Qwen-VL-Plus 2025-07-10 là mô hình thị giác-ngôn ngữ có ngày của Alibaba để hiểu hình ảnh và video. Điểm cập nhật đặc trưng là hiểu tốt hơn nội dung video giám sát. Mô hình nhận tài liệu thị giác cùng chỉ dẫn bằng văn bản và trả về văn bản: mô tả sự kiện, câu trả lời về cảnh hoặc báo cáo được tổ chức quanh chi tiết bạn yêu cầu xem xét. Alibaba cũng đặt tên snapshot này là qwen-vl-plus-0710.
Nhà phát triển phân biệt phiên bản này với Qwen-VL-Plus 2025-05-07 và alias Qwen-VL-Plus latest được mô tả trên cùng trang. Phân biệt đó quan trọng khi nhiệm vụ của bạn liên quan cụ thể đến hình ghi từ camera: cập nhật chú trọng giám sát thuộc snapshot có tên của tháng Bảy. Giữ đúng phiên bản trong bản ghi nhiệm vụ khi so sánh prompt hoặc xem lại cùng đoạn hình ghi.
Câu hỏi thị giác có thể liên quan đến điều xuất hiện trong khung hình, vị trí đối tượng và cách hành động nhìn thấy được diễn tiến qua chuỗi hình. Một ảnh có thể hỗ trợ mô tả cảnh; nhiều ảnh có nhãn có thể cung cấp các góc nhìn khác nhau hoặc thời điểm liên tiếp. Hiểu video dùng các khung hình được lấy mẫu. Lời giải thích thu được nói về bằng chứng nhìn thấy được; mô hình không tạo video thay thế, và quy trình thị giác này không phân tích đường âm thanh của video.
Để báo cáo sự kiện, chuẩn bị clip liên quan hoặc chuỗi khung hình có thứ tự và xác định khu vực hoặc hoạt động quan trọng. Yêu cầu minh họa là: “Mô tả hành động nhìn thấy được của người đó gần lối vào, theo thứ tự. Với mỗi quan sát, nêu đối tượng liên quan, vị trí và thay đổi bạn nhìn thấy. Đưa chi tiết chưa chắc chắn vào một câu riêng ở cuối.” Bạn có thể yêu cầu đoạn tường thuật ngắn, danh sách quan sát hoặc các phần báo cáo có tên. Đây là chỉ dẫn cho câu trả lời văn bản, thay vì chế độ đầu ra có cấu trúc riêng.
Cửa sổ ngữ cảnh công bố của snapshot này là 32.768 token, với đầu vào tối đa 30.720 token và đầu ra tối đa 8.096 token. Bảng riêng của mô hình cũng nêu tối đa 16.384 token cho một ảnh. Chỉ dẫn bằng văn bản, ngữ cảnh hội thoại và nội dung thị giác phải cùng nằm trong dung lượng đầu vào; mức trần đầu ra là giới hạn riêng, không phải chỗ thêm cho tài liệu nguồn bổ sung. Khi xem xét bản ghi dài, tách đoạn liên quan và giữ đủ các khung hình xung quanh để hiểu trình tự.
Chọn khung hình nguồn trong đó có thể phân biệt rõ các đối tượng liên quan, gắn nhãn các camera hoặc góc nhìn khác nhau và nêu chính xác quan sát cần có. Với quy trình tệp Alibaba được ghi trong tài liệu, chuẩn bị ảnh có dung lượng không quá 10 MB, được cung cấp qua URL; tệp video được cung cấp qua URL công khai phải dài 2–40 giây và có dung lượng không quá 150 MB, hoặc dùng danh sách có thứ tự gồm 4–80 khung hình. Tổng token thị giác và văn bản vẫn phải nằm trong dung lượng đầu vào của mô hình. Nếu nhiệm vụ phụ thuộc vào lời giải thích được nói, cung cấp bản chép lời riêng dưới dạng văn bản. Yêu cầu báo cáo phân biệt chuyển động nhìn thấy được với mục đích được suy ra: “đi về phía cửa” là phát biểu khác với ý định rời đi. Kết quả hữu ích là bản ghi văn bản có thể kiểm tra, gắn với đoạn hình ghi và tiêu chí quan sát đã nêu.
