Qwen-VL-Plus é a linha de modelos de visão e linguagem da Qwen com um foco particular no reconhecimento de detalhes e de texto dentro das imagens. O fabricante descreve o suporte para imagens com mais de um milhão de píxeis e diferentes proporções. Isto torna o modelo relevante quando a resposta depende de uma pequena etiqueta, de um campo numa página ou da relação entre elementos textuais e visuais, e não apenas do tema de uma fotografia.
A ficha atual do produtor descreve o nome sem versão qwen-vl-plus como funcionalmente equivalente a qwen-vl-plus-2025-08-15. Preserve o nome exato da edição numa tarefa repetível. Uma designação Plus, um alias Latest e outra versão datada são escolhas distintas; a correspondência do nome da família não torna as respetivas especificações intercambiáveis.
Capacidades do modelo
O fabricante indica texto, imagens e vídeo como entradas, com texto como saída. Uma instrução textual pode orientar o modelo para ler uma secção de um documento, descrever objetos, explicar uma disposição ou responder a uma pergunta sobre uma cena. Reconhecimento e explicação são tarefas relacionadas, mas exigem requisitos de saída diferentes: uma transcrição deve preservar as palavras visíveis, enquanto uma explicação deve indicar como os detalhes visíveis se relacionam com a pergunta.
Para extração documental, forneça uma página legível e identifique os campos a devolver. Num formulário, pode pedir as etiquetas dos campos e os seus valores; numa tabela, a linha pretendida juntamente com os cabeçalhos das respetivas colunas. Se um valor não estiver visível, defina uma representação explícita para um valor em falta. Este exemplo de organização da saída ajuda a aplicação a distinguir texto extraído de um preenchimento adivinhado.
Para rever uma disposição, pergunte pelos elementos importantes: onde se encontra uma etiqueta, a que objeto pertence e como diferem duas versões. Atribua uma função a cada imagem e mantenha os mesmos critérios de comparação. Para uma explicação baseada numa captura de ecrã, indique o objetivo do utilizador e peça uma instrução breve baseada nos controlos visíveis. A resposta é texto sobre a interface, e não uma ação executada.
As tabelas do produtor incluem a continuação a partir de um prefixo de resposta e a colocação do contexto em cache. A saída estruturada, a submissão em lote e o fine-tuning não são disponibilizados de forma idêntica nas diferentes configurações do produtor; devem ser tratados como opções da interface, e não como uma consequência incondicional de escolher o nome Plus. A chamada de funções e a pesquisa na Web não estão indicadas como suportadas nesta ficha. Pedir a formatação de campos extraídos é diferente de pedir a execução de uma função ou a obtenção de novas informações na Web.
Limites de contexto
A ficha publicada indica uma janela de contexto de 131 072 tokens, uma entrada máxima de 129 024 tokens e uma saída máxima de 8 192 tokens. A representação da imagem ou do vídeo utiliza capacidade de entrada juntamente com a pergunta e o texto de apoio. Planeie o material visual e a resposta separadamente: uma entrada longa ou detalhada pode ainda exigir apenas uma lista breve de campos ou observações.
Preparação da entrada
O destaque que o fabricante dá aos detalhes e às proporções variadas não elimina a necessidade de material legível. Mantenha nítida a área que contém o texto pedido. Ao recortar uma tabela, preserve os cabeçalhos e as unidades necessários para interpretar os seus valores; ao utilizar várias páginas, indique a sua ordem e a secção a examinar. Especifique se pretende as palavras originais, um resumo ou uma interpretação, para não misturar esses resultados.
Para vídeo, defina o evento ou detalhe visível a descrever e a estrutura pretendida para a resposta. Uma tarefa prática pode pedir a sequência de ações numa demonstração e os objetos envolvidos em cada passo. A saída documentada é texto; a ficha não indica áudio como entrada nem fala como saída. Por isso, esta via visual não deve ser usada como prova de que uma transcrição de conteúdo falado foi compreendida.
Um fluxo de trabalho repetível útil consiste em pedir os mesmos campos de extração a várias imagens de documentos, manter os identificadores das imagens junto dos resultados e comparar depois os registos obtidos na aplicação. Outro consiste em combinar uma captura de ecrã com um requisito escrito e pedir as correspondências visíveis, as diferenças e os detalhes por esclarecer. Em ambos os casos, mantenha a imagem de origem associada a cada valor devolvido, para permitir a inspeção do resultado.
