Qwen-VL-Plus er Qwens modellserie for bilde- og språkforståelse, med særlig vekt på detaljgjenkjenning og tekst i bilder. Produsenten beskriver støtte for bilder med over én million piksler og ulike sideforhold. Dette gjør modellen relevant når svaret avhenger av en liten etikett, et felt på en side eller forholdet mellom tekstlige og visuelle elementer, ikke bare motivet i et fotografi.
Produsentens gjeldende modellkort beskriver navnet uten versjon, qwen-vl-plus, som funksjonelt tilsvarende qwen-vl-plus-2025-08-15. Behold det nøyaktige utgavenavnet i en oppgave som skal kunne gjentas. En Plus-betegnelse, et Latest-alias og en annen datert modellversjon er separate valg; samme familienavn gjør ikke spesifikasjonene deres ombyttbare.
Modellens funksjoner
Produsenten oppgir tekst, bilder og video som inndata, med tekst som utdata. En tekstinstruksjon kan styre modellen til å lese en del av et dokument, beskrive objekter, forklare en utforming eller svare på et spørsmål om en scene. Gjenkjenning og forklaring er beslektede oppgaver, men krever ulike utdata: En transkripsjon skal bevare den synlige ordlyden, mens en forklaring skal si hvordan de synlige detaljene henger sammen med spørsmålet.
For dokumentuttrekk gir du en lesbar side og angir feltene som skal returneres. I et skjema kan du be om feltetiketter og verdier; i en tabell kan du be om den aktuelle raden sammen med kolonneoverskriftene. Hvis en verdi ikke er synlig, definerer du en eksplisitt måte å vise en manglende verdi på. Dette eksempelet på utdatautforming hjelper applikasjonen å skille uttrukket tekst fra et gjettet tillegg.
Ved gjennomgang av en utforming spør du om elementene som er viktige: hvor en etikett er plassert, hvilket objekt den tilhører, og hvordan to versjoner er forskjellige. Gi hvert bilde en rolle og behold de samme sammenligningskriteriene. For en forklaring basert på et skjermbilde oppgir du brukerens mål og ber om en kort instruksjon basert på de synlige kontrollene. Svaret er tekst om grensesnittet, ikke en utført handling.
Produsentens tabeller inkluderer videreføring fra et svarprefiks og mellomlagring av kontekst. Strukturerte utdata, innsending i batch og finjustering tilbys ikke på samme måte i alle produsentkonfigurasjoner; behandle dem som grensesnittalternativer, ikke som en ubetinget følge av å velge Plus-navnet. Funksjonskall og nettsøk er ikke oppført som støttet på dette modellkortet. En forespørsel om å formatere uttrukne felt er noe annet enn å be om å utføre en funksjon eller hente ny informasjon fra nettet.
Kontekstgrenser
Det publiserte modellkortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Representasjonen av bildet eller videoen bruker inndatakapasitet sammen med spørsmålet og den støttende teksten. Planlegg det visuelle materialet og svaret hver for seg: Lange eller detaljerte inndata kan fortsatt bare kreve en kort liste med felt eller observasjoner.
Forberedelse av inndata
Produsentens vekt på detaljer og ulike proporsjoner fjerner ikke behovet for lesbart materiale. Sørg for at området med den etterspurte teksten er tydelig. Når du beskjærer en tabell, beholder du overskrifter og enheter som er nødvendige for å tolke verdiene; når du bruker flere sider, angir du rekkefølgen og delen som skal undersøkes. Oppgi om du ønsker den opprinnelige ordlyden, et sammendrag eller en tolkning, slik at disse resultatene ikke blandes.
For video definerer du hendelsen eller den synlige detaljen som skal beskrives, og ønsket struktur på svaret. En praktisk oppgave kan be om handlingsrekkefølgen i en demonstrasjon og objektene som inngår i hvert trinn. Den dokumenterte utdatatypen er tekst; modellkortet oppgir verken lyd som inndata eller tale som utdata. Denne visuelle tilnærmingen bør derfor ikke brukes som bevis på at en transkripsjon av talt innhold er forstått.
