Qwen-VL-Plus 2025-07-10 é o modelo datado de visão e linguagem da Alibaba para compreender imagens e vídeo. A sua atualização distintiva é uma melhor compreensão do conteúdo de vídeos de vigilância. O modelo aceita material visual juntamente com instruções textuais e devolve texto: uma descrição de um evento, uma resposta sobre a cena ou um relatório organizado em torno dos detalhes que lhe pede para examinar. A Alibaba também identifica esta versão como qwen-vl-plus-0710.
O fabricante distingue esta edição de Qwen-VL-Plus 2025-05-07 e do alias Qwen-VL-Plus latest descrito na mesma página. Esta distinção importa quando a tarefa diz respeito especificamente a imagens de câmaras: a atualização focada na vigilância pertence à versão de julho identificada por nome. Registe a edição exata na tarefa quando comparar prompts ou voltar a examinar as mesmas gravações.
As perguntas visuais podem incidir sobre o que aparece num fotograma, a posição dos objetos e a evolução das ações visíveis ao longo de uma sequência. Uma única imagem pode servir para descrever uma cena; várias imagens etiquetadas podem fornecer diferentes vistas ou momentos sucessivos. A compreensão de vídeo utiliza fotogramas amostrados. A explicação resultante diz respeito às evidências visíveis; o modelo não gera um vídeo de substituição, e este fluxo de trabalho visual não analisa a faixa de áudio do vídeo.
Para um relatório de eventos, prepare um excerto relevante ou uma sequência ordenada de fotogramas e identifique a zona ou atividade importante. Um exemplo de instrução é: «Descreva, por ordem, as ações visíveis da pessoa junto à entrada. Para cada observação, indique o objeto envolvido, a sua posição e a mudança que consegue ver. Coloque os detalhes incertos numa frase final separada.» Pode pedir uma narrativa breve, uma lista de observações ou secções de relatório com nomes. São instruções para a resposta textual, e não um modo separado de saída estruturada.
A janela de contexto publicada desta versão é de 32 768 tokens, com uma entrada máxima de 30 720 tokens e uma saída máxima de 8 096 tokens. A tabela específica do modelo também indica um máximo de 16 384 tokens para uma imagem. As instruções textuais, o contexto da conversa e o conteúdo visual têm de caber juntos no orçamento de entrada; o limite de saída é uma restrição separada, não espaço adicional para mais material de origem. Ao examinar uma gravação longa, isole o episódio e preserve fotogramas suficientes em redor para tornar a sua sequência compreensível.
Escolha fotogramas de origem nos quais os objetos relevantes sejam distinguíveis, identifique as diferentes câmaras ou vistas com etiquetas e formule com precisão a observação pedida. Para o fluxo de ficheiros documentado pela Alibaba, prepare imagens por URL com tamanho não superior a 10 MB; um ficheiro de vídeo fornecido por URL público deve durar 2–40 segundos e ter tamanho não superior a 150 MB, ou utilize uma lista ordenada de 4–80 fotogramas. Os tokens visuais e textuais combinados têm de continuar a caber no orçamento de entrada do modelo. Se a tarefa depender de uma explicação falada, forneça a sua transcrição separadamente em texto. Peça ao relatório que separe um movimento visível de uma intenção inferida: «caminhou em direção à porta» é uma afirmação diferente da intenção de sair. O resultado útil é um registo textual que pode ser revisto e que está ligado à gravação e aos critérios de observação indicados.
", "aboutText": "Qwen-VL-Plus 2025-07-10 é o modelo datado de visão e linguagem da Alibaba para compreender imagens e vídeo. A sua atualização distintiva é uma melhor compreensão do conteúdo de vídeos de vigilância. O modelo aceita material visual juntamente com instruções textuais e devolve texto: uma descrição de um evento, uma resposta sobre a cena ou um relatório organizado em torno dos detalhes que lhe pede para examinar. A Alibaba também identifica esta versão como qwen-vl-plus-0710.\n\nO fabricante distingue esta edição de Qwen-VL-Plus 2025-05-07 e do alias Qwen-VL-Plus latest descrito na mesma página. Esta distinção importa quando a tarefa diz respeito especificamente a imagens de câmaras: a atualização focada na vigilância pertence à versão de julho identificada por nome. Registe a edição exata na tarefa quando comparar prompts ou voltar a examinar as mesmas gravações.\n\nAs perguntas visuais podem incidir sobre o que aparece num fotograma, a posição dos objetos e a evolução das ações visíveis ao longo de uma sequência. Uma única imagem pode servir para descrever uma cena; várias imagens etiquetadas podem fornecer diferentes vistas ou momentos sucessivos. A compreensão de vídeo utiliza fotogramas amostrados. A explicação resultante diz respeito às evidências visíveis; o modelo não gera um vídeo de substituição, e este fluxo de trabalho visual não analisa a faixa de áudio do vídeo.