Qwen-VL-Max er Qwens visuelle språkmodellserie for spørsmål som krever mer enn å gjenkjenne et objekt. Produsenten beskriver Max med vekt på visuell resonnering og instruksjonsfølging: koble synlige holdepunkter til brukerens vilkår, forklare sammenhenger og produsere et tekstresultat for en mer kompleks visuell oppgave. Sammenlignet med Plus-serien legger denne beskrivelsen større vekt på resonnering og tolkning.
Produsentens gjeldende kort knytter navnet uten versjon, qwen-vl-max, til qwen-vl-max-2025-08-13. Det løpende navnet følger oppdateringer, mens et datert navn identifiserer en bestemt versjon. Behold det nøyaktige navnet når du sammenligner inndata og resultater; andre navngitte utgaver kan ha andre dokumenterte spesifikasjoner.
Modellfunksjoner
De dokumenterte inndataene omfatter tekst, bilder og video, mens utdataene er tekst. Det visuelle materialet kan være en dokumentside, et diagram, en scene eller en sekvens av videorammer. Tekstspørsmålet avgjør hva modellen skal fastslå ut fra materialet. Resultatet kan beskrive holdepunkter, forklare en sammenheng eller organisere funn i felter; modellen er ikke en utgave for bilde- eller videogenerering.
Angi sammenligningen du ønsker for et diagram, i stedet for å be om en generell beskrivelse. Oppgi bildet og spør hvilken synlig dataserie som øker, hva etikettene betyr, og hvilke observasjoner som støtter konklusjonen. Be om separate deler for direkte synlige data og forklaringen. Identifiser start- og sluttvilkårene for et prosessdiagram og be om forbindelsene mellom trinnene, med de opprinnelige etikettene bevart.
Oppgi brukerens mål for et skjermbilde og be om de synlige kontrollene og det neste mulige trinnet. Dette gir en skriftlig tolkning av grensesnittet. Et faktisk klikk, en filendring eller en ekstern handling må fortsatt utføres av applikasjonen rundt modellen; visuell forståelse alene er ikke en arbeidsflyt for datamaskinstyring.
Produsentkortet dokumenterer strukturerte utdata, videreføring fra et svarprefiks og hurtigbufring av kontekst. Dette kan bidra til å organisere gjentatte visuelle analyser rundt en stabil utdatautforming. Innsending i batch varierer mellom produsentens konfigurasjoner, mens funksjonskall, nettsøk og finjustering ikke er oppført som støttet på dette kortet. Et strukturert tekstsvar må derfor ikke forveksles med et utført verktøykall eller et nettsøk.
Kontekstgrenser
Det navngitte kortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Visuelle inndata og tekstoppgaven bruker det tilgjengelige inndatabudsjettet sammen. Svaret har en separat grense, så en stor samling visuelt materiale innebærer ikke like store utdata.
Velg bilder eller videorammer som besvarer det faktiske spørsmålet. Behold tegnforklaringen i diagrammet, kolonneoverskriftene eller diagrametikettene som trengs for å tolke et beskåret område. Angi rekkefølge og rolle når du sammenligner flere materialer: det eksisterende designet, det reviderte designet og referansekravet. Et nyttig skriftlig resultat kan liste samsvarende elementer, forskjeller og spørsmål som fortsatt er uavklart ut fra de oppgitte holdepunktene.
Arbeid med video
Videoinndata gjør det mulig å spørre om synlige hendelser og rekkefølgen deres. Spør hva som endres mellom videorammer, hvilke deltakere som samhandler, eller hvilken synlig tilstand som opptrer før en annen. Definer de nødvendige utdataene, for eksempel en ordnet beskrivelse av hendelser med observasjonene som støtter hvert punkt. Kortet oppgir videoinndata og tekstutdata, ikke lydinndata eller taleutdata; et spørsmål om talt innhold krever at dette innholdet gjøres tilgjengelig separat.
