Qwen-VL-Plus là dòng mô hình thị giác-ngôn ngữ của Qwen đặc biệt chú trọng nhận diện chi tiết và văn bản trong hình ảnh. Nhà phát triển mô tả khả năng hỗ trợ ảnh có hơn một triệu pixel và các tỷ lệ khung hình khác nhau. Điều này khiến mô hình phù hợp khi câu trả lời phụ thuộc vào nhãn nhỏ, trường trên một trang hoặc mối quan hệ giữa các yếu tố văn bản và thị giác, thay vì chỉ chủ thể của ảnh chụp.
Thẻ hiện tại của nhà phát triển mô tả tên không có phiên bản qwen-vl-plus là tương đương về chức năng với qwen-vl-plus-2025-08-15. Giữ đúng tên phiên bản trong nhiệm vụ cần lặp lại. Nhãn Plus, alias Latest và một bản snapshot có ngày khác là những lựa chọn riêng; cùng tên dòng mô hình không có nghĩa là có thể dùng thay thế thông số của chúng.
Năng lực của mô hình
Nhà phát triển liệt kê văn bản, hình ảnh và video là đầu vào, còn văn bản là đầu ra. Chỉ dẫn bằng văn bản có thể hướng mô hình đọc một phần tài liệu, mô tả đối tượng, giải thích bố cục hoặc trả lời câu hỏi về một cảnh. Nhận diện và giải thích là các nhiệm vụ liên quan nhưng cần yêu cầu đầu ra khác nhau: bản chép lại phải giữ cách viết nhìn thấy được, còn phần giải thích cần nêu các chi tiết nhìn thấy được liên quan đến câu hỏi như thế nào.
Để trích xuất từ tài liệu, cung cấp trang rõ ràng, đọc được và xác định các trường cần trả về. Với biểu mẫu, có thể yêu cầu nhãn trường và giá trị; với bảng, có thể yêu cầu hàng cần lấy cùng tiêu đề cột. Nếu không nhìn thấy giá trị, xác định rõ cách biểu diễn giá trị thiếu. Thiết kế đầu ra minh họa này giúp ứng dụng phân biệt văn bản trích xuất với nội dung tự đoán để điền cho đủ.
Để kiểm tra bố cục, hỏi về các yếu tố quan trọng: nhãn nằm ở đâu, thuộc đối tượng nào và hai phiên bản khác nhau thế nào. Xác định vai trò từng ảnh và giữ cùng tiêu chí so sánh. Để giải thích dựa trên ảnh chụp màn hình, nêu mục tiêu của người dùng và yêu cầu chỉ dẫn ngắn dựa trên các điều khiển nhìn thấy được. Câu trả lời là văn bản về giao diện, không phải hành động đã thực hiện.
Các bảng của nhà phát triển ghi nhận khả năng tiếp tục từ phần đầu câu trả lời đã cho và lưu ngữ cảnh vào bộ nhớ đệm. Đầu ra có cấu trúc, gửi theo lô và tinh chỉnh không được cung cấp giống nhau giữa các cấu hình của nhà phát triển; cần xem chúng là tùy chọn của giao diện thay vì hệ quả vô điều kiện của việc chọn tên Plus. Gọi hàm và tìm kiếm web không được liệt kê là được hỗ trợ trên thẻ này. Yêu cầu định dạng các trường đã trích xuất khác với yêu cầu thực thi hàm hoặc lấy thông tin mới từ web.
Giới hạn ngữ cảnh
Thẻ được công bố nêu cửa sổ ngữ cảnh 131.072 token, đầu vào tối đa 129.024 token và đầu ra tối đa 8.192 token. Biểu diễn hình ảnh hoặc video dùng dung lượng đầu vào cùng câu hỏi và văn bản hỗ trợ. Lập kế hoạch riêng cho tài liệu thị giác và câu trả lời: đầu vào dài hoặc chi tiết vẫn có thể chỉ cần danh sách ngắn các trường hoặc quan sát.
