Qwen-VL-Max to linia modeli wizyjno-językowych Qwen do pytań wymagających czegoś więcej niż rozpoznania obiektu. Producent stawia w Max na rozumowanie wizualne i wykonywanie instrukcji: łączenie widocznych dowodów z warunkami użytkownika, wyjaśnianie relacji i tworzenie wyniku tekstowego dla bardziej złożonego zadania wizualnego. W porównaniu z linią Plus opis ten mocniej akcentuje rozumowanie i interpretację.
Aktualna karta producenta wiąże nazwę bez oznaczenia wersji qwen-vl-max z qwen-vl-max-2025-08-13. Nazwa bez oznaczenia wersji podąża za aktualizacjami modelu, natomiast nazwa z datą identyfikuje konkretną wersję. Zachowuj dokładną nazwę podczas porównywania danych wejściowych i wyników; inne nazwane edycje mogą mieć odmienne udokumentowane specyfikacje.
Możliwości modelu
Udokumentowane wejście obejmuje tekst, obrazy i wideo, a wyjściem jest tekst. Materiałem wizualnym może być strona dokumentu, wykres, scena lub sekwencja klatek. Pytanie tekstowe określa, co model ma ustalić na podstawie tego materiału. Wynik może opisywać dowody, wyjaśniać relację lub porządkować ustalenia w polach; nie jest to edycja generująca obrazy lub wideo.
W przypadku wykresu określ porównanie, zamiast prosić o ogólny opis. Podaj obraz i zapytaj, która widoczna seria rośnie, co oznaczają etykiety i jakie obserwacje wspierają wniosek. Poproś o osobne części dla bezpośrednio widocznych danych i wyjaśnienia. W przypadku diagramu procesu wskaż warunki początkowe i końcowe oraz poproś o połączenia między etapami, z zachowaniem oryginalnych etykiet.
W przypadku zrzutu ekranu podaj cel użytkownika i zapytaj o widoczne elementy sterujące oraz możliwy kolejny krok. Powstaje w ten sposób pisemna interpretacja interfejsu. Każde rzeczywiste kliknięcie, zmiana pliku lub działanie zewnętrzne pozostaje zadaniem aplikacji korzystającej z modelu; samo rozumienie obrazu nie jest procesem sterowania komputerem.
Karta producenta dokumentuje ustrukturyzowane dane wyjściowe, kontynuację od prefiksu odpowiedzi i buforowanie kontekstu. Funkcje te mogą pomóc organizować powtarzane analizy wizualne według stałego projektu wyniku. Przesyłanie wsadowe różni się między konfiguracjami producenta, natomiast wywoływanie funkcji, wyszukiwanie w internecie i dostrajanie nie są na tej karcie wymienione jako obsługiwane. Nie należy więc mylić uporządkowanej odpowiedzi tekstowej z wykonanym wywołaniem narzędzia ani wyszukiwaniem online.
Limity kontekstu
Karta tej nazwanej wersji podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Wejście wizualne i zadanie tekstowe wspólnie zużywają dostępny limit wejścia. Odpowiedź ma niezależne ograniczenie, dlatego duży zbiór materiałów wizualnych nie oznacza równie obszernego wyniku.
Wybieraj obrazy lub klatki odpowiadające na rzeczywiste pytanie. Zachowaj legendę wykresu, nagłówki kolumn lub etykiety diagramu potrzebne do interpretacji wykadrowanego obszaru. Przy porównywaniu kilku materiałów określ ich kolejność i rolę: istniejący projekt, poprawiony projekt i wymaganie referencyjne. Użyteczny wynik pisemny może wymieniać zgodne elementy, różnice i pytania, których nie rozstrzygają dostarczone dowody.
Praca z wideo
Wejście wideo umożliwia zadawanie pytań o widoczne zdarzenia i ich kolejność. Zapytaj, co zmienia się między klatkami, którzy uczestnicy wchodzą w interakcje lub który widoczny warunek pojawia się przed innym. Określ wymagany wynik, na przykład uporządkowany opis zdarzeń z obserwacjami potwierdzającymi każdy punkt. Karta podaje wejście wideo i wyjście tekstowe, a nie wejście audio lub wyjście mowy; pytanie o wypowiadane treści wymaga ich osobnego udostępnienia.
