Qwen-VL-Max is de lijn van visuele taalmodellen van Qwen voor vragen die meer vereisen dan alleen een object herkennen. De maker positioneert Max rond visueel redeneren en het opvolgen van instructies: zichtbaar bewijs verbinden met de voorwaarden van de gebruiker, verbanden uitleggen en een tekstresultaat leveren voor een complexere visuele taak. Vergeleken met de Plus-lijn legt deze beschrijving meer nadruk op redeneren en interpreteren.
De huidige modelkaart van de maker koppelt de naam zonder versie qwen-vl-max aan qwen-vl-max-2025-08-13. Bij updates verwijst de naam zonder versieaanduiding naar de bijgewerkte modelversie, terwijl een naam met een datum een specifieke versie identificeert. Behoud de exacte naam bij het vergelijken van invoer en resultaten; andere benoemde edities kunnen andere gedocumenteerde specificaties hebben.
Modelmogelijkheden
De gedocumenteerde invoer omvat tekst, afbeeldingen en video; de uitvoer is tekst. Het visuele materiaal kan een documentpagina, grafiek, scène of reeks frames zijn. De tekstvraag bepaalt wat het model uit dat materiaal moet vaststellen. Het resultaat kan bewijs beschrijven, een verband uitleggen of bevindingen in velden ordenen; dit model is geen editie voor het genereren van afbeeldingen of video.
Geef bij een grafiek aan welke vergelijking je wilt, in plaats van om een algemene beschrijving te vragen. Lever de afbeelding aan en vraag welke zichtbare gegevensreeks toeneemt, wat de labels betekenen en welke waarnemingen de conclusie ondersteunen. Vraag om afzonderlijke onderdelen voor direct zichtbare gegevens en de uitleg. Benoem bij een procesdiagram de begin- en eindvoorwaarden en vraag naar de verbindingen tussen fasen, met behoud van de oorspronkelijke labels.
Geef bij een schermafbeelding het doel van de gebruiker aan en vraag naar de zichtbare bedieningselementen en de volgende mogelijke stap. Dit levert een geschreven interpretatie van de interface op. Een daadwerkelijke klik, bestandswijziging of externe actie blijft werk voor de omringende toepassing; visueel begrip alleen is geen workflow voor computerbediening.
De kaart van de producent documenteert gestructureerde uitvoer, het vervolgen van een antwoordprefix en contextcaching. Deze functies kunnen herhaalde visuele analyses organiseren rond een vast uitvoerontwerp. Het indienen van batches verschilt tussen configuraties van de producent, terwijl functieaanroepen, zoeken op het web en fine-tuning op deze kaart niet als ondersteund worden vermeld. Een gestructureerd tekstantwoord mag daarom niet worden verward met een uitgevoerde toolaanroep of een online zoekopdracht.
Contextlimieten
De modelkaart voor deze naam vermeldt een contextvenster van 131.072 tokens, maximaal 129.024 invoertokens en maximaal 8.192 uitvoertokens. Visuele invoer en de teksttaak verbruiken samen het beschikbare invoerbudget. Het antwoord heeft een afzonderlijke limiet, dus een grote verzameling visueel materiaal impliceert geen even grote uitvoer.
Kies afbeeldingen of frames die de daadwerkelijke vraag beantwoorden. Behoud de grafieklegenda, kolomkoppen of diagramlabels die nodig zijn om een bijgesneden gebied te interpreteren. Geef bij het vergelijken van meerdere materialen hun volgorde en rol aan: het bestaande ontwerp, het herziene ontwerp en de referentie-eis. Een bruikbaar geschreven resultaat kan overeenkomende elementen, verschillen en vragen opsommen die met het aangeleverde bewijs nog niet zijn opgelost.
Werken met video
Met video-invoer kun je vragen stellen over zichtbare gebeurtenissen en hun volgorde. Vraag wat er tussen frames verandert, welke deelnemers op elkaar reageren of welke zichtbare toestand vóór een andere verschijnt. Definieer de vereiste uitvoer, zoals een geordende beschrijving van gebeurtenissen met de waarnemingen die elk punt ondersteunen. De kaart vermeldt video-invoer en tekstuitvoer, geen audio-invoer of spraakuitvoer; voor een vraag over gesproken inhoud moet die inhoud afzonderlijk beschikbaar worden gemaakt.