Chuẩn bị đầu vào
Việc nhà phát triển chú trọng chi tiết và tỷ lệ đa dạng không loại bỏ yêu cầu tài liệu phải rõ ràng, đọc được. Giữ vùng chứa văn bản cần lấy rõ nét. Khi cắt bảng, giữ tiêu đề và đơn vị cần để diễn giải giá trị; khi dùng nhiều trang, nêu thứ tự và phần cần xem xét. Nêu bạn muốn cách viết gốc, bản tóm tắt hay diễn giải để không trộn các loại kết quả này.
Với video, xác định sự kiện hoặc chi tiết nhìn thấy được cần mô tả và cấu trúc câu trả lời mong muốn. Một nhiệm vụ thực tế có thể hỏi trình tự hành động trong phần trình diễn và các đối tượng liên quan ở từng bước. Đầu ra được ghi trong tài liệu là văn bản; thẻ không liệt kê âm thanh là đầu vào hay giọng nói là đầu ra. Vì vậy, không nên dùng đường xử lý thị giác này làm bằng chứng rằng bản chép lời nói đã được hiểu.
Một quy trình hữu ích có thể lặp lại là dùng cùng các trường trích xuất cho nhiều ảnh tài liệu, giữ mã định danh ảnh cạnh kết quả, rồi so sánh các bản ghi thu được trong ứng dụng. Một cách khác là ghép ảnh chụp màn hình với yêu cầu bằng văn bản và hỏi các điểm trùng khớp nhìn thấy được, khác biệt và chi tiết chưa rõ. Trong cả hai trường hợp, giữ ảnh nguồn gắn với từng giá trị trả về để có thể xem xét kết quả.
", "aboutText": "Qwen-VL-Plus là dòng mô hình thị giác-ngôn ngữ của Qwen đặc biệt chú trọng nhận diện chi tiết và văn bản trong hình ảnh. Nhà phát triển mô tả khả năng hỗ trợ ảnh có hơn một triệu pixel và các tỷ lệ khung hình khác nhau. Điều này khiến mô hình phù hợp khi câu trả lời phụ thuộc vào nhãn nhỏ, trường trên một trang hoặc mối quan hệ giữa các yếu tố văn bản và thị giác, thay vì chỉ chủ thể của ảnh chụp.\n\nThẻ hiện tại của nhà phát triển mô tả tên không có phiên bản qwen-vl-plus là tương đương về chức năng với qwen-vl-plus-2025-08-15. Giữ đúng tên phiên bản trong nhiệm vụ cần lặp lại. Nhãn Plus, alias Latest và một bản snapshot có ngày khác là những lựa chọn riêng; cùng tên dòng mô hình không có nghĩa là có thể dùng thay thế thông số của chúng.\n\nNăng lực của mô hình\n\nNhà phát triển liệt kê văn bản, hình ảnh và video là đầu vào, còn văn bản là đầu ra. Chỉ dẫn bằng văn bản có thể hướng mô hình đọc một phần tài liệu, mô tả đối tượng, giải thích bố cục hoặc trả lời câu hỏi về một cảnh. Nhận diện và giải thích là các nhiệm vụ liên quan nhưng cần yêu cầu đầu ra khác nhau: bản chép lại phải giữ cách viết nhìn thấy được, còn phần giải thích cần nêu các chi tiết nhìn thấy được liên quan đến câu hỏi như thế nào.\n\nĐể trích xuất từ tài liệu, cung cấp trang rõ ràng, đọc được và xác định các trường cần trả về. Với biểu mẫu, có thể yêu cầu nhãn trường và giá trị; với bảng, có thể yêu cầu hàng cần lấy cùng tiêu đề cột. Nếu không nhìn thấy giá trị, xác định rõ cách biểu diễn giá trị thiếu. Thiết kế đầu ra minh họa này giúp ứng dụng phân biệt văn bản trích xuất với nội dung tự đoán để điền cho đủ.