用条件: role=tool。実際に返されたIDを使ってください | デフォルト— |
フィールドmessages[].name | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].reasoning_content | 種類string | 要件任意 | 値と制限 適用条件: このモデルが使用する場合は、実際に返された推論をそのまま次のリクエストへ戻してください | デフォルト— |
フィールドmessages[].reasoning_details | 種類object|array | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmax_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドmax_completion_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドstream_options.include_usage | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtemperature | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtop_p | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドstop | 種類string|string[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools | 種類function_tool[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools[].type | 種類string | 要件任意 | 値と制限 function モデルによる | デフォルト— |
フィールドtools[].function.name | 種類string | 要件必須 | 値と制限 適用条件: 関数ツールの指定あり | デフォルト— |
フィールドtools[].function.description | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドtools[].function.parameters | 種類JSON_schema | 要件任意 | 値と制限 | デフォルト— |
フィールドtool_choice | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドparallel_tool_calls | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドresponse_format | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning_effort | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドservice_tier | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドinstructions | 種類string | 要件任意 | 値と制限 互換性用のフィールド | デフォルト— |
フィールドfunctions | 種類function[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドfunction_call | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドprompt_cache_options | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmodalities | 種類string[] | 要件任意 | 値と制限 text | デフォルト— |
フィールドprovider | 種類object | 要件任意 | 値と制限 条件: このUltraテキストルートではprovider.optionsは拒否されます | デフォルト— |
フィールドcache_control.ttl | 種類string | 要件任意 | 値と制限 条件: 実際のプロンプトキャッシュの指定箇所では1hは拒否されます | デフォルト— |
テキスト · UTF8テキスト
messages[].content
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages |
パラメータmaterial_types | 仕様text |
パラメータmessages | 仕様role/content形式のメッセージ配列 |
パラメータfile_material | 仕様実際のUTF-8文書をテキストとしてそのまま挿入します。ファイルIDは推定しません |
パラメータoptional_controls | 仕様stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
パラメータcontrol_scope | 仕様モデル固有。ユーザーの関数ツールとホスト側のツールは異なります |
パラメータoutput_modalities | 仕様text |
パラメータhosted_operations | 仕様false |
パラメータmultimodal_input_binding | 仕様null |
ライフサイクル: synchronous_or_streamed
正確なモデルIDをmessagesとともに送ってください。
コンテキスト長は出力上限ではありません。
テキストファイルはテキストをそのまま提供できます。画像／音声／ファイルオブジェクトの入力には正確なバインディングが必要です。
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | 料金 入力 · 入力トークン $0.00046 / 1K トークン 出力 · 出力トークン $0.001144 / 1K トークン 入力 · キャッシュ読み取り $0 / 1K トークン 入力 · キャッシュ書き込み $0 / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-vl-max", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njsonまたはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべての選択肢と、その内容・ツール呼び出し・推論を保持してください。SSEでは選択肢／ツールのインデックスごとに差分を組み立て、最終的な終了理由と使用量を残します。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドchoices[].index | 種類integer |
フィールドchoices[].message.content | 種類string|null |
フィールドchoices[].message.tool_calls | 種類tool_call[] |
フィールドchoices[].message.reasoning_content | 種類string |
フィールドchoices[].message.reasoning_details | 種類object|array |
フィールドchoices[].finish_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra qwen-vl-max
上記に表示されたメソッドパスを使用してください。
qwen-vl-maxQwen-VL-Maxは、テキスト、画像、動画を視覚的な推論と指示への追従によって結び付けます。テキストによる説明や構造化された所見を返し、複雑な視覚的質問、文書分析、場面内の関係の把握に向けたモデルとして位置付けられています。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Qwen-VL-Maxは、物体の認識だけでは答えられない質問に対応するQwenの視覚言語モデル系列です。メーカーはMaxを視覚的な推論と指示への追従を重視するモデルとして位置付けています。見えている証拠を利用者の条件と結び付け、関係を説明し、より複雑な視覚的課題に対してテキストの結果を生成します。Plus系列と比べ、この説明では推論と解釈により重点が置かれています。
