Qwen-VL-Plus to wizualno-językowa linia Qwen, ze szczególnym naciskiem na rozpoznawanie szczegółów i tekstu wewnątrz obrazów. Producent opisuje obsługę obrazów mających ponad milion pikseli oraz różnych proporcji boków. Model jest więc przydatny, gdy odpowiedź zależy od drobnej etykiety, pola na stronie lub relacji między elementami tekstowymi i wizualnymi, a nie tylko od tematu fotografii.
Aktualna karta producenta opisuje nazwę qwen-vl-plus bez oznaczenia wersji jako funkcjonalnie równoważną qwen-vl-plus-2025-08-15. Zachowaj dokładną nazwę wydania w powtarzalnym zadaniu. Oznaczenie Plus, alias Latest i inna datowana wersja to odrębne wybory; zgodność nazwy rodziny nie czyni ich specyfikacji wymiennymi.
Możliwości modelu
Producent wymienia tekst, obrazy i wideo jako wejście, a tekst jako wyjście. Instrukcja tekstowa może kierować model do odczytania części dokumentu, opisania obiektów, wyjaśnienia układu lub odpowiedzi na pytanie dotyczące sceny. Rozpoznawanie i wyjaśnianie to powiązane zadania, ale wymagają innych warunków dotyczących wyniku: transkrypcja powinna zachowywać widoczne brzmienie tekstu, a wyjaśnienie wskazywać, jak widoczne szczegóły odnoszą się do pytania.
Do ekstrakcji z dokumentu podaj czytelną stronę i wskaż pola do zwrócenia. W formularzu można poprosić o etykiety pól i ich wartości; w tabeli o żądany wiersz wraz z nagłówkami kolumn. Jeśli wartość nie jest widoczna, określ jednoznaczny sposób przedstawienia brakującej wartości. Ten przykładowy projekt wyniku pomaga aplikacji odróżnić wyodrębniony tekst od uzupełnienia opartego na domyśle.
Przy sprawdzaniu układu pytaj o istotne elementy: gdzie znajduje się etykieta, do którego obiektu należy i czym różnią się dwie wersje. Przypisz każdemu obrazowi rolę i zachowaj te same kryteria porównania. Przy wyjaśnieniu na podstawie zrzutu ekranu podaj cel użytkownika i poproś o krótką instrukcję opartą na widocznych elementach sterujących. Odpowiedź jest tekstem o interfejsie, a nie wykonaną czynnością.
Tabele producenta obejmują kontynuację odpowiedzi na podstawie prefiksu i buforowanie kontekstu. Wyjście strukturyzowane, przesyłanie wsadowe i dostrajanie nie są udostępniane identycznie we wszystkich konfiguracjach producenta; należy traktować je jako opcje interfejsu, a nie bezwarunkową konsekwencję wyboru nazwy Plus. Wywoływanie funkcji i wyszukiwanie w internecie nie są wymienione jako obsługiwane w tej karcie. Prośba o sformatowanie wyodrębnionych pól różni się od prośby o wykonanie funkcji lub pozyskanie nowych informacji z internetu.
Limity kontekstu
Opublikowana karta podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Reprezentacja obrazu lub wideo wykorzystuje pojemność wejścia razem z pytaniem i tekstem pomocniczym. Planuj materiał wizualny i odpowiedź oddzielnie: długie lub szczegółowe wejście może nadal wymagać jedynie krótkiej listy pól lub obserwacji.
Przygotowanie wejścia
Nacisk producenta na szczegóły i różne proporcje nie usuwa potrzeby zapewnienia czytelnego materiału. Zachowaj wyraźny obszar zawierający żądany tekst. Przy kadrowaniu tabeli zachowaj nagłówki i jednostki potrzebne do interpretacji wartości; przy kilku stronach wskaż ich kolejność i część do sprawdzenia. Określ, czy chcesz oryginalne brzmienie tekstu, podsumowanie czy interpretację, aby te wyniki się nie mieszały.
W przypadku wideo określ zdarzenie lub widoczny szczegół do opisania oraz oczekiwaną strukturę odpowiedzi. Praktyczne zadanie może prosić o sekwencję czynności w demonstracji i obiekty uczestniczące w każdym kroku. Udokumentowanym wyjściem jest tekst; karta nie wymienia dźwięku jako wejścia ani mowy jako wyjścia. Dlatego ta ścieżka wizualna nie powinna służyć jako dowód, że zrozumiano transkrypcję wypowiedzi.
