Qwen-VL-Plus 2025-05-07 är en namngiven Alibaba-version för bild och språk. Qwen-VL-Plus fokuserar på detaljerad visuell förståelse och läsning av text i bilder, och omvandlar tillhandahållet visuellt underlag och en skriftlig fråga till ett textsvar. En användbar utgångspunkt är en konkret källa: ett fotografi, en skärmbild, en bild av en dokumentsida eller videobildrutor vars innehåll du vill få förklarat.
Tillverkaren skiljer majversionen från Qwen-VL-Plus 2025-07-10. Juliversionens särskilda förbättring för övervakningsvideo hör till den senare versionen. För majmodellen ska uppgiften utgå från dess dokumenterade syfte för bild och språk: undersöka detaljer, läsa synlig text, beskriva scenen och koppla resultatet till din fråga. Behåll modellnamnet tillsammans med källmaterialet när du jämför hur samma uppgift besvaras.
Bildförståelse kan använda en bild eller flera bilder i en gemensam fråga. För dokumentarbete ska du ange de fält eller det område du behöver: ”Läs etiketterna i det markerade området, bevara deras stavning och ge en rad för varje etikett.” För en fotograferad instruktionssida ska du begära en transkription följd av en separat förklaring. Denna uppdelning ger ett resultat som kan kontrolleras mot originalet innan det används i en hjälpartikel eller ett användarmeddelande.
För en skärmbild ska du lägga till användarens mål och ange de element som behöver särskild uppmärksamhet. Ett exempel på uppgiftsbeskrivning är: ”Förklara de synliga steg en användare skulle följa för att ändra den här inställningen. Använd de knappnamn som visas på skärmen och lista text som är för liten för att läsa.” För jämförelser ska du märka bilderna A och B och ange ett gemensamt kriterium, till exempel ändrade etiketter eller ett synligt objekts position. Svaret är ett förslag till texttolkning av bilderna.
Videoförståelse undersöker visuellt innehåll genom bildrutor och returnerar en textbeskrivning eller ett svar. Välj den del som är relevant för frågan och behåll dess ordning; om tal behövs för analysen ska du lägga till en transkription som text, eftersom detta visuella arbetssätt inte förstår videons ljudspår. Ett användbart resultat kan innehålla den observerade följden, relevanta scendetaljer och de frågor som de tillhandahållna bildrutorna lämnar öppna.
Förbered dokumentsidor som läsbara bilder för detta visuella indataflöde; en PDF- eller Word-fil är inte i sig bildindata. I Alibabas dokumenterade filhantering ska bilder via URL vara högst 10 MB; en videofil som tillhandahålls via en offentlig URL ska vara 2–40 sekunder lång och högst 150 MB, eller så kan du använda en ordnad lista med 4–80 bildrutor. De sammanlagda visuella token och texttoken måste fortfarande rymmas inom modellens indatabudget. Beskär det relevanta området när etiketter blir för små på hela sidan, samtidigt som du behåller den kontext som behövs för att tolka en tabell eller ett diagram. Ange om du vill ha en ordagrann transkription, en förklaring eller en kort sammanfattning. Det valet gör resultatet lättare att återanvända utan att blanda ihop orden som syns i källan med modellens ytterligare tolkning.
", "aboutText": "Qwen-VL-Plus 2025-05-07 är en namngiven Alibaba-version för bild och språk. Qwen-VL-Plus fokuserar på detaljerad visuell förståelse och läsning av text i bilder, och omvandlar tillhandahållet visuellt underlag och en skriftlig fråga till ett textsvar. En användbar utgångspunkt är en konkret källa: ett fotografi, en skärmbild, en bild av en dokumentsida eller videobildrutor vars innehåll du vill få förklarat.\n\nTillverkaren skiljer majversionen från Qwen-VL-Plus 2025-07-10. Juliversionens särskilda förbättring för övervakningsvideo hör till den senare versionen. För majmodellen ska uppgiften utgå från dess dokumenterade syfte för bild och språk: undersöka detaljer, läsa synlig text, beskriva scenen och koppla resultatet till din fråga. Behåll modellnamnet tillsammans med källmaterialet när du jämför hur samma uppgift besvaras.\n\nBildförståelse kan använda en bild eller flera bilder i en gemensam fråga. För dokumentarbete ska du ange de fält eller det område du behöver: ”Läs etiketterna i det markerade området, bevara deras stavning och ge en rad för varje etikett.” För en fotograferad instruktionssida ska du begära en transkription följd av en separat förklaring. Denna uppdelning ger ett resultat som kan kontrolleras mot originalet innan det används i en hjälpartikel eller ett användarmeddelande.