En praktisk oppgave kan sammenligne en demonstrasjonsvideo med den skriftlige prosedyren: oppgi det visuelle materialet og de relevante trinnene, spør hvilke trinn som er synlig representert, og be om en kortfattet liste over avvik. Angi hvilket prosedyretrinn hver observasjon gjelder, og hold uklare trinn i en separat del av svaret.
Viktige grenser for utgaven
Max’ vektlegging av visuell resonnering er nyttig når oppgaven avhenger av å tolke sammenhenger og følge en kompleks visuell instruksjon. Det dokumenterte resultatet er tekst. Hold inndataene lesbare, angi slutningen du trenger, og skill de synlige holdepunktene fra konklusjonene oppgaven ber modellen trekke. Denne forberedelsen gjør et visuelt spørsmål til en brukbar forklaring eller sammenligning fremfor et urettet scenesammendrag.
", "aboutText": "Qwen-VL-Max er Qwens visuelle språkmodellserie for spørsmål som krever mer enn å gjenkjenne et objekt. Produsenten beskriver Max med vekt på visuell resonnering og instruksjonsfølging: koble synlige holdepunkter til brukerens vilkår, forklare sammenhenger og produsere et tekstresultat for en mer kompleks visuell oppgave. Sammenlignet med Plus-serien legger denne beskrivelsen større vekt på resonnering og tolkning.\n\nProdusentens gjeldende kort knytter navnet uten versjon, qwen-vl-max, til qwen-vl-max-2025-08-13. Det løpende navnet følger oppdateringer, mens et datert navn identifiserer en bestemt versjon. Behold det nøyaktige navnet når du sammenligner inndata og resultater; andre navngitte utgaver kan ha andre dokumenterte spesifikasjoner.\n\nModellfunksjoner\n\nDe dokumenterte inndataene omfatter tekst, bilder og video, mens utdataene er tekst. Det visuelle materialet kan være en dokumentside, et diagram, en scene eller en sekvens av videorammer. Tekstspørsmålet avgjør hva modellen skal fastslå ut fra materialet. Resultatet kan beskrive holdepunkter, forklare en sammenheng eller organisere funn i felter; modellen er ikke en utgave for bilde- eller videogenerering.\n\nAngi sammenligningen du ønsker for et diagram, i stedet for å be om en generell beskrivelse. Oppgi bildet og spør hvilken synlig dataserie som øker, hva etikettene betyr, og hvilke observasjoner som støtter konklusjonen. Be om separate deler for direkte synlige data og forklaringen. Identifiser start- og sluttvilkårene for et prosessdiagram og be om forbindelsene mellom trinnene, med de opprinnelige etikettene bevart.\n\nOppgi brukerens mål for et skjermbilde og be om de synlige kontrollene og det neste mulige trinnet. Dette gir en skriftlig tolkning av grensesnittet. Et faktisk klikk, en filendring eller en ekstern handling må fortsatt utføres av applikasjonen rundt modellen; visuell forståelse alene er ikke en arbeidsflyt for datamaskinstyring.\n\nProdusentkortet dokumenterer strukturerte utdata, videreføring fra et svarprefiks og hurtigbufring av kontekst. Dette kan bidra til å organisere gjentatte visuelle analyser rundt en stabil utdatautforming. Innsending i batch varierer mellom produsentens konfigurasjoner, mens funksjonskall, nettsøk og finjustering ikke er oppført som støttet på dette kortet. Et strukturert tekstsvar må derfor ikke forveksles med et utført verktøykall eller et nettsøk.\n\nKontekstgrenser\n\nDet navngitte kortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Visuelle inndata og tekstoppgaven bruker det tilgjengelige inndatabudsjettet sammen. Svaret har en separat grense, så en stor samling visuelt materiale innebærer ikke like store utdata.\n\nVelg bilder eller videorammer som besvarer det faktiske spørsmålet. Behold tegnforklaringen i diagrammet, kolonneoverskriftene eller diagrametikettene som trengs for å tolke et beskåret område. Angi rekkefølge og rolle når du sammenligner flere materialer: det eksisterende designet, det reviderte designet og referansekravet. Et nyttig skriftlig resultat kan liste samsvarende elementer, forskjeller og spørsmål som fortsatt er uavklart ut fra de oppgitte holdepunktene.