Przydatny, powtarzalny proces polega na zadaniu tych samych pól ekstrakcji dla kilku obrazów dokumentów, zachowaniu identyfikatorów obrazów przy wynikach, a następnie porównaniu powstałych rekordów w aplikacji. Inny polega na połączeniu zrzutu ekranu z pisemnym wymaganiem i poproszeniu o widoczne zgodności, różnice i nierozstrzygnięte szczegóły. W obu przypadkach zachowaj powiązanie obrazu źródłowego z każdą zwróconą wartością, aby wynik można było sprawdzić.
", "aboutText": "Qwen-VL-Plus to wizualno-językowa linia Qwen, ze szczególnym naciskiem na rozpoznawanie szczegółów i tekstu wewnątrz obrazów. Producent opisuje obsługę obrazów mających ponad milion pikseli oraz różnych proporcji boków. Model jest więc przydatny, gdy odpowiedź zależy od drobnej etykiety, pola na stronie lub relacji między elementami tekstowymi i wizualnymi, a nie tylko od tematu fotografii.\n\nAktualna karta producenta opisuje nazwę qwen-vl-plus bez oznaczenia wersji jako funkcjonalnie równoważną qwen-vl-plus-2025-08-15. Zachowaj dokładną nazwę wydania w powtarzalnym zadaniu. Oznaczenie Plus, alias Latest i inna datowana wersja to odrębne wybory; zgodność nazwy rodziny nie czyni ich specyfikacji wymiennymi.\n\nMożliwości modelu\n\nProducent wymienia tekst, obrazy i wideo jako wejście, a tekst jako wyjście. Instrukcja tekstowa może kierować model do odczytania części dokumentu, opisania obiektów, wyjaśnienia układu lub odpowiedzi na pytanie dotyczące sceny. Rozpoznawanie i wyjaśnianie to powiązane zadania, ale wymagają innych warunków dotyczących wyniku: transkrypcja powinna zachowywać widoczne brzmienie tekstu, a wyjaśnienie wskazywać, jak widoczne szczegóły odnoszą się do pytania.\n\nDo ekstrakcji z dokumentu podaj czytelną stronę i wskaż pola do zwrócenia. W formularzu można poprosić o etykiety pól i ich wartości; w tabeli o żądany wiersz wraz z nagłówkami kolumn. Jeśli wartość nie jest widoczna, określ jednoznaczny sposób przedstawienia brakującej wartości. Ten przykładowy projekt wyniku pomaga aplikacji odróżnić wyodrębniony tekst od uzupełnienia opartego na domyśle.\n\nPrzy sprawdzaniu układu pytaj o istotne elementy: gdzie znajduje się etykieta, do którego obiektu należy i czym różnią się dwie wersje. Przypisz każdemu obrazowi rolę i zachowaj te same kryteria porównania. Przy wyjaśnieniu na podstawie zrzutu ekranu podaj cel użytkownika i poproś o krótką instrukcję opartą na widocznych elementach sterujących. Odpowiedź jest tekstem o interfejsie, a nie wykonaną czynnością.\n\nTabele producenta obejmują kontynuację odpowiedzi na podstawie prefiksu i buforowanie kontekstu. Wyjście strukturyzowane, przesyłanie wsadowe i dostrajanie nie są udostępniane identycznie we wszystkich konfiguracjach producenta; należy traktować je jako opcje interfejsu, a nie bezwarunkową konsekwencję wyboru nazwy Plus. Wywoływanie funkcji i wyszukiwanie w internecie nie są wymienione jako obsługiwane w tej karcie. Prośba o sformatowanie wyodrębnionych pól różni się od prośby o wykonanie funkcji lub pozyskanie nowych informacji z internetu.\n\nLimity kontekstu\n\nOpublikowana karta podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Reprezentacja obrazu lub wideo wykorzystuje pojemność wejścia razem z pytaniem i tekstem pomocniczym. Planuj materiał wizualny i odpowiedź oddzielnie: długie lub szczegółowe wejście może nadal wymagać jedynie krótkiej listy pól lub obserwacji.\n\nPrzygotowanie wejścia\n\nNacisk producenta na szczegóły i różne proporcje nie usuwa potrzeby zapewnienia czytelnego materiału. Zachowaj wyraźny obszar zawierający żądany tekst. Przy kadrowaniu tabeli zachowaj nagłówki i jednostki potrzebne do interpretacji wartości; przy kilku stronach wskaż ich kolejność i część do sprawdzenia. Określ, czy chcesz oryginalne brzmienie tekstu, podsumowanie czy interpretację, aby te wyniki się nie mieszały.