En nyttig arbeidsflyt som kan gjentas, er å be om de samme uttrekksfeltene for flere dokumentbilder, beholde bildeidentifikatorene ved resultatene og deretter sammenligne de resulterende postene i applikasjonen. En annen er å kombinere et skjermbilde med et skriftlig krav og be om synlige samsvar, forskjeller og uavklarte detaljer. I begge tilfeller holder du kildebildet knyttet til hver returnerte verdi, slik at resultatet kan undersøkes.
", "aboutText": "Qwen-VL-Plus er Qwens modellserie for bilde- og språkforståelse, med særlig vekt på detaljgjenkjenning og tekst i bilder. Produsenten beskriver støtte for bilder med over én million piksler og ulike sideforhold. Dette gjør modellen relevant når svaret avhenger av en liten etikett, et felt på en side eller forholdet mellom tekstlige og visuelle elementer, ikke bare motivet i et fotografi.\n\nProdusentens gjeldende modellkort beskriver navnet uten versjon, qwen-vl-plus, som funksjonelt tilsvarende qwen-vl-plus-2025-08-15. Behold det nøyaktige utgavenavnet i en oppgave som skal kunne gjentas. En Plus-betegnelse, et Latest-alias og en annen datert modellversjon er separate valg; samme familienavn gjør ikke spesifikasjonene deres ombyttbare.\n\nModellens funksjoner\n\nProdusenten oppgir tekst, bilder og video som inndata, med tekst som utdata. En tekstinstruksjon kan styre modellen til å lese en del av et dokument, beskrive objekter, forklare en utforming eller svare på et spørsmål om en scene. Gjenkjenning og forklaring er beslektede oppgaver, men krever ulike utdata: En transkripsjon skal bevare den synlige ordlyden, mens en forklaring skal si hvordan de synlige detaljene henger sammen med spørsmålet.\n\nFor dokumentuttrekk gir du en lesbar side og angir feltene som skal returneres. I et skjema kan du be om feltetiketter og verdier; i en tabell kan du be om den aktuelle raden sammen med kolonneoverskriftene. Hvis en verdi ikke er synlig, definerer du en eksplisitt måte å vise en manglende verdi på. Dette eksempelet på utdatautforming hjelper applikasjonen å skille uttrukket tekst fra et gjettet tillegg.\n\nVed gjennomgang av en utforming spør du om elementene som er viktige: hvor en etikett er plassert, hvilket objekt den tilhører, og hvordan to versjoner er forskjellige. Gi hvert bilde en rolle og behold de samme sammenligningskriteriene. For en forklaring basert på et skjermbilde oppgir du brukerens mål og ber om en kort instruksjon basert på de synlige kontrollene. Svaret er tekst om grensesnittet, ikke en utført handling.\n\nProdusentens tabeller inkluderer videreføring fra et svarprefiks og mellomlagring av kontekst. Strukturerte utdata, innsending i batch og finjustering tilbys ikke på samme måte i alle produsentkonfigurasjoner; behandle dem som grensesnittalternativer, ikke som en ubetinget følge av å velge Plus-navnet. Funksjonskall og nettsøk er ikke oppført som støttet på dette modellkortet. En forespørsel om å formatere uttrukne felt er noe annet enn å be om å utføre en funksjon eller hente ny informasjon fra nettet.\n\nKontekstgrenser\n\nDet publiserte modellkortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Representasjonen av bildet eller videoen bruker inndatakapasitet sammen med spørsmålet og den støttende teksten. Planlegg det visuelle materialet og svaret hver for seg: Lange eller detaljerte inndata kan fortsatt bare kreve en kort liste med felt eller observasjoner.\n\nForberedelse av inndata\n\nProdusentens vekt på detaljer og ulike proporsjoner fjerner ikke behovet for lesbart materiale. Sørg for at området med den etterspurte teksten er tydelig. Når du beskjærer en tabell, beholder du overskrifter og enheter som er nødvendige for å tolke verdiene; når du bruker flere sider, angir du rekkefølgen og delen som skal undersøkes. Oppgi om du ønsker den opprinnelige ordlyden, et sammendrag eller en tolkning, slik at disse resultatene ikke blandes.