\n\nFör en skärmbild ska du lägga till användarens mål och ange de element som behöver särskild uppmärksamhet. Ett exempel på uppgiftsbeskrivning är: ”Förklara de synliga steg en användare skulle följa för att ändra den här inställningen. Använd de knappnamn som visas på skärmen och lista text som är för liten för att läsa.” För jämförelser ska du märka bilderna A och B och ange ett gemensamt kriterium, till exempel ändrade etiketter eller ett synligt objekts position. Svaret är ett förslag till texttolkning av bilderna.\n\nVideoförståelse undersöker visuellt innehåll genom bildrutor och returnerar en textbeskrivning eller ett svar. Välj den del som är relevant för frågan och behåll dess ordning; om tal behövs för analysen ska du lägga till en transkription som text, eftersom detta visuella arbetssätt inte förstår videons ljudspår. Ett användbart resultat kan innehålla den observerade följden, relevanta scendetaljer och de frågor som de tillhandahållna bildrutorna lämnar öppna.\n\nFörbered dokumentsidor som läsbara bilder för detta visuella indataflöde; en PDF- eller Word-fil är inte i sig bildindata. I Alibabas dokumenterade filhantering ska bilder via URL vara högst 10 MB; en videofil som tillhandahålls via en offentlig URL ska vara 2–40 sekunder lång och högst 150 MB, eller så kan du använda en ordnad lista med 4–80 bildrutor. De sammanlagda visuella token och texttoken måste fortfarande rymmas inom modellens indatabudget. Beskär det relevanta området när etiketter blir för små på hela sidan, samtidigt som du behåller den kontext som behövs för att tolka en tabell eller ett diagram. Ange om du vill ha en ordagrann transkription, en förklaring eller en kort sammanfattning. Det valet gör resultatet lättare att återanvända utan att blanda ihop orden som syns i källan med modellens ytterligare tolkning.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 kombinerar text med bilder och video för att ge visuella förklaringar. Använd denna namngivna version för scenbeskrivningar, extraktion av synlig text och frågor om detaljer i dokument, skärmbilder eller en följd av bildrutor.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-VL-Plus 2025-05-07 är en namngiven Alibaba-version för bild och språk. Qwen-VL-Plus fokuserar på detaljerad visuell förståelse och läsning av text i bilder, och omvandlar tillhandahållet visuellt underlag och en skriftlig fråga till ett textsvar. En användbar utgångspunkt är en konkret källa: ett fotografi, en skärmbild, en bild av en dokumentsida eller videobildrutor vars innehåll du vill få förklarat.
Tillverkaren skiljer majversionen från Qwen-VL-Plus 2025-07-10. Juliversionens särskilda förbättring för övervakningsvideo hör till den senare versionen. För majmodellen ska uppgiften utgå från dess dokumenterade syfte för bild och språk: undersöka detaljer, läsa synlig text, beskriva scenen och koppla resultatet till din fråga. Behåll modellnamnet tillsammans med källmaterialet när du jämför hur samma uppgift besvaras.
Bildförståelse kan använda en bild eller flera bilder i en gemensam fråga. För dokumentarbete ska du ange de fält eller det område du behöver: ”Läs etiketterna i det markerade området, bevara deras stavning och ge en rad för varje etikett.” För en fotograferad instruktionssida ska du begära en transkription följd av en separat förklaring. Denna uppdelning ger ett resultat som kan kontrolleras mot originalet innan det används i en hjälpartikel eller ett användarmeddelande.
För en skärmbild ska du lägga till användarens mål och ange de element som behöver särskild uppmärksamhet. Ett exempel på uppgiftsbeskrivning är: ”Förklara de synliga steg en användare skulle följa för att ändra den här inställningen. Använd de knappnamn som visas på skärmen och lista text som är för liten för att läsa.” För jämförelser ska du märka bilderna A och B och ange ett gemensamt kriterium, till exempel ändrade etiketter eller ett synligt objekts position. Svaret är ett förslag till texttolkning av bilderna.
Videoförståelse undersöker visuellt innehåll genom bildrutor och returnerar en textbeskrivning eller ett svar. Välj den del som är relevant för frågan och behåll dess ordning; om tal behövs för analysen ska du lägga till en transkription som text, eftersom detta visuella arbetssätt inte förstår videons ljudspår. Ett användbart resultat kan innehålla den observerade följden, relevanta scendetaljer och de frågor som de tillhandahållna bildrutorna lämnar öppna.
