Qwen-VL-Plus 2025-07-10 is het gedateerde visuele taalmodel van Alibaba voor het begrijpen van afbeeldingen en video. De kenmerkende vernieuwing is een beter begrip van de inhoud van bewakingsvideo. Het model ontvangt visueel materiaal samen met tekstinstructies en geeft tekst terug: een gebeurtenisbeschrijving, een antwoord over de scène of een rapport opgebouwd rond de details die je wilt laten onderzoeken. Alibaba noemt deze modelversie ook qwen-vl-plus-0710.
De fabrikant onderscheidt deze editie van Qwen-VL-Plus 2025-05-07 en de Qwen-VL-Plus latest-alias die op dezelfde pagina wordt beschreven. Dat onderscheid is belangrijk wanneer je taak specifiek camerabeelden betreft: de op bewaking gerichte vernieuwing hoort bij de benoemde modelversie van juli. Behoud de exacte editie in het taakrecord wanneer je prompts vergelijkt of dezelfde beelden opnieuw bekijkt.
Visuele vragen kunnen gaan over wat in een frame verschijnt, waar objecten zich bevinden en hoe zichtbare acties zich door een reeks heen ontwikkelen. Eén afbeelding kan een scènebeschrijving ondersteunen; meerdere gelabelde afbeeldingen kunnen verschillende aanzichten of opeenvolgende momenten geven. Videobegrip gebruikt bemonsterde frames. De uitleg gaat over het zichtbare bewijs; het model genereert geen vervangende video en deze visuele werkwijze analyseert de audiotrack van de video niet.
Bereid voor een gebeurtenisrapport een relevant fragment of een geordende framereeks voor en benoem de belangrijke zone of activiteit. Een voorbeeldopdracht is: “Beschrijf de zichtbare acties van de persoon bij de ingang, in volgorde. Geef bij elke waarneming het betrokken object, de positie en de verandering die je kunt zien. Zet onzekere details in een afzonderlijke slotzin.” Je kunt een korte beschrijving, een lijst met waarnemingen of benoemde rapportonderdelen vragen. Dit zijn instructies voor het tekstantwoord, geen afzonderlijke modus voor gestructureerde uitvoer.
Het gepubliceerde contextvenster van deze modelversie is 32.768 tokens, met maximaal 30.720 invoertokens en maximaal 8.096 uitvoertokens. De specifieke modeltabel vermeldt ook maximaal 16.384 tokens voor één afbeelding. Tekstinstructies, gesprekscontext en visuele inhoud moeten samen binnen het invoerbudget passen; de uitvoerlimiet is een afzonderlijke grens, geen extra ruimte voor bijkomend bronmateriaal. Isoleer bij het bekijken van een lange opname het relevante onderdeel en behoud voldoende omliggende frames om de volgorde begrijpelijk te maken.
Kies bronframes waarop de relevante objecten te onderscheiden zijn, label verschillende camera’s of aanzichten en formuleer precies wat moet worden waargenomen. Lever voor de gedocumenteerde bestandswerkwijze van Alibaba afbeeldingen via URL aan die niet groter zijn dan 10 MB; een videobestand via een publieke URL moet 2–40 seconden lang zijn en mag niet groter zijn dan 150 MB, of gebruik een geordende lijst van 4–80 frames. De gecombineerde visuele en tekstuele tokens moeten nog steeds binnen het invoerbudget van het model passen. Als de taak afhangt van gesproken uitleg, geef de transcriptie dan afzonderlijk als tekst. Vraag het rapport om een zichtbare beweging te onderscheiden van een afgeleide bedoeling: “liep naar de deur” is een andere uitspraak dan de bedoeling om te vertrekken. Het bruikbare resultaat is een controleerbaar tekstrecord, gekoppeld aan de beelden en de opgegeven waarnemingscriteria.