\n\nFor video definerer du hendelsen eller den synlige detaljen som skal beskrives, og ønsket struktur på svaret. En praktisk oppgave kan be om handlingsrekkefølgen i en demonstrasjon og objektene som inngår i hvert trinn. Den dokumenterte utdatatypen er tekst; modellkortet oppgir verken lyd som inndata eller tale som utdata. Denne visuelle tilnærmingen bør derfor ikke brukes som bevis på at en transkripsjon av talt innhold er forstått.\n\nEn nyttig arbeidsflyt som kan gjentas, er å be om de samme uttrekksfeltene for flere dokumentbilder, beholde bildeidentifikatorene ved resultatene og deretter sammenligne de resulterende postene i applikasjonen. En annen er å kombinere et skjermbilde med et skriftlig krav og be om synlige samsvar, forskjeller og uavklarte detaljer. I begge tilfeller holder du kildebildet knyttet til hver returnerte verdi, slik at resultatet kan undersøkes.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare transcribed package labels\n\nCompare these package-label transcriptions using the same fields. Label A: Oat drink; 1 L; ingredients: water, oats, salt. Label B: Oat drink; 750 mL; ingredients: water, oats, sunflower oil, salt. Return product name, volume and ingredient differences. Preserve original units and do not infer nutrition values or visual layout.A label comparison table plus a short list of explicit wording and quantity differences.Check that sunflower oil is attributed only to Label B and the original L/mL units are retained.qwen-vl-plusQwen-VL-Plus leser tekst og detaljer i bilder og kombinerer dem med et skriftlig spørsmål. Produsenten dokumenterer bilde- og videoinndata, tekstutdata, høyoppløselige bilder og ulike sideforhold for dokumentuttrekk, visuell sammenligning og forklaring av scener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-VL-Plus er Qwens modellserie for bilde- og språkforståelse, med særlig vekt på detaljgjenkjenning og tekst i bilder. Produsenten beskriver støtte for bilder med over én million piksler og ulike sideforhold. Dette gjør modellen relevant når svaret avhenger av en liten etikett, et felt på en side eller forholdet mellom tekstlige og visuelle elementer, ikke bare motivet i et fotografi.
Produsentens gjeldende modellkort beskriver navnet uten versjon, qwen-vl-plus, som funksjonelt tilsvarende qwen-vl-plus-2025-08-15. Behold det nøyaktige utgavenavnet i en oppgave som skal kunne gjentas. En Plus-betegnelse, et Latest-alias og en annen datert modellversjon er separate valg; samme familienavn gjør ikke spesifikasjonene deres ombyttbare.
Modellens funksjoner
Produsenten oppgir tekst, bilder og video som inndata, med tekst som utdata. En tekstinstruksjon kan styre modellen til å lese en del av et dokument, beskrive objekter, forklare en utforming eller svare på et spørsmål om en scene. Gjenkjenning og forklaring er beslektede oppgaver, men krever ulike utdata: En transkripsjon skal bevare den synlige ordlyden, mens en forklaring skal si hvordan de synlige detaljene henger sammen med spørsmålet.
For dokumentuttrekk gir du en lesbar side og angir feltene som skal returneres. I et skjema kan du be om feltetiketter og verdier; i en tabell kan du be om den aktuelle raden sammen med kolonneoverskriftene. Hvis en verdi ikke er synlig, definerer du en eksplisitt måte å vise en manglende verdi på. Dette eksempelet på utdatautforming hjelper applikasjonen å skille uttrukket tekst fra et gjettet tillegg.
Ved gjennomgang av en utforming spør du om elementene som er viktige: hvor en etikett er plassert, hvilket objekt den tilhører, og hvordan to versjoner er forskjellige. Gi hvert bilde en rolle og behold de samme sammenligningskriteriene. For en forklaring basert på et skjermbilde oppgir du brukerens mål og ber om en kort instruksjon basert på de synlige kontrollene. Svaret er tekst om grensesnittet, ikke en utført handling.