Een praktische taak kan een demonstratievideo vergelijken met de geschreven procedure: lever het visuele materiaal en de relevante stappen aan, vraag welke stappen zichtbaar worden weergegeven en verzoek om een beknopte lijst met afwijkingen. Geef aan bij welke procedurestap elke waarneming hoort en houd onduidelijke stappen in een afzonderlijk deel van het antwoord.
Relevante beperkingen van de editie
De nadruk van Max op visueel redeneren is nuttig wanneer de taak draait om het interpreteren van verbanden en het opvolgen van een complexe visuele instructie. Het gedocumenteerde resultaat is tekst. Houd de invoer leesbaar, benoem de gevolgtrekking die je nodig hebt en onderscheid het zichtbare bewijs van de conclusies die het model volgens de taak moet trekken. Die voorbereiding maakt van een visuele vraag een bruikbare uitleg of vergelijking, in plaats van een ongerichte samenvatting van een scène.
", "aboutText": "Qwen-VL-Max is de lijn van visuele taalmodellen van Qwen voor vragen die meer vereisen dan alleen een object herkennen. De maker positioneert Max rond visueel redeneren en het opvolgen van instructies: zichtbaar bewijs verbinden met de voorwaarden van de gebruiker, verbanden uitleggen en een tekstresultaat leveren voor een complexere visuele taak. Vergeleken met de Plus-lijn legt deze beschrijving meer nadruk op redeneren en interpreteren.\n\nDe huidige modelkaart van de maker koppelt de naam zonder versie qwen-vl-max aan qwen-vl-max-2025-08-13. Bij updates verwijst de naam zonder versieaanduiding naar de bijgewerkte modelversie, terwijl een naam met een datum een specifieke versie identificeert. Behoud de exacte naam bij het vergelijken van invoer en resultaten; andere benoemde edities kunnen andere gedocumenteerde specificaties hebben.\n\nModelmogelijkheden\n\nDe gedocumenteerde invoer omvat tekst, afbeeldingen en video; de uitvoer is tekst. Het visuele materiaal kan een documentpagina, grafiek, scène of reeks frames zijn. De tekstvraag bepaalt wat het model uit dat materiaal moet vaststellen. Het resultaat kan bewijs beschrijven, een verband uitleggen of bevindingen in velden ordenen; dit model is geen editie voor het genereren van afbeeldingen of video.\n\nGeef bij een grafiek aan welke vergelijking je wilt, in plaats van om een algemene beschrijving te vragen. Lever de afbeelding aan en vraag welke zichtbare gegevensreeks toeneemt, wat de labels betekenen en welke waarnemingen de conclusie ondersteunen. Vraag om afzonderlijke onderdelen voor direct zichtbare gegevens en de uitleg. Benoem bij een procesdiagram de begin- en eindvoorwaarden en vraag naar de verbindingen tussen fasen, met behoud van de oorspronkelijke labels.\n\nGeef bij een schermafbeelding het doel van de gebruiker aan en vraag naar de zichtbare bedieningselementen en de volgende mogelijke stap. Dit levert een geschreven interpretatie van de interface op. Een daadwerkelijke klik, bestandswijziging of externe actie blijft werk voor de omringende toepassing; visueel begrip alleen is geen workflow voor computerbediening.\n\nDe kaart van de producent documenteert gestructureerde uitvoer, het vervolgen van een antwoordprefix en contextcaching. Deze functies kunnen herhaalde visuele analyses organiseren rond een vast uitvoerontwerp. Het indienen van batches verschilt tussen configuraties van de producent, terwijl functieaanroepen, zoeken op het web en fine-tuning op deze kaart niet als ondersteund worden vermeld. Een gestructureerd tekstantwoord mag daarom niet worden verward met een uitgevoerde toolaanroep of een online zoekopdracht.\n\nContextlimieten\n\nDe modelkaart voor deze naam vermeldt een contextvenster van 131.072 tokens, maximaal 129.024 invoertokens en maximaal 8.192 uitvoertokens. Visuele invoer en de teksttaak verbruiken samen het beschikbare invoerbudget. Het antwoord heeft een afzonderlijke limiet, dus een grote verzameling visueel materiaal impliceert geen even grote uitvoer.