Qwen-VL モデルの使用方法 - Alibaba Cloud Model Studio - Alibaba Cloud ドキュメントセンター

Qwen-VL モデルは、提供された画像や動画に基づいて質問に回答します。単一または複数の画像入力に対応しており、画像キャプション生成、視覚的な質問応答、物体検出など、さまざまなタスクに適しています。

オンラインで試す： Vision モデル (シンガポールまたは中国 (北京))

クイックスタート

前提条件

API キーを作成し、環境変数としてエクスポートします。
SDK を使用して呼び出しを行う場合は、SDK をインストールする必要があります。DashScope Python SDK はバージョン 1.24.6 以降、DashScope Java SDK はバージョン 2.21.10 以降である必要があります。

以下の例は、モデルを呼び出して画像の内容を説明する方法を示しています。ローカルファイルと画像の制限事項の詳細については、「ローカルファイルの渡し方」および「画像の制限事項」をご参照ください。

OpenAI 互換

Python

from openai import OpenAI
import os

client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

completion = client.chat.completions.create(
    model="qwen3-vl-plus",  # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
                    },
                },
                {"type": "text", "text": "画像には何が描かれていますか？"},
            ],
        },
    ],
)
print(completion.choices[0].message.content)

応答

これはビーチで撮影された写真です。写真には、砂の上に座っている人と犬が写っており、背景には海と空が広がっています。人と犬は交流しているようで、犬の前足が人の手に乗っています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
  // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
  // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
  // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

async function main() {
  const response = await openai.chat.completions.create({
    model: "qwen3-vl-plus",   // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください 
    messages: [
      {
        role: "user",
        content: [{
            type: "image_url",
            image_url: {
              "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
            }
          },
          {
            type: "text",
            text: "画像には何が描かれていますか？"
          }
        ]
      }
    ]
  });
  console.log(response.choices[0].message.content);
}
main()

応答

これはビーチで撮影された写真です。写真には、砂の上に座っている人と犬が写っており、背景には海と空が広がっています。人と犬は交流しているようで、犬の前足が人の手に乗っています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。

curl

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3-vl-plus",
  "messages": [
    {"role": "user",
     "content": [
        {"type": "image_url", "image_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"}},
        {"type": "text", "text": "画像には何が描かれていますか？"}
    ]
  }]
}'

応答

{
  "choices": [
    {
      "message": {
        "content": "これはビーチで撮影された写真です。写真には、砂の上に座っている人と犬が写っており、背景には海と空が広がっています。人と犬は交流しているようで、犬の前足が人の手に乗っています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。",
        "role": "assistant"
      },
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null
    }
  ],
  "object": "chat.completion",
  "usage": {
    "prompt_tokens": 1270,
    "completion_tokens": 54,
    "total_tokens": 1324
  },
  "created": 1725948561,
  "system_fingerprint": null,
  "model": "qwen3-vl-plus",
  "id": "chatcmpl-0fd66f46-b09e-9164-a84f-3ebbbedbac15"
}

DashScope

Python

import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

messages = [
{
    "role": "user",
    "content": [
    {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
    {"text": "画像には何が描かれていますか？"}]
}]

response = dashscope.MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',   # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages
)

print(response.output.choices[0].message.content[0]["text"])

応答

これはビーチで撮影された写真です。写真には女性と犬が写っています。女性は砂の上に座り、微笑みながら犬と交流しています。犬は首輪をしており、女性と握手しているように見えます。背景は海と空で、彼らに降り注ぐ太陽光が暖かい雰囲気を醸し出しています。

Java

import java.util.Arrays;
import java.util.Collections;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    
    // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
    static {
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation(); 
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("image", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"),
                        Collections.singletonMap("text", "画像には何が描かれていますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")  //  この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

応答

これはビーチで撮影された写真です。写真には、チェック柄のシャツを着た人と首輪をつけた犬が写っています。人と犬は向かい合って座っており、交流しているように見えます。背景は海と空で、彼らに降り注ぐ太陽光が暖かい雰囲気を醸し出しています。

curl

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
                    {"text": "画像には何が描かれていますか？"}
                ]
            }
        ]
    }
}'

応答

{
  "output": {
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": [
            {
              "text": "これはビーチで撮影された写真です。写真には、チェック柄のシャツを着た人と首輪をつけた犬が写っています。彼らは砂の上に座っており、背景には海と空が広がっています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。"
            }
          ]
        }
      }
    ]
  },
  "usage": {
    "output_tokens": 55,
    "input_tokens": 1271,
    "image_tokens": 1247
  },
  "request_id": "ccf845a3-dc33-9cda-b581-20fe7dc23f70"
}

モデルの選択

高精度の物体認識と位置特定 (3D 位置特定を含む)、エージェントツール呼び出し、ドキュメントとウェブページの解析、複雑な問題解決、長時間の動画理解などのタスクには、Qwen3-VL の使用を推奨します。このシリーズのモデルの比較は次のとおりです：
- qwen3-vl-plus：最も強力なモデルです。
- qwen3-vl-flash：このモデルはより高速でコスト効率が高いです。パフォーマンスとコストのバランスが良く、応答速度が重要なシナリオに適しています。
画像キャプション生成や短い動画の要約抽出などの簡単なタスクには、Qwen2.5-VL を選択できます。このシリーズのモデルの比較は次のとおりです：
- qwen-vl-max：Qwen2.5-VL シリーズで最もパフォーマンスの高いモデルです。
- qwen-vl-plus：このモデルはより高速で、パフォーマンスとコストのバランスが優れています。

モデル名、コンテキスト、価格、スナップショットバージョンの詳細については、「モデルリスト」をご参照ください。同時リクエスト制限の詳細については、「レート制限」をご参照ください。

モデル機能の比較

モデル

対応言語

Qwen3-VL シリーズ

サポート

qwen3-vl-plus および qwen3-vl-flash の安定版でサポート

非思考モードでサポート

33言語：中国語、日本語、韓国語、インドネシア語、ベトナム語、タイ語、英語、フランス語、ドイツ語、ロシア語、ポルトガル語、スペイン語、イタリア語、スウェーデン語、デンマーク語、チェコ語、ノルウェー語、オランダ語、フィンランド語、トルコ語、ポーランド語、スワヒリ語、ルーマニア語、セルビア語、ギリシャ語、カザフ語、ウズベク語、セブアノ語、アラビア語、ウルドゥー語、ペルシャ語、ヒンディー語/デーヴァナーガリー、ヘブライ語。

Qwen2.5-VL シリーズ

非サポート

qwen-vl-max および qwen-vl-plus の安定版でサポート

qwen-vl-max および qwen-vl-plus の安定版および最新版でサポート

11言語：中国語、英語、日本語、韓国語、アラビア語、ベトナム語、フランス語、ドイツ語、イタリア語、スペイン語、ロシア語。

パフォーマンス概要

視覚的な質問応答

人物、場所、動物、植物などを識別するなど、画像の内容を説明したり、分類・ラベリングしたりします。

p1021359

太陽がまぶしい場合、この写真のどのアイテムを使えばよいですか？

太陽がまぶしいときは、写真のピンクのサングラスを使用してください。サングラスは強い光を効果的に遮断し、紫外線によるダメージを軽減します。また、明るい太陽光の下で視力を保護し、視覚的な快適さを向上させるのにも役立ちます。

クリエイティブライティング

画像や動画のコンテンツに基づいて、鮮やかなテキスト記述を生成します。これは、物語の執筆、コピーライティング、短い動画のスクリプトなど、クリエイティブなシナリオに適しています。

vl-问答

この写真の内容に基づいて、面白いソーシャルメディアの投稿を書いてください。

承知いたしました。この写真は中秋節の雰囲気が豊かで、古典的な要素と現代的な要素が巧みに組み合わされています。写真の主要な要素に基づいて、異なるスタイルのソーシャルメディア投稿をいくつか作成しましたので、お選びください。

詩的で美しいスタイル

今宵、月は明るく誰もが見上げ、秋の思いはどこに落ち着くのだろうか。嫦娥は月に飛び、玉兎は薬をつく—古代の物語のロマンスが今宵、現実のものとなる。この明るい月があなたの帰り道を照らし、私の深い思いを運びますように。中秋節おめでとうございます！

温かく祝福するスタイル

月は満ち、人々は再会する。中秋の夜は最も穏やかだ。花火が咲き、空の満月を愛で、月餅を一口食べ、平和と健康を願う。心の中のすべての願いが叶いますように。皆様の中秋節とご家族の幸せをお祈りします！

OCR と情報抽出

画像内のテキストや数式を認識したり、領収書、証明書、フォームから情報を抽出したりします。フォーマットされたテキスト出力もサポートしています。Qwen3-VL モデルは言語サポートを 33 言語に拡大しました。サポートされている言語のリストについては、「モデル機能の比較」をご参照ください。

-q2cdz6jy89b6m3kp

画像から次の情報を抽出してください：['Invoice Code', 'Invoice Number', 'Destination', 'Fuel Surcharge', 'Fare', 'Travel Date', 'Departure Time', 'Train Number', 'Seat Number']。JSON 形式で出力してください。

{

"Invoice Code": "221021325353",

"Invoice Number": "10283819",

"Destination": "Development Zone",

"Fuel Surcharge": "2.0",

"Fare": "8.00<Full>",

"Travel Date": "2013-06-29",

"Departure Time": "Serial",

"Train Number": "040",

"Seat Number": "371"

}

多分野にわたる問題解決

数学、物理、化学などの画像内の問題を解決します。この機能は、小中高、大学、成人教育に適しています。

-5jwcstcvmdpqghaj

画像内の数学の問題を段階的に解いてください。

-答案

ビジュアルコーディング

画像や動画からコードを生成します。デザイン案やウェブサイトのスクリーンショットなどから HTML、CSS、JS コードを作成するために使用できます。

code

私のスケッチに基づいて、黒をメインカラーとして HTML と CSS を使用してウェブページをデザインしてください。

code-预览

ウェブページのプレビュー

物体検出

モデルは 2D および 3D の位置特定をサポートしており、物体の向き、視点の変化、オクルージョン関係を判断するために使用できます。3D 位置特定は Qwen3-VL モデルの新機能です。

Qwen2.5-VL モデルの場合、物体検出は 480x480 から 2560x2560 の解像度範囲内で堅牢です。この範囲外では、検出精度が低下し、時折バウンディングボックスのずれが発生することがあります。

ローカライズ結果を元の画像に描画する方法の詳細については、「よくある質問」をご参照ください。

2D ローカライズ

-530xdcos1lqkcfuy

Box (バウンディングボックス) 座標を返す：画像内のすべての食品を検出し、その bbox 座標を JSON 形式で出力します。
Point (重心) 座標を返す：画像内のすべての食品を点として特定し、その点座標を XML 形式で出力します。

2D ローカライズ結果の可視化

-mu9podu1eyvph1zd

3D ローカライズ

画像内の車を検出し、その 3D 位置を予測します。JSON 出力： [{"bbox_3d": [x_center, y_center, z_center, x_size, y_size, z_size, roll, pitch, yaw], "label": "category"}]。

3D ローカライズ結果の可視化

ドキュメント解析

スキャンや画像 PDF などの画像ベースのドキュメントを QwenVL HTML または QwenVL Markdown 形式に解析します。この形式は、テキストを正確に認識するだけでなく、画像やテーブルなどの要素の位置情報も保持します。Qwen3-VL モデルでは、ドキュメントを Markdown 形式に解析する機能が追加されました。

推奨されるプロンプトは、qwenvl html (HTML 形式に解析) または qwenvl markdown (Markdown 形式に解析) です。

qwenvl markdown.