", "aboutText": "Qwen-VL-Plus 2025-07-10 là mô hình thị giác-ngôn ngữ có ngày của Alibaba để hiểu hình ảnh và video. Điểm cập nhật đặc trưng là hiểu tốt hơn nội dung video giám sát. Mô hình nhận tài liệu thị giác cùng chỉ dẫn bằng văn bản và trả về văn bản: mô tả sự kiện, câu trả lời về cảnh hoặc báo cáo được tổ chức quanh chi tiết bạn yêu cầu xem xét. Alibaba cũng đặt tên snapshot này là qwen-vl-plus-0710.\n\nNhà phát triển phân biệt phiên bản này với Qwen-VL-Plus 2025-05-07 và alias Qwen-VL-Plus latest được mô tả trên cùng trang. Phân biệt đó quan trọng khi nhiệm vụ của bạn liên quan cụ thể đến hình ghi từ camera: cập nhật chú trọng giám sát thuộc snapshot có tên của tháng Bảy. Giữ đúng phiên bản trong bản ghi nhiệm vụ khi so sánh prompt hoặc xem lại cùng đoạn hình ghi.\n\nCâu hỏi thị giác có thể liên quan đến điều xuất hiện trong khung hình, vị trí đối tượng và cách hành động nhìn thấy được diễn tiến qua chuỗi hình. Một ảnh có thể hỗ trợ mô tả cảnh; nhiều ảnh có nhãn có thể cung cấp các góc nhìn khác nhau hoặc thời điểm liên tiếp. Hiểu video dùng các khung hình được lấy mẫu. Lời giải thích thu được nói về bằng chứng nhìn thấy được; mô hình không tạo video thay thế, và quy trình thị giác này không phân tích đường âm thanh của video.\n\nĐể báo cáo sự kiện, chuẩn bị clip liên quan hoặc chuỗi khung hình có thứ tự và xác định khu vực hoặc hoạt động quan trọng. Yêu cầu minh họa là: “Mô tả hành động nhìn thấy được của người đó gần lối vào, theo thứ tự. Với mỗi quan sát, nêu đối tượng liên quan, vị trí và thay đổi bạn nhìn thấy. Đưa chi tiết chưa chắc chắn vào một câu riêng ở cuối.” Bạn có thể yêu cầu đoạn tường thuật ngắn, danh sách quan sát hoặc các phần báo cáo có tên. Đây là chỉ dẫn cho câu trả lời văn bản, thay vì chế độ đầu ra có cấu trúc riêng.\n\nCửa sổ ngữ cảnh công bố của snapshot này là 32.768 token, với đầu vào tối đa 30.720 token và đầu ra tối đa 8.096 token. Bảng riêng của mô hình cũng nêu tối đa 16.384 token cho một ảnh. Chỉ dẫn bằng văn bản, ngữ cảnh hội thoại và nội dung thị giác phải cùng nằm trong dung lượng đầu vào; mức trần đầu ra là giới hạn riêng, không phải chỗ thêm cho tài liệu nguồn bổ sung. Khi xem xét bản ghi dài, tách đoạn liên quan và giữ đủ các khung hình xung quanh để hiểu trình tự.\n\nChọn khung hình nguồn trong đó có thể phân biệt rõ các đối tượng liên quan, gắn nhãn các camera hoặc góc nhìn khác nhau và nêu chính xác quan sát cần có. Với quy trình tệp Alibaba được ghi trong tài liệu, chuẩn bị ảnh có dung lượng không quá 10 MB, được cung cấp qua URL; tệp video được cung cấp qua URL công khai phải dài 2–40 giây và có dung lượng không quá 150 MB, hoặc dùng danh sách có thứ tự gồm 4–80 khung hình. Tổng token thị giác và văn bản vẫn phải nằm trong dung lượng đầu vào của mô hình. Nếu nhiệm vụ phụ thuộc vào lời giải thích được nói, cung cấp bản chép lời riêng dưới dạng văn bản. Yêu cầu báo cáo phân biệt chuyển động nhìn thấy được với mục đích được suy ra: “đi về phía cửa” là phát biểu khác với ý định rời đi. Kết quả hữu ích là bản ghi văn bản có thể kiểm tra, gắn với đoạn hình ghi và tiêu chí quan sát đã nêu.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 là bản snapshot thị giác-ngôn ngữ chú trọng hiểu video giám sát. Mô hình kết hợp hình ảnh hoặc khung hình video với câu hỏi bằng văn bản để mô tả sự kiện nhìn thấy được, theo dõi hành động và tạo báo cáo văn bản.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen-VL-Plus 2025-07-10 là mô hình thị giác-ngôn ngữ có ngày của Alibaba để hiểu hình ảnh và video. Điểm cập nhật đặc trưng là hiểu tốt hơn nội dung video giám sát. Mô hình nhận tài liệu thị giác cùng chỉ dẫn bằng văn bản và trả về văn bản: mô tả sự kiện, câu trả lời về cảnh hoặc báo cáo được tổ chức quanh chi tiết bạn yêu cầu xem xét. Alibaba cũng đặt tên snapshot này là qwen-vl-plus-0710.