Praktyczne zadanie może porównywać film demonstracyjny z jego pisemną procedurą: podaj materiał wizualny i istotne kroki, zapytaj, które kroki zostały pokazane, i poproś o zwięzłą listę rozbieżności. Określ, do którego kroku procedury odnosi się każda obserwacja, i umieść niejasne kroki w osobnej części odpowiedzi.
Istotne ograniczenia edycji
Nacisk Max na rozumowanie wizualne jest przydatny, gdy zadanie wymaga interpretowania relacji i wykonywania złożonej instrukcji wizualnej. Jego udokumentowanym wynikiem jest tekst. Zadbaj o czytelność wejścia, nazwij potrzebne wnioskowanie i oddziel widoczne dowody od wniosków, które model ma wyciągnąć w ramach zadania. Takie przygotowanie zamienia pytanie wizualne w użyteczne wyjaśnienie lub porównanie zamiast nieukierunkowanego podsumowania sceny.
", "aboutText": "Qwen-VL-Max to linia modeli wizyjno-językowych Qwen do pytań wymagających czegoś więcej niż rozpoznania obiektu. Producent stawia w Max na rozumowanie wizualne i wykonywanie instrukcji: łączenie widocznych dowodów z warunkami użytkownika, wyjaśnianie relacji i tworzenie wyniku tekstowego dla bardziej złożonego zadania wizualnego. W porównaniu z linią Plus opis ten mocniej akcentuje rozumowanie i interpretację.\n\nAktualna karta producenta wiąże nazwę bez oznaczenia wersji qwen-vl-max z qwen-vl-max-2025-08-13. Nazwa bez oznaczenia wersji podąża za aktualizacjami modelu, natomiast nazwa z datą identyfikuje konkretną wersję. Zachowuj dokładną nazwę podczas porównywania danych wejściowych i wyników; inne nazwane edycje mogą mieć odmienne udokumentowane specyfikacje.\n\nMożliwości modelu\n\nUdokumentowane wejście obejmuje tekst, obrazy i wideo, a wyjściem jest tekst. Materiałem wizualnym może być strona dokumentu, wykres, scena lub sekwencja klatek. Pytanie tekstowe określa, co model ma ustalić na podstawie tego materiału. Wynik może opisywać dowody, wyjaśniać relację lub porządkować ustalenia w polach; nie jest to edycja generująca obrazy lub wideo.\n\nW przypadku wykresu określ porównanie, zamiast prosić o ogólny opis. Podaj obraz i zapytaj, która widoczna seria rośnie, co oznaczają etykiety i jakie obserwacje wspierają wniosek. Poproś o osobne części dla bezpośrednio widocznych danych i wyjaśnienia. W przypadku diagramu procesu wskaż warunki początkowe i końcowe oraz poproś o połączenia między etapami, z zachowaniem oryginalnych etykiet.\n\nW przypadku zrzutu ekranu podaj cel użytkownika i zapytaj o widoczne elementy sterujące oraz możliwy kolejny krok. Powstaje w ten sposób pisemna interpretacja interfejsu. Każde rzeczywiste kliknięcie, zmiana pliku lub działanie zewnętrzne pozostaje zadaniem aplikacji korzystającej z modelu; samo rozumienie obrazu nie jest procesem sterowania komputerem.\n\nKarta producenta dokumentuje ustrukturyzowane dane wyjściowe, kontynuację od prefiksu odpowiedzi i buforowanie kontekstu. Funkcje te mogą pomóc organizować powtarzane analizy wizualne według stałego projektu wyniku. Przesyłanie wsadowe różni się między konfiguracjami producenta, natomiast wywoływanie funkcji, wyszukiwanie w internecie i dostrajanie nie są na tej karcie wymienione jako obsługiwane. Nie należy więc mylić uporządkowanej odpowiedzi tekstowej z wykonanym wywołaniem narzędzia ani wyszukiwaniem online.\n\nLimity kontekstu\n\nKarta tej nazwanej wersji podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Wejście wizualne i zadanie tekstowe wspólnie zużywają dostępny limit wejścia. Odpowiedź ma niezależne ograniczenie, dlatego duży zbiór materiałów wizualnych nie oznacza równie obszernego wyniku.