", "aboutText": "Qwen-VL-Plus 2025-07-10 is het gedateerde visuele taalmodel van Alibaba voor het begrijpen van afbeeldingen en video. De kenmerkende vernieuwing is een beter begrip van de inhoud van bewakingsvideo. Het model ontvangt visueel materiaal samen met tekstinstructies en geeft tekst terug: een gebeurtenisbeschrijving, een antwoord over de scène of een rapport opgebouwd rond de details die je wilt laten onderzoeken. Alibaba noemt deze modelversie ook qwen-vl-plus-0710.\n\nDe fabrikant onderscheidt deze editie van Qwen-VL-Plus 2025-05-07 en de Qwen-VL-Plus latest-alias die op dezelfde pagina wordt beschreven. Dat onderscheid is belangrijk wanneer je taak specifiek camerabeelden betreft: de op bewaking gerichte vernieuwing hoort bij de benoemde modelversie van juli. Behoud de exacte editie in het taakrecord wanneer je prompts vergelijkt of dezelfde beelden opnieuw bekijkt.\n\nVisuele vragen kunnen gaan over wat in een frame verschijnt, waar objecten zich bevinden en hoe zichtbare acties zich door een reeks heen ontwikkelen. Eén afbeelding kan een scènebeschrijving ondersteunen; meerdere gelabelde afbeeldingen kunnen verschillende aanzichten of opeenvolgende momenten geven. Videobegrip gebruikt bemonsterde frames. De uitleg gaat over het zichtbare bewijs; het model genereert geen vervangende video en deze visuele werkwijze analyseert de audiotrack van de video niet.\n\nBereid voor een gebeurtenisrapport een relevant fragment of een geordende framereeks voor en benoem de belangrijke zone of activiteit. Een voorbeeldopdracht is: “Beschrijf de zichtbare acties van de persoon bij de ingang, in volgorde. Geef bij elke waarneming het betrokken object, de positie en de verandering die je kunt zien. Zet onzekere details in een afzonderlijke slotzin.” Je kunt een korte beschrijving, een lijst met waarnemingen of benoemde rapportonderdelen vragen. Dit zijn instructies voor het tekstantwoord, geen afzonderlijke modus voor gestructureerde uitvoer.\n\nHet gepubliceerde contextvenster van deze modelversie is 32.768 tokens, met maximaal 30.720 invoertokens en maximaal 8.096 uitvoertokens. De specifieke modeltabel vermeldt ook maximaal 16.384 tokens voor één afbeelding. Tekstinstructies, gesprekscontext en visuele inhoud moeten samen binnen het invoerbudget passen; de uitvoerlimiet is een afzonderlijke grens, geen extra ruimte voor bijkomend bronmateriaal. Isoleer bij het bekijken van een lange opname het relevante onderdeel en behoud voldoende omliggende frames om de volgorde begrijpelijk te maken.\n\nKies bronframes waarop de relevante objecten te onderscheiden zijn, label verschillende camera’s of aanzichten en formuleer precies wat moet worden waargenomen. Lever voor de gedocumenteerde bestandswerkwijze van Alibaba afbeeldingen via URL aan die niet groter zijn dan 10 MB; een videobestand via een publieke URL moet 2–40 seconden lang zijn en mag niet groter zijn dan 150 MB, of gebruik een geordende lijst van 4–80 frames. De gecombineerde visuele en tekstuele tokens moeten nog steeds binnen het invoerbudget van het model passen. Als de taak afhangt van gesproken uitleg, geef de transcriptie dan afzonderlijk als tekst. Vraag het rapport om een zichtbare beweging te onderscheiden van een afgeleide bedoeling: “liep naar de deur” is een andere uitspraak dan de bedoeling om te vertrekken. Het bruikbare resultaat is een controleerbaar tekstrecord, gekoppeld aan de beelden en de opgegeven waarnemingscriteria.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 is een visuele taalmodelversie gericht op het begrijpen van bewakingsvideo. Het combineert afbeeldingen of videoframes met een geschreven vraag om zichtbare gebeurtenissen te beschrijven, acties te volgen en een tekstrapport te maken.