-结果

結果の可視化

動画理解

特定のイベントの位置特定やタイムスタンプの取得、主要な時間帯の要約生成など、動画コンテンツを分析します。

動画内の人物の一連の行動を説明してください。start_time、end_time、event を含む JSON 形式で出力してください。タイムスタンプには HH:mm:ss を使用してください。

{

"events": [

{

"start_time": "00:00:00",

"end_time": "00:00:05",

"event": "人物が段ボール箱を持ってテーブルに向かって歩き、テーブルの上に置きます。"

{

"start_time": "00:00:05",

"end_time": "00:00:15",

"event": "人物がスキャナーを手に取り、段ボール箱のラベルをスキャンします。"

{

"start_time": "00:00:15",

"end_time": "00:00:21",

"event": "人物がスキャナーを元の場所に戻し、ペンを手に取ってノートに情報を書き込みます。"}]

}

コア機能

思考モードの有効化または無効化

qwen3-vl-plus および qwen3-vl-flash モデルシリーズは、ハイブリッド思考モデルです。これらのモデルは、応答する前に思考するか、直接応答することができます。enable_thinking パラメーターを使用して、思考モードを有効にするかどうかを制御できます：
- true：思考モードを有効にします。
- false (デフォルト)：思考モードを無効にします。
qwen3-vl-235b-a22b-thinking のような `thinking` サフィックスを持つモデルは、思考専用モデルです。これらは常に応答する前に思考し、この機能を無効にすることはできません。

重要

モデル構成：エージェントツールの呼び出しを伴わない一般的な会話シナリオでは、最適なパフォーマンスを維持するために System Message を設定しないことを推奨します。モデルのロール設定や出力形式の要件などの命令は、User Message を通じて渡すことができます。
ストリーミング出力を優先：思考モードが有効な場合、ストリーミングおよび非ストリーミングの両方の出力がサポートされます。長い応答内容によるタイムアウトを避けるため、ストリーミング出力を使用することを推奨します。
思考の長さを制限：ディープシンキングモデルは、時々長い推論プロセスを出力することがあります。thinking_budget パラメーターを使用して、思考プロセスの長さを制限できます。モデルの思考プロセス中に生成されたトークン数が thinking_budget を超えると、推論内容は切り捨てられ、モデルはすぐに最終的な応答の生成を開始します。thinking_budget のデフォルト値は、モデルの最大思考連鎖長です。詳細については、「モデルリスト」をご参照ください。

OpenAI 互換

enable_thinking パラメーターは標準の OpenAI パラメーターではありません。Python 用の OpenAI SDK を使用する場合は、extra_body を通じて渡すことができます。

Python

import os
from openai import OpenAI

client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

reasoning_content = ""  # 完全な思考プロセスを定義
answer_content = ""     # 完全な応答を定義
is_answering = False   # 思考プロセスを終了して応答を開始するかどうかを判断
enable_thinking = True
# チャット補完リクエストを作成
completion = client.chat.completions.create(
    model="qwen3-vl-plus",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"
                    },
                },
                {"type": "text", "text": "この問題をどう解けばいいですか？"},
            ],
        },
    ],
    stream=True,
    # enable_thinking パラメーターは思考プロセスを有効にし、thinking_budget パラメーターは推論プロセスの最大トークン数を設定します。
    # qwen3-vl-plus と qwen3-vl-flash の場合、enable_thinking で思考を有効または無効にできます。「thinking」サフィックスを持つモデル (例: qwen3-vl-235b-a22b-thinking) の場合、enable_thinking は true にしか設定できません。これは他の Qwen-VL モデルには適用されません。
    extra_body={
        'enable_thinking': enable_thinking,
        "thinking_budget": 81920},

    # 最後のチャンクでトークン使用量を返すには、次の行のコメントを解除します
    # stream_options={
    #     "include_usage": True
    # }
)

if enable_thinking:
    print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    # chunk.choices が空の場合、使用量を出力
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
    else:
        delta = chunk.choices[0].delta
        # 思考プロセスを出力
        if hasattr(delta, 'reasoning_content') and delta.reasoning_content != None:
            print(delta.reasoning_content, end='', flush=True)
            reasoning_content += delta.reasoning_content
        else:
            # 応答を開始
            if delta.content != "" and is_answering is False:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20 + "\n")
                is_answering = True
            # 応答プロセスを出力
            print(delta.content, end='', flush=True)
            answer_content += delta.content

# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(reasoning_content)
# print("=" * 20 + "完全な応答" + "=" * 20 + "\n")
# print(answer_content)

Node.js

import OpenAI from "openai";

// OpenAI クライアントを初期化
const openai = new OpenAI({
  // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
  // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
  // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

let reasoningContent = '';
let answerContent = '';
let isAnswering = false;
let enableThinking = true;

let messages = [
    {
        role: "user",
        content: [
        { type: "image_url", image_url: { "url": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg" } },
        { type: "text", text: "この問題を解いてください" },
    ]
}]

async function main() {
    try {
        const stream = await openai.chat.completions.create({
            model: 'qwen3-vl-plus',
            messages: messages,
            stream: true,
          // 注：Node.js SDK では、enableThinking のような非標準パラメーターはトップレベルのプロパティとして渡され、extra_body に含める必要はありません。
          enable_thinking: enableThinking,
          thinking_budget: 81920

        });

        if (enableThinking){console.log('\n' + '='.repeat(20) + '思考プロセス' + '='.repeat(20) + '\n');}

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n使用量:');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;

            // 思考プロセスを処理
            if (delta.reasoning_content) {
                process.stdout.write(delta.reasoning_content);
                reasoningContent += delta.reasoning_content;
            }
            // 正式な応答を処理
            else if (delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完全な応答' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('エラー:', error);
    }
}

main();

curl

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3-vl-plus",
    "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"
          }
        },
        {
          "type": "text",
          "text": "この問題を解いてください"
        }
      ]
    }
  ],
    "stream":true,
    "stream_options":{"include_usage":true},
    "enable_thinking": true,
    "thinking_budget": 81920
}'

DashScope

Python

import os
import dashscope
from dashscope import MultiModalConversation

# シンガポールリージョンのモデルを使用する場合は、次の行のコメントを解除してください。
# dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1"
enable_thinking=True
messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"},
            {"text": "この問題を解いてください"}
        ]
    }
]

response = MultiModalConversation.call(
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx",
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model="qwen3-vl-plus",  
    messages=messages,
    stream=True,
    # enable_thinking パラメーターは思考プロセスを有効にします。
    # qwen3-vl-plus と qwen3-vl-flash の場合、enable_thinking で思考を有効または無効にできます。「thinking」サフィックスを持つモデル (例: qwen3-vl-235b-a22b-thinking) の場合、enable_thinking は true にしか設定できません。これは他の Qwen-VL モデルには適用されません。
    enable_thinking=enable_thinking,
    # thinking_budget パラメーターは推論プロセスの最大トークン数を設定します。
    thinking_budget=81920,

)

# 完全な思考プロセスを定義
reasoning_content = ""
# 完全な応答を定義
answer_content = ""
# 思考プロセスを終了して応答を開始するかどうかを判断
is_answering = False

if enable_thinking:
    print("=" * 20 + "思考プロセス" + "=" * 20)

for chunk in response:
    # 思考プロセスと応答の両方が空の場合は無視
    message = chunk.output.choices[0].message
    reasoning_content_chunk = message.get("reasoning_content", None)
    if (chunk.output.choices[0].message.content == [] and
        reasoning_content_chunk == ""):
        pass
    else:
        # 現在思考プロセス中の場合
        if reasoning_content_chunk != None and chunk.output.choices[0].message.content == []:
            print(chunk.output.choices[0].message.reasoning_content, end="")
            reasoning_content += chunk.output.choices[0].message.reasoning_content
        # 現在応答中の場合
        elif chunk.output.choices[0].message.content != []:
            if not is_answering:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20)
                is_answering = True
            print(chunk.output.choices[0].message.content[0]["text"], end="")
            answer_content += chunk.output.choices[0].message.content[0]["text"]

# 完全な思考プロセスと完全な応答を出力するには、次のコードのコメントを解除して実行してください
# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(f"{reasoning_content}")
# print("=" * 20 + "完全な応答" + "=" * 20 + "\n")
# print(f"{answer_content}")

Java

// DashScope SDK バージョン >= 2.21.10
import java.util.*;

import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import io.reactivex.Flowable;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.exception.InputRequiredException;
import java.lang.System;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";}

    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    private static StringBuilder reasoningContent = new StringBuilder();
    private static StringBuilder finalContent = new StringBuilder();
    private static boolean isFirstPrint = true;

    private static void handleGenerationResult(MultiModalConversationResult message) {
        String re = message.getOutput().getChoices().get(0).getMessage().getReasoningContent();
        String reasoning = Objects.isNull(re)?"":re; // デフォルト値

        List<Map<String, Object>> content = message.getOutput().getChoices().get(0).getMessage().getContent();
        if (!reasoning.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (Objects.nonNull(content) && !content.isEmpty()) {
            Object text = content.get(0).get("text");
            finalContent.append(content.get(0).get("text"));
            if (!isFirstPrint) {
                System.out.println("\n====================完全な応答====================");
                isFirstPrint = true;
            }
            System.out.print(text);
        }
    }
    public static MultiModalConversationParam buildMultiModalConversationParam(MultiModalMessage Msg)  {
        return MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(Msg))
                .enableThinking(true)
                .thinkingBudget(81920)
                .incrementalOutput(true)
                .build();
    }

    public static void streamCallWithMessage(MultiModalConversation conv, MultiModalMessage Msg)
            throws NoApiKeyException, ApiException, InputRequiredException, UploadFileException {
        MultiModalConversationParam param = buildMultiModalConversationParam(Msg);
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(message -> {
            handleGenerationResult(message);
        });
    }
    public static void main(String[] args) {
        try {
            MultiModalConversation conv = new MultiModalConversation();
            MultiModalMessage userMsg = MultiModalMessage.builder()
                    .role(Role.USER.getValue())
                    .content(Arrays.asList(Collections.singletonMap("image", "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"),
                            Collections.singletonMap("text", "この問題を解いてください")))
                    .build();
            streamCallWithMessage(conv, userMsg);
//             最終結果を出力
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全な応答====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | UploadFileException | InputRequiredException e) {
            logger.error("An exception occurred: {}", e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-H 'X-DashScope-SSE: enable' \
-d '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"image": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"},
                    {"text": "この問題を解いてください"}
                ]
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "thinking_budget": 81920
    }
}'