\n\nWybieraj obrazy lub klatki odpowiadające na rzeczywiste pytanie. Zachowaj legendę wykresu, nagłówki kolumn lub etykiety diagramu potrzebne do interpretacji wykadrowanego obszaru. Przy porównywaniu kilku materiałów określ ich kolejność i rolę: istniejący projekt, poprawiony projekt i wymaganie referencyjne. Użyteczny wynik pisemny może wymieniać zgodne elementy, różnice i pytania, których nie rozstrzygają dostarczone dowody.\n\nPraca z wideo\n\nWejście wideo umożliwia zadawanie pytań o widoczne zdarzenia i ich kolejność. Zapytaj, co zmienia się między klatkami, którzy uczestnicy wchodzą w interakcje lub który widoczny warunek pojawia się przed innym. Określ wymagany wynik, na przykład uporządkowany opis zdarzeń z obserwacjami potwierdzającymi każdy punkt. Karta podaje wejście wideo i wyjście tekstowe, a nie wejście audio lub wyjście mowy; pytanie o wypowiadane treści wymaga ich osobnego udostępnienia.\n\nPraktyczne zadanie może porównywać film demonstracyjny z jego pisemną procedurą: podaj materiał wizualny i istotne kroki, zapytaj, które kroki zostały pokazane, i poproś o zwięzłą listę rozbieżności. Określ, do którego kroku procedury odnosi się każda obserwacja, i umieść niejasne kroki w osobnej części odpowiedzi.\n\nIstotne ograniczenia edycji\n\nNacisk Max na rozumowanie wizualne jest przydatny, gdy zadanie wymaga interpretowania relacji i wykonywania złożonej instrukcji wizualnej. Jego udokumentowanym wynikiem jest tekst. Zadbaj o czytelność wejścia, nazwij potrzebne wnioskowanie i oddziel widoczne dowody od wniosków, które model ma wyciągnąć w ramach zadania. Takie przygotowanie zamienia pytanie wizualne w użyteczne wyjaśnienie lub porównanie zamiast nieukierunkowanego podsumowania sceny.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 łączy tekst, obrazy i wideo dzięki rozumowaniu wizualnemu i wykonywaniu instrukcji. Zwraca wyjaśnienia tekstowe lub uporządkowane ustalenia i jest ukierunkowany na złożone pytania wizualne, analizę dokumentów oraz relacje wewnątrz sceny.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-VL-Max to linia modeli wizyjno-językowych Qwen do pytań wymagających czegoś więcej niż rozpoznania obiektu. Producent stawia w Max na rozumowanie wizualne i wykonywanie instrukcji: łączenie widocznych dowodów z warunkami użytkownika, wyjaśnianie relacji i tworzenie wyniku tekstowego dla bardziej złożonego zadania wizualnego. W porównaniu z linią Plus opis ten mocniej akcentuje rozumowanie i interpretację.
Aktualna karta producenta wiąże nazwę bez oznaczenia wersji qwen-vl-max z qwen-vl-max-2025-08-13. Nazwa bez oznaczenia wersji podąża za aktualizacjami modelu, natomiast nazwa z datą identyfikuje konkretną wersję. Zachowuj dokładną nazwę podczas porównywania danych wejściowych i wyników; inne nazwane edycje mogą mieć odmienne udokumentowane specyfikacje.
Możliwości modelu
Udokumentowane wejście obejmuje tekst, obrazy i wideo, a wyjściem jest tekst. Materiałem wizualnym może być strona dokumentu, wykres, scena lub sekwencja klatek. Pytanie tekstowe określa, co model ma ustalić na podstawie tego materiału. Wynik może opisywać dowody, wyjaśniać relację lub porządkować ustalenia w polach; nie jest to edycja generująca obrazy lub wideo.
W przypadku wykresu określ porównanie, zamiast prosić o ogólny opis. Podaj obraz i zapytaj, która widoczna seria rośnie, co oznaczają etykiety i jakie obserwacje wspierają wniosek. Poproś o osobne części dla bezpośrednio widocznych danych i wyjaśnienia. W przypadku diagramu procesu wskaż warunki początkowe i końcowe oraz poproś o połączenia między etapami, z zachowaniem oryginalnych etykiet.
W przypadku zrzutu ekranu podaj cel użytkownika i zapytaj o widoczne elementy sterujące oraz możliwy kolejny krok. Powstaje w ten sposób pisemna interpretacja interfejsu. Każde rzeczywiste kliknięcie, zmiana pliku lub działanie zewnętrzne pozostaje zadaniem aplikacji korzystającej z modelu; samo rozumienie obrazu nie jest procesem sterowania komputerem.