\n\nKies afbeeldingen of frames die de daadwerkelijke vraag beantwoorden. Behoud de grafieklegenda, kolomkoppen of diagramlabels die nodig zijn om een bijgesneden gebied te interpreteren. Geef bij het vergelijken van meerdere materialen hun volgorde en rol aan: het bestaande ontwerp, het herziene ontwerp en de referentie-eis. Een bruikbaar geschreven resultaat kan overeenkomende elementen, verschillen en vragen opsommen die met het aangeleverde bewijs nog niet zijn opgelost.\n\nWerken met video\n\nMet video-invoer kun je vragen stellen over zichtbare gebeurtenissen en hun volgorde. Vraag wat er tussen frames verandert, welke deelnemers op elkaar reageren of welke zichtbare toestand vóór een andere verschijnt. Definieer de vereiste uitvoer, zoals een geordende beschrijving van gebeurtenissen met de waarnemingen die elk punt ondersteunen. De kaart vermeldt video-invoer en tekstuitvoer, geen audio-invoer of spraakuitvoer; voor een vraag over gesproken inhoud moet die inhoud afzonderlijk beschikbaar worden gemaakt.\n\nEen praktische taak kan een demonstratievideo vergelijken met de geschreven procedure: lever het visuele materiaal en de relevante stappen aan, vraag welke stappen zichtbaar worden weergegeven en verzoek om een beknopte lijst met afwijkingen. Geef aan bij welke procedurestap elke waarneming hoort en houd onduidelijke stappen in een afzonderlijk deel van het antwoord.\n\nRelevante beperkingen van de editie\n\nDe nadruk van Max op visueel redeneren is nuttig wanneer de taak draait om het interpreteren van verbanden en het opvolgen van een complexe visuele instructie. Het gedocumenteerde resultaat is tekst. Houd de invoer leesbaar, benoem de gevolgtrekking die je nodig hebt en onderscheid het zichtbare bewijs van de conclusies die het model volgens de taak moet trekken. Die voorbereiding maakt van een visuele vraag een bruikbare uitleg of vergelijking, in plaats van een ongerichte samenvatting van een scène.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 verbindt tekst, afbeeldingen en video met visueel redeneren en het opvolgen van instructies. Het geeft tekstuele uitleg of gestructureerde bevindingen en is gericht op complexe visuele vragen, documentanalyse en verbanden binnen een scène.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen-VL-Max is de lijn van visuele taalmodellen van Qwen voor vragen die meer vereisen dan alleen een object herkennen. De maker positioneert Max rond visueel redeneren en het opvolgen van instructies: zichtbaar bewijs verbinden met de voorwaarden van de gebruiker, verbanden uitleggen en een tekstresultaat leveren voor een complexere visuele taak. Vergeleken met de Plus-lijn legt deze beschrijving meer nadruk op redeneren en interpreteren.
De huidige modelkaart van de maker koppelt de naam zonder versie qwen-vl-max aan qwen-vl-max-2025-08-13. Bij updates verwijst de naam zonder versieaanduiding naar de bijgewerkte modelversie, terwijl een naam met een datum een specifieke versie identificeert. Behoud de exacte naam bij het vergelijken van invoer en resultaten; andere benoemde edities kunnen andere gedocumenteerde specificaties hebben.
Modelmogelijkheden
De gedocumenteerde invoer omvat tekst, afbeeldingen en video; de uitvoer is tekst. Het visuele materiaal kan een documentpagina, grafiek, scène of reeks frames zijn. De tekstvraag bepaalt wat het model uit dat materiaal moet vaststellen. Het resultaat kan bewijs beschrijven, een verband uitleggen of bevindingen in velden ordenen; dit model is geen editie voor het genereren van afbeeldingen of video.
Geef bij een grafiek aan welke vergelijking je wilt, in plaats van om een algemene beschrijving te vragen. Lever de afbeelding aan en vraag welke zichtbare gegevensreeks toeneemt, wat de labels betekenen en welke waarnemingen de conclusie ondersteunen. Vraag om afzonderlijke onderdelen voor direct zichtbare gegevens en de uitleg. Benoem bij een procesdiagram de begin- en eindvoorwaarden en vraag naar de verbindingen tussen fasen, met behoud van de oorspronkelijke labels.
Geef bij een schermafbeelding het doel van de gebruiker aan en vraag naar de zichtbare bedieningselementen en de volgende mogelijke stap. Dit levert een geschreven interpretatie van de interface op. Een daadwerkelijke klik, bestandswijziging of externe actie blijft werk voor de omringende toepassing; visueel begrip alleen is geen workflow voor computerbediening.