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-Plus 2025-07-10 is het gedateerde visuele taalmodel van Alibaba voor het begrijpen van afbeeldingen en video. De kenmerkende vernieuwing is een beter begrip van de inhoud van bewakingsvideo. Het model ontvangt visueel materiaal samen met tekstinstructies en geeft tekst terug: een gebeurtenisbeschrijving, een antwoord over de scène of een rapport opgebouwd rond de details die je wilt laten onderzoeken. Alibaba noemt deze modelversie ook qwen-vl-plus-0710.
De fabrikant onderscheidt deze editie van Qwen-VL-Plus 2025-05-07 en de Qwen-VL-Plus latest-alias die op dezelfde pagina wordt beschreven. Dat onderscheid is belangrijk wanneer je taak specifiek camerabeelden betreft: de op bewaking gerichte vernieuwing hoort bij de benoemde modelversie van juli. Behoud de exacte editie in het taakrecord wanneer je prompts vergelijkt of dezelfde beelden opnieuw bekijkt.
Visuele vragen kunnen gaan over wat in een frame verschijnt, waar objecten zich bevinden en hoe zichtbare acties zich door een reeks heen ontwikkelen. Eén afbeelding kan een scènebeschrijving ondersteunen; meerdere gelabelde afbeeldingen kunnen verschillende aanzichten of opeenvolgende momenten geven. Videobegrip gebruikt bemonsterde frames. De uitleg gaat over het zichtbare bewijs; het model genereert geen vervangende video en deze visuele werkwijze analyseert de audiotrack van de video niet.
Bereid voor een gebeurtenisrapport een relevant fragment of een geordende framereeks voor en benoem de belangrijke zone of activiteit. Een voorbeeldopdracht is: “Beschrijf de zichtbare acties van de persoon bij de ingang, in volgorde. Geef bij elke waarneming het betrokken object, de positie en de verandering die je kunt zien. Zet onzekere details in een afzonderlijke slotzin.” Je kunt een korte beschrijving, een lijst met waarnemingen of benoemde rapportonderdelen vragen. Dit zijn instructies voor het tekstantwoord, geen afzonderlijke modus voor gestructureerde uitvoer.
Het gepubliceerde contextvenster van deze modelversie is 32.768 tokens, met maximaal 30.720 invoertokens en maximaal 8.096 uitvoertokens. De specifieke modeltabel vermeldt ook maximaal 16.384 tokens voor één afbeelding. Tekstinstructies, gesprekscontext en visuele inhoud moeten samen binnen het invoerbudget passen; de uitvoerlimiet is een afzonderlijke grens, geen extra ruimte voor bijkomend bronmateriaal. Isoleer bij het bekijken van een lange opname het relevante onderdeel en behoud voldoende omliggende frames om de volgorde begrijpelijk te maken.
Kies bronframes waarop de relevante objecten te onderscheiden zijn, label verschillende camera’s of aanzichten en formuleer precies wat moet worden waargenomen. Lever voor de gedocumenteerde bestandswerkwijze van Alibaba afbeeldingen via URL aan die niet groter zijn dan 10 MB; een videobestand via een publieke URL moet 2–40 seconden lang zijn en mag niet groter zijn dan 150 MB, of gebruik een geordende lijst van 4–80 frames. De gecombineerde visuele en tekstuele tokens moeten nog steeds binnen het invoerbudget van het model passen. Als de taak afhangt van gesproken uitleg, geef de transcriptie dan afzonderlijk als tekst. Vraag het rapport om een zichtbare beweging te onderscheiden van een afgeleide bedoeling: “liep naar de deur” is een andere uitspraak dan de bedoeling om te vertrekken. Het bruikbare resultaat is een controleerbaar tekstrecord, gekoppeld aan de beelden en de opgegeven waarnemingscriteria.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen-vl-plus-2025-07-10 | 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 $0.000044 / 1K tokens Uitvoer · Uitvoertokens $0.00044 / 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-plus-2025-07-10", "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-2025-07-10',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-2025-07-10',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-plus-2025-07-10
Gebruik de hierboven getoonde methodepaden.
qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 is een visuele taalmodelversie gericht op het begrijpen van bewakingsvideo. Het combineert afbeeldingen of videoframes met een geschreven vraag om zichtbare gebeurtenissen te beschrijven, acties te volgen en een tekstrapport te maken.