メーカーの現行モデルカードでは、バージョン指定のないqwen-vl-maxという名称をqwen-vl-max-2025-08-13に対応付けています。更新に追従する名称は変更に合わせて更新され、日付付きの名称は特定の版を識別します。入力と結果を比較するときは正確な名称を保持してください。他の名称付きの版では、文書化された仕様が異なる場合があります。
モデルの機能
文書化されている入力はテキスト、画像、動画で、出力はテキストです。視覚資料には、文書のページ、グラフ、場面、または連続するフレームを使用できます。テキストの質問によって、その資料から何を確認すべきかが決まります。結果では証拠を説明したり、関係を解説したり、所見をフィールドに整理したりできます。このモデルは画像や動画を生成する版ではありません。
グラフの場合は、一般的な説明を求めるのではなく、比較する内容を指定してください。画像を提示し、表示されているどの系列が増加しているか、ラベルが何を意味するか、どの観察結果が結論を裏付けるかを尋ねます。直接読み取れるデータと説明を分けて出力するよう求めてください。工程図の場合は開始条件と終了条件を指定し、元のラベルを保ったまま工程間のつながりを説明するよう求めます。
スクリーンショットの場合は利用者の目標を示し、表示されている操作部品と次に取り得る操作を尋ねてください。これにより、インターフェースの解釈が文章で得られます。実際のクリック、ファイルの変更、外部への操作は、それを利用するアプリケーションが行う作業です。視覚的な理解だけでコンピューター操作の一連の処理になるわけではありません。
メーカーのモデルカードには、構造化出力、応答プレフィックスからの継続生成、コンテキストキャッシュが記載されています。これらは、一定の出力設計に基づいて視覚分析を繰り返す際の整理に役立ちます。バッチ送信はメーカー側の構成によって異なり、このカードでは関数呼び出し、ウェブ検索、ファインチューニングは対応機能として記載されていません。したがって、構造化されたテキスト回答を、実行されたツール呼び出しやオンライン検索と混同しないでください。
コンテキストの制限
この名称のモデルカードでは、コンテキストウィンドウが131,072トークン、最大入力が129,024トークン、最大出力が8,192トークンとされています。視覚入力とテキストの課題は、入力に使える容量を合わせて消費します。回答には独立した上限があるため、大量の視覚資料を渡しても、同じ規模の出力が得られるとは限りません。
実際の質問に答える画像やフレームを選んでください。切り抜いた部分を解釈するために必要なグラフの凡例、列見出し、図のラベルを残します。複数の資料を比較する場合は、既存のデザイン、修正後のデザイン、参照する要件など、それぞれの順序と役割を明示してください。有用な文章の結果では、一致する要素、相違点、提示された証拠だけでは解決できない質問を列挙できます。
動画を扱う
動画入力では、目に見える出来事とその順序について質問できます。フレーム間で何が変わるか、どの参加者が関わり合うか、ある可視的な条件が別の条件より先に現れるかを尋ねてください。各項目を裏付ける観察結果を添えた、時系列の出来事の説明など、必要な出力を定義します。カードに記載されているのは動画入力とテキスト出力で、音声入力や音声出力ではありません。発話内容について質問する場合は、その内容を別途提示する必要があります。
実践的な課題として、実演動画と文章の手順を比較できます。視覚資料と関連する手順を提示し、どの手順が目に見える形で示されているかを尋ね、不一致を簡潔に列挙するよう求めてください。各観察結果がどの手順に対応するかを指定し、明確でない手順は回答の別の部分にまとめます。
版を選ぶ際に重要な制約
Maxが重視する視覚的な推論は、関係の解釈や複雑な視覚的指示への追従が必要な課題に役立ちます。文書化された結果はテキストです。入力を読み取りやすくし、必要な推論を明示し、直接見える証拠と、課題がモデルに求める結論を区別してください。こうした準備によって、視覚的な質問を、目的のない場面の要約ではなく、利用できる説明や比較につなげられます。
POST /v1/messagestextjson, sse| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 qwen-vl-max | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 user, assistant | デフォルト— |
フィールドmessages[].content | 種類string | 要件必須 | 値と制限 | デフォルト— |
フィールドmax_tokens | 種類integer | 要件必須 | 値と制限 | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
テキスト · UTF-8テキスト
messages[].contentの文字列
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages, max_tokens |
パラメータoptional_controls | 仕様stream |
パラメータmaterial_types | 仕様text |
パラメータtext_file_material | 仕様実際のUTF-8文書を読み、その本文を指定された入力またはメッセージ内容の文字列に入れてください。 |
ライフサイクル: synchronous_or_streamed
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | 料金 入力 · 入力トークン $0.00046 / 1K トークン 出力 · 出力トークン $0.001144 / 1K トークン 入力 · キャッシュ読み取り $0 / 1K トークン 入力 · キャッシュ書き込み $0 / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
{\n "model": "qwen-vl-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSONまたはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべてのコンテンツブロック、思考署名、実際のツール利用IDを保持してください。SSEのすべてのブロック差分を組み立てます。最初のテキストブロックだけでは完全な出力になりません。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドid | 種類string |
フィールドmodel | 種類string |
フィールドcontent[] | 種類text|thinking|tool_use|other content block |
フィールドstop_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra qwen-vl-max
上記に表示されたメソッドパスを使用してください。
英語の技術例
Trace a described process diagram\n\nInterpret this diagram transcribed as text: Request -> Validate -> [valid: Queue; invalid: Return error]; Queue -> Worker -> Result. Requirement: invalid requests must never reach the worker. Explain both paths, identify the gate enforcing the requirement and list two checks tied to those paths. Use only the supplied connections and labels.A two-path explanation, the validation gate and valid/invalid path checks.Check the invalid branch ends at Return error rather than passing through Queue.