Qwen-VL-Plus 2025-05-07 er en navngitt modellversjon fra Alibaba for bilde- og språkforståelse. Qwen-VL-Plus fokuserer på detaljert visuell forståelse og lesing av tekst i bilder og gjør visuelt grunnlag og et skriftlig spørsmål om til et tekstsvar. Et nyttig utgangspunkt er en konkret kilde: et fotografi, et skjermbilde, et bilde av en dokumentside eller videobilder du ønsker å få forklart innholdet i.
Produsenten skiller maiutgaven fra Qwen-VL-Plus 2025-07-10. Julis spesifikke forbedring for overvåkningsvideo hører til den senere modellversjonen. For maimodellen organiserer du oppgaven rundt dens dokumenterte formål for bilde- og språkforståelse: Undersøk detaljer, les synlig tekst, beskriv scenen og knytt resultatet til spørsmålet ditt. Behold modellnavnet sammen med kildematerialet når du sammenligner hvordan den samme oppgaven besvares.
Bildeforståelse kan bruke ett bilde eller flere bilder i et felles spørsmål. For dokumentarbeid angir du feltene eller området du trenger: «Les etikettene i det markerte området, behold stavemåten og gi én linje for hver etikett.» For en fotografert instruksjonsside ber du om en transkripsjon etterfulgt av en separat forklaring. Denne oppdelingen gir utdata som kan kontrolleres mot originalen før de brukes i en hjelpeartikkel eller en brukermelding.
For et skjermbilde legger du til brukerens mål og angir elementer som skal få særlig oppmerksomhet. Et eksempel på en oppgavebeskrivelse er: «Forklar de synlige trinnene en bruker ville følge for å endre denne innstillingen. Bruk knappnavnene som vises på skjermen, og list opp tekst som er for liten til å lese.» Ved sammenligning merker du bildene A og B og gir et felles kriterium, for eksempel endrede etiketter eller plasseringen til et synlig objekt. Svaret er et forslag til tekstlig tolkning av bildene.
Videoforståelse undersøker visuelt innhold gjennom videobilder og returnerer en tekstlig beskrivelse eller et svar. Velg episoden som er relevant for spørsmålet, og behold rekkefølgen; hvis tale er nødvendig for analysen, legger du til en transkripsjon som tekst, fordi denne visuelle arbeidsflyten ikke forstår videoens lydspor. Nyttige utdata kan inneholde den observerte rekkefølgen, relevante scenedetaljer og spørsmål som de oppgitte videobildene lar stå åpne.
Forbered dokumentsider som lesbare bilder for denne visuelle inndataflyten; en PDF- eller Word-fil er ikke i seg selv bildeinndata. For Alibabas dokumenterte filflyt forbereder du bilder via URL som ikke er større enn 10 MB; en videofil som gis via offentlig URL, må vare i 2–40 sekunder og ikke være større enn 150 MB, eller du kan bruke en ordnet liste med 4–80 videobilder. Visuelle tokener og teksttokener må fortsatt passe samlet innenfor modellens inndatabudsjett. Beskjær det aktuelle området når etikettene blir for små på hele siden, men behold konteksten som er nødvendig for å tolke en tabell eller et diagram. Oppgi om du ønsker en ordrett transkripsjon, en forklaring eller et kort sammendrag. Dette gjør leveransen lettere å gjenbruke uten å forveksle ordene som er synlige i kilden, med modellens ekstra tolkning.