Produsentens tabeller inkluderer videreføring fra et svarprefiks og mellomlagring av kontekst. Strukturerte utdata, innsending i batch og finjustering tilbys ikke på samme måte i alle produsentkonfigurasjoner; behandle dem som grensesnittalternativer, ikke som en ubetinget følge av å velge Plus-navnet. Funksjonskall og nettsøk er ikke oppført som støttet på dette modellkortet. En forespørsel om å formatere uttrukne felt er noe annet enn å be om å utføre en funksjon eller hente ny informasjon fra nettet.
Kontekstgrenser
Det publiserte modellkortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Representasjonen av bildet eller videoen bruker inndatakapasitet sammen med spørsmålet og den støttende teksten. Planlegg det visuelle materialet og svaret hver for seg: Lange eller detaljerte inndata kan fortsatt bare kreve en kort liste med felt eller observasjoner.
Forberedelse av inndata
Produsentens vekt på detaljer og ulike proporsjoner fjerner ikke behovet for lesbart materiale. Sørg for at området med den etterspurte teksten er tydelig. Når du beskjærer en tabell, beholder du overskrifter og enheter som er nødvendige for å tolke verdiene; når du bruker flere sider, angir du rekkefølgen og delen som skal undersøkes. Oppgi om du ønsker den opprinnelige ordlyden, et sammendrag eller en tolkning, slik at disse resultatene ikke blandes.
For video definerer du hendelsen eller den synlige detaljen som skal beskrives, og ønsket struktur på svaret. En praktisk oppgave kan be om handlingsrekkefølgen i en demonstrasjon og objektene som inngår i hvert trinn. Den dokumenterte utdatatypen er tekst; modellkortet oppgir verken lyd som inndata eller tale som utdata. Denne visuelle tilnærmingen bør derfor ikke brukes som bevis på at en transkripsjon av talt innhold er forstått.
En nyttig arbeidsflyt som kan gjentas, er å be om de samme uttrekksfeltene for flere dokumentbilder, beholde bildeidentifikatorene ved resultatene og deretter sammenligne de resulterende postene i applikasjonen. En annen er å kombinere et skjermbilde med et skriftlig krav og be om synlige samsvar, forskjeller og uavklarte detaljer. I begge tilfeller holder du kildebildet knyttet til hver returnerte verdi, slik at resultatet kan undersøkes.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-vl-plus | 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 $0.00024 / 1K tokener Utdata · Utgående tokener $0.000572 / 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", "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',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',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
Bruk metodestiene som vises ovenfor.
qwen-vl-plusQwen-VL-Plus leser tekst og detaljer i bilder og kombinerer dem med et skriftlig spørsmål. Produsenten dokumenterer bilde- og videoinndata, tekstutdata, høyoppløselige bilder og ulike sideforhold for dokumentuttrekk, visuell sammenligning og forklaring av scener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen-VL-Plus er Qwens modellserie for bilde- og språkforståelse, med særlig vekt på detaljgjenkjenning og tekst i bilder. Produsenten beskriver støtte for bilder med over én million piksler og ulike sideforhold. Dette gjør modellen relevant når svaret avhenger av en liten etikett, et felt på en side eller forholdet mellom tekstlige og visuelle elementer, ikke bare motivet i et fotografi.
Produsentens gjeldende modellkort beskriver navnet uten versjon, qwen-vl-plus, som funksjonelt tilsvarende qwen-vl-plus-2025-08-15. Behold det nøyaktige utgavenavnet i en oppgave som skal kunne gjentas. En Plus-betegnelse, et Latest-alias og en annen datert modellversjon er separate valg; samme familienavn gjør ikke spesifikasjonene deres ombyttbare.
Modellens funksjoner
Produsenten oppgir tekst, bilder og video som inndata, med tekst som utdata. En tekstinstruksjon kan styre modellen til å lese en del av et dokument, beskrive objekter, forklare en utforming eller svare på et spørsmål om en scene. Gjenkjenning og forklaring er beslektede oppgaver, men krever ulike utdata: En transkripsjon skal bevare den synlige ordlyden, mens en forklaring skal si hvordan de synlige detaljene henger sammen med spørsmålet.