複数画像の入力

Qwen-VL モデルは、1 回のリクエストで複数の画像を渡すことをサポートしており、製品比較や複数ページのドキュメント処理などのタスクに使用できます。これを行うには、user message の content 配列に複数の画像オブジェクトを含めることができます。

重要

画像の数は、モデルのテキストと画像の合計トークン制限によって制限されます。すべての画像とテキストの合計トークン数は、モデルの最大入力制限を超えてはなりません。

OpenAI 互換

Python

import os
from openai import OpenAI

client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-vl-plus",  #  この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[
        {"role": "user","content": [
            {"type": "image_url","image_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},},
            {"type": "image_url","image_url": {"url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},},
            {"type": "text", "text": "これらの画像には何が描かれていますか？"},
            ],
        }
    ],
)

print(completion.choices[0].message.content)

応答

画像 1 は、ビーチで女性とラブラドールレトリバーが交流しているシーンを示しています。女性はチェック柄のシャツを着て砂の上に座り、犬と握手しています。背景は海の波と空で、写真全体が温かく心地よい雰囲気に満ちています。

画像 2 は、森の中を歩く虎のシーンを示しています。虎の毛皮はオレンジ色で黒い縞模様があり、前進しています。周囲は密集した木々と植生で、地面は落ち葉で覆われています。写真全体が野生の自然を感じさせます。

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3-vl-plus",  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
        messages: [
          {role: "user",content: [
            {type: "image_url",image_url: {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"}},
            {type: "image_url",image_url: {"url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"}},
            {type: "text", text: "これらの画像には何が描かれていますか？" },
        ]}]
    });
    console.log(response.choices[0].message.content);
}

main()

応答

最初の画像では、人と犬がビーチで交流しています。人はチェック柄のシャツを着ており、犬は首輪をしています。彼らは握手またはハイタッチをしているように見えます。

2番目の画像では、虎が森の中を歩いています。虎の毛皮はオレンジ色で黒い縞模様があり、背景は緑の木々と植生です。

curl

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3-vl-plus",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
          }
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"
          }
        },
        {
          "type": "text",
          "text": "これらの画像には何が描かれていますか？"
        }
      ]
    }
  ]
}'

応答

{
  "choices": [
    {
      "message": {
        "content": "画像 1 は、ビーチで女性とラブラドールレトリバーが交流しているシーンを示しています。女性はチェック柄のシャツを着て砂の上に座り、犬と握手しています。背景は海の景色と夕焼けの空で、写真全体がとても温かく調和しているように見えます。\n\n画像 2 は、森の中を歩く虎のシーンを示しています。虎の毛皮はオレンジ色で黒い縞模様があり、前進しています。周囲は密集した木々と植生で、地面は落ち葉で覆われています。写真全体が自然の野性味と生命力に満ちています。",
        "role": "assistant"
      },
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null
    }
  ],
  "object": "chat.completion",
  "usage": {
    "prompt_tokens": 2497,
    "completion_tokens": 109,
    "total_tokens": 2606
  },
  "created": 1725948561,
  "system_fingerprint": null,
  "model": "qwen3-vl-plus",
  "id": "chatcmpl-0fd66f46-b09e-9164-a84f-3ebbbedbac15"
}

DashScope

Python

import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
            {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},
            {"text": "これらの画像には何が描かれていますか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus', #  この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages
)

print(response.output.choices[0].message.content[0]["text"])

応答

これらの画像には、いくつかの動物と自然の風景が写っています。最初の画像では、人と犬がビーチで交流しています。2番目の画像は、森の中を歩く虎です。

Java

import java.util.Arrays;
import java.util.Collections;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("image", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"),
                        Collections.singletonMap("image", "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"),
                        Collections.singletonMap("text", "これらの画像には何が描かれていますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")  //  この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

応答

これらの画像には、いくつかの動物と自然の風景が写っています。

1. 最初の画像：女性と犬がビーチで交流しています。女性はチェック柄のシャツを着て砂の上に座っており、犬は首輪をして女性と握手するために前足を伸ばしています。
2. 2番目の画像：虎が森の中を歩いています。虎の毛皮はオレンジ色で黒い縞模様があり、背景は木々と葉です。

curl

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
                    {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},
                    {"text": "これらの画像には何が写っていますか？"}
                ]
            }
        ]
    }
}'

応答

{
  "output": {
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": [
            {
              "text": "これらの画像には、いくつかの動物と自然の風景が写っています。最初の画像では、人と犬がビーチで交流しています。2番目の画像は、森の中を歩く虎です。"
            }
          ]
        }
      }
    ]
  },
  "usage": {
    "output_tokens": 81,
    "input_tokens": 1277,
    "image_tokens": 2497
  },
  "request_id": "ccf845a3-dc33-9cda-b581-20fe7dc23f70"
}

動画理解

Qwen-VL モデルは動画コンテンツの理解をサポートしています。ファイルは画像リスト (動画フレーム) または動画ファイルとして提供できます。

動画ファイルの理解性能を向上させるためには、最新または最近のスナップショットバージョンのモデルを使用することを推奨します。

動画ファイル

動画フレームの抽出

Qwen-VL モデルは、動画からフレームのシーケンスを抽出してコンテンツを分析します。フレーム抽出の頻度によって、モデルの分析の詳細度が決まります。SDK によってフレーム抽出の頻度が異なります：

DashScope SDK の使用：
fps パラメーターを使用して、フレーム抽出間隔 (1 フレームは $\frac{1}{f p s}$ 秒ごとに抽出) を制御できます。このパラメーターの範囲は [0.1, 10] で、デフォルト値は 2.0 です。高速な動きのシーンには高い fps を、静的な動画や長時間の動画には低い fps を設定することを推奨します。

OpenAI 互換の SDK の使用：フレームは 0.5 秒ごとに 1 フレームの固定頻度で抽出され、カスタマイズはサポートされていません。

以下は、URL で指定されたオンライン動画を理解するためのコード例です。詳細については、「ローカルファイルの渡し方」をご参照ください。

OpenAI 互換

OpenAI SDK または HTTP メソッドを使用して Qwen-VL モデルに直接動画ファイルを入力する場合、ユーザーメッセージの "type" パラメーターを "video_url" に設定する必要があります。

Python

import os
from openai import OpenAI

client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus",
    messages=[
        {"role": "user","content": [{
            # 動画ファイルを直接渡す場合、type の値を video_url に設定します
            # OpenAI SDK を使用する場合、動画ファイルはデフォルトで 0.5 秒ごとに 1 フレームのレートでサンプリングされ、変更できません。フレームレートをカスタマイズするには、DashScope SDK を使用してください。
            "type": "video_url",            
            "video_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"}},
            {"type": "text","text": "この動画の内容は何ですか？"}]
         }]
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3-vl-plus",
        messages: [
        {role: "user",content: [
            // 動画ファイルを直接渡す場合、type の値を video_url に設定します
            // OpenAI SDK を使用する場合、動画ファイルはデフォルトで 0.5 秒ごとに 1 フレームのレートでサンプリングされ、変更できません。フレームレートをカスタマイズするには、DashScope SDK を使用してください。
            {type: "video_url", video_url: {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"}},
            {type: "text", text: "この動画の内容は何ですか？" },
        ]}]
    });
    console.log(response.choices[0].message.content);
}

main()

curl

# ======= 重要事項 =======
# 次の base_url はシンガポールリージョン用です。北京リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換える必要があります
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "messages": [
    {"role": "user","content": [{"type": "video_url","video_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"}},
    {"type": "text","text": "この動画の内容は何ですか？"}]}]
}'

DashScope

Python

import dashscope
import os
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'
messages = [
    {"role": "user",
        "content": [
            # fps パラメーターは動画のフレーム抽出頻度を制御でき、1/fps 秒ごとに 1 フレームが抽出されることを意味します。完全な使用法については、https://www.alibabacloud.com/help/model-studio/use-qwen-by-calling-api?#2ed5ee7377fum をご参照ください
            {"video": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4","fps":2},
            {"text": "この動画の内容は何ですか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key ="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',
    messages=messages
)

print(response.output.choices[0].message.content[0]["text"])

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Map;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
   static {
            // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
            Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
        }
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        // fps パラメーターは動画のフレーム抽出頻度を制御でき、1/fps 秒ごとに 1 フレームが抽出されることを意味します。完全な使用法については、https://www.alibabacloud.com/help/model-studio/use-qwen-by-calling-api?#2ed5ee7377fum をご参照ください
        Map<String, Object> params = new HashMap<>();
        params.put("video", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4");
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        params,
                        Collections.singletonMap("text", "この動画の内容は何ですか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 中国 (北京) リージョンのモデルを使用する場合は、中国 (北京) リージョンの API キーを使用する必要があります。リンクを取得： https://bailian.console.alibabacloud.com/?tab=model#/api-key
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {"role": "user","content": [{"video": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4","fps":2},
            {"text": "この動画の内容は何ですか？"}]}]}
}'

画像リスト

画像リストの制限事項

qwen3-vl-plus シリーズ：最小 4 枚、最大 2,000 枚の画像。
qwen3-vl-flash、Qwen3-VL オープンソース、Qwen2.5-VL (商用およびオープンソース版を含む)、および QVQ シリーズモデル：最小 4 枚、最大 512 枚の画像
その他のモデル：最小 4 枚、最大 80 枚の画像。

動画フレームの抽出

動画が画像リスト (事前に抽出された動画フレーム) として渡される場合、fps パラメーターを使用して、動画フレーム間の時間間隔をモデルに通知できます。これにより、モデルはイベントのシーケンス、持続時間、動的な変化をよりよく理解できます。

DashScope SDK：
この SDK は、fps パラメーターを使用して元の動画のフレームレートを指定することをサポートしており、動画フレームが元の動画から $\frac{1}{f p s}$ 秒ごとに抽出されたことを示します。このパラメーターは Qwen2.5-VL および Qwen3-VL モデルでサポートされています。
OpenAI 互換 SDK：
この SDK は fps パラメーターをサポートしていません。モデルは、動画フレームが 0.5 秒ごとに 1 フレームのデフォルト頻度で抽出されたと仮定します。

