Qwen3.6 モデルを使用した視覚理解の方法 - Alibaba Cloud Model Studio

視覚理解モデルは、提供された画像や動画に基づいて質問に回答できます。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、視覚質問応答、オブジェクトのローカライズなど、さまざまなタスクに適しています。

オンラインで試す：Alibaba Cloud Model Studio コンソールに移動します。ページの右上隅で、ターゲットリージョンを選択します。次に、[Vision Models] ページに移動してモデルを試します。

クイックスタート

前提条件

API キーを取得し、環境変数として設定します。
SDK を使用して呼び出しを行うには、SDK をインストールします。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。

以下の例では、モデルを呼び出して画像の内容を記述する方法を示します。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(
    # API キーはリージョンごとに異なります。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 URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
)

completion = client.chat.completions.create(
    model="qwen3.7-plus",  # この例では qwen3.7-plus を使用しています。必要に応じて別のモデルに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": "画像にはどのようなシーン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、人と犬が砂の上に座っており、背景には海と空が写っています。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({
  // API キーはリージョンごとに異なります。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 URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
  baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
  const response = await openai.chat.completions.create({
    model: "qwen3.7-plus",   // この例では qwen3.7-plus を使用しています。必要に応じて別のモデルに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: "画像にはどのようなシーン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、人と犬が砂の上に座っており、背景には海と空が写っています。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

# ======= 重要事項 =======
# 次の URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
# API キーはリージョンごとに異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3.7-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": "画像にはどのようなシーン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、人と犬が砂の上に座っており、背景には海と空が写っています。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": "qwen3.7-plus",
  "id": "chatcmpl-0fd66f46-b09e-9164-a84f-3ebbbedbac15"
}

DashScope

Python

import os
import dashscope

# 次の URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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": "画像にはどのようなシーンが描かれていますか？"}]
}]

response = dashscope.MultiModalConversation.call(
    # API キーはリージョンごとに異なります。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='qwen3.7-plus',   # この例では qwen3.7-plus を使用しています。必要に応じて別のモデルに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です。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 URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
    static {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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", "画像にはどのようなシーンが描かれていますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンごとに異なります。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("qwen3.7-plus")  //  この例では qwen3.7-plus を使用しています。必要に応じて別のモデルに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、交流しているようです。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

# ======= 重要事項 =======
# 次の URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
# API キーはリージョンごとに異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-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": "画像にはどのようなシーン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、背景には海と空が写っています。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"
}

モデルのパフォーマンス

画像 Q&A

画像の内容を説明したり、人、場所、動物、植物などを識別して分類・ラベル付けしたりします。

p1021359

この画像で、日差しが強すぎる場合に使用すべきアイテムは何ですか？

日差しが強すぎる場合は、画像内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、目への紫外線ダメージを軽減し、明るい日差しの中での視力を保護し、視覚的な快適さを向上させるのに役立ちます。

クリエイティブライティング

画像や動画の内容に基づいて鮮やかなテキスト記述を生成し、物語の執筆、コピーライティング、ショートビデオのスクリプトなどのクリエイティブなシナリオに適しています。

vl-问答

画像の内容に基づいて、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。この画像は豊かな中秋節の雰囲気に満ちており、古典的な要素と現代的な要素を巧みに組み合わせています。画像内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用意しましたので、お選びください。

詩的で美しいスタイル

今宵、月は誰にでも明るく見えるが、秋の思いがどこに落ちるかは誰にもわからない。嫦娥は月に飛び、玉兎は薬をつく。古人のロマンスが今宵、灯される。この明るい月があなたの帰り道を照らし、私の最も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！

温かい願いのスタイル

月は満ち、人々は再会する。中秋の夜は最も穏やかだ。花火が咲くのを見て、空の満月を眺め、月餅を一口食べ、健康を願う。あなたと私の願いがすべて叶いますように。皆様、中秋節おめでとうございます。ご家族が幸せでありますように！

テキスト認識と情報抽出

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をサポートします。

-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', '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": "開発区",

"Fuel Surcharge": "2.0",

"Fare": "8.00<Full>",

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

"Departure Time": "随時",

"Train Number": "040",

"Seat Number": "371"