\n\nW przypadku wideo określ zdarzenie lub widoczny szczegół do opisania oraz oczekiwaną strukturę odpowiedzi. Praktyczne zadanie może prosić o sekwencję czynności w demonstracji i obiekty uczestniczące w każdym kroku. Udokumentowanym wyjściem jest tekst; karta nie wymienia dźwięku jako wejścia ani mowy jako wyjścia. Dlatego ta ścieżka wizualna nie powinna służyć jako dowód, że zrozumiano transkrypcję wypowiedzi.\n\nPrzydatny, powtarzalny proces polega na zadaniu tych samych pól ekstrakcji dla kilku obrazów dokumentów, zachowaniu identyfikatorów obrazów przy wynikach, a następnie porównaniu powstałych rekordów w aplikacji. Inny polega na połączeniu zrzutu ekranu z pisemnym wymaganiem i poproszeniu o widoczne zgodności, różnice i nierozstrzygnięte szczegóły. W obu przypadkach zachowaj powiązanie obrazu źródłowego z każdą zwróconą wartością, aby wynik można było sprawdzić.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Compare transcribed package labels\n\nCompare these package-label transcriptions using the same fields. Label A: Oat drink; 1 L; ingredients: water, oats, salt. Label B: Oat drink; 750 mL; ingredients: water, oats, sunflower oil, salt. Return product name, volume and ingredient differences. Preserve original units and do not infer nutrition values or visual layout.A label comparison table plus a short list of explicit wording and quantity differences.Check that sunflower oil is attributed only to Label B and the original L/mL units are retained.qwen-vl-plusQwen-VL-Plus odczytuje tekst i szczegóły w obrazach, łącząc je z pisemnym pytaniem. Producent dokumentuje wejście obrazowe i wideo, wyjście tekstowe, obrazy o wysokiej rozdzielczości i różne proporcje boków do ekstrakcji z dokumentów, porównań wizualnych i wyjaśniania scen.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-VL-Plus to wizualno-językowa linia Qwen, ze szczególnym naciskiem na rozpoznawanie szczegółów i tekstu wewnątrz obrazów. Producent opisuje obsługę obrazów mających ponad milion pikseli oraz różnych proporcji boków. Model jest więc przydatny, gdy odpowiedź zależy od drobnej etykiety, pola na stronie lub relacji między elementami tekstowymi i wizualnymi, a nie tylko od tematu fotografii.
Aktualna karta producenta opisuje nazwę qwen-vl-plus bez oznaczenia wersji jako funkcjonalnie równoważną qwen-vl-plus-2025-08-15. Zachowaj dokładną nazwę wydania w powtarzalnym zadaniu. Oznaczenie Plus, alias Latest i inna datowana wersja to odrębne wybory; zgodność nazwy rodziny nie czyni ich specyfikacji wymiennymi.
Możliwości modelu
Producent wymienia tekst, obrazy i wideo jako wejście, a tekst jako wyjście. Instrukcja tekstowa może kierować model do odczytania części dokumentu, opisania obiektów, wyjaśnienia układu lub odpowiedzi na pytanie dotyczące sceny. Rozpoznawanie i wyjaśnianie to powiązane zadania, ale wymagają innych warunków dotyczących wyniku: transkrypcja powinna zachowywać widoczne brzmienie tekstu, a wyjaśnienie wskazywać, jak widoczne szczegóły odnoszą się do pytania.
Do ekstrakcji z dokumentu podaj czytelną stronę i wskaż pola do zwrócenia. W formularzu można poprosić o etykiety pól i ich wartości; w tabeli o żądany wiersz wraz z nagłówkami kolumn. Jeśli wartość nie jest widoczna, określ jednoznaczny sposób przedstawienia brakującej wartości. Ten przykładowy projekt wyniku pomaga aplikacji odróżnić wyodrębniony tekst od uzupełnienia opartego na domyśle.
Przy sprawdzaniu układu pytaj o istotne elementy: gdzie znajduje się etykieta, do którego obiektu należy i czym różnią się dwie wersje. Przypisz każdemu obrazowi rolę i zachowaj te same kryteria porównania. Przy wyjaśnieniu na podstawie zrzutu ekranu podaj cel użytkownika i poproś o krótką instrukcję opartą na widocznych elementach sterujących. Odpowiedź jest tekstem o interfejsie, a nie wykonaną czynnością.