以下は、URL で指定されたオンライン動画フレームを理解するためのコード例です。詳細については、「ローカルファイルの渡し方」をご参照ください。

OpenAI 互換

OpenAI SDK または HTTP を使用して Qwen-VL モデルに動画を画像リストとして入力する場合、ユーザーメッセージの "type" パラメーターを "video" に設定する必要があります。

Python

import os
from openai import OpenAI

client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus", # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[{"role": "user","content": [
        # 画像リストを渡す場合、ユーザーメッセージの "type" パラメーターは "video" です。
        # OpenAI SDK を使用する場合、画像リストはデフォルトで 0.5 秒間隔で動画から抽出されたものと見なされ、変更できません。フレームレートをカスタマイズするには、DashScope SDK を使用してください。
        {"type": "video","video": ["https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"]},
        {"type": "text","text": "この動画の具体的なプロセスを説明してください"},
    ]}]
)
print(completion.choices[0].message.content)

Node.js

// 事前に package.json で "type": "module" を指定していることを確認してください。
import OpenAI from "openai";

const openai = new OpenAI({
    // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx",
    apiKey: process.env.DASHSCOPE_API_KEY,
    // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3-vl-plus", // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
        messages: [{
            role: "user",
            content: [
                {
                    // 画像リストを渡す場合、ユーザーメッセージの "type" パラメーターは "video" です。
                    // OpenAI SDK を使用する場合、画像リストはデフォルトで 0.5 秒間隔で動画から抽出されたものと見なされ、変更できません。フレームレートをカスタマイズするには、DashScope SDK を使用してください。
                    type: "video",
                    video: [
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"
                    ]
                },
                {
                    type: "text",
                    text: "この動画の具体的なプロセスを説明してください"
                }
            ]
        }]
    });
    console.log(response.choices[0].message.content);
}

main();

curl

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "messages": [{"role": "user",
                "content": [{"type": "video",
                "video": ["https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"]},
                {"type": "text",
                "text": "この動画の具体的なプロセスを説明してください"}]}]
}'

DashScope

Python

import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'
messages = [{"role": "user",
             "content": [
                  # モデルが Qwen2.5-VL または Qwen3-VL シリーズに属し、画像リストが渡された場合、fps パラメーターを設定して、画像リストが元の動画から 1/fps 秒ごとに抽出されたことを示すことができます。
                 {"video":["https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"],
                   "fps":2},
                 {"text": "この動画の具体的なプロセスを説明してください"}]}]
response = dashscope.MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model='qwen3-vl-plus',  # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages
)
print(response.output.choices[0].message.content[0]["text"])

Java

// DashScope SDK バージョンは 2.18.3 以降である必要があります
import java.util.Arrays;
import java.util.Collections;
import java.util.Map;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    private static final String MODEL_NAME = "qwen3-vl-plus";  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    public static void videoImageListSample() throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        //  モデルが Qwen2.5-VL または Qwen3-VL シリーズに属し、画像リストが渡された場合、fps パラメーターを設定して、画像リストが元の動画から 1/fps 秒ごとに抽出されたことを示すことができます。
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList("https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"));
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(
                        params,
                        Collections.singletonMap("text", "この動画の具体的なプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model(MODEL_NAME)
                .messages(Arrays.asList(userMessage)).build();
        MultiModalConversationResult result = conv.call(param);
        System.out.print(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            videoImageListSample();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3-vl-plus",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "video": [
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"
            ],
            "fps":2
                 
          },
          {
            "text": "この動画の具体的なプロセスを説明してください"
          }
        ]
      }
    ]
  }
}'

ローカルファイルの渡し方 (Base64 エンコーディングまたはファイルパス)

Qwen-VL は、ローカルファイルをアップロードする 2 つの方法を提供します：Base64 エンコーディングと直接ファイルパスアップロード。ファイルサイズと SDK の種類に基づいてアップロード方法を選択できます。具体的な推奨事項については、「ファイルアップロード方法の選択方法」をご参照ください。どちらの方法も、「画像の制限事項」で説明されているファイル要件を満たす必要があります。

Base64 エンコーディングによるアップロード

ファイルを Base64 エンコードされた文字列に変換し、それをモデルに渡すことができます。この方法は、OpenAI および DashScope SDK、および HTTP メソッドに適用できます。

Base64 エンコードされた文字列を渡す手順 (画像を例として)

ファイルのエンコーディング：ローカル画像を Base64 エンコーディングに変換します。

画像を Base64 エンコーディングに変換するコード例

#  エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します
import base64
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# xxxx/eagle.png をローカル画像の絶対パスに置き換えてください
base64_image = encode_image("xxx/eagle.png")

Data URL を構築します：形式は次のとおりです： data:[MIME_type];base64,{base64_image}。
1. MIME_type を実際のメディアタイプに置き換え、サポートされている画像形式テーブルの MIME タイプ の値 (例：image/jpeg または image/png) と一致することを確認します。
2. base64_image は、前のステップで生成された Base64 文字列です。
モデルを呼び出す：Data URL を image または image_url パラメーターを通じて渡し、モデルを呼び出します。

ファイルパスによるアップロード

ローカルファイルのパスを直接モデルに渡します。この方法は、DashScope Python および Java SDK でのみサポートされており、DashScope HTTP または OpenAI 互換のメソッドではサポートされていません。

プログラミング言語とオペレーティングシステムに基づいてファイルパスを指定するには、以下の表をご参照ください。

ファイルパスの指定 (画像を例として)

オペレーティングシステム	SDK	渡すファイルパス	例
Linux または macOS	Python SDK	file://{ファイルの絶対パス}	file:///home/images/test.png
Linux または macOS	Java SDK	file://{ファイルの絶対パス}	file:///home/images/test.png
Windows	Python SDK	file://{ファイルの絶対パス}	file://D:/images/test.png
Windows	Java SDK	file:///{ファイルの絶対パス}	file:///D:/images/test.pn

画像

ファイルパスの渡し方

Python

import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# xxx/eagle.png をローカル画像の絶対パスに置き換えてください。
local_path = "xxx/eagle.png"
image_path = f"file://{local_path}"
messages = [
                {'role':'user',
                'content': [{'image': image_path},
                            {'text': '画像には何が描かれていますか？'}]}]
response = MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',  # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages)
print(response.output.choices[0].message.content[0]["text"])

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException {
        String filePath = "file://"+localPath;
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>(){{put("image", filePath);}},
                        new HashMap<String, Object>(){{put("text", "画像には何が描かれていますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));}

    public static void main(String[] args) {
        try {
            // xxx/eagle.png をローカル画像の絶対パスに置き換えてください。
            callWithLocalFile("xxx/eagle.png");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコーディングによる渡し方

OpenAI 互換

Python

from openai import OpenAI
import os
import base64


# エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します。
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# xxx/eagle.png をローカル画像の絶対パスに置き換えてください。
base64_image = encode_image("xxx/eagle.png")
client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus", # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    # 注：Base64 画像データを渡す場合、画像形式 (image/{format}) はサポートされている画像のリストの Content-Type と一致する必要があります。「f」は文字列フォーマットメソッドです。
                    # PNG 画像：  f"data:image/png;base64,{base64_image}"
                    # JPEG 画像： f"data:image/jpeg;base64,{base64_image}"
                    # WEBP 画像： f"data:image/webp;base64,{base64_image}"
                    "image_url": {"url": f"data:image/png;base64,{base64_image}"},
                },
                {"type": "text", "text": "画像には何が描かれていますか？"},
            ],
        }
    ],
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";
import { readFileSync } from 'fs';


const openai = new OpenAI(
    {
        // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeImage = (imagePath) => {
    const imageFile = readFileSync(imagePath);
    return imageFile.toString('base64');
  };
// xxx/eagle.png をローカル画像の絶対パスに置き換えてください。
const base64Image = encodeImage("xxx/eagle.png")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3-vl-plus",  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
        messages: [
            {"role": "user",
            "content": [{"type": "image_url",
                            // 注：Base64 データを渡す場合、画像形式 (image/{format}) はサポートされている画像のリストの Content-Type と一致する必要があります。
                           // PNG 画像：  data:image/png;base64,${base64Image}
                          // JPEG 画像： data:image/jpeg;base64,${base64Image}
                         // WEBP 画像： data:image/webp;base64,${base64Image}
                        "image_url": {"url": `data:image/png;base64,${base64Image}`},},
                        {"type": "text", "text": "画像には何が描かれていますか？"}]}]
    });
    console.log(completion.choices[0].message.content);
} 

main();

curl

ファイルを Base64 エンコードされた文字列に変換する方法については、「サンプルコード」をご参照ください。
デモンストレーションのため、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際には、完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === コマンドを実行する前にこのコメントを削除してください。 ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3-vl-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA"}},
      {"type": "text", "text": "画像には何が描かれていますか？"}
    ]
  }]
}'

DashScope

Python

import base64
import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します。
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")


# xxxx/eagle.png をローカル画像の絶対パスに置き換えてください。
base64_image = encode_image("xxxx/eagle.png")

messages = [
    {
        "role": "user",
        "content": [
            # 注：Base64 データを渡す場合、画像形式 (image/{format}) はサポートされている画像のリストの Content-Type と一致する必要があります。「f」は文字列フォーマットメソッドです。
            # PNG 画像：  f"data:image/png;base64,{base64_image}"
            # JPEG 画像： f"data:image/jpeg;base64,{base64_image}"
            # WEBP 画像： f"data:image/webp;base64,{base64_image}"
            {"image": f"data:image/png;base64,{base64_image}"},
            {"text": "画像には何が描かれていますか？"},
        ],
    },
]

response = dashscope.MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3-vl-plus",  # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages,
)
print(response.output.choices[0].message.content[0]["text"])

Java

import java.io.IOException;
import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Base64;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

import com.alibaba.dashscope.aigc.multimodalconversation.*;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }

    private static String encodeImageToBase64(String imagePath) throws IOException {
        Path path = Paths.get(imagePath);
        byte[] imageBytes = Files.readAllBytes(path);
        return Base64.getEncoder().encodeToString(imageBytes);
    }

    public static void callWithLocalFile(String localPath) throws ApiException, NoApiKeyException, UploadFileException, IOException {

        String base64Image = encodeImageToBase64(localPath); // Base64 エンコーディング

        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        new HashMap<String, Object>() {{ put("image", "data:image/png;base64," + base64Image); }},
                        new HashMap<String, Object>() {{ put("text", "画像には何が描かれていますか？"); }}
                )).build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();