}

多分野の問題解決

画像内の数学、物理、化学などの問題を解決します。K-12、大学、成人教育に適しています。

-5jwcstcvmdpqghaj

グラフ内の数学の問題を段階的に解いてください。

-答案

ビジュアルプログラミング

画像や動画からコードを生成します。この機能を使用して、デザインドラフト、ウェブサイトのスクリーンショットなどから HTML、CSS、JS コードを生成できます。

code

私のスケッチに基づいて、HTML と CSS を使用してウェブページを作成してください。メインカラーは黒にしてください。

code-预览

ウェブページのプレビュー

オブジェクトのローカライズ

2D および 3D のローカライズをサポートしています。この機能を使用して、オブジェクトの向き、視点の変化、オクルージョン関係を判断できます。3D ローカライズは、Qwen3-VL モデルに追加された新機能です。

Qwen2.5-VL モデルのオブジェクトローカライズ性能は、480 × 480 から 2560 × 2560 の解像度範囲内で安定しています。この範囲外では、検出精度が低下し、時折検出フレームのドリフト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) 座標の返却：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) 座標の返却：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

画像ベースのドキュメント (スキャンコピーや画像 PDF など) 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取得します。Qwen3-VL モデルでは、Markdown 形式への解析機能が追加されました。

推奨されるプロンプトは次のとおりです：qwenvl html (HTML 形式に解析する場合) または qwenvl markdown (Markdown 形式に解析する場合)。

qwenvl markdown。

-结果

結果の可視化

動画の理解

特定のイベントの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。開始時刻 (start_time)、終了時刻 (end_time)、イベント (event) を 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記録します。"}]

}

コア機能

思考モードの有効化または無効化

qwen3.7、qwen3.6、qwen3.5、qwen3-vl-plus、および qwen3-vl-flash シリーズのモデルは、ハイブリッド思考モデルです。応答する前に思考するか、直接応答するかを選択できます。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します。
- true：思考モードを有効にします。qwen3.7、qwen3.6、および qwen3.5 シリーズモデルのデフォルト値は true です。
- false：思考モードを無効にします。qwen3-vl-plus および qwen3-vl-flash シリーズモデルのデフォルト値は false です。
thinking サフィックスを持つモデル、例えば qwen3-vl-235b-a22b-thinking は、思考専用モデルです。常に応答する前に思考し、この機能は無効にできません。

重要

モデル構成：Agent ツール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 を設定しないでください。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、ストリーミング出力と非ストリーミング出力の両方がサポートされます。応答が長すぎてタイムアウトするのを避けるために、ストリーミング出力を優先して使用してください。
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 Chain-of-Thought 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。OpenAI Python 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
from openai import OpenAI

client = OpenAI(
    # API キーはリージョンごとに異なります。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 URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.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の作成
completion = client.chat.completions.create(
    model="qwen3.7-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": "この問題を解くにはどうすればよいですか？"},
            ],
        },
    ],
    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。
    # enable_thinking パラメーターを使用して思考モードを切り替えます。
    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、使用量を出力します。
    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します。
        if hasattr(delta, 'reasoning_content') and delta.reasoning_content is not None:
            print(delta.reasoning_content, end='', flush=True)
            reasoning_content += delta.reasoning_content
        else:
            # 応答を開始します。
            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します。
            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 クライアントの初期化
const openai = new OpenAI({
  // API キーはリージョンごとに異なります。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 URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
  baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.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: 'qwen3.7-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 に配置す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します。
            if (delta.reasoning_content) {
                process.stdout.write(delta.reasoning_content);
                reasoningContent += delta.reasoning_content;
            }
            // 正式な応答を処理します。
            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

# ======= 重要事項 =======
# 次の URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
# API キーはリージョンごとに異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3.7-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

# 次の URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
dashscope.base_http_api_url = "https://{WorkspaceId}.ap-southeast-1.maas.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 キーはリージョンごとに異なります。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="qwen3.7-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。
    # enable_thinking パラメーターを使用して思考モードを切り替えます。
    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します。
    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 is not 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応答を出力します。
# 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 のバージョンは 2.21.10 以降である必要があります。
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 {
    // 次の URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
    static {Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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")
                // API キーはリージョンごとに異なります。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("qwen3.7-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);
//             最終結果を出力します。
//            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("例外が発生しました: {}", e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要事項 =======
# API キーはリージョンごとに異なります。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 URL はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "qwen3.7-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
    }
}'

複数イメージ入力

視覚理解モデルは、1 回のリクエストで複数のイメージを渡すことをサポートしており、プロダクト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 配列に複数のイメージオブジェクトを含めます。

重要

イメージの数は、モデルが持つイメージとテキストの合計トークン制限によって決まります。すべてのイメージとテキストの合計トークン数が、モデルの最大入力を超えないようにする必要があります。