For dokumentuttrekk gir du en lesbar side og angir feltene som skal returneres. I et skjema kan du be om feltetiketter og verdier; i en tabell kan du be om den aktuelle raden sammen med kolonneoverskriftene. Hvis en verdi ikke er synlig, definerer du en eksplisitt måte å vise en manglende verdi på. Dette eksempelet på utdatautforming hjelper applikasjonen å skille uttrukket tekst fra et gjettet tillegg.
Ved gjennomgang av en utforming spør du om elementene som er viktige: hvor en etikett er plassert, hvilket objekt den tilhører, og hvordan to versjoner er forskjellige. Gi hvert bilde en rolle og behold de samme sammenligningskriteriene. For en forklaring basert på et skjermbilde oppgir du brukerens mål og ber om en kort instruksjon basert på de synlige kontrollene. Svaret er tekst om grensesnittet, ikke en utført handling.
Produsentens tabeller inkluderer videreføring fra et svarprefiks og mellomlagring av kontekst. Strukturerte utdata, innsending i batch og finjustering tilbys ikke på samme måte i alle produsentkonfigurasjoner; behandle dem som grensesnittalternativer, ikke som en ubetinget følge av å velge Plus-navnet. Funksjonskall og nettsøk er ikke oppført som støttet på dette modellkortet. En forespørsel om å formatere uttrukne felt er noe annet enn å be om å utføre en funksjon eller hente ny informasjon fra nettet.
Kontekstgrenser
Det publiserte modellkortet oppgir et kontekstvindu på 131 072 tokener, maksimalt 129 024 inndatatokener og maksimalt 8 192 utdatatokener. Representasjonen av bildet eller videoen bruker inndatakapasitet sammen med spørsmålet og den støttende teksten. Planlegg det visuelle materialet og svaret hver for seg: Lange eller detaljerte inndata kan fortsatt bare kreve en kort liste med felt eller observasjoner.
Forberedelse av inndata
Produsentens vekt på detaljer og ulike proporsjoner fjerner ikke behovet for lesbart materiale. Sørg for at området med den etterspurte teksten er tydelig. Når du beskjærer en tabell, beholder du overskrifter og enheter som er nødvendige for å tolke verdiene; når du bruker flere sider, angir du rekkefølgen og delen som skal undersøkes. Oppgi om du ønsker den opprinnelige ordlyden, et sammendrag eller en tolkning, slik at disse resultatene ikke blandes.
For video definerer du hendelsen eller den synlige detaljen som skal beskrives, og ønsket struktur på svaret. En praktisk oppgave kan be om handlingsrekkefølgen i en demonstrasjon og objektene som inngår i hvert trinn. Den dokumenterte utdatatypen er tekst; modellkortet oppgir verken lyd som inndata eller tale som utdata. Denne visuelle tilnærmingen bør derfor ikke brukes som bevis på at en transkripsjon av talt innhold er forstått.
En nyttig arbeidsflyt som kan gjentas, er å be om de samme uttrekksfeltene for flere dokumentbilder, beholde bildeidentifikatorene ved resultatene og deretter sammenligne de resulterende postene i applikasjonen. En annen er å kombinere et skjermbilde med et skriftlig krav og be om synlige samsvar, forskjeller og uavklarte detaljer. I begge tilfeller holder du kildebildet knyttet til hver returnerte verdi, slik at resultatet kan undersøkes.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen-vl-plus | 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 $0.00024 / 1K tokener Utdata · Utgående tokener $0.000572 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare transcribed package labels\n\nCompare these package-label transcriptions using the same fields. Label A: Oat drink; 1 L; ingredients: water, oats, salt. Label B: Oat drink; 750 mL; ingredients: water, oats, sunflower oil, salt. Return product name, volume and ingredient differences. Preserve original units and do not infer nutrition values or visual layout.A label comparison table plus a short list of explicit wording and quantity differences.Check that sunflower oil is attributed only to Label B and the original L/mL units are retained.