Qwen-VL-Plus 2025-05-07 to nazwana wersja wizualno-językowa firmy Alibaba. Qwen-VL-Plus skupia się na szczegółowym rozumieniu wizualnym i odczytywaniu tekstu w obrazach, przekształcając dostarczone dowody wizualne i pisemne pytanie w odpowiedź tekstową. Przydatnym punktem wyjścia jest konkretne źródło: fotografia, zrzut ekranu, obraz strony dokumentu lub klatki wideo, których treść chcesz wyjaśnić.
Producent wskazuje wydanie majowe oddzielnie od Qwen-VL-Plus 2025-07-10. Konkretne lipcowe ulepszenie dotyczące wideo z monitoringu należy do tej późniejszej wersji. Dla modelu majowego organizuj zadanie wokół jego udokumentowanego przeznaczenia wizualno-językowego: sprawdzaj szczegóły, odczytuj widoczny tekst, opisuj scenę i odnoś wynik do pytania. Zachowaj nazwę modelu przy materiale źródłowym, gdy porównujesz odpowiedzi na to samo zadanie.
Rozumienie obrazów może wykorzystywać jeden lub kilka obrazów w ramach wspólnego pytania. Przy dokumentach określ potrzebne pola lub obszar: „Odczytaj etykiety w wyróżnionym obszarze, zachowaj ich pisownię i podaj jeden wiersz dla każdej etykiety”. Dla sfotografowanej strony instrukcji poproś o transkrypcję, a następnie o osobne wyjaśnienie. Ten podział daje wynik, który można sprawdzić na podstawie oryginału, zanim stanie się artykułem pomocy lub wiadomością do użytkownika.
Dla zrzutu ekranu dodaj cel użytkownika i wskaż każdy element wymagający szczególnej uwagi. Przykładowe polecenie: „Wyjaśnij widoczne kroki, które użytkownik wykonałby, aby zmienić to ustawienie. Używaj nazw przycisków pokazanych na ekranie i wymień każdy tekst zbyt drobny do odczytania”. Przy porównaniu oznacz obrazy jako A i B oraz podaj wspólne kryterium, np. zmienione etykiety lub położenie widocznego obiektu. Odpowiedź jest proponowaną interpretacją tekstową obrazów.
Rozumienie wideo analizuje treść wizualną poprzez klatki i zwraca opis lub odpowiedź tekstową. Wybierz fragment istotny dla pytania i zachowaj jego kolejność; jeśli mowa jest potrzebna do analizy, dodaj transkrypcję jako tekst, ponieważ ten proces wizualny nie rozumie ścieżki dźwiękowej wideo. Przydatny wynik może zawierać zaobserwowaną sekwencję, istotne szczegóły sceny i pytania, na które dostarczone klatki nie pozwalają odpowiedzieć.
Przygotuj strony dokumentów jako czytelne obrazy do tego procesu wejścia wizualnego; plik PDF lub Word sam w sobie nie jest wejściem obrazowym. W udokumentowanym procesie plików Alibaba przygotuj obrazy o rozmiarze nieprzekraczającym 10 MB, dostępne pod adresem URL; plik wideo dostarczony przez publiczny URL musi mieć długość 2–40 sekund i rozmiar nieprzekraczający 150 MB albo użyj uporządkowanej listy 4–80 klatek. Łączna liczba tokenów wizualnych i tekstowych nadal musi mieścić się w budżecie wejścia modelu. Wykadruj obszar zainteresowania, jeśli na pełnej stronie etykiety są zbyt małe, zachowując kontekst potrzebny do interpretacji tabeli lub diagramu. Określ, czy chcesz dosłowną transkrypcję, wyjaśnienie czy krótkie podsumowanie. Ten wybór ułatwia ponowne wykorzystanie wyniku bez mylenia słów widocznych w źródle z dodatkową interpretacją modelu.
