Qwen-VL-Max är Qwens modellserie för bild- och språkförståelse i frågor som kräver mer än att känna igen ett objekt. Tillverkaren inriktar Max på visuellt resonemang och förmågan att följa instruktioner: koppla de synliga beläggen till användarens villkor, förklara relationer och ta fram ett textresultat för en mer komplex visuell uppgift. Jämfört med Plus-serien lägger den här beskrivningen större vikt vid resonemang och tolkning.
Tillverkarens aktuella modellkort kopplar det odaterade namnet qwen-vl-max till qwen-vl-max-2025-08-13. Det löpande namnet följer uppdateringar, medan ett daterat namn identifierar en viss version. Behåll det exakta namnet när du jämför indata och resultat; andra namngivna utgåvor kan ha andra dokumenterade specifikationer.
Modellens förmågor
Dokumenterade indata omfattar text, bilder och video, medan utdata är text. Det visuella materialet kan vara en dokumentsida, ett diagram, en scen eller en följd av bildrutor. Textfrågan avgör vad modellen ska fastställa utifrån materialet. Resultatet kan beskriva belägg, förklara en relation eller ordna iakttagelser i fält; modellen är inte en utgåva för bild- eller videogenerering.
För ett diagram ska du ange jämförelsen i stället för att be om en allmän beskrivning. Ge bilden och fråga vilken synlig serie som ökar, vad etiketterna betyder och vilka observationer som stöder slutsatsen. Be om separata delar för direkt synliga data och förklaringen. För ett processdiagram ska du ange start- och slutvillkoren och fråga om sambanden mellan stegen, med de ursprungliga etiketterna bevarade.
För en skärmbild ska du ange användarens mål och fråga efter synliga reglage och nästa möjliga steg. Det ger en skriftlig tolkning av gränssnittet. Varje faktiskt klick, filändring eller extern åtgärd är fortsatt den omgivande applikationens uppgift; visuell förståelse ensam är inte ett arbetsflöde för att styra en dator.
Tillverkarens modellkort dokumenterar strukturerade utdata, fortsättning från ett svarsprefix och cachning av kontext. De funktionerna kan hjälpa till att organisera återkommande visuella analyser kring en stabil utformning av utdata. Batchinlämning skiljer sig mellan tillverkarens konfigurationer, medan funktionsanrop, webbsökning och finjustering inte anges som stödda på det här kortet. Ett strukturerat textsvar ska därför inte förväxlas med ett utfört verktygsanrop eller en sökning på nätet.
Kontextgränser
Det namngivna modellkortet anger ett kontextfönster på 131 072 token, maximalt 129 024 indatatoken och maximalt 8 192 utdatatoken. Visuella indata och textuppgiften använder den tillgängliga indatabudgeten tillsammans. Svaret begränsas separat, så en stor mängd visuellt material innebär inte lika omfattande utdata.
Välj bilder eller bildrutor som besvarar den faktiska frågan. Bevara diagrammets teckenförklaring, kolumnrubriker eller diagrametiketter som behövs för att tolka ett beskuret område. När du jämför flera material ska du ange deras ordning och roll: den befintliga utformningen, den ändrade utformningen och referenskravet. Ett användbart skriftligt resultat kan lista överensstämmande delar, skillnader och frågor som förblir olösta utifrån de tillhandahållna beläggen.
Arbeta med video
Videoindata möjliggör frågor om synliga händelser och deras ordning. Fråga vad som ändras mellan bildrutorna, vilka deltagare som samverkar eller vilket synligt villkor som uppträder före ett annat. Definiera de utdata som krävs, till exempel en ordnad händelsebeskrivning med observationerna som stöder varje punkt. Kortet anger videoindata och textutdata, inte ljudindata eller talutdata; en fråga om talat innehåll kräver att innehållet görs tillgängligt separat.
En praktisk uppgift kan jämföra ett demonstrationsklipp med dess skriftliga rutin: ge det visuella materialet och de relevanta stegen, fråga vilka steg som är synligt representerade och be om en kort lista över avvikelser. Ange vilket steg i rutinen varje observation avser och håll oklara steg i en separat del av svaret.