\n\nPara um relatório de eventos, prepare um excerto relevante ou uma sequência ordenada de fotogramas e identifique a zona ou atividade importante. Um exemplo de instrução é: «Descreva, por ordem, as ações visíveis da pessoa junto à entrada. Para cada observação, indique o objeto envolvido, a sua posição e a mudança que consegue ver. Coloque os detalhes incertos numa frase final separada.» Pode pedir uma narrativa breve, uma lista de observações ou secções de relatório com nomes. São instruções para a resposta textual, e não um modo separado de saída estruturada.\n\nA janela de contexto publicada desta versão é de 32 768 tokens, com uma entrada máxima de 30 720 tokens e uma saída máxima de 8 096 tokens. A tabela específica do modelo também indica um máximo de 16 384 tokens para uma imagem. As instruções textuais, o contexto da conversa e o conteúdo visual têm de caber juntos no orçamento de entrada; o limite de saída é uma restrição separada, não espaço adicional para mais material de origem. Ao examinar uma gravação longa, isole o episódio e preserve fotogramas suficientes em redor para tornar a sua sequência compreensível.\n\nEscolha fotogramas de origem nos quais os objetos relevantes sejam distinguíveis, identifique as diferentes câmaras ou vistas com etiquetas e formule com precisão a observação pedida. Para o fluxo de ficheiros documentado pela Alibaba, prepare imagens por URL com tamanho não superior a 10 MB; um ficheiro de vídeo fornecido por URL público deve durar 2–40 segundos e ter tamanho não superior a 150 MB, ou utilize uma lista ordenada de 4–80 fotogramas. Os tokens visuais e textuais combinados têm de continuar a caber no orçamento de entrada do modelo. Se a tarefa depender de uma explicação falada, forneça a sua transcrição separadamente em texto. Peça ao relatório que separe um movimento visível de uma intenção inferida: «caminhou em direção à porta» é uma afirmação diferente da intenção de sair. O resultado útil é um registo textual que pode ser revisto e que está ligado à gravação e aos critérios de observação indicados.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 é uma versão de visão e linguagem centrada na compreensão de vídeos de vigilância. Combina imagens ou fotogramas de vídeo com uma pergunta escrita para descrever eventos visíveis, acompanhar ações e produzir um relatório textual.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-VL-Plus 2025-07-10 é o modelo datado de visão e linguagem da Alibaba para compreender imagens e vídeo. A sua atualização distintiva é uma melhor compreensão do conteúdo de vídeos de vigilância. O modelo aceita material visual juntamente com instruções textuais e devolve texto: uma descrição de um evento, uma resposta sobre a cena ou um relatório organizado em torno dos detalhes que lhe pede para examinar. A Alibaba também identifica esta versão como qwen-vl-plus-0710.
O fabricante distingue esta edição de Qwen-VL-Plus 2025-05-07 e do alias Qwen-VL-Plus latest descrito na mesma página. Esta distinção importa quando a tarefa diz respeito especificamente a imagens de câmaras: a atualização focada na vigilância pertence à versão de julho identificada por nome. Registe a edição exata na tarefa quando comparar prompts ou voltar a examinar as mesmas gravações.
As perguntas visuais podem incidir sobre o que aparece num fotograma, a posição dos objetos e a evolução das ações visíveis ao longo de uma sequência. Uma única imagem pode servir para descrever uma cena; várias imagens etiquetadas podem fornecer diferentes vistas ou momentos sucessivos. A compreensão de vídeo utiliza fotogramas amostrados. A explicação resultante diz respeito às evidências visíveis; o modelo não gera um vídeo de substituição, e este fluxo de trabalho visual não analisa a faixa de áudio do vídeo.
Para um relatório de eventos, prepare um excerto relevante ou uma sequência ordenada de fotogramas e identifique a zona ou atividade importante. Um exemplo de instrução é: «Descreva, por ordem, as ações visíveis da pessoa junto à entrada. Para cada observação, indique o objeto envolvido, a sua posição e a mudança que consegue ver. Coloque os detalhes incertos numa frase final separada.» Pode pedir uma narrativa breve, uma lista de observações ou secções de relatório com nomes. São instruções para a resposta textual, e não um modo separado de saída estruturada.
A janela de contexto publicada desta versão é de 32 768 tokens, com uma entrada máxima de 30 720 tokens e uma saída máxima de 8 096 tokens. A tabela específica do modelo também indica um máximo de 16 384 tokens para uma imagem. As instruções textuais, o contexto da conversa e o conteúdo visual têm de caber juntos no orçamento de entrada; o limite de saída é uma restrição separada, não espaço adicional para mais material de origem. Ao examinar uma gravação longa, isole o episódio e preserve fotogramas suficientes em redor para tornar a sua sequência compreensível.