        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }

    public static void main(String[] args) {
        try {
            // xxx/eagle.png をローカル画像の絶対パスに置き換えてください。
            callWithLocalFile("xxx/eagle.png");
        } catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

ファイルを Base64 エンコードされた文字列に変換する方法については、「サンプルコード」をご参照ください。
デモンストレーションのため、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際には、完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === コマンドを実行する前にこのコメントを削除してください。 ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"image": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
               {"text": "画像には何が描かれていますか？"}
                ]
            }
        ]
    }
}'

動画ファイル

この例では、ローカルに保存された test.mp4 ファイルを使用します。

ファイルパスによる渡し方

Python

import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# xxx/test.mp4 をローカル動画の絶対パスに置き換えてください。
local_path = "xxx/test.mp4"
video_path = f"file://{local_path}"
messages = [
                {'role':'user',
                # fps パラメーターは動画から抽出されるフレーム数を制御します。1/fps 秒ごとに 1 フレームが抽出されます。
                'content': [{'video': video_path,"fps":2},
                            {'text': 'この動画はどのようなシーンを描写していますか？'}]}]
response = MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',  
    messages=messages)
print(response.output.choices[0].message.content[0]["text"])

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException {
        String filePath = "file://"+localPath;
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>()
                                       {{
                                           put("video", filePath);// fps パラメーターは動画から抽出されるフレーム数を制御します。1/fps 秒ごとに 1 フレームが抽出されます。
                                           put("fps", 2);
                                       }}, 
                        new HashMap<String, Object>(){{put("text", "この動画はどのようなシーンを描写していますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")  
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));}

    public static void main(String[] args) {
        try {
            // xxx/test.mp4 をローカル動画の絶対パスに置き換えてください。
            callWithLocalFile("xxx/test.mp4");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコーディングによる渡し方

OpenAI 互換

Python

from openai import OpenAI
import os
import base64


# エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します。
def encode_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")

# xxx/test.mp4 をローカル動画の絶対パスに置き換えてください。
base64_video = encode_video("xxx/test.mp4")
client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus",  
    messages=[
        {
            "role": "user",
            "content": [
                {
                    # 動画ファイルを直接渡す場合、type パラメーターを video_url に設定します。
                    "type": "video_url",
                    "video_url": {"url": f"data:video/mp4;base64,{base64_video}"},
                },
                {"type": "text", "text": "この動画はどのようなシーンを描写していますか？"},
            ],
        }
    ],
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";
import { readFileSync } from 'fs';

const openai = new OpenAI(
    {
        // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
        // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeVideo = (videoPath) => {
    const videoFile = readFileSync(videoPath);
    return videoFile.toString('base64');
  };
// xxx/test.mp4 をローカル動画の絶対パスに置き換えてください。
const base64Video = encodeVideo("xxx/test.mp4")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3-vl-plus",  
        messages: [
            {"role": "user",
             "content": [{
                 // 動画ファイルを直接渡す場合、type パラメーターを video_url に設定します。
                "type": "video_url", 
                "video_url": {"url": `data:video/mp4;base64,${base64Video}`}},
                 {"type": "text", "text": "この動画はどのようなシーンを描写していますか？"}]}]
    });
    console.log(completion.choices[0].message.content);
}

main();

curl

ファイルを Base64 エンコードされた文字列に変換するには、「コード例」をご参照ください。
表示の都合上、コード内の Base64 エンコードされた文字列 "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際には、完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3-vl-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "video_url", "video_url": {"url": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."}},
      {"type": "text", "text": "この動画はどのようなシーンを描写していますか？"}
    ]
  }]
}'

DashScope

Python

import base64
import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します。
def encode_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")

# xxxx/test.mp4 をローカル動画の絶対パスに置き換えてください。
base64_video = encode_video("xxxx/test.mp4")

messages = [{'role':'user',
                # fps パラメーターは動画から抽出されるフレーム数を制御します。1/fps 秒ごとに 1 フレームが抽出されます。
             'content': [{'video': f"data:video/mp4;base64,{base64_video}","fps":2},
                            {'text': 'この動画はどのようなシーンを描写していますか？'}]}]
response = MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
    # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',
    messages=messages)

print(response.output.choices[0].message.content[0]["text"])

Java

import java.io.IOException;
import java.util.*;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

import com.alibaba.dashscope.aigc.multimodalconversation.*;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    private static String encodeVideoToBase64(String videoPath) throws IOException {
        Path path = Paths.get(videoPath);
        byte[] videoBytes = Files.readAllBytes(path);
        return Base64.getEncoder().encodeToString(videoBytes);
    }

    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException, IOException {

        String base64Video = encodeVideoToBase64(localPath); // Base64 エンコーディング

        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>()
                                       {{
                                           put("video", "data:video/mp4;base64," + base64Video);// fps パラメーターは動画から抽出されるフレーム数を制御します。1/fps 秒ごとに 1 フレームが抽出されます。
                                           put("fps", 2);
                                       }},
                        new HashMap<String, Object>(){{put("text", "この動画はどのようなシーンを描写していますか？");}})).build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();

        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }

    public static void main(String[] args) {
        try {
            // xxx/test.mp4 をローカル動画の絶対パスに置き換えてください。
            callWithLocalFile("xxx/test.mp4");
        } catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

ファイルを Base64 エンコードされた文字列に変換するには、「コード例」をご参照ください。
表示の都合上、コード内の Base64 エンコードされた文字列 "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際には、完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"video": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
               {"text": "この動画はどのようなシーンを描写していますか？"}
                ]
            }
        ]
    }
}'

画像リスト

この例では、ローカルに保存されたファイル football1.jpg、football2.jpg、football3.jpg、および football4.jpg を使用します。

ファイルパスによる渡し方

Python

import os
import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

local_path1 = "football1.jpg"
local_path2 = "football2.jpg"
local_path3 = "football3.jpg"
local_path4 = "football4.jpg"

image_path1 = f"file://{local_path1}"
image_path2 = f"file://{local_path2}"
image_path3 = f"file://{local_path3}"
image_path4 = f"file://{local_path4}"

messages = [{'role':'user',
                # Qwen2.5-VL シリーズのモデルの場合、画像リストを提供すると、fps パラメーターを設定できます。
                # このパラメーターは、画像が元の動画から 1/fps 秒の間隔で抽出されることを示します。
                # この設定は他のモデルには影響しません。
             'content': [{'video': [image_path1,image_path2,image_path3,image_path4],"fps":2},
                         {'text': 'この動画はどのようなシーンを描写していますか？'}]}]
response = MultiModalConversation.call(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # DASHSCOPE_API_KEY 環境変数が設定されていない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',  # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages)

print(response.output.choices[0].message.content[0]["text"])

Java

// DashScope SDK のバージョンは 2.18.3 以降である必要があります。
import java.util.Arrays;
import java.util.Map;
import java.util.Collections;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    private static final String MODEL_NAME = "qwen3-vl-plus";  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    public static void videoImageListSample(String localPath1, String localPath2, String localPath3, String localPath4)
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        String filePath1 = "file://" + localPath1;
        String filePath2 = "file://" + localPath2;
        String filePath3 = "file://" + localPath3;
        String filePath4 = "file://" + localPath4;
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList(filePath1,filePath2,filePath3,filePath4));
        // Qwen2.5-VL シリーズのモデルの場合、画像リストを提供すると、fps パラメーターを設定できます。
        // このパラメーターは、画像が元の動画から 1/fps 秒の間隔で抽出されることを示します。
        // この設定は他のモデルには影響しません。
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(params,
                        Collections.singletonMap("text", "この動画に示されているプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // DASHSCOPE_API_KEY 環境変数が設定されていない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model(MODEL_NAME)
                .messages(Arrays.asList(userMessage)).build();
        MultiModalConversationResult result = conv.call(param);
        System.out.print(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            videoImageListSample(
                    "xxx/football1.jpg",
                    "xxx/football2.jpg",
                    "xxx/football3.jpg",
                    "xxx/football4.jpg");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコーディングによる渡し方

OpenAI 互換

Python

import os
from openai import OpenAI
import base64

# エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します。
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image1 = encode_image("football1.jpg")
base64_image2 = encode_image("football2.jpg")
base64_image3 = encode_image("football3.jpg")
base64_image4 = encode_image("football4.jpg")
client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # DASHSCOPE_API_KEY 環境変数が設定されていない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus",  # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[  
    {"role": "user","content": [
        {"type": "video","video": [
            f"data:image/jpeg;base64,{base64_image1}",
            f"data:image/jpeg;base64,{base64_image2}",
            f"data:image/jpeg;base64,{base64_image3}",
            f"data:image/jpeg;base64,{base64_image4}",]},
        {"type": "text","text": "この動画に示されているプロセスを説明してください"},
    ]}]
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";
import { readFileSync } from 'fs';

const openai = new OpenAI(
    {
        // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // DASHSCOPE_API_KEY 環境変数が設定されていない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeImage = (imagePath) => {
    const imageFile = readFileSync(imagePath);
    return imageFile.toString('base64');
  };
  
const base64Image1 = encodeImage("football1.jpg")
const base64Image2 = encodeImage("football2.jpg")
const base64Image3 = encodeImage("football3.jpg")
const base64Image4 = encodeImage("football4.jpg")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3-vl-plus",  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
        messages: [
            {"role": "user",
             "content": [{"type": "video",
                            // 注：Base64 エンコードされたデータを渡す場合、画像形式 (image/{format}) はサポートされている画像の Content-Type と一致する必要があります。
                           // PNG 画像：  data:image/png;base64,${base64Image}
                          // JPEG 画像： data:image/jpeg;base64,${base64Image}
                         // WEBP 画像： data:image/webp;base64,${base64Image}
                        "video": [
                            `data:image/jpeg;base64,${base64Image1}`,
                            `data:image/jpeg;base64,${base64Image2}`,
                            `data:image/jpeg;base64,${base64Image3}`,
                            `data:image/jpeg;base64,${base64Image4}`]},
                        {"type": "text", "text": "この動画はどのようなシーンを描写していますか？"}]}]
    });
    console.log(completion.choices[0].message.content);
}

main();

curl

ファイルを Base64 エンコードされた文字列に変換する方法については、「サンプルコード」をご参照ください。
デモンストレーションのため、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際には、完全なエンコードされた文字列を使用する必要があります。

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "messages": [{"role": "user",
                "content": [{"type": "video",
                "video": [
                          "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA...",
                          "data:image/jpeg;base64,nEpp6jpnP57MoWSyOWwrkXMJhHRCWYeFYb...",
                          "data:image/jpeg;base64,JHWQnJPc40GwQ7zERAtRMK6iIhnWw4080s...",
                          "data:image/jpeg;base64,adB6QOU5HP7dAYBBOg/Fb7KIptlbyEOu58..."
                          ]},
                {"type": "text",
                "text": "この動画に示されているプロセスを説明してください"}]}]
}'