Relevanta begränsningar för utgåvan
Max-modellens fokus på visuellt resonemang är användbart när uppgiften kräver tolkning av relationer och att en komplex visuell instruktion följs. Det dokumenterade resultatet är text. Håll indata läsbara, ange vilken slutsats du behöver och skilj de synliga beläggen från de slutsatser som uppgiften ber modellen att dra. Den förberedelsen gör en visuell fråga till en användbar förklaring eller jämförelse i stället för en sammanfattning av scenen utan tydlig inriktning.
", "aboutText": "Qwen-VL-Max är Qwens modellserie för bild- och språkförståelse i frågor som kräver mer än att känna igen ett objekt. Tillverkaren inriktar Max på visuellt resonemang och förmågan att följa instruktioner: koppla de synliga beläggen till användarens villkor, förklara relationer och ta fram ett textresultat för en mer komplex visuell uppgift. Jämfört med Plus-serien lägger den här beskrivningen större vikt vid resonemang och tolkning.\n\nTillverkarens aktuella modellkort kopplar det odaterade namnet qwen-vl-max till qwen-vl-max-2025-08-13. Det löpande namnet följer uppdateringar, medan ett daterat namn identifierar en viss version. Behåll det exakta namnet när du jämför indata och resultat; andra namngivna utgåvor kan ha andra dokumenterade specifikationer.\n\nModellens förmågor\n\nDokumenterade indata omfattar text, bilder och video, medan utdata är text. Det visuella materialet kan vara en dokumentsida, ett diagram, en scen eller en följd av bildrutor. Textfrågan avgör vad modellen ska fastställa utifrån materialet. Resultatet kan beskriva belägg, förklara en relation eller ordna iakttagelser i fält; modellen är inte en utgåva för bild- eller videogenerering.\n\nFör ett diagram ska du ange jämförelsen i stället för att be om en allmän beskrivning. Ge bilden och fråga vilken synlig serie som ökar, vad etiketterna betyder och vilka observationer som stöder slutsatsen. Be om separata delar för direkt synliga data och förklaringen. För ett processdiagram ska du ange start- och slutvillkoren och fråga om sambanden mellan stegen, med de ursprungliga etiketterna bevarade.\n\nFör en skärmbild ska du ange användarens mål och fråga efter synliga reglage och nästa möjliga steg. Det ger en skriftlig tolkning av gränssnittet. Varje faktiskt klick, filändring eller extern åtgärd är fortsatt den omgivande applikationens uppgift; visuell förståelse ensam är inte ett arbetsflöde för att styra en dator.\n\nTillverkarens modellkort dokumenterar strukturerade utdata, fortsättning från ett svarsprefix och cachning av kontext. De funktionerna kan hjälpa till att organisera återkommande visuella analyser kring en stabil utformning av utdata. Batchinlämning skiljer sig mellan tillverkarens konfigurationer, medan funktionsanrop, webbsökning och finjustering inte anges som stödda på det här kortet. Ett strukturerat textsvar ska därför inte förväxlas med ett utfört verktygsanrop eller en sökning på nätet.\n\nKontextgränser\n\nDet namngivna modellkortet anger ett kontextfönster på 131 072 token, maximalt 129 024 indatatoken och maximalt 8 192 utdatatoken. Visuella indata och textuppgiften använder den tillgängliga indatabudgeten tillsammans. Svaret begränsas separat, så en stor mängd visuellt material innebär inte lika omfattande utdata.\n\nVälj bilder eller bildrutor som besvarar den faktiska frågan. Bevara diagrammets teckenförklaring, kolumnrubriker eller diagrametiketter som behövs för att tolka ett beskuret område. När du jämför flera material ska du ange deras ordning och roll: den befintliga utformningen, den ändrade utformningen och referenskravet. Ett användbart skriftligt resultat kan lista överensstämmande delar, skillnader och frågor som förblir olösta utifrån de tillhandahållna beläggen.