", "aboutText": "Qwen-VL-Plus 2025-05-07 er en navngitt modellversjon fra Alibaba for bilde- og språkforståelse. Qwen-VL-Plus fokuserer på detaljert visuell forståelse og lesing av tekst i bilder og gjør visuelt grunnlag og et skriftlig spørsmål om til et tekstsvar. Et nyttig utgangspunkt er en konkret kilde: et fotografi, et skjermbilde, et bilde av en dokumentside eller videobilder du ønsker å få forklart innholdet i.\n\nProdusenten skiller maiutgaven fra Qwen-VL-Plus 2025-07-10. Julis spesifikke forbedring for overvåkningsvideo hører til den senere modellversjonen. For maimodellen organiserer du oppgaven rundt dens dokumenterte formål for bilde- og språkforståelse: Undersøk detaljer, les synlig tekst, beskriv scenen og knytt resultatet til spørsmålet ditt. Behold modellnavnet sammen med kildematerialet når du sammenligner hvordan den samme oppgaven besvares.\n\nBildeforståelse kan bruke ett bilde eller flere bilder i et felles spørsmål. For dokumentarbeid angir du feltene eller området du trenger: «Les etikettene i det markerte området, behold stavemåten og gi én linje for hver etikett.» For en fotografert instruksjonsside ber du om en transkripsjon etterfulgt av en separat forklaring. Denne oppdelingen gir utdata som kan kontrolleres mot originalen før de brukes i en hjelpeartikkel eller en brukermelding.\n\nFor et skjermbilde legger du til brukerens mål og angir elementer som skal få særlig oppmerksomhet. Et eksempel på en oppgavebeskrivelse er: «Forklar de synlige trinnene en bruker ville følge for å endre denne innstillingen. Bruk knappnavnene som vises på skjermen, og list opp tekst som er for liten til å lese.» Ved sammenligning merker du bildene A og B og gir et felles kriterium, for eksempel endrede etiketter eller plasseringen til et synlig objekt. Svaret er et forslag til tekstlig tolkning av bildene.\n\nVideoforståelse undersøker visuelt innhold gjennom videobilder og returnerer en tekstlig beskrivelse eller et svar. Velg episoden som er relevant for spørsmålet, og behold rekkefølgen; hvis tale er nødvendig for analysen, legger du til en transkripsjon som tekst, fordi denne visuelle arbeidsflyten ikke forstår videoens lydspor. Nyttige utdata kan inneholde den observerte rekkefølgen, relevante scenedetaljer og spørsmål som de oppgitte videobildene lar stå åpne.\n\nForbered dokumentsider som lesbare bilder for denne visuelle inndataflyten; en PDF- eller Word-fil er ikke i seg selv bildeinndata. For Alibabas dokumenterte filflyt forbereder du bilder via URL som ikke er større enn 10 MB; en videofil som gis via offentlig URL, må vare i 2–40 sekunder og ikke være større enn 150 MB, eller du kan bruke en ordnet liste med 4–80 videobilder. Visuelle tokener og teksttokener må fortsatt passe samlet innenfor modellens inndatabudsjett. Beskjær det aktuelle området når etikettene blir for små på hele siden, men behold konteksten som er nødvendig for å tolke en tabell eller et diagram. Oppgi om du ønsker en ordrett transkripsjon, en forklaring eller et kort sammendrag. Dette gjør leveransen lettere å gjenbruke uten å forveksle ordene som er synlige i kilden, med modellens ekstra tolkning.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 kombinerer tekst med bilder og video for å forklare visuelt innhold. Bruk denne navngitte modellversjonen til scenebeskrivelser, uttrekk av synlig tekst og spørsmål om detaljer i dokumenter, skjermbilder eller en sekvens av videobilder.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-VL-Plus 2025-05-07 er en navngitt modellversjon fra Alibaba for bilde- og språkforståelse. Qwen-VL-Plus fokuserer på detaljert visuell forståelse og lesing av tekst i bilder og gjør visuelt grunnlag og et skriftlig spørsmål om til et tekstsvar. Et nyttig utgangspunkt er en konkret kilde: et fotografi, et skjermbilde, et bilde av en dokumentside eller videobilder du ønsker å få forklart innholdet i.
Produsenten skiller maiutgaven fra Qwen-VL-Plus 2025-07-10. Julis spesifikke forbedring for overvåkningsvideo hører til den senere modellversjonen. For maimodellen organiserer du oppgaven rundt dens dokumenterte formål for bilde- og språkforståelse: Undersøk detaljer, les synlig tekst, beskriv scenen og knytt resultatet til spørsmålet ditt. Behold modellnavnet sammen med kildematerialet når du sammenligner hvordan den samme oppgaven besvares.
Bildeforståelse kan bruke ett bilde eller flere bilder i et felles spørsmål. For dokumentarbeid angir du feltene eller området du trenger: «Les etikettene i det markerte området, behold stavemåten og gi én linje for hver etikett.» For en fotografert instruksjonsside ber du om en transkripsjon etterfulgt av en separat forklaring. Denne oppdelingen gir utdata som kan kontrolleres mot originalen før de brukes i en hjelpeartikkel eller en brukermelding.
For et skjermbilde legger du til brukerens mål og angir elementer som skal få særlig oppmerksomhet. Et eksempel på en oppgavebeskrivelse er: «Forklar de synlige trinnene en bruker ville følge for å endre denne innstillingen. Bruk knappnavnene som vises på skjermen, og list opp tekst som er for liten til å lese.» Ved sammenligning merker du bildene A og B og gir et felles kriterium, for eksempel endrede etiketter eller plasseringen til et synlig objekt. Svaret er et forslag til tekstlig tolkning av bildene.
Videoforståelse undersøker visuelt innhold gjennom videobilder og returnerer en tekstlig beskrivelse eller et svar. Velg episoden som er relevant for spørsmålet, og behold rekkefølgen; hvis tale er nødvendig for analysen, legger du til en transkripsjon som tekst, fordi denne visuelle arbeidsflyten ikke forstår videoens lydspor. Nyttige utdata kan inneholde den observerte rekkefølgen, relevante scenedetaljer og spørsmål som de oppgitte videobildene lar stå åpne.