\n\nArbeid med video\n\nVideoinndata gjør det mulig å spørre om synlige hendelser og rekkefølgen deres. Spør hva som endres mellom videorammer, hvilke deltakere som samhandler, eller hvilken synlig tilstand som opptrer før en annen. Definer de nødvendige utdataene, for eksempel en ordnet beskrivelse av hendelser med observasjonene som støtter hvert punkt. Kortet oppgir videoinndata og tekstutdata, ikke lydinndata eller taleutdata; et spørsmål om talt innhold krever at dette innholdet gjøres tilgjengelig separat.\n\nEn praktisk oppgave kan sammenligne en demonstrasjonsvideo med den skriftlige prosedyren: oppgi det visuelle materialet og de relevante trinnene, spør hvilke trinn som er synlig representert, og be om en kortfattet liste over avvik. Angi hvilket prosedyretrinn hver observasjon gjelder, og hold uklare trinn i en separat del av svaret.\n\nViktige grenser for utgaven\n\nMax’ vektlegging av visuell resonnering er nyttig når oppgaven avhenger av å tolke sammenhenger og følge en kompleks visuell instruksjon. Det dokumenterte resultatet er tekst. Hold inndataene lesbare, angi slutningen du trenger, og skill de synlige holdepunktene fra konklusjonene oppgaven ber modellen trekke. Denne forberedelsen gjør et visuelt spørsmål til en brukbar forklaring eller sammenligning fremfor et urettet scenesammendrag.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 kobler tekst, bilder og video med visuell resonnering og instruksjonsfølging. Den returnerer tekstforklaringer eller strukturerte funn og er rettet mot komplekse visuelle spørsmål, dokumentanalyse og sammenhenger i en scene.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-VL-Max er Qwens visuelle språkmodellserie for spørsmål som krever mer enn å gjenkjenne et objekt. Produsenten beskriver Max med vekt på visuell resonnering og instruksjonsfølging: koble synlige holdepunkter til brukerens vilkår, forklare sammenhenger og produsere et tekstresultat for en mer kompleks visuell oppgave. Sammenlignet med Plus-serien legger denne beskrivelsen større vekt på resonnering og tolkning.
Produsentens gjeldende kort knytter navnet uten versjon, qwen-vl-max, til qwen-vl-max-2025-08-13. Det løpende navnet følger oppdateringer, mens et datert navn identifiserer en bestemt versjon. Behold det nøyaktige navnet når du sammenligner inndata og resultater; andre navngitte utgaver kan ha andre dokumenterte spesifikasjoner.
Modellfunksjoner
De dokumenterte inndataene omfatter tekst, bilder og video, mens utdataene er tekst. Det visuelle materialet kan være en dokumentside, et diagram, en scene eller en sekvens av videorammer. Tekstspørsmålet avgjør hva modellen skal fastslå ut fra materialet. Resultatet kan beskrive holdepunkter, forklare en sammenheng eller organisere funn i felter; modellen er ikke en utgave for bilde- eller videogenerering.
Angi sammenligningen du ønsker for et diagram, i stedet for å be om en generell beskrivelse. Oppgi bildet og spør hvilken synlig dataserie som øker, hva etikettene betyr, og hvilke observasjoner som støtter konklusjonen. Be om separate deler for direkte synlige data og forklaringen. Identifiser start- og sluttvilkårene for et prosessdiagram og be om forbindelsene mellom trinnene, med de opprinnelige etikettene bevart.
Oppgi brukerens mål for et skjermbilde og be om de synlige kontrollene og det neste mulige trinnet. Dette gir en skriftlig tolkning av grensesnittet. Et faktisk klikk, en filendring eller en ekstern handling må fortsatt utføres av applikasjonen rundt modellen; visuell forståelse alene er ikke en arbeidsflyt for datamaskinstyring.