Förbered dokumentsidor som läsbara bilder för detta visuella indataflöde; en PDF- eller Word-fil är inte i sig bildindata. I Alibabas dokumenterade filhantering ska bilder via URL vara högst 10 MB; en videofil som tillhandahålls via en offentlig URL ska vara 2–40 sekunder lång och högst 150 MB, eller så kan du använda en ordnad lista med 4–80 bildrutor. De sammanlagda visuella token och texttoken måste fortfarande rymmas inom modellens indatabudget. Beskär det relevanta området när etiketter blir för små på hela sidan, samtidigt som du behåller den kontext som behövs för att tolka en tabell eller ett diagram. Ange om du vill ha en ordagrann transkription, en förklaring eller en kort sammanfattning. Det valet gör resultatet lättare att återanvända utan att blanda ihop orden som syns i källan med modellens ytterligare tolkning.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K token Utdata · Utdatatoken $0.0013 / 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-plus-2025-05-07", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-05-07',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-plus-2025-05-07
Använd metodsökvägarna som visas ovan.
qwen-vl-plus-2025-05-07Qwen-VL-Plus 2025-05-07 kombinerar text med bilder och video för att ge visuella förklaringar. Använd denna namngivna version för scenbeskrivningar, extraktion av synlig text och frågor om detaljer i dokument, skärmbilder eller en följd av bildrutor.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-VL-Plus 2025-05-07 är en namngiven Alibaba-version för bild och språk. Qwen-VL-Plus fokuserar på detaljerad visuell förståelse och läsning av text i bilder, och omvandlar tillhandahållet visuellt underlag och en skriftlig fråga till ett textsvar. En användbar utgångspunkt är en konkret källa: ett fotografi, en skärmbild, en bild av en dokumentsida eller videobildrutor vars innehåll du vill få förklarat.
Tillverkaren skiljer majversionen från Qwen-VL-Plus 2025-07-10. Juliversionens särskilda förbättring för övervakningsvideo hör till den senare versionen. För majmodellen ska uppgiften utgå från dess dokumenterade syfte för bild och språk: undersöka detaljer, läsa synlig text, beskriva scenen och koppla resultatet till din fråga. Behåll modellnamnet tillsammans med källmaterialet när du jämför hur samma uppgift besvaras.
Bildförståelse kan använda en bild eller flera bilder i en gemensam fråga. För dokumentarbete ska du ange de fält eller det område du behöver: ”Läs etiketterna i det markerade området, bevara deras stavning och ge en rad för varje etikett.” För en fotograferad instruktionssida ska du begära en transkription följd av en separat förklaring. Denna uppdelning ger ett resultat som kan kontrolleras mot originalet innan det används i en hjälpartikel eller ett användarmeddelande.
För en skärmbild ska du lägga till användarens mål och ange de element som behöver särskild uppmärksamhet. Ett exempel på uppgiftsbeskrivning är: ”Förklara de synliga steg en användare skulle följa för att ändra den här inställningen. Använd de knappnamn som visas på skärmen och lista text som är för liten för att läsa.” För jämförelser ska du märka bilderna A och B och ange ett gemensamt kriterium, till exempel ändrade etiketter eller ett synligt objekts position. Svaret är ett förslag till texttolkning av bilderna.
Videoförståelse undersöker visuellt innehåll genom bildrutor och returnerar en textbeskrivning eller ett svar. Välj den del som är relevant för frågan och behåll dess ordning; om tal behövs för analysen ska du lägga till en transkription som text, eftersom detta visuella arbetssätt inte förstår videons ljudspår. Ett användbart resultat kan innehålla den observerade följden, relevanta scendetaljer och de frågor som de tillhandahållna bildrutorna lämnar öppna.
Förbered dokumentsidor som läsbara bilder för detta visuella indataflöde; en PDF- eller Word-fil är inte i sig bildindata. I Alibabas dokumenterade filhantering ska bilder via URL vara högst 10 MB; en videofil som tillhandahålls via en offentlig URL ska vara 2–40 sekunder lång och högst 150 MB, eller så kan du använda en ordnad lista med 4–80 bildrutor. De sammanlagda visuella token och texttoken måste fortfarande rymmas inom modellens indatabudget. Beskär det relevanta området när etiketter blir för små på hela sidan, samtidigt som du behåller den kontext som behövs för att tolka en tabell eller ett diagram. Ange om du vill ha en ordagrann transkription, en förklaring eller en kort sammanfattning. Det valet gör resultatet lättare att återanvända utan att blanda ihop orden som syns i källan med modellens ytterligare tolkning.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-vl-plus-2025-05-07 | 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 $0.00044 / 1K token Utdata · Utdatatoken $0.0013 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen-vl-plus-2025-05-07",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-05-07', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-plus-2025-05-07
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Turn transcribed controls into instructions\n\nUse this written transcription of a settings screen: heading 'Notifications'; checkbox 'Weekly summary' checked; checkbox 'Order alerts' checked; button 'Save changes'. A user wants to stop only weekly summaries. Write three numbered steps using the exact visible control names, and add one sentence stating which alert setting should stay enabled.Three concise steps plus a preservation note for Order alerts, based solely on the transcription.Only Weekly summary is unchecked, Save changes is included, and Order alerts remains enabled.