\n\nArbeta med video\n\nVideoindata möjliggör frågor om synliga händelser och deras ordning. Fråga vad som ändras mellan bildrutorna, vilka deltagare som samverkar eller vilket synligt villkor som uppträder före ett annat. Definiera de utdata som krävs, till exempel en ordnad händelsebeskrivning med observationerna som stöder varje punkt. Kortet anger videoindata och textutdata, inte ljudindata eller talutdata; en fråga om talat innehåll kräver att innehållet görs tillgängligt separat.\n\nEn praktisk uppgift kan jämföra ett demonstrationsklipp med dess skriftliga rutin: ge det visuella materialet och de relevanta stegen, fråga vilka steg som är synligt representerade och be om en kort lista över avvikelser. Ange vilket steg i rutinen varje observation avser och håll oklara steg i en separat del av svaret.\n\nRelevanta begränsningar för utgåvan\n\nMax-modellens fokus på visuellt resonemang är användbart när uppgiften kräver tolkning av relationer och att en komplex visuell instruktion följs. Det dokumenterade resultatet är text. Håll indata läsbara, ange vilken slutsats du behöver och skilj de synliga beläggen från de slutsatser som uppgiften ber modellen att dra. Den förberedelsen gör en visuell fråga till en användbar förklaring eller jämförelse i stället för en sammanfattning av scenen utan tydlig inriktning.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Trace a described process diagram\n\nInterpret this diagram transcribed as text: Request -> Validate -> [valid: Queue; invalid: Return error]; Queue -> Worker -> Result. Requirement: invalid requests must never reach the worker. Explain both paths, identify the gate enforcing the requirement and list two checks tied to those paths. Use only the supplied connections and labels.A two-path explanation, the validation gate and valid/invalid path checks.Check the invalid branch ends at Return error rather than passing through Queue.qwen-vl-maxQwen-VL-Max kopplar samman text, bilder och video med visuellt resonemang och förmågan att följa instruktioner. Den ger textförklaringar eller strukturerade iakttagelser och är inriktad på komplexa visuella frågor, dokumentanalys och relationer i en scen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-VL-Max är Qwens modellserie för bild- och språkförståelse i frågor som kräver mer än att känna igen ett objekt. Tillverkaren inriktar Max på visuellt resonemang och förmågan att följa instruktioner: koppla de synliga beläggen till användarens villkor, förklara relationer och ta fram ett textresultat för en mer komplex visuell uppgift. Jämfört med Plus-serien lägger den här beskrivningen större vikt vid resonemang och tolkning.
Tillverkarens aktuella modellkort kopplar det odaterade namnet qwen-vl-max till qwen-vl-max-2025-08-13. Det löpande namnet följer uppdateringar, medan ett daterat namn identifierar en viss version. Behåll det exakta namnet när du jämför indata och resultat; andra namngivna utgåvor kan ha andra dokumenterade specifikationer.
Modellens förmågor
Dokumenterade indata omfattar text, bilder och video, medan utdata är text. Det visuella materialet kan vara en dokumentsida, ett diagram, en scen eller en följd av bildrutor. Textfrågan avgör vad modellen ska fastställa utifrån materialet. Resultatet kan beskriva belägg, förklara en relation eller ordna iakttagelser i fält; modellen är inte en utgåva för bild- eller videogenerering.
För ett diagram ska du ange jämförelsen i stället för att be om en allmän beskrivning. Ge bilden och fråga vilken synlig serie som ökar, vad etiketterna betyder och vilka observationer som stöder slutsatsen. Be om separata delar för direkt synliga data och förklaringen. För ett processdiagram ska du ange start- och slutvillkoren och fråga om sambanden mellan stegen, med de ursprungliga etiketterna bevarade.
För en skärmbild ska du ange användarens mål och fråga efter synliga reglage och nästa möjliga steg. Det ger en skriftlig tolkning av gränssnittet. Varje faktiskt klick, filändring eller extern åtgärd är fortsatt den omgivande applikationens uppgift; visuell förståelse ensam är inte ett arbetsflöde för att styra en dator.
