Qwen-VL-Plus är Qwens modellserie för bild och språk, med särskilt fokus på detaljigenkänning och text i bilder. Tillverkaren beskriver stöd för bilder med över en miljon pixlar och olika bildförhållanden. Modellen är relevant när svaret beror på en liten etikett, ett fält på en sida eller sambandet mellan textuella och visuella element, snarare än bara motivet i ett fotografi.
Tillverkarens aktuella modellkort beskriver det versionslösa namnet qwen-vl-plus som funktionellt likvärdigt med qwen-vl-plus-2025-08-15. Behåll det exakta versionsnamnet i en uppgift som ska kunna upprepas. En Plus-beteckning, ett Latest-alias och en annan daterad version är separata val; ett gemensamt familjenamn gör inte deras specifikationer utbytbara.
Modellens funktioner
Tillverkaren anger text, bilder och video som indata och text som utdata. En textinstruktion kan styra modellen att läsa ett dokumentavsnitt, beskriva objekt, förklara en layout eller besvara en fråga om en scen. Igenkänning och förklaring är närliggande uppgifter men kräver olika resultat: en transkription ska bevara den synliga ordalydelsen, medan en förklaring ska ange hur de synliga detaljerna hänger ihop med frågan.
För dokumentextraktion ska du tillhandahålla en läsbar sida och ange vilka fält som ska returneras. För ett formulär kan du begära fältens etiketter och värden; för en tabell kan du begära den önskade raden tillsammans med dess kolumnrubriker. Om ett värde inte syns ska du ange en uttrycklig representation för ett saknat värde. Denna exempelutformning av resultatet hjälper applikationen att skilja extraherad text från en gissad komplettering.
Vid granskning av en layout ska du fråga om relevanta element: var en etikett finns, vilket objekt den hör till och hur två versioner skiljer sig. Ge varje bild en roll och behåll samma jämförelsekriterier. För en förklaring utifrån en skärmbild ska du ange användarens mål och be om en kort instruktion baserad på de synliga kontrollerna. Svaret är text om gränssnittet, inte en utförd åtgärd.
Tillverkarens tabeller innehåller fortsättning från ett svarsprefix och cachning av kontext. Strukturerade utdata, batchinlämning och finjustering erbjuds inte på samma sätt i tillverkarens olika konfigurationer; de bör behandlas som alternativ i gränssnittet, snarare än som en ovillkorlig följd av att välja Plus-namnet. Funktionsanrop och webbsökning anges inte som stödda på detta modellkort. En begäran att formatera extraherade fält skiljer sig från en begäran att köra en funktion eller hämta ny information från webben.
Kontextgränser
Det publicerade modellkortet anger ett kontextfönster på 131 072 token, högst 129 024 token som indata och högst 8 192 token som utdata. Representationen av bilden eller videon använder indatakapacitet tillsammans med frågan och den stödjande texten. Planera det visuella materialet och svaret separat: långa eller detaljerade indata kan ändå bara kräva en kort lista med fält eller observationer.
Förberedelse av indata
Tillverkarens betoning av detaljer och varierande proportioner undanröjer inte behovet av läsbart material. Håll området med den efterfrågade texten tydligt. När du beskär en tabell ska du behålla de rubriker och enheter som behövs för att tolka värdena; när du använder flera sidor ska du ange deras ordning och vilket avsnitt som ska undersökas. Ange om du vill ha den ursprungliga ordalydelsen, en sammanfattning eller en tolkning så att dessa resultat inte blandas ihop.
För video ska du definiera den händelse eller synliga detalj som ska beskrivas och den önskade strukturen för svaret. En praktisk uppgift kan efterfråga handlingsföljden i en demonstration och de objekt som ingår i varje steg. Det dokumenterade resultatet är text; modellkortet anger inte ljud som indata eller tal som utdata. Denna visuella väg bör därför inte användas som belägg för att en transkription av talat innehåll har förståtts.
Ett användbart arbetssätt som går att upprepa är att begära samma extraktionsfält för flera dokumentbilder, behålla bildernas identifierare bredvid resultaten och sedan jämföra de resulterande posterna i applikationen. Ett annat är att kombinera en skärmbild med ett skriftligt krav och be om synliga överensstämmelser, skillnader och olösta detaljer. Behåll i båda fallen källbilden kopplad till varje returnerat värde så att resultatet kan granskas.