", "aboutText": "Qwen-VL-Plus 2025-05-07 to nazwana wersja wizualno-językowa firmy Alibaba. Qwen-VL-Plus skupia się na szczegółowym rozumieniu wizualnym i odczytywaniu tekstu w obrazach, przekształcając dostarczone dowody wizualne i pisemne pytanie w odpowiedź tekstową. Przydatnym punktem wyjścia jest konkretne źródło: fotografia, zrzut ekranu, obraz strony dokumentu lub klatki wideo, których treść chcesz wyjaśnić.\n\nProducent wskazuje wydanie majowe oddzielnie od Qwen-VL-Plus 2025-07-10. Konkretne lipcowe ulepszenie dotyczące wideo z monitoringu należy do tej późniejszej wersji. Dla modelu majowego organizuj zadanie wokół jego udokumentowanego przeznaczenia wizualno-językowego: sprawdzaj szczegóły, odczytuj widoczny tekst, opisuj scenę i odnoś wynik do pytania. Zachowaj nazwę modelu przy materiale źródłowym, gdy porównujesz odpowiedzi na to samo zadanie.\n\nRozumienie obrazów może wykorzystywać jeden lub kilka obrazów w ramach wspólnego pytania. Przy dokumentach określ potrzebne pola lub obszar: „Odczytaj etykiety w wyróżnionym obszarze, zachowaj ich pisownię i podaj jeden wiersz dla każdej etykiety”. Dla sfotografowanej strony instrukcji poproś o transkrypcję, a następnie o osobne wyjaśnienie. Ten podział daje wynik, który można sprawdzić na podstawie oryginału, zanim stanie się artykułem pomocy lub wiadomością do użytkownika.\n\nDla zrzutu ekranu dodaj cel użytkownika i wskaż każdy element wymagający szczególnej uwagi. Przykładowe polecenie: „Wyjaśnij widoczne kroki, które użytkownik wykonałby, aby zmienić to ustawienie. Używaj nazw przycisków pokazanych na ekranie i wymień każdy tekst zbyt drobny do odczytania”. Przy porównaniu oznacz obrazy jako A i B oraz podaj wspólne kryterium, np. zmienione etykiety lub położenie widocznego obiektu. Odpowiedź jest proponowaną interpretacją tekstową obrazów.\n\nRozumienie wideo analizuje treść wizualną poprzez klatki i zwraca opis lub odpowiedź tekstową. Wybierz fragment istotny dla pytania i zachowaj jego kolejność; jeśli mowa jest potrzebna do analizy, dodaj transkrypcję jako tekst, ponieważ ten proces wizualny nie rozumie ścieżki dźwiękowej wideo. Przydatny wynik może zawierać zaobserwowaną sekwencję, istotne szczegóły sceny i pytania, na które dostarczone klatki nie pozwalają odpowiedzieć.\n\nPrzygotuj strony dokumentów jako czytelne obrazy do tego procesu wejścia wizualnego; plik PDF lub Word sam w sobie nie jest wejściem obrazowym. W udokumentowanym procesie plików Alibaba przygotuj obrazy o rozmiarze nieprzekraczającym 10 MB, dostępne pod adresem URL; plik wideo dostarczony przez publiczny URL musi mieć długość 2–40 sekund i rozmiar nieprzekraczający 150 MB albo użyj uporządkowanej listy 4–80 klatek. Łączna liczba tokenów wizualnych i tekstowych nadal musi mieścić się w budżecie wejścia modelu. Wykadruj obszar zainteresowania, jeśli na pełnej stronie etykiety są zbyt małe, zachowując kontekst potrzebny do interpretacji tabeli lub diagramu. Określ, czy chcesz dosłowną transkrypcję, wyjaśnienie czy krótkie podsumowanie. Ten wybór ułatwia ponowne wykorzystanie wyniku bez mylenia słów widocznych w źródle z dodatkową interpretacją modelu.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 łączy tekst z obrazami i wideo, aby tworzyć wyjaśnienia wizualne. Używaj tej nazwanej wersji do opisów scen, ekstrakcji widocznego tekstu i pytań o szczegóły w dokumentach, zrzutach ekranu lub sekwencji klatek.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-VL-Plus 2025-05-07 to nazwana wersja wizualno-językowa firmy Alibaba. Qwen-VL-Plus skupia się na szczegółowym rozumieniu wizualnym i odczytywaniu tekstu w obrazach, przekształcając dostarczone dowody wizualne i pisemne pytanie w odpowiedź tekstową. Przydatnym punktem wyjścia jest konkretne źródło: fotografia, zrzut ekranu, obraz strony dokumentu lub klatki wideo, których treść chcesz wyjaśnić.