OpenAI 互換

Python

import os
from openai import OpenAI

client = OpenAI(
    # API キーはリージョンごとに異なります。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 URL は、シンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.7-plus",  # この例では qwen3.7-plus を使用しています。必要に応じて、別のモデルに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": "What content do these images depict?"},
            ],
        }
    ],
)

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

応答

イメージ 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です。女性はチェック柄のシャツを着て砂の上に座り、犬と握手をしています。背景には海の波と空が描かれ、写真全体が温かさと喜びに満ちています。

イメージ 2 は、森の中を歩く虎のシーンです。虎の毛皮はオレンジ色で黒い縞模様があります。虎は前に進んでおり、周りは密集した木々や植生に囲まれ、地面は落ち葉で覆われています。写真全体から野生の自然を感じさせます。

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // API キーはリージョンごとに異なります。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
        // 環境変数が設定されていない場合は、次の行を 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 URL は、シンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
        baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3.7-plus",  // この例では qwen3.7-plus を使用しています。必要に応じて、別のモデルに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: "What content do these images depict?" },
        ]}]
    });
    console.log(response.choices[0].message.content);
}

main()

応答

1 枚目のイメージでは、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です。

2 枚目のイメージでは、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、背景には緑の木々や植生が写っています。

curl

# ======= 注意事項 =======
# API キーはリージョンごとに異なります。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 URL は、シンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.7-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": "What content do these images depict?"
        }
      ]
    }
  ]
}'

応答

{
  "choices": [
    {
      "message": {
        "content": "イメージ 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です。女性はチェック柄のシャツを着て砂の上に座り、犬と握手をしています。背景は海の景色と夕焼けの空で、シーン全体がとても暖かく調和しているように見えます。\n\nイメージ 2 は、森の中を歩く虎のシーンです。虎の毛皮はオレンジ色で黒い縞模様があります。虎は前に進んでおり、周りは密集した木々や植生に囲まれ、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": "qwen3.7-plus",
  "id": "chatcmpl-0fd66f46-b09e-9164-a84f-3ebbbedbac15"
}

DashScope

Python

import os
import dashscope

# 次の URL は、シンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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": "What content do these images depict?"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
    # API キーはリージョンごとに異なります。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
    # 環境変数が設定されていない場合は、次の行を 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='qwen3.7-plus', # この例では qwen3.7-plus を使用しています。必要に応じて、別のモデルに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

これらのイメージは、いくつかの動物と自然の風景を示しています。1 枚目のイメージでは、人と犬がビーチで交流しています。2 枚目のイメージは、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 URL は、シンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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", "What content do these images depict?"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンごとに異なります。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("qwen3.7-plus")  // この例では qwen3.7-plus を使用しています。必要に応じて、別のモデルに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

これらのイメージは、いくつかの動物と自然の風景を示しています。

1. 1 枚目のイメージ：ビーチで女性と犬が交流しています。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 枚目のイメージ：森の中を歩く虎です。虎の毛皮はオレンジ色で黒い縞模様があり、背景には木々や葉が写っています。

curl

# ======= 注意事項 =======
# 次の URL は、シンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンごとに異なります。
# API キーはリージョンごとに異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3.7-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": "What content do these images show?"}
                ]
            }
        ]
    }
}'

応答

{
  "output": {
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": [
            {
              "text": "これらのイメージは、いくつかの動物と自然の風景を示しています。1 枚目のイメージでは、人と犬がビーチで交流しています。2 枚目のイメージは、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"
}

ビデオの理解

視覚理解モデルは、イメージリスト (ビデオフレーム) またはビデオファイルとして提供されるビデオコンテンツを理解できます。以下の例は、URL で指定されたオンラインビデオまたはイメージリストを理解する方法を示しています。ビデオの制限やイメージリストで渡すことができるイメージの数に関する詳細については、「ビデオの制限」をご参照ください。

ビデオファイルを理解する際のパフォーマンスを向上させるには、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してください。