De kaart van de producent documenteert gestructureerde uitvoer, het vervolgen van een antwoordprefix en contextcaching. Deze functies kunnen herhaalde visuele analyses organiseren rond een vast uitvoerontwerp. Het indienen van batches verschilt tussen configuraties van de producent, terwijl functieaanroepen, zoeken op het web en fine-tuning op deze kaart niet als ondersteund worden vermeld. Een gestructureerd tekstantwoord mag daarom niet worden verward met een uitgevoerde toolaanroep of een online zoekopdracht.
Contextlimieten
De modelkaart voor deze naam vermeldt een contextvenster van 131.072 tokens, maximaal 129.024 invoertokens en maximaal 8.192 uitvoertokens. Visuele invoer en de teksttaak verbruiken samen het beschikbare invoerbudget. Het antwoord heeft een afzonderlijke limiet, dus een grote verzameling visueel materiaal impliceert geen even grote uitvoer.
Kies afbeeldingen of frames die de daadwerkelijke vraag beantwoorden. Behoud de grafieklegenda, kolomkoppen of diagramlabels die nodig zijn om een bijgesneden gebied te interpreteren. Geef bij het vergelijken van meerdere materialen hun volgorde en rol aan: het bestaande ontwerp, het herziene ontwerp en de referentie-eis. Een bruikbaar geschreven resultaat kan overeenkomende elementen, verschillen en vragen opsommen die met het aangeleverde bewijs nog niet zijn opgelost.
Werken met video
Met video-invoer kun je vragen stellen over zichtbare gebeurtenissen en hun volgorde. Vraag wat er tussen frames verandert, welke deelnemers op elkaar reageren of welke zichtbare toestand vóór een andere verschijnt. Definieer de vereiste uitvoer, zoals een geordende beschrijving van gebeurtenissen met de waarnemingen die elk punt ondersteunen. De kaart vermeldt video-invoer en tekstuitvoer, geen audio-invoer of spraakuitvoer; voor een vraag over gesproken inhoud moet die inhoud afzonderlijk beschikbaar worden gemaakt.
Een praktische taak kan een demonstratievideo vergelijken met de geschreven procedure: lever het visuele materiaal en de relevante stappen aan, vraag welke stappen zichtbaar worden weergegeven en verzoek om een beknopte lijst met afwijkingen. Geef aan bij welke procedurestap elke waarneming hoort en houd onduidelijke stappen in een afzonderlijk deel van het antwoord.
Relevante beperkingen van de editie
De nadruk van Max op visueel redeneren is nuttig wanneer de taak draait om het interpreteren van verbanden en het opvolgen van een complexe visuele instructie. Het gedocumenteerde resultaat is tekst. Houd de invoer leesbaar, benoem de gevolgtrekking die je nodig hebt en onderscheid het zichtbare bewijs van de conclusies die het model volgens de taak moet trekken. Die voorbereiding maakt van een visuele vraag een bruikbare uitleg of vergelijking, in plaats van een ongerichte samenvatting van een scène.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen-vl-max | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.001144 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen-vl-max
Gebruik de hierboven getoonde methodepaden.
qwen-vl-maxQwen-VL-Max verbindt tekst, afbeeldingen en video met visueel redeneren en het opvolgen van instructies. Het geeft tekstuele uitleg of gestructureerde bevindingen en is gericht op complexe visuele vragen, documentanalyse en verbanden binnen een scène.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen-VL-Max is de lijn van visuele taalmodellen van Qwen voor vragen die meer vereisen dan alleen een object herkennen. De maker positioneert Max rond visueel redeneren en het opvolgen van instructies: zichtbaar bewijs verbinden met de voorwaarden van de gebruiker, verbanden uitleggen en een tekstresultaat leveren voor een complexere visuele taak. Vergeleken met de Plus-lijn legt deze beschrijving meer nadruk op redeneren en interpreteren.
De huidige modelkaart van de maker koppelt de naam zonder versie qwen-vl-max aan qwen-vl-max-2025-08-13. Bij updates verwijst de naam zonder versieaanduiding naar de bijgewerkte modelversie, terwijl een naam met een datum een specifieke versie identificeert. Behoud de exacte naam bij het vergelijken van invoer en resultaten; andere benoemde edities kunnen andere gedocumenteerde specificaties hebben.
