Alibaba Cloud Model Studio:視覚理解

画像解像度

ほとんどのモデルは、画像あたり最大 1,600 万ピクセルをサポートします。解像度が高いほど、より多くのトークンを使用します。画像あたりのトークン数： h x w / (32 x 32) + 2。

ビデオサポート

• 最大 2 時間 / 2 GB： qwen3.7-plus、qwen3.6-plus、qwen3.6-flash、qwen3.5-plus、qwen3.5-flash

• 最大 1 時間 / 2 GB： qwen3-vl-plus、qwen3-vl-flash

• 最大 1 時間 / 2 GB： qwen3.5-omni-plus、qwen3.5-omni-flash (音声入力もサポート)

関数呼び出しと組み込みツール

モデルが画像やビデオのコンテンツに基づいてアクションを実行できるようにします。

• 関数呼び出し： Qwen3.7、Qwen3.6、Qwen3.5、および Qwen3-VL シリーズでサポートされています。

• 組み込みツール (Web 検索、コード実行、セットアップ不要)： qwen3.7-plus、qwen3.6-plus、qwen3.6-flash、qwen3.5-plus、および qwen3.5-flash で利用可能です。

構造化出力

写真から製品詳細を抽出するなど、視覚入力から有効な JSON 出力を取得します。

Qwen3.7、Qwen3.6、Qwen3.5、および Qwen3-VL シリーズのノンシンキングモードでサポートされています。

Qwen3.7

Qwen3.6

Qwen3.5

レガシーモデルおよびその他のモデル

これらのモデルは現在推奨されていません。新規プロジェクトでは、Qwen3.6 または Qwen3.5 シリーズを使用してください。完全なモデル仕様については、モデルページをご参照ください。