\n\nĐể kiểm tra bố cục, hỏi về các yếu tố quan trọng: nhãn nằm ở đâu, thuộc đối tượng nào và hai phiên bản khác nhau thế nào. Xác định vai trò từng ảnh và giữ cùng tiêu chí so sánh. Để giải thích dựa trên ảnh chụp màn hình, nêu mục tiêu của người dùng và yêu cầu chỉ dẫn ngắn dựa trên các điều khiển nhìn thấy được. Câu trả lời là văn bản về giao diện, không phải hành động đã thực hiện.\n\nCác bảng của nhà phát triển ghi nhận khả năng tiếp tục từ phần đầu câu trả lời đã cho và lưu ngữ cảnh vào bộ nhớ đệm. Đầu ra có cấu trúc, gửi theo lô và tinh chỉnh không được cung cấp giống nhau giữa các cấu hình của nhà phát triển; cần xem chúng là tùy chọn của giao diện thay vì hệ quả vô điều kiện của việc chọn tên Plus. Gọi hàm và tìm kiếm web không được liệt kê là được hỗ trợ trên thẻ này. Yêu cầu định dạng các trường đã trích xuất khác với yêu cầu thực thi hàm hoặc lấy thông tin mới từ web.\n\nGiới hạn ngữ cảnh\n\nThẻ được công bố nêu cửa sổ ngữ cảnh 131.072 token, đầu vào tối đa 129.024 token và đầu ra tối đa 8.192 token. Biểu diễn hình ảnh hoặc video dùng dung lượng đầu vào cùng câu hỏi và văn bản hỗ trợ. Lập kế hoạch riêng cho tài liệu thị giác và câu trả lời: đầu vào dài hoặc chi tiết vẫn có thể chỉ cần danh sách ngắn các trường hoặc quan sát.\n\nChuẩn bị đầu vào\n\nViệc nhà phát triển chú trọng chi tiết và tỷ lệ đa dạng không loại bỏ yêu cầu tài liệu phải rõ ràng, đọc được. Giữ vùng chứa văn bản cần lấy rõ nét. Khi cắt bảng, giữ tiêu đề và đơn vị cần để diễn giải giá trị; khi dùng nhiều trang, nêu thứ tự và phần cần xem xét. Nêu bạn muốn cách viết gốc, bản tóm tắt hay diễn giải để không trộn các loại kết quả này.\n\nVới video, xác định sự kiện hoặc chi tiết nhìn thấy được cần mô tả và cấu trúc câu trả lời mong muốn. Một nhiệm vụ thực tế có thể hỏi trình tự hành động trong phần trình diễn và các đối tượng liên quan ở từng bước. Đầu ra được ghi trong tài liệu là văn bản; thẻ không liệt kê âm thanh là đầu vào hay giọng nói là đầu ra. Vì vậy, không nên dùng đường xử lý thị giác này làm bằng chứng rằng bản chép lời nói đã được hiểu.\n\nMột quy trình hữu ích có thể lặp lại là dùng cùng các trường trích xuất cho nhiều ảnh tài liệu, giữ mã định danh ảnh cạnh kết quả, rồi so sánh các bản ghi thu được trong ứng dụng. Một cách khác là ghép ảnh chụp màn hình với yêu cầu bằng văn bản và hỏi các điểm trùng khớp nhìn thấy được, khác biệt và chi tiết chưa rõ. Trong cả hai trường hợp, giữ ảnh nguồn gắn với từng giá trị trả về để có thể xem xét kết quả.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
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 đọc văn bản và chi tiết trong hình ảnh rồi kết hợp chúng với câu hỏi bằng văn bản. Nhà phát triển ghi nhận đầu vào hình ảnh và video, đầu ra văn bản, hình ảnh độ phân giải cao và nhiều tỷ lệ khung hình cho việc trích xuất từ tài liệu, so sánh thị giác và giải thích cảnh.