Karta producenta dokumentuje ustrukturyzowane dane wyjściowe, kontynuację od prefiksu odpowiedzi i buforowanie kontekstu. Funkcje te mogą pomóc organizować powtarzane analizy wizualne według stałego projektu wyniku. Przesyłanie wsadowe różni się między konfiguracjami producenta, natomiast wywoływanie funkcji, wyszukiwanie w internecie i dostrajanie nie są na tej karcie wymienione jako obsługiwane. Nie należy więc mylić uporządkowanej odpowiedzi tekstowej z wykonanym wywołaniem narzędzia ani wyszukiwaniem online.
Limity kontekstu
Karta tej nazwanej wersji podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Wejście wizualne i zadanie tekstowe wspólnie zużywają dostępny limit wejścia. Odpowiedź ma niezależne ograniczenie, dlatego duży zbiór materiałów wizualnych nie oznacza równie obszernego wyniku.
Wybieraj obrazy lub klatki odpowiadające na rzeczywiste pytanie. Zachowaj legendę wykresu, nagłówki kolumn lub etykiety diagramu potrzebne do interpretacji wykadrowanego obszaru. Przy porównywaniu kilku materiałów określ ich kolejność i rolę: istniejący projekt, poprawiony projekt i wymaganie referencyjne. Użyteczny wynik pisemny może wymieniać zgodne elementy, różnice i pytania, których nie rozstrzygają dostarczone dowody.
Praca z wideo
Wejście wideo umożliwia zadawanie pytań o widoczne zdarzenia i ich kolejność. Zapytaj, co zmienia się między klatkami, którzy uczestnicy wchodzą w interakcje lub który widoczny warunek pojawia się przed innym. Określ wymagany wynik, na przykład uporządkowany opis zdarzeń z obserwacjami potwierdzającymi każdy punkt. Karta podaje wejście wideo i wyjście tekstowe, a nie wejście audio lub wyjście mowy; pytanie o wypowiadane treści wymaga ich osobnego udostępnienia.
Praktyczne zadanie może porównywać film demonstracyjny z jego pisemną procedurą: podaj materiał wizualny i istotne kroki, zapytaj, które kroki zostały pokazane, i poproś o zwięzłą listę rozbieżności. Określ, do którego kroku procedury odnosi się każda obserwacja, i umieść niejasne kroki w osobnej części odpowiedzi.
Istotne ograniczenia edycji
Nacisk Max na rozumowanie wizualne jest przydatny, gdy zadanie wymaga interpretowania relacji i wykonywania złożonej instrukcji wizualnej. Jego udokumentowanym wynikiem jest tekst. Zadbaj o czytelność wejścia, nazwij potrzebne wnioskowanie i oddziel widoczne dowody od wniosków, które model ma wyciągnąć w ramach zadania. Takie przygotowanie zamienia pytanie wizualne w użyteczne wyjaśnienie lub porównanie zamiast nieukierunkowanego podsumowania sceny.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-vl-max | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00046 / 1K tokenów Wyjście · Tokeny wyjściowe $0.001144 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen-vl-max
Użyj ścieżek metod podanych powyżej.
qwen-vl-maxQwen-VL-Max łączy tekst, obrazy i wideo dzięki rozumowaniu wizualnemu i wykonywaniu instrukcji. Zwraca wyjaśnienia tekstowe lub uporządkowane ustalenia i jest ukierunkowany na złożone pytania wizualne, analizę dokumentów oraz relacje wewnątrz sceny.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-VL-Max to linia modeli wizyjno-językowych Qwen do pytań wymagających czegoś więcej niż rozpoznania obiektu. Producent stawia w Max na rozumowanie wizualne i wykonywanie instrukcji: łączenie widocznych dowodów z warunkami użytkownika, wyjaśnianie relacji i tworzenie wyniku tekstowego dla bardziej złożonego zadania wizualnego. W porównaniu z linią Plus opis ten mocniej akcentuje rozumowanie i interpretację.
Aktualna karta producenta wiąże nazwę bez oznaczenia wersji qwen-vl-max z qwen-vl-max-2025-08-13. Nazwa bez oznaczenia wersji podąża za aktualizacjami modelu, natomiast nazwa z datą identyfikuje konkretną wersję. Zachowuj dokładną nazwę podczas porównywania danych wejściowych i wyników; inne nazwane edycje mogą mieć odmienne udokumentowane specyfikacje.