Nhà phát triển phân biệt phiên bản này với Qwen-VL-Plus 2025-05-07 và alias Qwen-VL-Plus latest được mô tả trên cùng trang. Phân biệt đó quan trọng khi nhiệm vụ của bạn liên quan cụ thể đến hình ghi từ camera: cập nhật chú trọng giám sát thuộc snapshot có tên của tháng Bảy. Giữ đúng phiên bản trong bản ghi nhiệm vụ khi so sánh prompt hoặc xem lại cùng đoạn hình ghi.
Câu hỏi thị giác có thể liên quan đến điều xuất hiện trong khung hình, vị trí đối tượng và cách hành động nhìn thấy được diễn tiến qua chuỗi hình. Một ảnh có thể hỗ trợ mô tả cảnh; nhiều ảnh có nhãn có thể cung cấp các góc nhìn khác nhau hoặc thời điểm liên tiếp. Hiểu video dùng các khung hình được lấy mẫu. Lời giải thích thu được nói về bằng chứng nhìn thấy được; mô hình không tạo video thay thế, và quy trình thị giác này không phân tích đường âm thanh của video.
Để báo cáo sự kiện, chuẩn bị clip liên quan hoặc chuỗi khung hình có thứ tự và xác định khu vực hoặc hoạt động quan trọng. Yêu cầu minh họa là: “Mô tả hành động nhìn thấy được của người đó gần lối vào, theo thứ tự. Với mỗi quan sát, nêu đối tượng liên quan, vị trí và thay đổi bạn nhìn thấy. Đưa chi tiết chưa chắc chắn vào một câu riêng ở cuối.” Bạn có thể yêu cầu đoạn tường thuật ngắn, danh sách quan sát hoặc các phần báo cáo có tên. Đây là chỉ dẫn cho câu trả lời văn bản, thay vì chế độ đầu ra có cấu trúc riêng.
Cửa sổ ngữ cảnh công bố của snapshot này là 32.768 token, với đầu vào tối đa 30.720 token và đầu ra tối đa 8.096 token. Bảng riêng của mô hình cũng nêu tối đa 16.384 token cho một ảnh. Chỉ dẫn bằng văn bản, ngữ cảnh hội thoại và nội dung thị giác phải cùng nằm trong dung lượng đầu vào; mức trần đầu ra là giới hạn riêng, không phải chỗ thêm cho tài liệu nguồn bổ sung. Khi xem xét bản ghi dài, tách đoạn liên quan và giữ đủ các khung hình xung quanh để hiểu trình tự.
Chọn khung hình nguồn trong đó có thể phân biệt rõ các đối tượng liên quan, gắn nhãn các camera hoặc góc nhìn khác nhau và nêu chính xác quan sát cần có. Với quy trình tệp Alibaba được ghi trong tài liệu, chuẩn bị ảnh có dung lượng không quá 10 MB, được cung cấp qua URL; tệp video được cung cấp qua URL công khai phải dài 2–40 giây và có dung lượng không quá 150 MB, hoặc dùng danh sách có thứ tự gồm 4–80 khung hình. Tổng token thị giác và văn bản vẫn phải nằm trong dung lượng đầu vào của mô hình. Nếu nhiệm vụ phụ thuộc vào lời giải thích được nói, cung cấp bản chép lời riêng dưới dạng văn bản. Yêu cầu báo cáo phân biệt chuyển động nhìn thấy được với mục đích được suy ra: “đi về phía cửa” là phát biểu khác với ý định rời đi. Kết quả hữu ích là bản ghi văn bản có thể kiểm tra, gắn với đoạn hình ghi và tiêu chí quan sát đã nêu.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen-vl-plus-2025-07-10 | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.000044 / 1K token Đầu ra · Token đầu ra $0.00044 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-vl-plus-2025-07-10", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen-vl-plus-2025-07-10',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen-vl-plus-2025-07-10',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen-vl-plus-2025-07-10
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen-vl-plus-2025-07-10Qwen-VL-Plus 2025-07-10 là bản snapshot thị giác-ngôn ngữ chú trọng hiểu video giám sát. Mô hình kết hợp hình ảnh hoặc khung hình video với câu hỏi bằng văn bản để mô tả sự kiện nhìn thấy được, theo dõi hành động và tạo báo cáo văn bản.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen-VL-Plus 2025-07-10 là mô hình thị giác-ngôn ngữ có ngày của Alibaba để hiểu hình ảnh và video. Điểm cập nhật đặc trưng là hiểu tốt hơn nội dung video giám sát. Mô hình nhận tài liệu thị giác cùng chỉ dẫn bằng văn bản và trả về văn bản: mô tả sự kiện, câu trả lời về cảnh hoặc báo cáo được tổ chức quanh chi tiết bạn yêu cầu xem xét. Alibaba cũng đặt tên snapshot này là qwen-vl-plus-0710.