Tillverkarens modellkort dokumenterar strukturerade utdata, fortsättning från ett svarsprefix och cachning av kontext. De funktionerna kan hjälpa till att organisera återkommande visuella analyser kring en stabil utformning av utdata. Batchinlämning skiljer sig mellan tillverkarens konfigurationer, medan funktionsanrop, webbsökning och finjustering inte anges som stödda på det här kortet. Ett strukturerat textsvar ska därför inte förväxlas med ett utfört verktygsanrop eller en sökning på nätet.
Kontextgränser
Det namngivna modellkortet anger ett kontextfönster på 131 072 token, maximalt 129 024 indatatoken och maximalt 8 192 utdatatoken. Visuella indata och textuppgiften använder den tillgängliga indatabudgeten tillsammans. Svaret begränsas separat, så en stor mängd visuellt material innebär inte lika omfattande utdata.
Välj bilder eller bildrutor som besvarar den faktiska frågan. Bevara diagrammets teckenförklaring, kolumnrubriker eller diagrametiketter som behövs för att tolka ett beskuret område. När du jämför flera material ska du ange deras ordning och roll: den befintliga utformningen, den ändrade utformningen och referenskravet. Ett användbart skriftligt resultat kan lista överensstämmande delar, skillnader och frågor som förblir olösta utifrån de tillhandahållna beläggen.
Arbeta med video
Videoindata möjliggör frågor om synliga händelser och deras ordning. Fråga vad som ändras mellan bildrutorna, vilka deltagare som samverkar eller vilket synligt villkor som uppträder före ett annat. Definiera de utdata som krävs, till exempel en ordnad händelsebeskrivning med observationerna som stöder varje punkt. Kortet anger videoindata och textutdata, inte ljudindata eller talutdata; en fråga om talat innehåll kräver att innehållet görs tillgängligt separat.
En praktisk uppgift kan jämföra ett demonstrationsklipp med dess skriftliga rutin: ge det visuella materialet och de relevanta stegen, fråga vilka steg som är synligt representerade och be om en kort lista över avvikelser. Ange vilket steg i rutinen varje observation avser och håll oklara steg i en separat del av svaret.
Relevanta begränsningar för utgåvan
Max-modellens fokus på visuellt resonemang är användbart när uppgiften kräver tolkning av relationer och att en komplex visuell instruktion följs. Det dokumenterade resultatet är text. Håll indata läsbara, ange vilken slutsats du behöver och skilj de synliga beläggen från de slutsatser som uppgiften ber modellen att dra. Den förberedelsen gör en visuell fråga till en användbar förklaring eller jämförelse i stället för en sammanfattning av scenen utan tydlig inriktning.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-vl-max | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00046 / 1K token Utdata · Utdatatoken $0.001144 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-vl-max", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-max',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen-vl-max
Använd metodsökvägarna som visas ovan.
qwen-vl-maxQwen-VL-Max kopplar samman text, bilder och video med visuellt resonemang och förmågan att följa instruktioner. Den ger textförklaringar eller strukturerade iakttagelser och är inriktad på komplexa visuella frågor, dokumentanalys och relationer i en scen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-VL-Max är Qwens modellserie för bild- och språkförståelse i frågor som kräver mer än att känna igen ett objekt. Tillverkaren inriktar Max på visuellt resonemang och förmågan att följa instruktioner: koppla de synliga beläggen till användarens villkor, förklara relationer och ta fram ett textresultat för en mer komplex visuell uppgift. Jämfört med Plus-serien lägger den här beskrivningen större vikt vid resonemang och tolkning.
Tillverkarens aktuella modellkort kopplar det odaterade namnet qwen-vl-max till qwen-vl-max-2025-08-13. Det löpande namnet följer uppdateringar, medan ett daterat namn identifierar en viss version. Behåll det exakta namnet när du jämför indata och resultat; andra namngivna utgåvor kan ha andra dokumenterade specifikationer.
Modellens förmågor
Dokumenterade indata omfattar text, bilder och video, medan utdata är text. Det visuella materialet kan vara en dokumentsida, ett diagram, en scen eller en följd av bildrutor. Textfrågan avgör vad modellen ska fastställa utifrån materialet. Resultatet kan beskriva belägg, förklara en relation eller ordna iakttagelser i fält; modellen är inte en utgåva för bild- eller videogenerering.