", "aboutText": "Qwen-VL-Plus är Qwens modellserie för bild och språk, med särskilt fokus på detaljigenkänning och text i bilder. Tillverkaren beskriver stöd för bilder med över en miljon pixlar och olika bildförhållanden. Modellen är relevant när svaret beror på en liten etikett, ett fält på en sida eller sambandet mellan textuella och visuella element, snarare än bara motivet i ett fotografi.\n\nTillverkarens aktuella modellkort beskriver det versionslösa namnet qwen-vl-plus som funktionellt likvärdigt med qwen-vl-plus-2025-08-15. Behåll det exakta versionsnamnet i en uppgift som ska kunna upprepas. En Plus-beteckning, ett Latest-alias och en annan daterad version är separata val; ett gemensamt familjenamn gör inte deras specifikationer utbytbara.\n\nModellens funktioner\n\nTillverkaren anger text, bilder och video som indata och text som utdata. En textinstruktion kan styra modellen att läsa ett dokumentavsnitt, beskriva objekt, förklara en layout eller besvara en fråga om en scen. Igenkänning och förklaring är närliggande uppgifter men kräver olika resultat: en transkription ska bevara den synliga ordalydelsen, medan en förklaring ska ange hur de synliga detaljerna hänger ihop med frågan.\n\nFör dokumentextraktion ska du tillhandahålla en läsbar sida och ange vilka fält som ska returneras. För ett formulär kan du begära fältens etiketter och värden; för en tabell kan du begära den önskade raden tillsammans med dess kolumnrubriker. Om ett värde inte syns ska du ange en uttrycklig representation för ett saknat värde. Denna exempelutformning av resultatet hjälper applikationen att skilja extraherad text från en gissad komplettering.\n\nVid granskning av en layout ska du fråga om relevanta element: var en etikett finns, vilket objekt den hör till och hur två versioner skiljer sig. Ge varje bild en roll och behåll samma jämförelsekriterier. För en förklaring utifrån en skärmbild ska du ange användarens mål och be om en kort instruktion baserad på de synliga kontrollerna. Svaret är text om gränssnittet, inte en utförd åtgärd.\n\nTillverkarens tabeller innehåller fortsättning från ett svarsprefix och cachning av kontext. Strukturerade utdata, batchinlämning och finjustering erbjuds inte på samma sätt i tillverkarens olika konfigurationer; de bör behandlas som alternativ i gränssnittet, snarare än som en ovillkorlig följd av att välja Plus-namnet. Funktionsanrop och webbsökning anges inte som stödda på detta modellkort. En begäran att formatera extraherade fält skiljer sig från en begäran att köra en funktion eller hämta ny information från webben.\n\nKontextgränser\n\nDet publicerade modellkortet anger ett kontextfönster på 131 072 token, högst 129 024 token som indata och högst 8 192 token som utdata. Representationen av bilden eller videon använder indatakapacitet tillsammans med frågan och den stödjande texten. Planera det visuella materialet och svaret separat: långa eller detaljerade indata kan ändå bara kräva en kort lista med fält eller observationer.\n\nFörberedelse av indata\n\nTillverkarens betoning av detaljer och varierande proportioner undanröjer inte behovet av läsbart material. Håll området med den efterfrågade texten tydligt. När du beskär en tabell ska du behålla de rubriker och enheter som behövs för att tolka värdena; när du använder flera sidor ska du ange deras ordning och vilket avsnitt som ska undersökas. Ange om du vill ha den ursprungliga ordalydelsen, en sammanfattning eller en tolkning så att dessa resultat inte blandas ihop.\n\nFör video ska du definiera den händelse eller synliga detalj som ska beskrivas och den önskade strukturen för svaret. En praktisk uppgift kan efterfråga handlingsföljden i en demonstration och de objekt som ingår i varje steg. Det dokumenterade resultatet är text; modellkortet anger inte ljud som indata eller tal som utdata. Denna visuella väg bör därför inte användas som belägg för att en transkription av talat innehåll har förståtts.\n\nEtt användbart arbetssätt som går att upprepa är att begära samma extraktionsfält för flera dokumentbilder, behålla bildernas identifierare bredvid resultaten och sedan jämföra de resulterande posterna i applikationen. Ett annat är att kombinera en skärmbild med ett skriftligt krav och be om synliga överensstämmelser, skillnader och olösta detaljer. Behåll i båda fallen källbilden kopplad till varje returnerat värde så att resultatet kan granskas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 läser text och detaljer i bilder och kombinerar dem med en skriftlig fråga. Tillverkaren dokumenterar bild- och videoindata, textutdata, högupplösta bilder och olika bildförhållanden för dokumentextraktion, visuell jämförelse och förklaring av scener.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-VL-Plus är Qwens modellserie för bild och språk, med särskilt fokus på detaljigenkänning och text i bilder. Tillverkaren beskriver stöd för bilder med över en miljon pixlar och olika bildförhållanden. Modellen är relevant när svaret beror på en liten etikett, ett fält på en sida eller sambandet mellan textuella och visuella element, snarare än bara motivet i ett fotografi.