DashScope

Python

import base64
import os
import dashscope

# 次の base_url はシンガポール リージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

#  エンコード関数: ローカルファイルを Base64 エンコードされた文字列に変換します。
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image1 = encode_image("football1.jpg")
base64_image2 = encode_image("football2.jpg")
base64_image3 = encode_image("football3.jpg")
base64_image4 = encode_image("football4.jpg")


messages = [{'role':'user',
            'content': [
                    {'video':
                         [f"data:image/png;base64,{base64_image1}",
                          f"data:image/png;base64,{base64_image2}",
                          f"data:image/png;base64,{base64_image3}",
                          f"data:image/png;base64,{base64_image4}"
                         ]
                    },
                    {'text': 'Describe the process shown in this video.'}]}]
response = dashscope.MultiModalConversation.call(
    # シンガポール リージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model='qwen3-vl-plus',  # この例では qwen3-vl-plus を使用します。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください。
    messages=messages)

print(response.output.choices[0].message.content[0]["text"])

Java

import java.io.IOException;
import java.util.*;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

import com.alibaba.dashscope.aigc.multimodalconversation.*;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }

    private static String encodeImageToBase64(String imagePath) throws IOException {
        Path path = Paths.get(imagePath);
        byte[] imageBytes = Files.readAllBytes(path);
        return Base64.getEncoder().encodeToString(imageBytes);
    }

    public static void videoImageListSample(String localPath1,String localPath2,String localPath3,String localPath4)
            throws ApiException, NoApiKeyException, UploadFileException, IOException {

        String base64Image1 = encodeImageToBase64(localPath1); // Base64 エンコーディング
        String base64Image2 = encodeImageToBase64(localPath2);
        String base64Image3 = encodeImageToBase64(localPath3);
        String base64Image4 = encodeImageToBase64(localPath4);

        MultiModalConversation conv = new MultiModalConversation();
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList(
                        "data:image/jpeg;base64," + base64Image1,
                        "data:image/jpeg;base64," + base64Image2,
                        "data:image/jpeg;base64," + base64Image3,
                        "data:image/jpeg;base64," + base64Image4));
        // Qwen2.5-VL シリーズのモデルの場合、画像リストを提供すると、fps パラメーターを設定できます。
        // このパラメーターは、画像が元の動画から 1/fps 秒の間隔で抽出されることを示します。
        // この設定は他のモデルには影響しません。
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(params,
                        Collections.singletonMap("text", "この動画に示されているプロセスを説明してください")))
                .build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();

        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }

    public static void main(String[] args) {
        try {
            // xxx/football1.jpg およびその他のプレースホルダーを、ローカル画像ファイルの絶対パスに置き換えてください。
            videoImageListSample(
                    "xxx/football1.jpg",
                    "xxx/football2.jpg",
                    "xxx/football3.jpg",
                    "xxx/football4.jpg"
            );
        } catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

ファイルを Base64 エンコードされた文字列に変換する方法については、「サンプルコード」をご参照ください。
デモンストレーションのため、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際には、完全なエンコードされた文字列を使用する必要があります。

# ======= 重要 =======
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3-vl-plus",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "video": [
                      "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA...",
                      "data:image/jpeg;base64,nEpp6jpnP57MoWSyOWwrkXMJhHRCWYeFYb...",
                      "data:image/jpeg;base64,JHWQnJPc40GwQ7zERAtRMK6iIhnWw4080s...",
                      "data:image/jpeg;base64,adB6QOU5HP7dAYBBOg/Fb7KIptlbyEOu58..."
            ],
            "fps":2     
          },
          {
            "text": "この動画に示されているプロセスを説明してください"
          }
        ]
      }
    ]
  }
}'

高解像度画像の処理

Qwen-VL API には、エンコード後の単一画像の視覚トークン数に制限があります。デフォルトの構成では、高解像度画像は圧縮されるため、詳細が失われ、理解の精度に影響を与える可能性があります。vl_high_resolution_images を有効にするか、max_pixels を調整して視覚トークンの数を増やすことで、より多くの画像の詳細を保持し、モデルの理解を向上させることができます。

モデルごとに、視覚トークンあたりのピクセル数、トークン制限、ピクセル制限が異なります。具体的なパラメーターは次のとおりです：

モデル	トークンあたりのピクセル数	vl_high_resolution_images	max_pixels	トークン制限	ピクセル制限ピクセル制限を超えると、画像の総ピクセル数がこの制限まで縮小されます。
`Qwen3-VL` シリーズモデル	`32*32`	`true`	`max_pixels` は無効です	`16384 トークン`	`16777216` (つまり `163843232`)
`Qwen3-VL` シリーズモデル	`32*32`	`false` (デフォルト)	カスタマイズ可能、最大値は `16777216`	`2560 トークン` と `max_pixels/32/32` の結果の最大値	`2621440` または `max_pixels`
`qwen-vl-max`、`qwen-vl-max-latest`、`qwen-vl-max-0813`、`qwen-vl-plus`、`qwen-vl-plus-latest`、`qwen-vl-plus-0815`、およびモデル	`32*32`	`true`	`max_pixels` は無効です	`16384 トークン`	`16777216` (つまり `163843232`)
	`32*32`	`false` (デフォルト)	カスタマイズ可能、最大値は `16777216`	`1280 トークン` と `max_pixels/32/32` の結果の最大値	`1310720` または `max_pixels`
`QVQ シリーズおよびその他の Qwen2.5-VL モデル`	`28*28`	`true`	`max_pixels` は無効です	`16384 トークン`	`12845056` (つまり `163842828`)
`QVQ シリーズおよびその他の Qwen2.5-VL モデル`	`28*28`	`false` (デフォルト)	カスタマイズ可能、最大値は `12845056`	`1280 トークン` と `max_pixels/28/28` の結果の最大値	`1003520` または `max_pixels`

vl_high_resolution_images=true の場合、API は固定解像度戦略を使用し、max_pixels 設定を無視します。これは、画像内の細かいテキスト、小さなオブジェクト、または豊富な詳細を認識するのに適しています。
vl_high_resolution_images=false の場合、実際の解像度は max_pixels の値とデフォルトの上限の大きい方によって決まります。
- 高速処理またはコスト重視のシナリオでは、max_pixels のデフォルト値を使用するか、より小さい値に設定できます。
- 細かい詳細が重要で、処理速度が遅くても許容できる場合は、max_pixels の値を増やしてください。

OpenAI 互換

vl_high_resolution_images は標準の OpenAI パラメーターではありません。Python 用の OpenAI SDK を使用する場合は、extra_body を通じて渡してください。

Python

import os
import time
from openai import OpenAI

client = OpenAI(
    # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-vl-plus",
    messages=[
        {"role": "user","content": [
            {"type": "image_url","image_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"},
            # max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
            # "max_pixels": 16384 * 32 * 32
            },
           {"type": "text", "text": "この写真はどのようなお祭りの雰囲気を示していますか？"},
            ],
        }
    ],
    extra_body={"vl_high_resolution_images":True}

)
print(f"モデルの出力: {completion.choices[0].message.content}")
print(f"合計入力トークン数: {completion.usage.prompt_tokens}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const response = await openai.chat.completions.create({
        model: "qwen3-vl-plus",
        messages: [
        {role: "user",content: [
            {type: "image_url",
            image_url: {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"},
            // max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は有効ではありませんが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
            // "max_pixels": 2560 * 32 * 32
            },
            {type: "text", text: "この写真はどのようなお祭りの雰囲気を示していますか？" },
        ]}],
        vl_high_resolution_images:true
    })


console.log("モデルの出力:",response.choices[0].message.content);
console.log("合計入力トークン数",response.usage.prompt_tokens);

curl

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3-vl-plus",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"
          }
        },
        {
          "type": "text",
          "text": "この写真はどのようなお祭りの雰囲気を示していますか？"
        }
      ]
    }
  ],
  "vl_high_resolution_images":true
}'

DashScope

Python

import os
import time

import dashscope

# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg",
            # max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
            # "max_pixels": 16384 * 32 * 32
            },
            {"text": "この写真はどのようなお祭りの雰囲気を示していますか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
        # 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： api_key="sk-xxx"
        # シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        api_key=os.getenv('DASHSCOPE_API_KEY'),
        model='qwen3-vl-plus',
        messages=messages,
        vl_high_resolution_images=True
    )
    
print("モデルの出力",response.output.choices[0].message.content[0]["text"])
print("合計入力トークン数:",response.usage.input_tokens)

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.Map;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        Map<String, Object> map = new HashMap<>();
        map.put("image", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg");
        // max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
        // map.put("min_pixels", 2621440); 
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map,
                        Collections.singletonMap("text", "この写真はどのようなお祭りの雰囲気を示していますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、次の行をご利用の Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .message(userMessage)
                .vlHighResolutionImages(true)
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
        System.out.println(result.getUsage().getInputTokens());
    }

    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# シンガポールリージョンと中国 (北京) リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"},
               {"text": "この写真はどのようなお祭りの雰囲気を示していますか？"}
                ]
            }
        ]
    },
    "parameters": {
        "vl_high_resolution_images": true
    }
}'

その他の使用法

制限事項

入力ファイルの制限

画像の制限事項

画像解像度：
- 最小サイズ：画像の幅と高さは両方とも 10 ピクセルより大きい必要があります。
- アスペクト比：画像の長辺と短辺の比率は 200:1 を超えることはできません。
- ピクセル制限：
  - 画像解像度を 8K (7680x4320) 以内に保ってください。この解像度を超えると、ファイルサイズが大きくなり、ネットワーク転送時間が長くなるため、API 呼び出しがタイムアウトする可能性があります。
  - 自動スケーリングメカニズム：モデルは処理前に入力画像を自動的にスケーリングします。そのため、超高解像度画像を提供しても検出精度は向上せず、呼び出し失敗のリスクが高まります。事前にクライアント側で画像を適切なサイズにスケーリングしてください。
サポートされている画像形式
- 4K (3840x2160) 未満の解像度の場合、サポートされている画像形式は次のとおりです：
  画像形式
  一般的な拡張子
  MIME タイプ
  BMP
  .bmp
  image/bmp
  JPEG
  .jpe, .jpeg, .jpg
  image/jpeg
  PNG
  .png
  image/png
  TIFF
  .tif, .tiff
  image/tiff
  WEBP
  .webp
  image/webp
  HEIC
  .heic
  image/heic
- 4K (3840x2160) から 8K (7680x4320) の解像度では、JPEG、JPG、PNG 形式のみがサポートされます。
画像サイズ：
- パブリック URL またはローカルパスとして渡す場合：単一画像のサイズは 10 MB を超えることはできません。
- Base64 エンコーディングとして渡す場合：エンコードされた文字列は 10 MB を超えることはできません。
詳細については、「画像または動画を必要なサイズに圧縮する方法」をご参照ください。
サポートされる画像の数：複数の画像を渡す場合、画像の数はモデルの最大入力によって制限されます。すべての画像とテキストの合計トークン数は、モデルの最大入力を超えてはなりません。
たとえば、思考モードで qwen3-vl-plus モデルを使用する場合、最大入力は 258048 トークン です。入力テキストが 100 トークンに変換され、画像が 2560 トークンに変換される場合 (画像トークンの計算方法の詳細については、「課金とレート制限」をご参照ください)、最大で (258048-100)/ 2560 = 100 枚の画像を渡すことができます。