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-Plus 2025-07-10 is het gedateerde visuele taalmodel van Alibaba voor het begrijpen van afbeeldingen en video. De kenmerkende vernieuwing is een beter begrip van de inhoud van bewakingsvideo. Het model ontvangt visueel materiaal samen met tekstinstructies en geeft tekst terug: een gebeurtenisbeschrijving, een antwoord over de scène of een rapport opgebouwd rond de details die je wilt laten onderzoeken. Alibaba noemt deze modelversie ook qwen-vl-plus-0710.
De fabrikant onderscheidt deze editie van Qwen-VL-Plus 2025-05-07 en de Qwen-VL-Plus latest-alias die op dezelfde pagina wordt beschreven. Dat onderscheid is belangrijk wanneer je taak specifiek camerabeelden betreft: de op bewaking gerichte vernieuwing hoort bij de benoemde modelversie van juli. Behoud de exacte editie in het taakrecord wanneer je prompts vergelijkt of dezelfde beelden opnieuw bekijkt.
Visuele vragen kunnen gaan over wat in een frame verschijnt, waar objecten zich bevinden en hoe zichtbare acties zich door een reeks heen ontwikkelen. Eén afbeelding kan een scènebeschrijving ondersteunen; meerdere gelabelde afbeeldingen kunnen verschillende aanzichten of opeenvolgende momenten geven. Videobegrip gebruikt bemonsterde frames. De uitleg gaat over het zichtbare bewijs; het model genereert geen vervangende video en deze visuele werkwijze analyseert de audiotrack van de video niet.
Bereid voor een gebeurtenisrapport een relevant fragment of een geordende framereeks voor en benoem de belangrijke zone of activiteit. Een voorbeeldopdracht is: “Beschrijf de zichtbare acties van de persoon bij de ingang, in volgorde. Geef bij elke waarneming het betrokken object, de positie en de verandering die je kunt zien. Zet onzekere details in een afzonderlijke slotzin.” Je kunt een korte beschrijving, een lijst met waarnemingen of benoemde rapportonderdelen vragen. Dit zijn instructies voor het tekstantwoord, geen afzonderlijke modus voor gestructureerde uitvoer.
Het gepubliceerde contextvenster van deze modelversie is 32.768 tokens, met maximaal 30.720 invoertokens en maximaal 8.096 uitvoertokens. De specifieke modeltabel vermeldt ook maximaal 16.384 tokens voor één afbeelding. Tekstinstructies, gesprekscontext en visuele inhoud moeten samen binnen het invoerbudget passen; de uitvoerlimiet is een afzonderlijke grens, geen extra ruimte voor bijkomend bronmateriaal. Isoleer bij het bekijken van een lange opname het relevante onderdeel en behoud voldoende omliggende frames om de volgorde begrijpelijk te maken.
Kies bronframes waarop de relevante objecten te onderscheiden zijn, label verschillende camera’s of aanzichten en formuleer precies wat moet worden waargenomen. Lever voor de gedocumenteerde bestandswerkwijze van Alibaba afbeeldingen via URL aan die niet groter zijn dan 10 MB; een videobestand via een publieke URL moet 2–40 seconden lang zijn en mag niet groter zijn dan 150 MB, of gebruik een geordende lijst van 4–80 frames. De gecombineerde visuele en tekstuele tokens moeten nog steeds binnen het invoerbudget van het model passen. Als de taak afhangt van gesproken uitleg, geef de transcriptie dan afzonderlijk als tekst. Vraag het rapport om een zichtbare beweging te onderscheiden van een afgeleide bedoeling: “liep naar de deur” is een andere uitspraak dan de bedoeling om te vertrekken. Het bruikbare resultaat is een controleerbaar tekstrecord, gekoppeld aan de beelden en de opgegeven waarnemingscriteria.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen-vl-plus-2025-07-10 | 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 $0.000044 / 1K tokens Uitvoer · Uitvoertokens $0.00044 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen-vl-plus-2025-07-10",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2025-07-10', '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-2025-07-10', '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-plus-2025-07-10
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.