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 là dòng mô hình thị giác-ngôn ngữ của Qwen đặc biệt chú trọng nhận diện chi tiết và văn bản trong hình ảnh. Nhà phát triển mô tả khả năng hỗ trợ ảnh có hơn một triệu pixel và các tỷ lệ khung hình khác nhau. Điều này khiến mô hình phù hợp khi câu trả lời phụ thuộc vào nhãn nhỏ, trường trên một trang hoặc mối quan hệ giữa các yếu tố văn bản và thị giác, thay vì chỉ chủ thể của ảnh chụp.
Thẻ hiện tại của nhà phát triển mô tả tên không có phiên bản qwen-vl-plus là tương đương về chức năng với qwen-vl-plus-2025-08-15. Giữ đúng tên phiên bản trong nhiệm vụ cần lặp lại. Nhãn Plus, alias Latest và một bản snapshot có ngày khác là những lựa chọn riêng; cùng tên dòng mô hình không có nghĩa là có thể dùng thay thế thông số của chúng.
Năng lực của mô hình
Nhà phát triển liệt kê văn bản, hình ảnh và video là đầu vào, còn văn bản là đầu ra. Chỉ dẫn bằng văn bản có thể hướng mô hình đọc một phần tài liệu, mô tả đối tượng, giải thích bố cục hoặc trả lời câu hỏi về một cảnh. Nhận diện và giải thích là các nhiệm vụ liên quan nhưng cần yêu cầu đầu ra khác nhau: bản chép lại phải giữ cách viết nhìn thấy được, còn phần giải thích cần nêu các chi tiết nhìn thấy được liên quan đến câu hỏi như thế nào.
Để trích xuất từ tài liệu, cung cấp trang rõ ràng, đọc được và xác định các trường cần trả về. Với biểu mẫu, có thể yêu cầu nhãn trường và giá trị; với bảng, có thể yêu cầu hàng cần lấy cùng tiêu đề cột. Nếu không nhìn thấy giá trị, xác định rõ cách biểu diễn giá trị thiếu. Thiết kế đầu ra minh họa này giúp ứng dụng phân biệt văn bản trích xuất với nội dung tự đoán để điền cho đủ.
Để kiểm tra bố cục, hỏi về các yếu tố quan trọng: nhãn nằm ở đâu, thuộc đối tượng nào và hai phiên bản khác nhau thế nào. Xác định vai trò từng ảnh và giữ cùng tiêu chí so sánh. Để giải thích dựa trên ảnh chụp màn hình, nêu mục tiêu của người dùng và yêu cầu chỉ dẫn ngắn dựa trên các điều khiển nhìn thấy được. Câu trả lời là văn bản về giao diện, không phải hành động đã thực hiện.
Các bảng của nhà phát triển ghi nhận khả năng tiếp tục từ phần đầu câu trả lời đã cho và lưu ngữ cảnh vào bộ nhớ đệm. Đầu ra có cấu trúc, gửi theo lô và tinh chỉnh không được cung cấp giống nhau giữa các cấu hình của nhà phát triển; cần xem chúng là tùy chọn của giao diện thay vì hệ quả vô điều kiện của việc chọn tên Plus. Gọi hàm và tìm kiếm web không được liệt kê là được hỗ trợ trên thẻ này. Yêu cầu định dạng các trường đã trích xuất khác với yêu cầu thực thi hàm hoặc lấy thông tin mới từ web.
Giới hạn ngữ cảnh
Thẻ được công bố nêu cửa sổ ngữ cảnh 131.072 token, đầu vào tối đa 129.024 token và đầu ra tối đa 8.192 token. Biểu diễn hình ảnh hoặc video dùng dung lượng đầu vào cùng câu hỏi và văn bản hỗ trợ. Lập kế hoạch riêng cho tài liệu thị giác và câu trả lời: đầu vào dài hoặc chi tiết vẫn có thể chỉ cần danh sách ngắn các trường hoặc quan sát.