Modelmogelijkheden
De gedocumenteerde invoer omvat tekst, afbeeldingen en video; de uitvoer is tekst. Het visuele materiaal kan een documentpagina, grafiek, scène of reeks frames zijn. De tekstvraag bepaalt wat het model uit dat materiaal moet vaststellen. Het resultaat kan bewijs beschrijven, een verband uitleggen of bevindingen in velden ordenen; dit model is geen editie voor het genereren van afbeeldingen of video.
Geef bij een grafiek aan welke vergelijking je wilt, in plaats van om een algemene beschrijving te vragen. Lever de afbeelding aan en vraag welke zichtbare gegevensreeks toeneemt, wat de labels betekenen en welke waarnemingen de conclusie ondersteunen. Vraag om afzonderlijke onderdelen voor direct zichtbare gegevens en de uitleg. Benoem bij een procesdiagram de begin- en eindvoorwaarden en vraag naar de verbindingen tussen fasen, met behoud van de oorspronkelijke labels.
Geef bij een schermafbeelding het doel van de gebruiker aan en vraag naar de zichtbare bedieningselementen en de volgende mogelijke stap. Dit levert een geschreven interpretatie van de interface op. Een daadwerkelijke klik, bestandswijziging of externe actie blijft werk voor de omringende toepassing; visueel begrip alleen is geen workflow voor computerbediening.
De kaart van de producent documenteert gestructureerde uitvoer, het vervolgen van een antwoordprefix en contextcaching. Deze functies kunnen herhaalde visuele analyses organiseren rond een vast uitvoerontwerp. Het indienen van batches verschilt tussen configuraties van de producent, terwijl functieaanroepen, zoeken op het web en fine-tuning op deze kaart niet als ondersteund worden vermeld. Een gestructureerd tekstantwoord mag daarom niet worden verward met een uitgevoerde toolaanroep of een online zoekopdracht.
Contextlimieten
De modelkaart voor deze naam vermeldt een contextvenster van 131.072 tokens, maximaal 129.024 invoertokens en maximaal 8.192 uitvoertokens. Visuele invoer en de teksttaak verbruiken samen het beschikbare invoerbudget. Het antwoord heeft een afzonderlijke limiet, dus een grote verzameling visueel materiaal impliceert geen even grote uitvoer.
Kies afbeeldingen of frames die de daadwerkelijke vraag beantwoorden. Behoud de grafieklegenda, kolomkoppen of diagramlabels die nodig zijn om een bijgesneden gebied te interpreteren. Geef bij het vergelijken van meerdere materialen hun volgorde en rol aan: het bestaande ontwerp, het herziene ontwerp en de referentie-eis. Een bruikbaar geschreven resultaat kan overeenkomende elementen, verschillen en vragen opsommen die met het aangeleverde bewijs nog niet zijn opgelost.
Werken met video
Met video-invoer kun je vragen stellen over zichtbare gebeurtenissen en hun volgorde. Vraag wat er tussen frames verandert, welke deelnemers op elkaar reageren of welke zichtbare toestand vóór een andere verschijnt. Definieer de vereiste uitvoer, zoals een geordende beschrijving van gebeurtenissen met de waarnemingen die elk punt ondersteunen. De kaart vermeldt video-invoer en tekstuitvoer, geen audio-invoer of spraakuitvoer; voor een vraag over gesproken inhoud moet die inhoud afzonderlijk beschikbaar worden gemaakt.
Een praktische taak kan een demonstratievideo vergelijken met de geschreven procedure: lever het visuele materiaal en de relevante stappen aan, vraag welke stappen zichtbaar worden weergegeven en verzoek om een beknopte lijst met afwijkingen. Geef aan bij welke procedurestap elke waarneming hoort en houd onduidelijke stappen in een afzonderlijk deel van het antwoord.
Relevante beperkingen van de editie
De nadruk van Max op visueel redeneren is nuttig wanneer de taak draait om het interpreteren van verbanden en het opvolgen van een complexe visuele instructie. Het gedocumenteerde resultaat is tekst. Houd de invoer leesbaar, benoem de gevolgtrekking die je nodig hebt en onderscheid het zichtbare bewijs van de conclusies die het model volgens de taak moet trekken. Die voorbereiding maakt van een visuele vraag een bruikbare uitleg of vergelijking, in plaats van een ongerichte samenvatting van een scène.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen-vl-max | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00046 / 1K tokens Uitvoer · Uitvoertokens $0.001144 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen-vl-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen-vl-max
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.