", "aboutText": "Qwen-VL-Plus é a linha de modelos de visão e linguagem da Qwen com um foco particular no reconhecimento de detalhes e de texto dentro das imagens. O fabricante descreve o suporte para imagens com mais de um milhão de píxeis e diferentes proporções. Isto torna o modelo relevante quando a resposta depende de uma pequena etiqueta, de um campo numa página ou da relação entre elementos textuais e visuais, e não apenas do tema de uma fotografia.\n\nA ficha atual do produtor descreve o nome sem versão qwen-vl-plus como funcionalmente equivalente a qwen-vl-plus-2025-08-15. Preserve o nome exato da edição numa tarefa repetível. Uma designação Plus, um alias Latest e outra versão datada são escolhas distintas; a correspondência do nome da família não torna as respetivas especificações intercambiáveis.\n\nCapacidades do modelo\n\nO fabricante indica texto, imagens e vídeo como entradas, com texto como saída. Uma instrução textual pode orientar o modelo para ler uma secção de um documento, descrever objetos, explicar uma disposição ou responder a uma pergunta sobre uma cena. Reconhecimento e explicação são tarefas relacionadas, mas exigem requisitos de saída diferentes: uma transcrição deve preservar as palavras visíveis, enquanto uma explicação deve indicar como os detalhes visíveis se relacionam com a pergunta.\n\nPara extração documental, forneça uma página legível e identifique os campos a devolver. Num formulário, pode pedir as etiquetas dos campos e os seus valores; numa tabela, a linha pretendida juntamente com os cabeçalhos das respetivas colunas. Se um valor não estiver visível, defina uma representação explícita para um valor em falta. Este exemplo de organização da saída ajuda a aplicação a distinguir texto extraído de um preenchimento adivinhado.\n\nPara rever uma disposição, pergunte pelos elementos importantes: onde se encontra uma etiqueta, a que objeto pertence e como diferem duas versões. Atribua uma função a cada imagem e mantenha os mesmos critérios de comparação. Para uma explicação baseada numa captura de ecrã, indique o objetivo do utilizador e peça uma instrução breve baseada nos controlos visíveis. A resposta é texto sobre a interface, e não uma ação executada.\n\nAs tabelas do produtor incluem a continuação a partir de um prefixo de resposta e a colocação do contexto em cache. A saída estruturada, a submissão em lote e o fine-tuning não são disponibilizados de forma idêntica nas diferentes configurações do produtor; devem ser tratados como opções da interface, e não como uma consequência incondicional de escolher o nome Plus. A chamada de funções e a pesquisa na Web não estão indicadas como suportadas nesta ficha. Pedir a formatação de campos extraídos é diferente de pedir a execução de uma função ou a obtenção de novas informações na Web.\n\nLimites de contexto\n\nA ficha publicada indica uma janela de contexto de 131 072 tokens, uma entrada máxima de 129 024 tokens e uma saída máxima de 8 192 tokens. A representação da imagem ou do vídeo utiliza capacidade de entrada juntamente com a pergunta e o texto de apoio. Planeie o material visual e a resposta separadamente: uma entrada longa ou detalhada pode ainda exigir apenas uma lista breve de campos ou observações.\n\nPreparação da entrada\n\nO destaque que o fabricante dá aos detalhes e às proporções variadas não elimina a necessidade de material legível. Mantenha nítida a área que contém o texto pedido. Ao recortar uma tabela, preserve os cabeçalhos e as unidades necessários para interpretar os seus valores; ao utilizar várias páginas, indique a sua ordem e a secção a examinar. Especifique se pretende as palavras originais, um resumo ou uma interpretação, para não misturar esses resultados.\n\nPara vídeo, defina o evento ou detalhe visível a descrever e a estrutura pretendida para a resposta. Uma tarefa prática pode pedir a sequência de ações numa demonstração e os objetos envolvidos em cada passo. A saída documentada é texto; a ficha não indica áudio como entrada nem fala como saída. Por isso, esta via visual não deve ser usada como prova de que uma transcrição de conteúdo falado foi compreendida.\n\nUm fluxo de trabalho repetível útil consiste em pedir os mesmos campos de extração a várias imagens de documentos, manter os identificadores das imagens junto dos resultados e comparar depois os registos obtidos na aplicação. Outro consiste em combinar uma captura de ecrã com um requisito escrito e pedir as correspondências visíveis, as diferenças e os detalhes por esclarecer. Em ambos os casos, mantenha a imagem de origem associada a cada valor devolvido, para permitir a inspeção do resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 lê texto e detalhes nas imagens e combina-os com uma pergunta escrita. O fabricante documenta a entrada de imagens e vídeo, a saída de texto, imagens de alta resolução e várias proporções para extração documental, comparação visual e explicação de cenas.