ビデオファイル

視覚理解モデルは、ビデオからフレームのシーケンスを抽出してビデオコンテンツを分析します。次の 2 つのパラメーターでフレーム抽出戦略をコントロールできます。

fps：フレーム抽出の周波数をコントロールします。1 フレームが $\frac{1}{f p s}$ 秒ごとに抽出されます。有効値は [0.1, 10] で、デフォルト値は 2.0 です。
- 動きの速いシーンでは、fps の値を高く設定して、より多くの詳細をキャプチャします。
- 静的なシーンや長いビデオでは、fps の値を低く設定してパフォーマンスを向上させます。
max_frames：ビデオから抽出するフレームの最大数です。システムはビデオの fps に基づいて合計フレームを計算します。合計フレーム数がこの制限を超えた場合、システムは自動的にフレームを均等にサンプリングして制限を満たします。このパラメーターは、DashScope SDK を使用する場合にのみ利用できます。

OpenAI 互換

OpenAI SDK または HTTP を使用して視覚理解モデルにビデオファイルを直接送信する場合、ユーザーメッセージの "type" パラメーターを "video_url" に設定します。

Python

import os
from openai import OpenAI

client = OpenAI(
    # API キーはリージョンによって異なります。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、次の行をお使いの 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 URL はシンガポールリージョン用です。呼び出し時に {WorkspaceId} をお使いのワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.7-plus",
    messages=[
        {
            "role": "user",
            "content": [
                # ビデオファイルを直接渡す場合、type の値を video_url に設定します。
                {
                    "type": "video_url",
                    "video_url": {
                        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"
                    },
                    "fps": 2
                },
                {
                    "type": "text",
                    "text": "このビデオの内容は何ですか？"
                }
            ]
        }
    ]
)

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

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // API キーはリージョンによって異なります。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、次の行をお使いの 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 URL はシンガポールリージョン用です。呼び出し時に {WorkspaceId} をお使いのワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3.7-plus",
        messages: [
            {
                role: "user",
                content: [
                    // ビデオファイルを直接渡す場合、type の値を video_url に設定します。
                    {
                        type: "video_url",
                        video_url: {
                            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"
                        },
                        "fps": 2
                    },
                    {
                        type: "text",
                        text: "このビデオの内容は何ですか？"
                    }
                ]
            }
        ]
    });

    console.log(response.choices[0].message.content);
}

main();

curl

# ======= 重要 =======
# API キーはリージョンによって異なります。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 URL はシンガポールリージョン用です。呼び出し時に {WorkspaceId} をお使いのワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# === 実行前にこのコメントを削除してください。 ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen3.7-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"
            },
            "fps":2
          },
          {
            "type": "text",
            "text": "このビデオの内容は何ですか？"
          }
        ]
      }
    ]
  }'

DashScope

Python

import dashscope
import os

# 次の URL はシンガポールリージョン用です。呼び出し時に {WorkspaceId} をお使いのワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'
messages = [
    {"role": "user",
        "content": [
            # fps パラメーターはビデオフレームの抽出周波数をコントロールします。1/fps 秒ごとに 1 フレームが抽出されることを示します。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": "このビデオの内容は何ですか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。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、次の行をお使いの 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='qwen3.7-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 URL はシンガポールリージョン用です。呼び出し時に {WorkspaceId} をお使いのワークスペース ID に置き換えてください。URL はリージョンによって異なります。
            Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
        }
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        // fps パラメーターはビデオフレームの抽出周波数をコントロールします。1/fps 秒ごとに 1 フレームが抽出されることを示します。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", "このビデオの内容は何ですか？"))).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、そのリージョンの API キーを使用する必要があります。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、次の行をお使いの 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("qwen3.7-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 URL はシンガポールリージョン用です。呼び出し時に {WorkspaceId} をお使いのワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# API キーはリージョンによって異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-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": "このビデオの内容は何ですか？"}]}]}
}'

イメージリスト

事前に抽出されたフレームのリストとしてビデオを提供する場合、fps パラメーターを使用してフレーム間の時間間隔を指定します。これにより、モデルはイベントのシーケンス、持続時間、動的な変化をより良く理解できます。fps パラメーターは、元のビデオから $\frac{1}{f p s}$ 秒ごとにフレームが抽出されたことを示します。このパラメーターは、Qwen3.6、Qwen3-VL、および Qwen2.5-VL モデルでサポートされています。

OpenAI 互換

OpenAI SDK または HTTP を使用して、イメージのリストとしてビデオを視覚理解モデルに入力する場合、ユーザーメッセージの "type" パラメーターを "video" に設定します。

Python

import os
from openai import OpenAI

client = OpenAI(
    # API キーはリージョンによって異なります。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、次の行をお使いの 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 URL はシンガポールリージョン用です。API を呼び出す際、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.7-plus", # この例では qwen3.7-plus を使用しています。必要に応じて、別のモデル名に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/models をご参照ください。
    messages=[{"role": "user","content": [
        # イメージのリストを入力する場合、ユーザーメッセージの "type" パラメーターは "video" です
         {"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"],
         "fps":2},
         {"type": "text","text": "このビデオ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