Tabele producenta obejmują kontynuację odpowiedzi na podstawie prefiksu i buforowanie kontekstu. Wyjście strukturyzowane, przesyłanie wsadowe i dostrajanie nie są udostępniane identycznie we wszystkich konfiguracjach producenta; należy traktować je jako opcje interfejsu, a nie bezwarunkową konsekwencję wyboru nazwy Plus. Wywoływanie funkcji i wyszukiwanie w internecie nie są wymienione jako obsługiwane w tej karcie. Prośba o sformatowanie wyodrębnionych pól różni się od prośby o wykonanie funkcji lub pozyskanie nowych informacji z internetu.
Limity kontekstu
Opublikowana karta podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Reprezentacja obrazu lub wideo wykorzystuje pojemność wejścia razem z pytaniem i tekstem pomocniczym. Planuj materiał wizualny i odpowiedź oddzielnie: długie lub szczegółowe wejście może nadal wymagać jedynie krótkiej listy pól lub obserwacji.
Przygotowanie wejścia
Nacisk producenta na szczegóły i różne proporcje nie usuwa potrzeby zapewnienia czytelnego materiału. Zachowaj wyraźny obszar zawierający żądany tekst. Przy kadrowaniu tabeli zachowaj nagłówki i jednostki potrzebne do interpretacji wartości; przy kilku stronach wskaż ich kolejność i część do sprawdzenia. Określ, czy chcesz oryginalne brzmienie tekstu, podsumowanie czy interpretację, aby te wyniki się nie mieszały.
W przypadku wideo określ zdarzenie lub widoczny szczegół do opisania oraz oczekiwaną strukturę odpowiedzi. Praktyczne zadanie może prosić o sekwencję czynności w demonstracji i obiekty uczestniczące w każdym kroku. Udokumentowanym wyjściem jest tekst; karta nie wymienia dźwięku jako wejścia ani mowy jako wyjścia. Dlatego ta ścieżka wizualna nie powinna służyć jako dowód, że zrozumiano transkrypcję wypowiedzi.
Przydatny, powtarzalny proces polega na zadaniu tych samych pól ekstrakcji dla kilku obrazów dokumentów, zachowaniu identyfikatorów obrazów przy wynikach, a następnie porównaniu powstałych rekordów w aplikacji. Inny polega na połączeniu zrzutu ekranu z pisemnym wymaganiem i poproszeniu o widoczne zgodności, różnice i nierozstrzygnięte szczegóły. W obu przypadkach zachowaj powiązanie obrazu źródłowego z każdą zwróconą wartością, aby wynik można było sprawdzić.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-vl-plus | 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 $0.00024 / 1K tokenów Wyjście · Tokeny wyjściowe $0.000572 / 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Użyj ścieżek metod podanych powyżej.
qwen-vl-plusQwen-VL-Plus odczytuje tekst i szczegóły w obrazach, łącząc je z pisemnym pytaniem. Producent dokumentuje wejście obrazowe i wideo, wyjście tekstowe, obrazy o wysokiej rozdzielczości i różne proporcje boków do ekstrakcji z dokumentów, porównań wizualnych i wyjaśniania scen.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen-VL-Plus to wizualno-językowa linia Qwen, ze szczególnym naciskiem na rozpoznawanie szczegółów i tekstu wewnątrz obrazów. Producent opisuje obsługę obrazów mających ponad milion pikseli oraz różnych proporcji boków. Model jest więc przydatny, gdy odpowiedź zależy od drobnej etykiety, pola na stronie lub relacji między elementami tekstowymi i wizualnymi, a nie tylko od tematu fotografii.
Aktualna karta producenta opisuje nazwę qwen-vl-plus bez oznaczenia wersji jako funkcjonalnie równoważną qwen-vl-plus-2025-08-15. Zachowaj dokładną nazwę wydania w powtarzalnym zadaniu. Oznaczenie Plus, alias Latest i inna datowana wersja to odrębne wybory; zgodność nazwy rodziny nie czyni ich specyfikacji wymiennymi.
Możliwości modelu
Producent wymienia tekst, obrazy i wideo jako wejście, a tekst jako wyjście. Instrukcja tekstowa może kierować model do odczytania części dokumentu, opisania obiektów, wyjaśnienia układu lub odpowiedzi na pytanie dotyczące sceny. Rozpoznawanie i wyjaśnianie to powiązane zadania, ale wymagają innych warunków dotyczących wyniku: transkrypcja powinna zachowywać widoczne brzmienie tekstu, a wyjaśnienie wskazywać, jak widoczne szczegóły odnoszą się do pytania.