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 é a linha de modelos de visão e linguagem da Qwen com um foco particular no reconhecimento de detalhes e de texto dentro das imagens. O fabricante descreve o suporte para imagens com mais de um milhão de píxeis e diferentes proporções. Isto torna o modelo relevante quando a resposta depende de uma pequena etiqueta, de um campo numa página ou da relação entre elementos textuais e visuais, e não apenas do tema de uma fotografia.
A ficha atual do produtor descreve o nome sem versão qwen-vl-plus como funcionalmente equivalente a qwen-vl-plus-2025-08-15. Preserve o nome exato da edição numa tarefa repetível. Uma designação Plus, um alias Latest e outra versão datada são escolhas distintas; a correspondência do nome da família não torna as respetivas especificações intercambiáveis.
Capacidades do modelo
O fabricante indica texto, imagens e vídeo como entradas, com texto como saída. Uma instrução textual pode orientar o modelo para ler uma secção de um documento, descrever objetos, explicar uma disposição ou responder a uma pergunta sobre uma cena. Reconhecimento e explicação são tarefas relacionadas, mas exigem requisitos de saída diferentes: uma transcrição deve preservar as palavras visíveis, enquanto uma explicação deve indicar como os detalhes visíveis se relacionam com a pergunta.
Para extração documental, forneça uma página legível e identifique os campos a devolver. Num formulário, pode pedir as etiquetas dos campos e os seus valores; numa tabela, a linha pretendida juntamente com os cabeçalhos das respetivas colunas. Se um valor não estiver visível, defina uma representação explícita para um valor em falta. Este exemplo de organização da saída ajuda a aplicação a distinguir texto extraído de um preenchimento adivinhado.
Para rever uma disposição, pergunte pelos elementos importantes: onde se encontra uma etiqueta, a que objeto pertence e como diferem duas versões. Atribua uma função a cada imagem e mantenha os mesmos critérios de comparação. Para uma explicação baseada numa captura de ecrã, indique o objetivo do utilizador e peça uma instrução breve baseada nos controlos visíveis. A resposta é texto sobre a interface, e não uma ação executada.
As tabelas do produtor incluem a continuação a partir de um prefixo de resposta e a colocação do contexto em cache. A saída estruturada, a submissão em lote e o fine-tuning não são disponibilizados de forma idêntica nas diferentes configurações do produtor; devem ser tratados como opções da interface, e não como uma consequência incondicional de escolher o nome Plus. A chamada de funções e a pesquisa na Web não estão indicadas como suportadas nesta ficha. Pedir a formatação de campos extraídos é diferente de pedir a execução de uma função ou a obtenção de novas informações na Web.
Limites de contexto
A ficha publicada indica uma janela de contexto de 131 072 tokens, uma entrada máxima de 129 024 tokens e uma saída máxima de 8 192 tokens. A representação da imagem ou do vídeo utiliza capacidade de entrada juntamente com a pergunta e o texto de apoio. Planeie o material visual e a resposta separadamente: uma entrada longa ou detalhada pode ainda exigir apenas uma lista breve de campos ou observações.
Preparação da entrada
O destaque que o fabricante dá aos detalhes e às proporções variadas não elimina a necessidade de material legível. Mantenha nítida a área que contém o texto pedido. Ao recortar uma tabela, preserve os cabeçalhos e as unidades necessários para interpretar os seus valores; ao utilizar várias páginas, indique a sua ordem e a secção a examinar. Especifique se pretende as palavras originais, um resumo ou uma interpretação, para não misturar esses resultados.
Para vídeo, defina o evento ou detalhe visível a descrever e a estrutura pretendida para a resposta. Uma tarefa prática pode pedir a sequência de ações numa demonstração e os objetos envolvidos em cada passo. A saída documentada é texto; a ficha não indica áudio como entrada nem fala como saída. Por isso, esta via visual não deve ser usada como prova de que uma transcrição de conteúdo falado foi compreendida.
Um fluxo de trabalho repetível útil consiste em pedir os mesmos campos de extração a várias imagens de documentos, manter os identificadores das imagens junto dos resultados e comparar depois os registos obtidos na aplicação. Outro consiste em combinar uma captura de ecrã com um requisito escrito e pedir as correspondências visíveis, as diferenças e os detalhes por esclarecer. Em ambos os casos, mantenha a imagem de origem associada a cada valor devolvido, para permitir a inspeção do resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-vl-plus | 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 $0.00024 / 1K tokens Saída · Tokens de saída $0.000572 / 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", "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 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
Use os caminhos dos métodos indicados acima.
qwen-vl-plusQwen-VL-Plus lê texto e detalhes nas imagens e combina-os com uma pergunta escrita. O fabricante documenta a entrada de imagens e vídeo, a saída de texto, imagens de alta resolução e várias proporções para extração documental, comparação visual e explicação de cenas.