動画の制限事項

動画サイズ：
- パブリック URL として渡す場合：
  - Qwen3-VL シリーズ、qwen-vl-max (qwen-vl-max-latest、qwen-vl-max-2025-04-08、およびそれ以降のすべてのバージョンを含む)：2 GB を超えることはできません。
  - qwen-vl-plus シリーズ、その他の qwen-vl-max モデル、Qwen2.5-VL オープンソースシリーズ、および QVQ シリーズモデル：1 GB を超えることはできません。
  - その他のモデル：150 MB を超えることはできません。
- Base64 エンコーディングとして渡す場合：エンコードされた文字列は 10 MB 未満である必要があります。
- ローカルファイルパスとして渡す場合：動画自体は 100 MB を超えることはできません。
詳細については、「画像または動画を必要なサイズに圧縮する方法」をご参照ください。
動画の長さ：
- qwen3-vl-plus シリーズ：2 秒から 1 時間。
- qwen3-vl-flash シリーズ、Qwen3-VL オープンソースシリーズ、qwen-vl-max (qwen-vl-max-latest、qwen-vl-max-2025-04-08、およびそれ以降のすべてのバージョンを含む)：2 秒から 20 分。
- qwen-vl-plus シリーズ、その他の qwen-vl-max モデル、Qwen2.5-VL オープンソースシリーズ、および QVQ シリーズモデル：2 秒から 10 分。
- その他のモデル：2 秒から 40 秒。
動画形式：MP4、AVI、MKV、MOV、FLV、WMV など。
動画のディメンション：特定の制限はありません。qwen3-vl-plus シリーズモデルの場合、max_pixels と min_pixels を使用して動画のディメンションを調整します。他のモデルは、動画を約 600,000 ピクセルに自動的に調整します。大きな動画ファイルは、より良い理解にはつながりません。
音声理解：モデルは動画ファイルの音声の理解をサポートしていません。

ファイル転送方法

パブリック URL：HTTP または HTTPS プロトコルをサポートする、公にアクセス可能なファイルアドレスを提供します。最適な安定性とパフォーマンスを得るには、ファイルを OSS にアップロードしてパブリック URL を取得します。
重要
モデルがファイルを正常にダウンロードできるようにするには、提供されたパブリック URL のリクエストヘッダーに Content-Length (ファイルサイズ) と Content-Type (メディアタイプ、例：image/jpeg) を必ず含める必要があります。フィールドが欠落しているか、正しくない場合、ファイルのダウンロードは失敗します。
Base64 エンコーディングによる渡し方：ファイルを Base64 エンコードされた文字列に変換してから渡します。
ローカルファイルパスによる渡し方 (DashScope SDK のみ)：ローカルファイルのパスを渡します。

ファイル転送方法の推奨事項については、「ファイルアップロード方法の選択方法

公開

画像と動画の前処理：Qwen-VL には入力ファイルのサイズ制限があります。ファイルを圧縮するには、「画像または動画の圧縮方法」をご参照ください。
テキストファイルの処理：Qwen-VL は画像ファイルのみをサポートしており、テキストファイルを直接処理することはできません。次の代替ソリューションを使用してください：
- テキストファイルを画像に変換します。画像編集ライブラリ (例：Python の pdf2image) を使用して、ファイルをページごとに複数の高品質画像に変換します。その後、複数画像入力を使用して画像をモデルに渡します。
- Qwen-Long はテキストファイルの処理をサポートしており、ファイルコンテンツの解析に使用できます。

フォールトトレランスと安定性
- タイムアウト処理：非ストリーミング呼び出しでは、モデルが 180 秒以内に出力を完了しない場合、通常タイムアウトエラーが発生します。ユーザーエクスペリエンスを向上させるため、サービスはタイムアウト後に生成されたコンテンツを応答本文で返します。応答ヘッダーに x-dashscope-partialresponse: true が含まれている場合、応答がタイムアウトしたことを意味します。部分モード機能 (一部のモデルでサポート) を使用して、生成されたコンテンツをメッセージ配列に追加し、リクエストを再送信します。これにより、大規模モデルはコンテンツの生成を続行できます。詳細については、「不完全な出力に基づいて書き込みを続ける」をご参照ください。
- リトライメカニズム：ネットワークの変動や一時的なサービスの利用不能に対処するために、指数バックオフなどの合理的な API 呼び出しリトライロジックを設計します。

課金とレート制限

課金：合計コストは、入力と出力の合計トークン数に基づいて計算されます。入力と出力の価格については、「モデルリスト」をご参照ください。

トークンの構成：入力トークンは、テキストトークンと、画像または動画から変換されたトークンで構成されます。出力トークンは、モデルによって生成されたテキストです。思考モードでは、モデルの思考プロセスも出力トークンとしてカウントされます。思考モードで思考プロセスが出力されない場合、課金は非思考モードの価格に基づきます。

画像と動画のトークンを計算する：次のコードを使用して、画像または動画のトークン消費量を計算します。推定結果は参考用です。実際の使用量は API 応答に従います。

画像と動画のトークンを計算する

画像

数式：画像トークン = h_bar * w_bar / token_pixels + 2

h_bar, w_bar：スケーリングされた画像の高さと幅。モデルは処理前に画像を前処理し、特定のピクセル制限まで縮小します。ピクセル制限は、max_pixels および vl_high_resolution_images パラメーターの値に関連しています。詳細については、「高解像度画像の処理」をご参照ください。
token_pixels：各視覚トークンに対応するピクセル値。この値はモデルによって異なります：
- Qwen3-VL、qwen-vl-max、qwen-vl-max-latest、qwen-vl-max-2025-08-13、qwen-vl-plus、qwen-vl-plus-latest、および qwen-vl-plus-2025-08-15：各トークンは 32x32 ピクセルに対応します。
- QVQ およびその他の Qwen2.5-VL モデル：各トークンは 28x28 ピクセルに対応します。

次のコードは、モデル内の大まかな画像スケーリングロジックを示しています。これを使用して、画像のトークン数を推定できます。実際の課金は API 応答に従います。

import math
# Pillow ライブラリをインストールするには、次のコマンドを実行します： pip install Pillow
from PIL import Image

def token_calculate(image_path, max_pixels, vl_high_resolution_images):
    # 指定された画像ファイルを開きます。
    image = Image.open(image_path)

    # 画像の元の寸法を取得します。
    height = image.height
    width = image.width

    # モデルに応じて、幅と高さを 32 または 28 の倍数に調整します。
    h_bar = round(height / 32) * 32
    w_bar = round(width / 32) * 32

    # 画像トークンの下限：4 トークン。
    min_pixels = 4 * 32 * 32
    # vl_high_resolution_images が True に設定されている場合、入力画像トークンの上限は 16,386 で、対応する最大ピクセル値は 16,384 * 32 * 32 または 16,384 * 28 * 28 です。それ以外の場合は、max_pixels に設定された値です。
    if vl_high_resolution_images:
        max_pixels = 16384 * 32 * 32
    else:
        max_pixels = max_pixels

    # 総ピクセル数が [min_pixels, max_pixels] の範囲内になるように画像をスケーリングします。
    if h_bar * w_bar > max_pixels:
        # スケーリングされた画像の総ピクセル数が max_pixels を超えないように、スケーリング係数 beta を計算します。
        beta = math.sqrt((height * width) / max_pixels)
        # 調整された幅と高さを再計算します。
        h_bar = math.floor(height / beta / 32) * 32
        w_bar = math.floor(width / beta / 32) * 32
    elif h_bar * w_bar < min_pixels:
        # スケーリングされた画像の総ピクセル数が min_pixels 未満にならないように、スケーリング係数 beta を計算します。
        beta = math.sqrt(min_pixels / (height * width))
        # 調整された高さを再計算します。
        h_bar = math.ceil(height * beta / 32) * 32
        w_bar = math.ceil(width * beta / 32) * 32
    return h_bar, w_bar

if __name__ == "__main__":
    # xxx/test.jpg をローカル画像のパスに置き換えてください。
    h_bar, w_bar = token_calculate("xxx/test.jpg", vl_high_resolution_images=False, max_pixels=16384*28*28, )
    print(f"スケーリングされた画像の寸法は：高さ {h_bar}、幅 {w_bar}")
    # システムは自動的に <vision_bos> と <vision_eos> の視覚マーカー (各 1 トークン) を追加します。
    token = int((h_bar * w_bar) / (28 * 28))+2
    print(f"画像のトークン数は {token} です")

動画

モデルが動画ファイルを処理する場合、まずフレームを抽出し、次にすべての動画フレームの合計トークン数を計算します。この計算は複雑です。次のコードを使用して、動画パスを提供することで動画の合計トークン消費量を推定します：

# 開始する前に、opencv-python をインストールします： pip install opencv-python
import math
import os
import logging
import cv2

logger = logging.getLogger(__name__)

FRAME_FACTOR = 2

# Qwen3-VL、qwen-vl-max-0813、qwen-vl-plus-0815、qwen-vl-plus-0710 などのモデルの場合、画像ズーム係数は 32 です。
IMAGE_FACTOR = 32

#  他のモデルの場合、画像ズーム係数は 28 です。
# IMAGE_FACTOR = 28

# 動画フレームの最大アスペクト比。
MAX_RATIO = 200
# 動画フレームの下限ピクセル。
VIDEO_MIN_PIXELS = 4 * 32 * 32
# 動画フレームの上限ピクセル。Qwen3-VL-Plus モデルの場合、VIDEO_MAX_PIXELS は 640 * 32 * 32 です。他のモデルの場合、768 * 32 * 32 です。
VIDEO_MAX_PIXELS = 640 * 32 * 32