Produsentkortet dokumenterer strukturerte utdata, videreføring fra et svarprefiks og hurtigbufring av kontekst. Dette kan bidra til å organisere gjentatte visuelle analyser rundt en stabil utdatautforming. Innsending i batch varierer mellom produsentens konfigurasjoner, mens funksjonskall, nettsøk og finjustering ikke er oppført som støttet på dette kortet. Et strukturert tekstsvar må derfor ikke forveksles med et utført verktøykall eller et nettsøk.
Kontekstgrenser
Det navngitte kortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Visuelle inndata og tekstoppgaven bruker det tilgjengelige inndatabudsjettet sammen. Svaret har en separat grense, så en stor samling visuelt materiale innebærer ikke like store utdata.
Velg bilder eller videorammer som besvarer det faktiske spørsmålet. Behold tegnforklaringen i diagrammet, kolonneoverskriftene eller diagrametikettene som trengs for å tolke et beskåret område. Angi rekkefølge og rolle når du sammenligner flere materialer: det eksisterende designet, det reviderte designet og referansekravet. Et nyttig skriftlig resultat kan liste samsvarende elementer, forskjeller og spørsmål som fortsatt er uavklart ut fra de oppgitte holdepunktene.
Arbeid med video
Videoinndata gjør det mulig å spørre om synlige hendelser og rekkefølgen deres. Spør hva som endres mellom videorammer, hvilke deltakere som samhandler, eller hvilken synlig tilstand som opptrer før en annen. Definer de nødvendige utdataene, for eksempel en ordnet beskrivelse av hendelser med observasjonene som støtter hvert punkt. Kortet oppgir videoinndata og tekstutdata, ikke lydinndata eller taleutdata; et spørsmål om talt innhold krever at dette innholdet gjøres tilgjengelig separat.
En praktisk oppgave kan sammenligne en demonstrasjonsvideo med den skriftlige prosedyren: oppgi det visuelle materialet og de relevante trinnene, spør hvilke trinn som er synlig representert, og be om en kortfattet liste over avvik. Angi hvilket prosedyretrinn hver observasjon gjelder, og hold uklare trinn i en separat del av svaret.
Viktige grenser for utgaven
Max’ vektlegging av visuell resonnering er nyttig når oppgaven avhenger av å tolke sammenhenger og følge en kompleks visuell instruksjon. Det dokumenterte resultatet er tekst. Hold inndataene lesbare, angi slutningen du trenger, og skill de synlige holdepunktene fra konklusjonene oppgaven ber modellen trekke. Denne forberedelsen gjør et visuelt spørsmål til en brukbar forklaring eller sammenligning fremfor et urettet scenesammendrag.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-vl-max | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00046 / 1K tokener Utdata · Utgående tokener $0.001144 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen-vl-max
Bruk metodestiene som vises ovenfor.
qwen-vl-maxQwen-VL-Max kobler tekst, bilder og video med visuell resonnering og instruksjonsfølging. Den returnerer tekstforklaringer eller strukturerte funn og er rettet mot komplekse visuelle spørsmål, dokumentanalyse og sammenhenger i en scene.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-VL-Max er Qwens visuelle språkmodellserie for spørsmål som krever mer enn å gjenkjenne et objekt. Produsenten beskriver Max med vekt på visuell resonnering og instruksjonsfølging: koble synlige holdepunkter til brukerens vilkår, forklare sammenhenger og produsere et tekstresultat for en mer kompleks visuell oppgave. Sammenlignet med Plus-serien legger denne beskrivelsen større vekt på resonnering og tolkning.
Produsentens gjeldende kort knytter navnet uten versjon, qwen-vl-max, til qwen-vl-max-2025-08-13. Det løpende navnet følger oppdateringer, mens et datert navn identifiserer en bestemt versjon. Behold det nøyaktige navnet når du sammenligner inndata og resultater; andre navngitte utgaver kan ha andre dokumenterte spesifikasjoner.