Tillverkarens aktuella modellkort beskriver det versionslösa namnet qwen-vl-plus som funktionellt likvärdigt med qwen-vl-plus-2025-08-15. Behåll det exakta versionsnamnet i en uppgift som ska kunna upprepas. En Plus-beteckning, ett Latest-alias och en annan daterad version är separata val; ett gemensamt familjenamn gör inte deras specifikationer utbytbara.
Modellens funktioner
Tillverkaren anger text, bilder och video som indata och text som utdata. En textinstruktion kan styra modellen att läsa ett dokumentavsnitt, beskriva objekt, förklara en layout eller besvara en fråga om en scen. Igenkänning och förklaring är närliggande uppgifter men kräver olika resultat: en transkription ska bevara den synliga ordalydelsen, medan en förklaring ska ange hur de synliga detaljerna hänger ihop med frågan.
För dokumentextraktion ska du tillhandahålla en läsbar sida och ange vilka fält som ska returneras. För ett formulär kan du begära fältens etiketter och värden; för en tabell kan du begära den önskade raden tillsammans med dess kolumnrubriker. Om ett värde inte syns ska du ange en uttrycklig representation för ett saknat värde. Denna exempelutformning av resultatet hjälper applikationen att skilja extraherad text från en gissad komplettering.
Vid granskning av en layout ska du fråga om relevanta element: var en etikett finns, vilket objekt den hör till och hur två versioner skiljer sig. Ge varje bild en roll och behåll samma jämförelsekriterier. För en förklaring utifrån en skärmbild ska du ange användarens mål och be om en kort instruktion baserad på de synliga kontrollerna. Svaret är text om gränssnittet, inte en utförd åtgärd.
Tillverkarens tabeller innehåller fortsättning från ett svarsprefix och cachning av kontext. Strukturerade utdata, batchinlämning och finjustering erbjuds inte på samma sätt i tillverkarens olika konfigurationer; de bör behandlas som alternativ i gränssnittet, snarare än som en ovillkorlig följd av att välja Plus-namnet. Funktionsanrop och webbsökning anges inte som stödda på detta modellkort. En begäran att formatera extraherade fält skiljer sig från en begäran att köra en funktion eller hämta ny information från webben.
Kontextgränser
Det publicerade modellkortet anger ett kontextfönster på 131 072 token, högst 129 024 token som indata och högst 8 192 token som utdata. Representationen av bilden eller videon använder indatakapacitet tillsammans med frågan och den stödjande texten. Planera det visuella materialet och svaret separat: långa eller detaljerade indata kan ändå bara kräva en kort lista med fält eller observationer.
Förberedelse av indata
Tillverkarens betoning av detaljer och varierande proportioner undanröjer inte behovet av läsbart material. Håll området med den efterfrågade texten tydligt. När du beskär en tabell ska du behålla de rubriker och enheter som behövs för att tolka värdena; när du använder flera sidor ska du ange deras ordning och vilket avsnitt som ska undersökas. Ange om du vill ha den ursprungliga ordalydelsen, en sammanfattning eller en tolkning så att dessa resultat inte blandas ihop.
För video ska du definiera den händelse eller synliga detalj som ska beskrivas och den önskade strukturen för svaret. En praktisk uppgift kan efterfråga handlingsföljden i en demonstration och de objekt som ingår i varje steg. Det dokumenterade resultatet är text; modellkortet anger inte ljud som indata eller tal som utdata. Denna visuella väg bör därför inte användas som belägg för att en transkription av talat innehåll har förståtts.
Ett användbart arbetssätt som går att upprepa är att begära samma extraktionsfält för flera dokumentbilder, behålla bildernas identifierare bredvid resultaten och sedan jämföra de resulterande posterna i applikationen. Ett annat är att kombinera en skärmbild med ett skriftligt krav och be om synliga överensstämmelser, skillnader och olösta detaljer. Behåll i båda fallen källbilden kopplad till varje returnerat värde så att resultatet kan granskas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-vl-plus | 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 $0.00024 / 1K token Utdata · Utdatatoken $0.000572 / 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", "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 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
Använd metodsökvägarna som visas ovan.
qwen-vl-plusQwen-VL-Plus läser text och detaljer i bilder och kombinerar dem med en skriftlig fråga. Tillverkaren dokumenterar bild- och videoindata, textutdata, högupplösta bilder och olika bildförhållanden för dokumentextraktion, visuell jämförelse och förklaring av scener.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen-VL-Plus är Qwens modellserie för bild och språk, med särskilt fokus på detaljigenkänning och text i bilder. Tillverkaren beskriver stöd för bilder med över en miljon pixlar och olika bildförhållanden. Modellen är relevant när svaret beror på en liten etikett, ett fält på en sida eller sambandet mellan textuella och visuella element, snarare än bara motivet i ett fotografi.