Forbered dokumentsider som lesbare bilder for denne visuelle inndataflyten; en PDF- eller Word-fil er ikke i seg selv bildeinndata. For Alibabas dokumenterte filflyt forbereder du bilder via URL som ikke er større enn 10 MB; en videofil som gis via offentlig URL, må vare i 2–40 sekunder og ikke være større enn 150 MB, eller du kan bruke en ordnet liste med 4–80 videobilder. Visuelle tokener og teksttokener må fortsatt passe samlet innenfor modellens inndatabudsjett. Beskjær det aktuelle området når etikettene blir for små på hele siden, men behold konteksten som er nødvendig for å tolke en tabell eller et diagram. Oppgi om du ønsker en ordrett transkripsjon, en forklaring eller et kort sammendrag. Dette gjør leveransen lettere å gjenbruke uten å forveksle ordene som er synlige i kilden, med modellens ekstra tolkning.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K tokener Utdata · Utgående tokener $0.0013 / 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-plus-2025-05-07", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-plus-2025-05-07
Bruk metodestiene som vises ovenfor.
qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 kombinerer tekst med bilder og video for å forklare visuelt innhold. Bruk denne navngitte modellversjonen til scenebeskrivelser, uttrekk av synlig tekst og spørsmål om detaljer i dokumenter, skjermbilder eller en sekvens av videobilder.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-VL-Plus 2025-05-07 er en navngitt modellversjon fra Alibaba for bilde- og språkforståelse. Qwen-VL-Plus fokuserer på detaljert visuell forståelse og lesing av tekst i bilder og gjør visuelt grunnlag og et skriftlig spørsmål om til et tekstsvar. Et nyttig utgangspunkt er en konkret kilde: et fotografi, et skjermbilde, et bilde av en dokumentside eller videobilder du ønsker å få forklart innholdet i.
Produsenten skiller maiutgaven fra Qwen-VL-Plus 2025-07-10. Julis spesifikke forbedring for overvåkningsvideo hører til den senere modellversjonen. For maimodellen organiserer du oppgaven rundt dens dokumenterte formål for bilde- og språkforståelse: Undersøk detaljer, les synlig tekst, beskriv scenen og knytt resultatet til spørsmålet ditt. Behold modellnavnet sammen med kildematerialet når du sammenligner hvordan den samme oppgaven besvares.
Bildeforståelse kan bruke ett bilde eller flere bilder i et felles spørsmål. For dokumentarbeid angir du feltene eller området du trenger: «Les etikettene i det markerte området, behold stavemåten og gi én linje for hver etikett.» For en fotografert instruksjonsside ber du om en transkripsjon etterfulgt av en separat forklaring. Denne oppdelingen gir utdata som kan kontrolleres mot originalen før de brukes i en hjelpeartikkel eller en brukermelding.
For et skjermbilde legger du til brukerens mål og angir elementer som skal få særlig oppmerksomhet. Et eksempel på en oppgavebeskrivelse er: «Forklar de synlige trinnene en bruker ville følge for å endre denne innstillingen. Bruk knappnavnene som vises på skjermen, og list opp tekst som er for liten til å lese.» Ved sammenligning merker du bildene A og B og gir et felles kriterium, for eksempel endrede etiketter eller plasseringen til et synlig objekt. Svaret er et forslag til tekstlig tolkning av bildene.
Videoforståelse undersøker visuelt innhold gjennom videobilder og returnerer en tekstlig beskrivelse eller et svar. Velg episoden som er relevant for spørsmålet, og behold rekkefølgen; hvis tale er nødvendig for analysen, legger du til en transkripsjon som tekst, fordi denne visuelle arbeidsflyten ikke forstår videoens lydspor. Nyttige utdata kan inneholde den observerte rekkefølgen, relevante scenedetaljer og spørsmål som de oppgitte videobildene lar stå åpne.
Forbered dokumentsider som lesbare bilder for denne visuelle inndataflyten; en PDF- eller Word-fil er ikke i seg selv bildeinndata. For Alibabas dokumenterte filflyt forbereder du bilder via URL som ikke er større enn 10 MB; en videofil som gis via offentlig URL, må vare i 2–40 sekunder og ikke være større enn 150 MB, eller du kan bruke en ordnet liste med 4–80 videobilder. Visuelle tokener og teksttokener må fortsatt passe samlet innenfor modellens inndatabudsjett. Beskjær det aktuelle området når etikettene blir for små på hele siden, men behold konteksten som er nødvendig for å tolke en tabell eller et diagram. Oppgi om du ønsker en ordrett transkripsjon, en forklaring eller et kort sammendrag. Dette gjør leveransen lettere å gjenbruke uten å forveksle ordene som er synlige i kilden, med modellens ekstra tolkning.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K tokener Utdata · Utgående tokener $0.0013 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-vl-plus-2025-05-07",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-plus-2025-05-07
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.