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 é a linha de modelos de visão e linguagem da Qwen com um foco particular no reconhecimento de detalhes e de texto dentro das imagens. O fabricante descreve o suporte para imagens com mais de um milhão de píxeis e diferentes proporções. Isto torna o modelo relevante quando a resposta depende de uma pequena etiqueta, de um campo numa página ou da relação entre elementos textuais e visuais, e não apenas do tema de uma fotografia.
A ficha atual do produtor descreve o nome sem versão qwen-vl-plus como funcionalmente equivalente a qwen-vl-plus-2025-08-15. Preserve o nome exato da edição numa tarefa repetível. Uma designação Plus, um alias Latest e outra versão datada são escolhas distintas; a correspondência do nome da família não torna as respetivas especificações intercambiáveis.
Capacidades do modelo
O fabricante indica texto, imagens e vídeo como entradas, com texto como saída. Uma instrução textual pode orientar o modelo para ler uma secção de um documento, descrever objetos, explicar uma disposição ou responder a uma pergunta sobre uma cena. Reconhecimento e explicação são tarefas relacionadas, mas exigem requisitos de saída diferentes: uma transcrição deve preservar as palavras visíveis, enquanto uma explicação deve indicar como os detalhes visíveis se relacionam com a pergunta.
Para extração documental, forneça uma página legível e identifique os campos a devolver. Num formulário, pode pedir as etiquetas dos campos e os seus valores; numa tabela, a linha pretendida juntamente com os cabeçalhos das respetivas colunas. Se um valor não estiver visível, defina uma representação explícita para um valor em falta. Este exemplo de organização da saída ajuda a aplicação a distinguir texto extraído de um preenchimento adivinhado.
Para rever uma disposição, pergunte pelos elementos importantes: onde se encontra uma etiqueta, a que objeto pertence e como diferem duas versões. Atribua uma função a cada imagem e mantenha os mesmos critérios de comparação. Para uma explicação baseada numa captura de ecrã, indique o objetivo do utilizador e peça uma instrução breve baseada nos controlos visíveis. A resposta é texto sobre a interface, e não uma ação executada.
As tabelas do produtor incluem a continuação a partir de um prefixo de resposta e a colocação do contexto em cache. A saída estruturada, a submissão em lote e o fine-tuning não são disponibilizados de forma idêntica nas diferentes configurações do produtor; devem ser tratados como opções da interface, e não como uma consequência incondicional de escolher o nome Plus. A chamada de funções e a pesquisa na Web não estão indicadas como suportadas nesta ficha. Pedir a formatação de campos extraídos é diferente de pedir a execução de uma função ou a obtenção de novas informações na Web.
Limites de contexto
A ficha publicada indica uma janela de contexto de 131 072 tokens, uma entrada máxima de 129 024 tokens e uma saída máxima de 8 192 tokens. A representação da imagem ou do vídeo utiliza capacidade de entrada juntamente com a pergunta e o texto de apoio. Planeie o material visual e a resposta separadamente: uma entrada longa ou detalhada pode ainda exigir apenas uma lista breve de campos ou observações.
Preparação da entrada
O destaque que o fabricante dá aos detalhes e às proporções variadas não elimina a necessidade de material legível. Mantenha nítida a área que contém o texto pedido. Ao recortar uma tabela, preserve os cabeçalhos e as unidades necessários para interpretar os seus valores; ao utilizar várias páginas, indique a sua ordem e a secção a examinar. Especifique se pretende as palavras originais, um resumo ou uma interpretação, para não misturar esses resultados.
Para vídeo, defina o evento ou detalhe visível a descrever e a estrutura pretendida para a resposta. Uma tarefa prática pode pedir a sequência de ações numa demonstração e os objetos envolvidos em cada passo. A saída documentada é texto; a ficha não indica áudio como entrada nem fala como saída. Por isso, esta via visual não deve ser usada como prova de que uma transcrição de conteúdo falado foi compreendida.
Um fluxo de trabalho repetível útil consiste em pedir os mesmos campos de extração a várias imagens de documentos, manter os identificadores das imagens junto dos resultados e comparar depois os registos obtidos na aplicação. Outro consiste em combinar uma captura de ecrã com um requisito escrito e pedir as correspondências visíveis, as diferenças e os detalhes por esclarecer. Em ambos os casos, mantenha a imagem de origem associada a cada valor devolvido, para permitir a inspeção do resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen-vl-plus | 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 $0.00024 / 1K tokens Saída · Tokens de saída $0.000572 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.