För ett diagram ska du ange jämförelsen i stället för att be om en allmän beskrivning. Ge bilden och fråga vilken synlig serie som ökar, vad etiketterna betyder och vilka observationer som stöder slutsatsen. Be om separata delar för direkt synliga data och förklaringen. För ett processdiagram ska du ange start- och slutvillkoren och fråga om sambanden mellan stegen, med de ursprungliga etiketterna bevarade.
För en skärmbild ska du ange användarens mål och fråga efter synliga reglage och nästa möjliga steg. Det ger en skriftlig tolkning av gränssnittet. Varje faktiskt klick, filändring eller extern åtgärd är fortsatt den omgivande applikationens uppgift; visuell förståelse ensam är inte ett arbetsflöde för att styra en dator.
Tillverkarens modellkort dokumenterar strukturerade utdata, fortsättning från ett svarsprefix och cachning av kontext. De funktionerna kan hjälpa till att organisera återkommande visuella analyser kring en stabil utformning av utdata. Batchinlämning skiljer sig mellan tillverkarens konfigurationer, medan funktionsanrop, webbsökning och finjustering inte anges som stödda på det här kortet. Ett strukturerat textsvar ska därför inte förväxlas med ett utfört verktygsanrop eller en sökning på nätet.
Kontextgränser
Det namngivna modellkortet anger ett kontextfönster på 131 072 token, maximalt 129 024 indatatoken och maximalt 8 192 utdatatoken. Visuella indata och textuppgiften använder den tillgängliga indatabudgeten tillsammans. Svaret begränsas separat, så en stor mängd visuellt material innebär inte lika omfattande utdata.
Välj bilder eller bildrutor som besvarar den faktiska frågan. Bevara diagrammets teckenförklaring, kolumnrubriker eller diagrametiketter som behövs för att tolka ett beskuret område. När du jämför flera material ska du ange deras ordning och roll: den befintliga utformningen, den ändrade utformningen och referenskravet. Ett användbart skriftligt resultat kan lista överensstämmande delar, skillnader och frågor som förblir olösta utifrån de tillhandahållna beläggen.
Arbeta med video
Videoindata möjliggör frågor om synliga händelser och deras ordning. Fråga vad som ändras mellan bildrutorna, vilka deltagare som samverkar eller vilket synligt villkor som uppträder före ett annat. Definiera de utdata som krävs, till exempel en ordnad händelsebeskrivning med observationerna som stöder varje punkt. Kortet anger videoindata och textutdata, inte ljudindata eller talutdata; en fråga om talat innehåll kräver att innehållet görs tillgängligt separat.
En praktisk uppgift kan jämföra ett demonstrationsklipp med dess skriftliga rutin: ge det visuella materialet och de relevanta stegen, fråga vilka steg som är synligt representerade och be om en kort lista över avvikelser. Ange vilket steg i rutinen varje observation avser och håll oklara steg i en separat del av svaret.
Relevanta begränsningar för utgåvan
Max-modellens fokus på visuellt resonemang är användbart när uppgiften kräver tolkning av relationer och att en komplex visuell instruktion följs. Det dokumenterade resultatet är text. Håll indata läsbara, ange vilken slutsats du behöver och skilj de synliga beläggen från de slutsatser som uppgiften ber modellen att dra. Den förberedelsen gör en visuell fråga till en användbar förklaring eller jämförelse i stället för en sammanfattning av scenen utan tydlig inriktning.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-vl-max | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00046 / 1K token Utdata · Utdatatoken $0.001144 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen-vl-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-max', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen-vl-max
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Trace a described process diagram\n\nInterpret this diagram transcribed as text: Request -> Validate -> [valid: Queue; invalid: Return error]; Queue -> Worker -> Result. Requirement: invalid requests must never reach the worker. Explain both paths, identify the gate enforcing the requirement and list two checks tied to those paths. Use only the supplied connections and labels.A two-path explanation, the validation gate and valid/invalid path checks.Check the invalid branch ends at Return error rather than passing through Queue.