Producent wskazuje wydanie majowe oddzielnie od Qwen-VL-Plus 2025-07-10. Konkretne lipcowe ulepszenie dotyczące wideo z monitoringu należy do tej późniejszej wersji. Dla modelu majowego organizuj zadanie wokół jego udokumentowanego przeznaczenia wizualno-językowego: sprawdzaj szczegóły, odczytuj widoczny tekst, opisuj scenę i odnoś wynik do pytania. Zachowaj nazwę modelu przy materiale źródłowym, gdy porównujesz odpowiedzi na to samo zadanie.
Rozumienie obrazów może wykorzystywać jeden lub kilka obrazów w ramach wspólnego pytania. Przy dokumentach określ potrzebne pola lub obszar: „Odczytaj etykiety w wyróżnionym obszarze, zachowaj ich pisownię i podaj jeden wiersz dla każdej etykiety”. Dla sfotografowanej strony instrukcji poproś o transkrypcję, a następnie o osobne wyjaśnienie. Ten podział daje wynik, który można sprawdzić na podstawie oryginału, zanim stanie się artykułem pomocy lub wiadomością do użytkownika.
Dla zrzutu ekranu dodaj cel użytkownika i wskaż każdy element wymagający szczególnej uwagi. Przykładowe polecenie: „Wyjaśnij widoczne kroki, które użytkownik wykonałby, aby zmienić to ustawienie. Używaj nazw przycisków pokazanych na ekranie i wymień każdy tekst zbyt drobny do odczytania”. Przy porównaniu oznacz obrazy jako A i B oraz podaj wspólne kryterium, np. zmienione etykiety lub położenie widocznego obiektu. Odpowiedź jest proponowaną interpretacją tekstową obrazów.
Rozumienie wideo analizuje treść wizualną poprzez klatki i zwraca opis lub odpowiedź tekstową. Wybierz fragment istotny dla pytania i zachowaj jego kolejność; jeśli mowa jest potrzebna do analizy, dodaj transkrypcję jako tekst, ponieważ ten proces wizualny nie rozumie ścieżki dźwiękowej wideo. Przydatny wynik może zawierać zaobserwowaną sekwencję, istotne szczegóły sceny i pytania, na które dostarczone klatki nie pozwalają odpowiedzieć.
Przygotuj strony dokumentów jako czytelne obrazy do tego procesu wejścia wizualnego; plik PDF lub Word sam w sobie nie jest wejściem obrazowym. W udokumentowanym procesie plików Alibaba przygotuj obrazy o rozmiarze nieprzekraczającym 10 MB, dostępne pod adresem URL; plik wideo dostarczony przez publiczny URL musi mieć długość 2–40 sekund i rozmiar nieprzekraczający 150 MB albo użyj uporządkowanej listy 4–80 klatek. Łączna liczba tokenów wizualnych i tekstowych nadal musi mieścić się w budżecie wejścia modelu. Wykadruj obszar zainteresowania, jeśli na pełnej stronie etykiety są zbyt małe, zachowując kontekst potrzebny do interpretacji tabeli lub diagramu. Określ, czy chcesz dosłowną transkrypcję, wyjaśnienie czy krótkie podsumowanie. Ten wybór ułatwia ponowne wykorzystanie wyniku bez mylenia słów widocznych w źródle z dodatkową interpretacją modelu.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0013 / 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-plus-2025-05-07", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-plus-2025-05-07
Użyj ścieżek metod podanych powyżej.
qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 łączy tekst z obrazami i wideo, aby tworzyć wyjaśnienia wizualne. Używaj tej nazwanej wersji do opisów scen, ekstrakcji widocznego tekstu i pytań o szczegóły w dokumentach, zrzutach ekranu lub sekwencji klatek.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-VL-Plus 2025-05-07 to nazwana wersja wizualno-językowa firmy Alibaba. Qwen-VL-Plus skupia się na szczegółowym rozumieniu wizualnym i odczytywaniu tekstu w obrazach, przekształcając dostarczone dowody wizualne i pisemne pytanie w odpowiedź tekstową. Przydatnym punktem wyjścia jest konkretne źródło: fotografia, zrzut ekranu, obraz strony dokumentu lub klatki wideo, których treść chcesz wyjaśnić.
Producent wskazuje wydanie majowe oddzielnie od Qwen-VL-Plus 2025-07-10. Konkretne lipcowe ulepszenie dotyczące wideo z monitoringu należy do tej późniejszej wersji. Dla modelu majowego organizuj zadanie wokół jego udokumentowanego przeznaczenia wizualno-językowego: sprawdzaj szczegóły, odczytuj widoczny tekst, opisuj scenę i odnoś wynik do pytania. Zachowaj nazwę modelu przy materiale źródłowym, gdy porównujesz odpowiedzi na to samo zadanie.
Rozumienie obrazów może wykorzystywać jeden lub kilka obrazów w ramach wspólnego pytania. Przy dokumentach określ potrzebne pola lub obszar: „Odczytaj etykiety w wyróżnionym obszarze, zachowaj ich pisownię i podaj jeden wiersz dla każdej etykiety”. Dla sfotografowanej strony instrukcji poproś o transkrypcję, a następnie o osobne wyjaśnienie. Ten podział daje wynik, który można sprawdzić na podstawie oryginału, zanim stanie się artykułem pomocy lub wiadomością do użytkownika.
Dla zrzutu ekranu dodaj cel użytkownika i wskaż każdy element wymagający szczególnej uwagi. Przykładowe polecenie: „Wyjaśnij widoczne kroki, które użytkownik wykonałby, aby zmienić to ustawienie. Używaj nazw przycisków pokazanych na ekranie i wymień każdy tekst zbyt drobny do odczytania”. Przy porównaniu oznacz obrazy jako A i B oraz podaj wspólne kryterium, np. zmienione etykiety lub położenie widocznego obiektu. Odpowiedź jest proponowaną interpretacją tekstową obrazów.
Rozumienie wideo analizuje treść wizualną poprzez klatki i zwraca opis lub odpowiedź tekstową. Wybierz fragment istotny dla pytania i zachowaj jego kolejność; jeśli mowa jest potrzebna do analizy, dodaj transkrypcję jako tekst, ponieważ ten proces wizualny nie rozumie ścieżki dźwiękowej wideo. Przydatny wynik może zawierać zaobserwowaną sekwencję, istotne szczegóły sceny i pytania, na które dostarczone klatki nie pozwalają odpowiedzieć.
Przygotuj strony dokumentów jako czytelne obrazy do tego procesu wejścia wizualnego; plik PDF lub Word sam w sobie nie jest wejściem obrazowym. W udokumentowanym procesie plików Alibaba przygotuj obrazy o rozmiarze nieprzekraczającym 10 MB, dostępne pod adresem URL; plik wideo dostarczony przez publiczny URL musi mieć długość 2–40 sekund i rozmiar nieprzekraczający 150 MB albo użyj uporządkowanej listy 4–80 klatek. Łączna liczba tokenów wizualnych i tekstowych nadal musi mieścić się w budżecie wejścia modelu. Wykadruj obszar zainteresowania, jeśli na pełnej stronie etykiety są zbyt małe, zachowując kontekst potrzebny do interpretacji tabeli lub diagramu. Określ, czy chcesz dosłowną transkrypcję, wyjaśnienie czy krótkie podsumowanie. Ten wybór ułatwia ponowne wykorzystanie wyniku bez mylenia słów widocznych w źródle z dodatkową interpretacją modelu.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0013 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen-vl-plus-2025-05-07",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-plus-2025-05-07
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.