Modellfunksjoner
De dokumenterte inndataene omfatter tekst, bilder og video, mens utdataene er tekst. Det visuelle materialet kan være en dokumentside, et diagram, en scene eller en sekvens av videorammer. Tekstspørsmålet avgjør hva modellen skal fastslå ut fra materialet. Resultatet kan beskrive holdepunkter, forklare en sammenheng eller organisere funn i felter; modellen er ikke en utgave for bilde- eller videogenerering.
Angi sammenligningen du ønsker for et diagram, i stedet for å be om en generell beskrivelse. Oppgi bildet og spør hvilken synlig dataserie som øker, hva etikettene betyr, og hvilke observasjoner som støtter konklusjonen. Be om separate deler for direkte synlige data og forklaringen. Identifiser start- og sluttvilkårene for et prosessdiagram og be om forbindelsene mellom trinnene, med de opprinnelige etikettene bevart.
Oppgi brukerens mål for et skjermbilde og be om de synlige kontrollene og det neste mulige trinnet. Dette gir en skriftlig tolkning av grensesnittet. Et faktisk klikk, en filendring eller en ekstern handling må fortsatt utføres av applikasjonen rundt modellen; visuell forståelse alene er ikke en arbeidsflyt for datamaskinstyring.
Produsentkortet dokumenterer strukturerte utdata, videreføring fra et svarprefiks og hurtigbufring av kontekst. Dette kan bidra til å organisere gjentatte visuelle analyser rundt en stabil utdatautforming. Innsending i batch varierer mellom produsentens konfigurasjoner, mens funksjonskall, nettsøk og finjustering ikke er oppført som støttet på dette kortet. Et strukturert tekstsvar må derfor ikke forveksles med et utført verktøykall eller et nettsøk.
Kontekstgrenser
Det navngitte kortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Visuelle inndata og tekstoppgaven bruker det tilgjengelige inndatabudsjettet sammen. Svaret har en separat grense, så en stor samling visuelt materiale innebærer ikke like store utdata.
Velg bilder eller videorammer som besvarer det faktiske spørsmålet. Behold tegnforklaringen i diagrammet, kolonneoverskriftene eller diagrametikettene som trengs for å tolke et beskåret område. Angi rekkefølge og rolle når du sammenligner flere materialer: det eksisterende designet, det reviderte designet og referansekravet. Et nyttig skriftlig resultat kan liste samsvarende elementer, forskjeller og spørsmål som fortsatt er uavklart ut fra de oppgitte holdepunktene.
Arbeid med video
Videoinndata gjør det mulig å spørre om synlige hendelser og rekkefølgen deres. Spør hva som endres mellom videorammer, hvilke deltakere som samhandler, eller hvilken synlig tilstand som opptrer før en annen. Definer de nødvendige utdataene, for eksempel en ordnet beskrivelse av hendelser med observasjonene som støtter hvert punkt. Kortet oppgir videoinndata og tekstutdata, ikke lydinndata eller taleutdata; et spørsmål om talt innhold krever at dette innholdet gjøres tilgjengelig separat.
En praktisk oppgave kan sammenligne en demonstrasjonsvideo med den skriftlige prosedyren: oppgi det visuelle materialet og de relevante trinnene, spør hvilke trinn som er synlig representert, og be om en kortfattet liste over avvik. Angi hvilket prosedyretrinn hver observasjon gjelder, og hold uklare trinn i en separat del av svaret.
Viktige grenser for utgaven
Max’ vektlegging av visuell resonnering er nyttig når oppgaven avhenger av å tolke sammenhenger og følge en kompleks visuell instruksjon. Det dokumenterte resultatet er tekst. Hold inndataene lesbare, angi slutningen du trenger, og skill de synlige holdepunktene fra konklusjonene oppgaven ber modellen trekke. Denne forberedelsen gjør et visuelt spørsmål til en brukbar forklaring eller sammenligning fremfor et urettet scenesammendrag.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-vl-max | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00046 / 1K tokener Utdata · Utgående tokener $0.001144 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-vl-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen-vl-max
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.