Chuẩn bị đầu vào
Việc nhà phát triển chú trọng chi tiết và tỷ lệ đa dạng không loại bỏ yêu cầu tài liệu phải rõ ràng, đọc được. Giữ vùng chứa văn bản cần lấy rõ nét. Khi cắt bảng, giữ tiêu đề và đơn vị cần để diễn giải giá trị; khi dùng nhiều trang, nêu thứ tự và phần cần xem xét. Nêu bạn muốn cách viết gốc, bản tóm tắt hay diễn giải để không trộn các loại kết quả này.
Với video, xác định sự kiện hoặc chi tiết nhìn thấy được cần mô tả và cấu trúc câu trả lời mong muốn. Một nhiệm vụ thực tế có thể hỏi trình tự hành động trong phần trình diễn và các đối tượng liên quan ở từng bước. Đầu ra được ghi trong tài liệu là văn bản; thẻ không liệt kê âm thanh là đầu vào hay giọng nói là đầu ra. Vì vậy, không nên dùng đường xử lý thị giác này làm bằng chứng rằng bản chép lời nói đã được hiểu.
Một quy trình hữu ích có thể lặp lại là dùng cùng các trường trích xuất cho nhiều ảnh tài liệu, giữ mã định danh ảnh cạnh kết quả, rồi so sánh các bản ghi thu được trong ứng dụng. Một cách khác là ghép ảnh chụp màn hình với yêu cầu bằng văn bản và hỏi các điểm trùng khớp nhìn thấy được, khác biệt và chi tiết chưa rõ. Trong cả hai trường hợp, giữ ảnh nguồn gắn với từng giá trị trả về để có thể xem xét kết quả.
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 | 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 $0.00024 / 1K token Đầu ra · Token đầu ra $0.000572 / 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", "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 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
Dùng các đường dẫn phương thức hiển thị ở trên.
qwen-vl-plusQwen-VL-Plus đọc văn bản và chi tiết trong hình ảnh rồi kết hợp chúng với câu hỏi bằng văn bản. Nhà phát triển ghi nhận đầu vào hình ảnh và video, đầu ra văn bản, hình ảnh độ phân giải cao và nhiều tỷ lệ khung hình cho việc trích xuất từ tài liệu, so sánh thị giác và giải thích cảnh.
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 là dòng mô hình thị giác-ngôn ngữ của Qwen đặc biệt chú trọng nhận diện chi tiết và văn bản trong hình ảnh. Nhà phát triển mô tả khả năng hỗ trợ ảnh có hơn một triệu pixel và các tỷ lệ khung hình khác nhau. Điều này khiến mô hình phù hợp khi câu trả lời phụ thuộc vào nhãn nhỏ, trường trên một trang hoặc mối quan hệ giữa các yếu tố văn bản và thị giác, thay vì chỉ chủ thể của ảnh chụp.
Thẻ hiện tại của nhà phát triển mô tả tên không có phiên bản qwen-vl-plus là tương đương về chức năng với qwen-vl-plus-2025-08-15. Giữ đúng tên phiên bản trong nhiệm vụ cần lặp lại. Nhãn Plus, alias Latest và một bản snapshot có ngày khác là những lựa chọn riêng; cùng tên dòng mô hình không có nghĩa là có thể dùng thay thế thông số của chúng.
Năng lực của mô hình
Nhà phát triển liệt kê văn bản, hình ảnh và video là đầu vào, còn văn bản là đầu ra. Chỉ dẫn bằng văn bản có thể hướng mô hình đọc một phần tài liệu, mô tả đối tượng, giải thích bố cục hoặc trả lời câu hỏi về một cảnh. Nhận diện và giải thích là các nhiệm vụ liên quan nhưng cần yêu cầu đầu ra khác nhau: bản chép lại phải giữ cách viết nhìn thấy được, còn phần giải thích cần nêu các chi tiết nhìn thấy được liên quan đến câu hỏi như thế nào.