Możliwości modelu
Udokumentowane wejście obejmuje tekst, obrazy i wideo, a wyjściem jest tekst. Materiałem wizualnym może być strona dokumentu, wykres, scena lub sekwencja klatek. Pytanie tekstowe określa, co model ma ustalić na podstawie tego materiału. Wynik może opisywać dowody, wyjaśniać relację lub porządkować ustalenia w polach; nie jest to edycja generująca obrazy lub wideo.
W przypadku wykresu określ porównanie, zamiast prosić o ogólny opis. Podaj obraz i zapytaj, która widoczna seria rośnie, co oznaczają etykiety i jakie obserwacje wspierają wniosek. Poproś o osobne części dla bezpośrednio widocznych danych i wyjaśnienia. W przypadku diagramu procesu wskaż warunki początkowe i końcowe oraz poproś o połączenia między etapami, z zachowaniem oryginalnych etykiet.
W przypadku zrzutu ekranu podaj cel użytkownika i zapytaj o widoczne elementy sterujące oraz możliwy kolejny krok. Powstaje w ten sposób pisemna interpretacja interfejsu. Każde rzeczywiste kliknięcie, zmiana pliku lub działanie zewnętrzne pozostaje zadaniem aplikacji korzystającej z modelu; samo rozumienie obrazu nie jest procesem sterowania komputerem.
Karta producenta dokumentuje ustrukturyzowane dane wyjściowe, kontynuację od prefiksu odpowiedzi i buforowanie kontekstu. Funkcje te mogą pomóc organizować powtarzane analizy wizualne według stałego projektu wyniku. Przesyłanie wsadowe różni się między konfiguracjami producenta, natomiast wywoływanie funkcji, wyszukiwanie w internecie i dostrajanie nie są na tej karcie wymienione jako obsługiwane. Nie należy więc mylić uporządkowanej odpowiedzi tekstowej z wykonanym wywołaniem narzędzia ani wyszukiwaniem online.
Limity kontekstu
Karta tej nazwanej wersji podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Wejście wizualne i zadanie tekstowe wspólnie zużywają dostępny limit wejścia. Odpowiedź ma niezależne ograniczenie, dlatego duży zbiór materiałów wizualnych nie oznacza równie obszernego wyniku.
Wybieraj obrazy lub klatki odpowiadające na rzeczywiste pytanie. Zachowaj legendę wykresu, nagłówki kolumn lub etykiety diagramu potrzebne do interpretacji wykadrowanego obszaru. Przy porównywaniu kilku materiałów określ ich kolejność i rolę: istniejący projekt, poprawiony projekt i wymaganie referencyjne. Użyteczny wynik pisemny może wymieniać zgodne elementy, różnice i pytania, których nie rozstrzygają dostarczone dowody.
Praca z wideo
Wejście wideo umożliwia zadawanie pytań o widoczne zdarzenia i ich kolejność. Zapytaj, co zmienia się między klatkami, którzy uczestnicy wchodzą w interakcje lub który widoczny warunek pojawia się przed innym. Określ wymagany wynik, na przykład uporządkowany opis zdarzeń z obserwacjami potwierdzającymi każdy punkt. Karta podaje wejście wideo i wyjście tekstowe, a nie wejście audio lub wyjście mowy; pytanie o wypowiadane treści wymaga ich osobnego udostępnienia.
Praktyczne zadanie może porównywać film demonstracyjny z jego pisemną procedurą: podaj materiał wizualny i istotne kroki, zapytaj, które kroki zostały pokazane, i poproś o zwięzłą listę rozbieżności. Określ, do którego kroku procedury odnosi się każda obserwacja, i umieść niejasne kroki w osobnej części odpowiedzi.
Istotne ograniczenia edycji
Nacisk Max na rozumowanie wizualne jest przydatny, gdy zadanie wymaga interpretowania relacji i wykonywania złożonej instrukcji wizualnej. Jego udokumentowanym wynikiem jest tekst. Zadbaj o czytelność wejścia, nazwij potrzebne wnioskowanie i oddziel widoczne dowody od wniosków, które model ma wyciągnąć w ramach zadania. Takie przygotowanie zamienia pytanie wizualne w użyteczne wyjaśnienie lub porównanie zamiast nieukierunkowanego podsumowania sceny.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-vl-max | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00046 / 1K tokenów Wyjście · Tokeny wyjściowe $0.001144 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen-vl-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra qwen-vl-max
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.