Tillverkarens aktuella modellkort beskriver det versionslösa namnet qwen-vl-plus som funktionellt likvärdigt med qwen-vl-plus-2025-08-15. Behåll det exakta versionsnamnet i en uppgift som ska kunna upprepas. En Plus-beteckning, ett Latest-alias och en annan daterad version är separata val; ett gemensamt familjenamn gör inte deras specifikationer utbytbara.
Modellens funktioner
Tillverkaren anger text, bilder och video som indata och text som utdata. En textinstruktion kan styra modellen att läsa ett dokumentavsnitt, beskriva objekt, förklara en layout eller besvara en fråga om en scen. Igenkänning och förklaring är närliggande uppgifter men kräver olika resultat: en transkription ska bevara den synliga ordalydelsen, medan en förklaring ska ange hur de synliga detaljerna hänger ihop med frågan.
För dokumentextraktion ska du tillhandahålla en läsbar sida och ange vilka fält som ska returneras. För ett formulär kan du begära fältens etiketter och värden; för en tabell kan du begära den önskade raden tillsammans med dess kolumnrubriker. Om ett värde inte syns ska du ange en uttrycklig representation för ett saknat värde. Denna exempelutformning av resultatet hjälper applikationen att skilja extraherad text från en gissad komplettering.
Vid granskning av en layout ska du fråga om relevanta element: var en etikett finns, vilket objekt den hör till och hur två versioner skiljer sig. Ge varje bild en roll och behåll samma jämförelsekriterier. För en förklaring utifrån en skärmbild ska du ange användarens mål och be om en kort instruktion baserad på de synliga kontrollerna. Svaret är text om gränssnittet, inte en utförd åtgärd.
Tillverkarens tabeller innehåller fortsättning från ett svarsprefix och cachning av kontext. Strukturerade utdata, batchinlämning och finjustering erbjuds inte på samma sätt i tillverkarens olika konfigurationer; de bör behandlas som alternativ i gränssnittet, snarare än som en ovillkorlig följd av att välja Plus-namnet. Funktionsanrop och webbsökning anges inte som stödda på detta modellkort. En begäran att formatera extraherade fält skiljer sig från en begäran att köra en funktion eller hämta ny information från webben.
Kontextgränser
Det publicerade modellkortet anger ett kontextfönster på 131 072 token, högst 129 024 token som indata och högst 8 192 token som utdata. Representationen av bilden eller videon använder indatakapacitet tillsammans med frågan och den stödjande texten. Planera det visuella materialet och svaret separat: långa eller detaljerade indata kan ändå bara kräva en kort lista med fält eller observationer.
Förberedelse av indata
Tillverkarens betoning av detaljer och varierande proportioner undanröjer inte behovet av läsbart material. Håll området med den efterfrågade texten tydligt. När du beskär en tabell ska du behålla de rubriker och enheter som behövs för att tolka värdena; när du använder flera sidor ska du ange deras ordning och vilket avsnitt som ska undersökas. Ange om du vill ha den ursprungliga ordalydelsen, en sammanfattning eller en tolkning så att dessa resultat inte blandas ihop.
För video ska du definiera den händelse eller synliga detalj som ska beskrivas och den önskade strukturen för svaret. En praktisk uppgift kan efterfråga handlingsföljden i en demonstration och de objekt som ingår i varje steg. Det dokumenterade resultatet är text; modellkortet anger inte ljud som indata eller tal som utdata. Denna visuella väg bör därför inte användas som belägg för att en transkription av talat innehåll har förståtts.
Ett användbart arbetssätt som går att upprepa är att begära samma extraktionsfält för flera dokumentbilder, behålla bildernas identifierare bredvid resultaten och sedan jämföra de resulterande posterna i applikationen. Ett annat är att kombinera en skärmbild med ett skriftligt krav och be om synliga överensstämmelser, skillnader och olösta detaljer. Behåll i båda fallen källbilden kopplad till varje returnerat värde så att resultatet kan granskas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen-vl-plus | 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 $0.00024 / 1K token Utdata · Utdatatoken $0.000572 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.