Để trích xuất từ tài liệu, cung cấp trang rõ ràng, đọc được và xác định các trường cần trả về. Với biểu mẫu, có thể yêu cầu nhãn trường và giá trị; với bảng, có thể yêu cầu hàng cần lấy cùng tiêu đề cột. Nếu không nhìn thấy giá trị, xác định rõ cách biểu diễn giá trị thiếu. Thiết kế đầu ra minh họa này giúp ứng dụng phân biệt văn bản trích xuất với nội dung tự đoán để điền cho đủ.
Để kiểm tra bố cục, hỏi về các yếu tố quan trọng: nhãn nằm ở đâu, thuộc đối tượng nào và hai phiên bản khác nhau thế nào. Xác định vai trò từng ảnh và giữ cùng tiêu chí so sánh. Để giải thích dựa trên ảnh chụp màn hình, nêu mục tiêu của người dùng và yêu cầu chỉ dẫn ngắn dựa trên các điều khiển nhìn thấy được. Câu trả lời là văn bản về giao diện, không phải hành động đã thực hiện.
Các bảng của nhà phát triển ghi nhận khả năng tiếp tục từ phần đầu câu trả lời đã cho và lưu ngữ cảnh vào bộ nhớ đệm. Đầu ra có cấu trúc, gửi theo lô và tinh chỉnh không được cung cấp giống nhau giữa các cấu hình của nhà phát triển; cần xem chúng là tùy chọn của giao diện thay vì hệ quả vô điều kiện của việc chọn tên Plus. Gọi hàm và tìm kiếm web không được liệt kê là được hỗ trợ trên thẻ này. Yêu cầu định dạng các trường đã trích xuất khác với yêu cầu thực thi hàm hoặc lấy thông tin mới từ web.
Giới hạn ngữ cảnh
Thẻ được công bố nêu cửa sổ ngữ cảnh 131.072 token, đầu vào tối đa 129.024 token và đầu ra tối đa 8.192 token. Biểu diễn hình ảnh hoặc video dùng dung lượng đầu vào cùng câu hỏi và văn bản hỗ trợ. Lập kế hoạch riêng cho tài liệu thị giác và câu trả lời: đầu vào dài hoặc chi tiết vẫn có thể chỉ cần danh sách ngắn các trường hoặc quan sát.
Chuẩn bị đầu vào
Việc nhà phát triển chú trọng chi tiết và tỷ lệ đa dạng không loại bỏ yêu cầu tài liệu phải rõ ràng, đọc được. Giữ vùng chứa văn bản cần lấy rõ nét. Khi cắt bảng, giữ tiêu đề và đơn vị cần để diễn giải giá trị; khi dùng nhiều trang, nêu thứ tự và phần cần xem xét. Nêu bạn muốn cách viết gốc, bản tóm tắt hay diễn giải để không trộn các loại kết quả này.
Với video, xác định sự kiện hoặc chi tiết nhìn thấy được cần mô tả và cấu trúc câu trả lời mong muốn. Một nhiệm vụ thực tế có thể hỏi trình tự hành động trong phần trình diễn và các đối tượng liên quan ở từng bước. Đầu ra được ghi trong tài liệu là văn bản; thẻ không liệt kê âm thanh là đầu vào hay giọng nói là đầu ra. Vì vậy, không nên dùng đường xử lý thị giác này làm bằng chứng rằng bản chép lời nói đã được hiểu.
Một quy trình hữu ích có thể lặp lại là dùng cùng các trường trích xuất cho nhiều ảnh tài liệu, giữ mã định danh ảnh cạnh kết quả, rồi so sánh các bản ghi thu được trong ứng dụng. Một cách khác là ghép ảnh chụp màn hình với yêu cầu bằng văn bản và hỏi các điểm trùng khớp nhìn thấy được, khác biệt và chi tiết chưa rõ. Trong cả hai trường hợp, giữ ảnh nguồn gắn với từng giá trị trả về để có thể xem xét kết quả.
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 | 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 $0.00024 / 1K token Đầu ra · Token đầu ra $0.000572 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen-vl-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
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.