Escolha fotogramas de origem nos quais os objetos relevantes sejam distinguíveis, identifique as diferentes câmaras ou vistas com etiquetas e formule com precisão a observação pedida. Para o fluxo de ficheiros documentado pela Alibaba, prepare imagens por URL com tamanho não superior a 10 MB; um ficheiro de vídeo fornecido por URL público deve durar 2–40 segundos e ter tamanho não superior a 150 MB, ou utilize uma lista ordenada de 4–80 fotogramas. Os tokens visuais e textuais combinados têm de continuar a caber no orçamento de entrada do modelo. Se a tarefa depender de uma explicação falada, forneça a sua transcrição separadamente em texto. Peça ao relatório que separe um movimento visível de uma intenção inferida: «caminhou em direção à porta» é uma afirmação diferente da intenção de sair. O resultado útil é um registo textual que pode ser revisto e que está ligado à gravação e aos critérios de observação indicados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-vl-plus-2025-07-10 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.000044 / 1K tokens Saída · Tokens de saída $0.00044 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-vl-plus-2025-07-10", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-07-10',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-07-10',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen-vl-plus-2025-07-10
Use os caminhos dos métodos indicados acima.
qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 é uma versão de visão e linguagem centrada na compreensão de vídeos de vigilância. Combina imagens ou fotogramas de vídeo com uma pergunta escrita para descrever eventos visíveis, acompanhar ações e produzir um relatório textual.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen-VL-Plus 2025-07-10 é o modelo datado de visão e linguagem da Alibaba para compreender imagens e vídeo. A sua atualização distintiva é uma melhor compreensão do conteúdo de vídeos de vigilância. O modelo aceita material visual juntamente com instruções textuais e devolve texto: uma descrição de um evento, uma resposta sobre a cena ou um relatório organizado em torno dos detalhes que lhe pede para examinar. A Alibaba também identifica esta versão como qwen-vl-plus-0710.
O fabricante distingue esta edição de Qwen-VL-Plus 2025-05-07 e do alias Qwen-VL-Plus latest descrito na mesma página. Esta distinção importa quando a tarefa diz respeito especificamente a imagens de câmaras: a atualização focada na vigilância pertence à versão de julho identificada por nome. Registe a edição exata na tarefa quando comparar prompts ou voltar a examinar as mesmas gravações.
As perguntas visuais podem incidir sobre o que aparece num fotograma, a posição dos objetos e a evolução das ações visíveis ao longo de uma sequência. Uma única imagem pode servir para descrever uma cena; várias imagens etiquetadas podem fornecer diferentes vistas ou momentos sucessivos. A compreensão de vídeo utiliza fotogramas amostrados. A explicação resultante diz respeito às evidências visíveis; o modelo não gera um vídeo de substituição, e este fluxo de trabalho visual não analisa a faixa de áudio do vídeo.
Para um relatório de eventos, prepare um excerto relevante ou uma sequência ordenada de fotogramas e identifique a zona ou atividade importante. Um exemplo de instrução é: «Descreva, por ordem, as ações visíveis da pessoa junto à entrada. Para cada observação, indique o objeto envolvido, a sua posição e a mudança que consegue ver. Coloque os detalhes incertos numa frase final separada.» Pode pedir uma narrativa breve, uma lista de observações ou secções de relatório com nomes. São instruções para a resposta textual, e não um modo separado de saída estruturada.
A janela de contexto publicada desta versão é de 32 768 tokens, com uma entrada máxima de 30 720 tokens e uma saída máxima de 8 096 tokens. A tabela específica do modelo também indica um máximo de 16 384 tokens para uma imagem. As instruções textuais, o contexto da conversa e o conteúdo visual têm de caber juntos no orçamento de entrada; o limite de saída é uma restrição separada, não espaço adicional para mais material de origem. Ao examinar uma gravação longa, isole o episódio e preserve fotogramas suficientes em redor para tornar a sua sequência compreensível.
Escolha fotogramas de origem nos quais os objetos relevantes sejam distinguíveis, identifique as diferentes câmaras ou vistas com etiquetas e formule com precisão a observação pedida. Para o fluxo de ficheiros documentado pela Alibaba, prepare imagens por URL com tamanho não superior a 10 MB; um ficheiro de vídeo fornecido por URL público deve durar 2–40 segundos e ter tamanho não superior a 150 MB, ou utilize uma lista ordenada de 4–80 fotogramas. Os tokens visuais e textuais combinados têm de continuar a caber no orçamento de entrada do modelo. Se a tarefa depender de uma explicação falada, forneça a sua transcrição separadamente em texto. Peça ao relatório que separe um movimento visível de uma intenção inferida: «caminhou em direção à porta» é uma afirmação diferente da intenção de sair. O resultado útil é um registo textual que pode ser revisto e que está ligado à gravação e aos critérios de observação indicados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-vl-plus-2025-07-10 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.000044 / 1K tokens Saída · Tokens de saída $0.00044 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen-vl-plus-2025-07-10",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-07-10', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-07-10', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen-vl-plus-2025-07-10
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.