Nhà phát triển phân biệt phiên bản này với Qwen-VL-Plus 2025-05-07 và alias Qwen-VL-Plus latest được mô tả trên cùng trang. Phân biệt đó quan trọng khi nhiệm vụ của bạn liên quan cụ thể đến hình ghi từ camera: cập nhật chú trọng giám sát thuộc snapshot có tên của tháng Bảy. Giữ đúng phiên bản trong bản ghi nhiệm vụ khi so sánh prompt hoặc xem lại cùng đoạn hình ghi.
Câu hỏi thị giác có thể liên quan đến điều xuất hiện trong khung hình, vị trí đối tượng và cách hành động nhìn thấy được diễn tiến qua chuỗi hình. Một ảnh có thể hỗ trợ mô tả cảnh; nhiều ảnh có nhãn có thể cung cấp các góc nhìn khác nhau hoặc thời điểm liên tiếp. Hiểu video dùng các khung hình được lấy mẫu. Lời giải thích thu được nói về bằng chứng nhìn thấy được; mô hình không tạo video thay thế, và quy trình thị giác này không phân tích đường âm thanh của video.
Để báo cáo sự kiện, chuẩn bị clip liên quan hoặc chuỗi khung hình có thứ tự và xác định khu vực hoặc hoạt động quan trọng. Yêu cầu minh họa là: “Mô tả hành động nhìn thấy được của người đó gần lối vào, theo thứ tự. Với mỗi quan sát, nêu đối tượng liên quan, vị trí và thay đổi bạn nhìn thấy. Đưa chi tiết chưa chắc chắn vào một câu riêng ở cuối.” Bạn có thể yêu cầu đoạn tường thuật ngắn, danh sách quan sát hoặc các phần báo cáo có tên. Đây là chỉ dẫn cho câu trả lời văn bản, thay vì chế độ đầu ra có cấu trúc riêng.
Cửa sổ ngữ cảnh công bố của snapshot này là 32.768 token, với đầu vào tối đa 30.720 token và đầu ra tối đa 8.096 token. Bảng riêng của mô hình cũng nêu tối đa 16.384 token cho một ảnh. Chỉ dẫn bằng văn bản, ngữ cảnh hội thoại và nội dung thị giác phải cùng nằm trong dung lượng đầu vào; mức trần đầu ra là giới hạn riêng, không phải chỗ thêm cho tài liệu nguồn bổ sung. Khi xem xét bản ghi dài, tách đoạn liên quan và giữ đủ các khung hình xung quanh để hiểu trình tự.
Chọn khung hình nguồn trong đó có thể phân biệt rõ các đối tượng liên quan, gắn nhãn các camera hoặc góc nhìn khác nhau và nêu chính xác quan sát cần có. Với quy trình tệp Alibaba được ghi trong tài liệu, chuẩn bị ảnh có dung lượng không quá 10 MB, được cung cấp qua URL; tệp video được cung cấp qua URL công khai phải dài 2–40 giây và có dung lượng không quá 150 MB, hoặc dùng danh sách có thứ tự gồm 4–80 khung hình. Tổng token thị giác và văn bản vẫn phải nằm trong dung lượng đầu vào của mô hình. Nếu nhiệm vụ phụ thuộc vào lời giải thích được nói, cung cấp bản chép lời riêng dưới dạng văn bản. Yêu cầu báo cáo phân biệt chuyển động nhìn thấy được với mục đích được suy ra: “đi về phía cửa” là phát biểu khác với ý định rời đi. Kết quả hữu ích là bản ghi văn bản có thể kiểm tra, gắn với đoạn hình ghi và tiêu chí quan sát đã nêu.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen-vl-plus-2025-07-10 | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.000044 / 1K token Đầu ra · Token đầu ra $0.00044 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen-vl-plus-2025-07-10",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-07-10', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen-vl-plus-2025-07-10', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra qwen-vl-plus-2025-07-10
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
A surveillance-event report from frame notes\n\nUse these text frame notes only: 10:01 person stands beside entrance holding a box; 10:02 person places box beside entrance; 10:03 person walks out of frame without the box. Write an ordered event report with timestamps. Separate visible actions reported in the notes from unknown identity, intent and later events. No footage or audio is attached.A timestamped sequence of observations and a separate sentence identifying unsupported identity, intent and later outcome.The report does not label the act theft, infer spoken words or claim the person left the building.