# ユーザーが FPS パラメーターを提供しない場合、デフォルト値が使用されます。
FPS = 2.0
# 抽出する最小フレーム数。
FPS_MIN_FRAMES = 4
# 抽出する最大フレーム数。Qwen3-VL-Plus モデルの場合、FPS_MAX_FRAMES を 2000 に設定します。Qwen3-VL-Flash および Qwen2.5-VL モデルの場合、512 に設定します。他のモデルの場合、80 に設定します。
FPS_MAX_FRAMES = 2000

# 動画入力の最大ピクセル値。Qwen3-VL-Plus モデルの場合、VIDEO_TOTAL_PIXELS を 131072 * 32 * 32 に設定します。他のモデルの場合、65536 * 32 * 32 に設定します。
VIDEO_TOTAL_PIXELS = int(float(os.environ.get('VIDEO_MAX_PIXELS', 131072 * 32 * 32)))

def round_by_factor(number: int, factor: int) -> int:
    """'factor' で割り切れる 'number' に最も近い整数を返します。"""
    return round(number / factor) * factor

def ceil_by_factor(number: int, factor: int) -> int:
    """'number' 以上の 'factor' で割り切れる最小の整数を返します。"""
    return math.ceil(number / factor) * factor

def floor_by_factor(number: int, factor: int) -> int:
    """'number' 以下の 'factor' で割り切れる最大の整数を返します。"""
    return math.floor(number / factor) * factor

def smart_nframes(ele,total_frames,video_fps):
    """抽出する動画フレームの数を計算します。

    Args:
        ele (dict): 動画構成を含む辞書。
            - fps: モデルが抽出する入力フレームの数を制御します。
        total_frames (int): 動画の元の総フレーム数。
        video_fps (int | float): 動画の元のフレームレート。

    Raises:
        nframes が [FRAME_FACTOR, total_frames] の間隔内にない場合、エラーが発生します。

    Returns:
        モデル入力用の動画フレーム数。
    """
    assert not ("fps" in ele and "nframes" in ele), "`fps` または `nframes` のいずれかのみを受け入れます"
    fps = ele.get("fps", FPS)
    min_frames = ceil_by_factor(ele.get("min_frames", FPS_MIN_FRAMES), FRAME_FACTOR)
    max_frames = floor_by_factor(ele.get("max_frames", min(FPS_MAX_FRAMES, total_frames)), FRAME_FACTOR)
    duration = total_frames / video_fps if video_fps != 0 else 0
    if duration-int(duration)>(1/fps):
        total_frames = math.ceil(duration * video_fps)
    else:
        total_frames = math.ceil(int(duration)*video_fps)
    nframes = total_frames / video_fps * fps
    if nframes > total_frames:
        logger.warning(f"smart_nframes: nframes[{nframes}] > total_frames[{total_frames}]")
    nframes = int(min(min(max(nframes, min_frames), max_frames), total_frames))
    if not (FRAME_FACTOR <= nframes and nframes <= total_frames):
        raise ValueError(f"nframes は [{FRAME_FACTOR}, {total_frames}] の間隔内にある必要がありますが、{nframes} を取得しました。")

    return nframes

def get_video(video_path):
    # 動画情報を取得します。
    cap = cv2.VideoCapture(video_path)

    frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    # 動画の高さを取得します。
    frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))

    video_fps = cap.get(cv2.CAP_PROP_FPS)
    return frame_height,frame_width,total_frames,video_fps

def smart_resize(ele,path,factor = IMAGE_FACTOR):
    # 元の動画の幅と高さを取得します。
    height, width, total_frames, video_fps = get_video(path)
    # 動画フレームの下限トークン。
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # 抽出された動画フレームの数。
    nframes = smart_nframes(ele, total_frames, video_fps)
    max_pixels = max(min(VIDEO_MAX_PIXELS, total_pixels / nframes * FRAME_FACTOR),int(min_pixels * 1.05))

    # 動画のアスペクト比は 200:1 または 1:200 を超えることはできません。
    if max(height, width) / min(height, width) > MAX_RATIO:
        raise ValueError(
            f"絶対アスペクト比は {MAX_RATIO} より小さくする必要がありますが、{max(height, width) / min(height, width)} を取得しました"
        )

    h_bar = max(factor, round_by_factor(height, factor))
    w_bar = max(factor, round_by_factor(width, factor))
    if h_bar * w_bar > max_pixels:
        beta = math.sqrt((height * width) / max_pixels)
        h_bar = floor_by_factor(height / beta, factor)
        w_bar = floor_by_factor(width / beta, factor)
    elif h_bar * w_bar < min_pixels:
        beta = math.sqrt(min_pixels / (height * width))
        h_bar = ceil_by_factor(height * beta, factor)
        w_bar = ceil_by_factor(width * beta, factor)
    return h_bar, w_bar


def token_calculate(video_path, fps):
    # 動画パスと fps フレーム抽出パラメーターを渡します。
    messages = [{"content": [{"video": video_path, "fps":fps}]}]
    vision_infos = extract_vision_info(messages)[0]

    resized_height, resized_width=smart_resize(vision_infos,video_path)

    height, width, total_frames,video_fps = get_video(video_path)
    num_frames = smart_nframes(vision_infos,total_frames,video_fps)
    print(f"元の動画の寸法: {height}*{width}, 入力モデルの寸法: {resized_height}*{resized_width}, 動画の総フレーム数: {total_frames}, fps が {fps} の場合に抽出された総フレーム数: {num_frames}",end=",")
    video_token = int(math.ceil(num_frames / 2) * resized_height / 32 * resized_width / 32)
    video_token += 2 # システムは自動的に <|vision_bos|> と <|vision_eos|> の視覚マーカー (各 1 トークン) を追加します。
    return video_token

def extract_vision_info(conversations):
    vision_infos = []
    if isinstance(conversations[0], dict):
        conversations = [conversations]
    for conversation in conversations:
        for message in conversation:
            if isinstance(message["content"], list):
                for ele in message["content"]:
                    if (
                        "image" in ele
                        or "image_url" in ele
                        or "video" in ele
                        or ele.get("type","") in ("image", "image_url", "video")
                    ):
                        vision_infos.append(ele)
    return vision_infos


video_token = token_calculate("xxx/test.mp4", 1)
print("動画トークン:", video_token)

請求書の表示：請求書を表示したり、アカウントにチャージしたりするには、Alibaba Cloud 管理コンソールの費用とコストページにアクセスしてください。
レート制限：Qwen-VL モデルのレート制限については、「レート制限」をご参照ください。
無料クォータ(シンガポールリージョンのみ)：Qwen-VL モデルには 100 万トークンの無料クォータが提供され、Model Studio の有効化またはモデルアプリケーションの承認日から 90 日間有効です。

API リファレンス

Qwen-VL モデルの入出力パラメーターの詳細については、「Qwen」をご参照ください。

よくある質問

ファイルアップロード方法の選択方法は？

SDK の種類、ファイルサイズ、ネットワークの安定性に基づいて、最適なアップロード方法を選択してください。

ファイルタイプ	ファイル仕様	DashScope SDK (Python, Java)	OpenAI 互換 / DashScope HTTP
画像	7 MB より大きく 10 MB 未満	ローカルパスを渡す	パブリック URL のみサポートされています。Alibaba Cloud Object Storage Service (OSS) の使用を推奨します。
画像	7 MB 未満	ローカルパスを渡す	Base64 エンコーディング
動画	100 MB より大きい	パブリック URL のみサポートされています。Alibaba Cloud Object Storage Service (OSS) の使用を推奨します。	パブリック URL のみサポートされています。Alibaba Cloud Object Storage Service (OSS) の使用を推奨します。
	7 MB より大きく 100 MB 未満	ローカルパスを渡す	パブリック URL のみサポートされています。Alibaba Cloud Object Storage Service (OSS) の使用を推奨します。
	7 MB 未満	ローカルパスを渡す	Base64 エンコーディング

Base64 エンコーディングはデータサイズを増加させます。元のファイルは 7 MB 未満である必要があります。

サーバー側のダウンロードタイムアウトを回避し、安定性を向上させるために、Base64 またはローカルパスを使用してください。

画像または動画を必要なサイズに圧縮する方法は？

Qwen-VL には入力ファイルのサイズ制限があります。次の方法で圧縮してください。

画像圧縮方法

オンラインツール：CompressJPEG や TinyPng などのオンラインツールを使用してファイルを圧縮します。
ローカルソフトウェア：Photoshop などのソフトウェアを使用し、エクスポート時に品質を調整します。

コード実装：

# pip install pillow

from PIL import Image
def compress_image(input_path, output_path, quality=85):
    with Image.open(input_path) as img:
        img.save(output_path, "JPEG", optimize=True, quality=quality)

# ローカル画像を渡す
compress_image("/xxx/before-large.jpeg","/xxx/after-min.jpeg")

動画圧縮方法

オンラインツール：FreeConvert などのオンラインツールを使用してファイルを圧縮します。
ローカルソフトウェア：HandBrake などのソフトウェアを使用します。

コード実装：FFmpeg ツールを使用します。詳細については、FFmpeg 公式ウェブサイトをご参照ください。

# 基本的な変換コマンド
# -i: 入力ファイルパスを指定します。例：input.mp4
# -vcodec: 動画エンコーダーを指定します。一般的な値は libx264 (一般用途に推奨) と libx265 (より高い圧縮率) です。
# -crf: 動画の品質を制御します。値の範囲は 18 から 28 です。値が小さいほど品質が高く、ファイルサイズが大きくなります。
# -preset: エンコード速度と圧縮効率のバランスを制御します。一般的な値は slow、fast、faster です。
# -y: 出力ファイルが存在する場合に上書きします。値は不要です。
# output.mp4: 出力ファイルパスを指定します。

ffmpeg -i input.mp4 -vcodec libx264 -crf 28 -preset slow output.mp4

モデルが物体検出結果を出力した後、検出ボックスを元の画像に描画するにはどうすればよいですか？

Qwen-VL モデルが物体検出結果を出力した後、次のコードを使用して検出ボックスとそのラベルを元の画像に描画できます。

Qwen2.5-VL：返される座標は、スケーリングされた画像の左上隅を基準としたピクセル単位の絶対値です。qwen2_5_vl_2d.py コードを使用して検出ボックスを描画します。
Qwen3-VL：返される座標は、[0, 999] の範囲に正規化された相対値です。qwen3_vl_2d.py (2D ローカライズ用) または qwen3_vl_3d.zip (3D ローカライズ用) のコードを使用して検出ボックスを描画します。

エラーコード

呼び出しが失敗した場合は、「エラーメッセージ」でトラブルシューティングを行ってください。

画像形式	一般的な拡張子	MIME タイプ
BMP	.bmp	image/bmp
JPEG	.jpe, .jpeg, .jpg	image/jpeg
PNG	.png	image/png
TIFF	.tif, .tiff	image/tiff
WEBP	.webp	image/webp
HEIC	.heic	image/heic