Do ekstrakcji z dokumentu podaj czytelną stronę i wskaż pola do zwrócenia. W formularzu można poprosić o etykiety pól i ich wartości; w tabeli o żądany wiersz wraz z nagłówkami kolumn. Jeśli wartość nie jest widoczna, określ jednoznaczny sposób przedstawienia brakującej wartości. Ten przykładowy projekt wyniku pomaga aplikacji odróżnić wyodrębniony tekst od uzupełnienia opartego na domyśle.
Przy sprawdzaniu układu pytaj o istotne elementy: gdzie znajduje się etykieta, do którego obiektu należy i czym różnią się dwie wersje. Przypisz każdemu obrazowi rolę i zachowaj te same kryteria porównania. Przy wyjaśnieniu na podstawie zrzutu ekranu podaj cel użytkownika i poproś o krótką instrukcję opartą na widocznych elementach sterujących. Odpowiedź jest tekstem o interfejsie, a nie wykonaną czynnością.
Tabele producenta obejmują kontynuację odpowiedzi na podstawie prefiksu i buforowanie kontekstu. Wyjście strukturyzowane, przesyłanie wsadowe i dostrajanie nie są udostępniane identycznie we wszystkich konfiguracjach producenta; należy traktować je jako opcje interfejsu, a nie bezwarunkową konsekwencję wyboru nazwy Plus. Wywoływanie funkcji i wyszukiwanie w internecie nie są wymienione jako obsługiwane w tej karcie. Prośba o sformatowanie wyodrębnionych pól różni się od prośby o wykonanie funkcji lub pozyskanie nowych informacji z internetu.
Limity kontekstu
Opublikowana karta podaje okno kontekstu 131 072 tokenów, maksymalne wejście 129 024 tokenów i maksymalne wyjście 8 192 tokenów. Reprezentacja obrazu lub wideo wykorzystuje pojemność wejścia razem z pytaniem i tekstem pomocniczym. Planuj materiał wizualny i odpowiedź oddzielnie: długie lub szczegółowe wejście może nadal wymagać jedynie krótkiej listy pól lub obserwacji.
Przygotowanie wejścia
Nacisk producenta na szczegóły i różne proporcje nie usuwa potrzeby zapewnienia czytelnego materiału. Zachowaj wyraźny obszar zawierający żądany tekst. Przy kadrowaniu tabeli zachowaj nagłówki i jednostki potrzebne do interpretacji wartości; przy kilku stronach wskaż ich kolejność i część do sprawdzenia. Określ, czy chcesz oryginalne brzmienie tekstu, podsumowanie czy interpretację, aby te wyniki się nie mieszały.
W przypadku wideo określ zdarzenie lub widoczny szczegół do opisania oraz oczekiwaną strukturę odpowiedzi. Praktyczne zadanie może prosić o sekwencję czynności w demonstracji i obiekty uczestniczące w każdym kroku. Udokumentowanym wyjściem jest tekst; karta nie wymienia dźwięku jako wejścia ani mowy jako wyjścia. Dlatego ta ścieżka wizualna nie powinna służyć jako dowód, że zrozumiano transkrypcję wypowiedzi.
Przydatny, powtarzalny proces polega na zadaniu tych samych pól ekstrakcji dla kilku obrazów dokumentów, zachowaniu identyfikatorów obrazów przy wynikach, a następnie porównaniu powstałych rekordów w aplikacji. Inny polega na połączeniu zrzutu ekranu z pisemnym wymaganiem i poproszeniu o widoczne zgodności, różnice i nierozstrzygnięte szczegóły. W obu przypadkach zachowaj powiązanie obrazu źródłowego z każdą zwróconą wartością, aby wynik można było sprawdzić.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity qwen-vl-plus | 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 $0.00024 / 1K tokenów Wyjście · Tokeny wyjściowe $0.000572 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Compare transcribed package labels\n\nCompare these package-label transcriptions using the same fields. Label A: Oat drink; 1 L; ingredients: water, oats, salt. Label B: Oat drink; 750 mL; ingredients: water, oats, sunflower oil, salt. Return product name, volume and ingredient differences. Preserve original units and do not infer nutrition values or visual layout.A label comparison table plus a short list of explicit wording and quantity differences.Check that sunflower oil is attributed only to Label B and the original L/mL units are retained.