// package.json ファイルで "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({
    // API キーはリージョンによって異なります。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、次の行をお使いの 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 URL はシンガポールリージョン用です。API を呼び出す際、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3.7-plus",  // この例では qwen3.7-plus を使用しています。必要に応じて、別のモデル名に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/models をご参照ください。
        messages: [{
            role: "user",
            content: [
                {
                    // イメージのリストを入力する場合、ユーザーメッセージの "type" パラメーターは "video" です
                    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"],
                        "fps": 2
                },
                {
                    type: "text",
                    text: "このビデオ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 =======
# API キーはリージョンによって異なります。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 URL はシンガポールリージョン用です。API を呼び出す際、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-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"],
                  "fps":2},
                {"type": "text","text": "このビデオ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 URL はシンガポールリージョン用です。API を呼び出す際、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'
messages = [{"role": "user",
             "content": [
                  # イメージのリストを入力する場合、fps パラメーターは Qwen3.6、Qwen3-VL、および Qwen2.5-VL シリーズのモデルに適用されます。
                 {"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": "このビデオの具体的なプロセスを説明してください"}]}]
response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。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、次の行をお使いの 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='qwen3.7-plus',  # この例では qwen3.7-plus を使用しています。必要に応じて、別のモデル名に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 2.21.10 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 URL はシンガポールリージョン用です。API を呼び出す際、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
    }
    private static final String MODEL_NAME = "qwen3.7-plus";  // この例では qwen3.7-plus を使用しています。必要に応じて、別のモデル名に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();
        // イメージのリストを入力する場合、fps パラメーターは Qwen3.6、Qwen3-VL、および Qwen2.5-VL シリーズのモデルに適用されます。
        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", "このビデオの具体的なプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。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、次の行をお使いの 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 URL はシンガポールリージョン用です。API を呼び出す際、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# API キーはリージョンによって異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.7-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": "このビデオ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引き渡し (Base64 エンコーディングまたはファイルパス)

視覚理解モデルは、ローカルファイルをアップロードするための 2 つの方法をサポートしています：Base64 エンコーディングと直接ファイルパスアップロードです。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。推奨事項については、「ファイルアップロード方法の選択」をご参照ください。どちらの方法も、「イメージの制限」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 エンコーディングを使用したアップロード

ファイルを Base64 エンコード文字列に変換し、モデルに渡します。この方法は、OpenAI および DashScope SDK、HTTP リクエストに適用できます。

Base64 エンコード文字列を渡す手順 (イメージの例)

ファイルのエンコード：ローカルイメージを Base64 エンコーディングに変換します。

イメージを Base64 エンコーディングに変換するサンプルコード

# エンコード関数：ローカルファイルを Base64 エンコード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")

# xxx/eagle.png をご利用のローカルイメージの絶対パスに置き換えます
base64_image = encode_image("xxx/eagle.png")

Data URL を次のフォーマットで構築します：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ます。これが「サポートされているイメージフォーマット」テーブルの MIME タイプ の値 (例：image/jpeg や image/png) と一致することを確認してください。
2. base64_image は前のステップで生成された Base64 文字列です。
モデルの呼び出し：image または image_url パラメーターを使用して Data URL を渡します。

ファイルパスを使用したアップロード

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 SDK および Java SDK でのみサポートされています。DashScope HTTP リクエストや OpenAI 互換モー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、次の表をご参照ください。

ファイルパスの指定 (イメージの例)

システム	SDK	渡すファイルパス	例
Linux または macOS システム	Python SDK	file://{ファイルの絶対パス}	file:///home/images/test.png
Linux または macOS システム	Java SDK	file://{ファイルの絶対パス}	file:///home/images/test.png
Windows システム	Python SDK	file://{ファイルの絶対パス}	file://D:/images/test.png
Windows システム	Java SDK	file:///{ファイルの絶対パス}	file:///D:/images/test.png

イメージ

ファイルパスを使用した引き渡し

Python

import os
import dashscope

# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

# xxx/eagle.png をご利用のローカルイメージの絶対パスに置き換えます
local_path = "xxx/eagle.png"
image_path = f"file://{local_path}"
messages = [
                {'role':'user',
                'content': [{'image': image_path},
                            {'text': 'このイメージにはどのようなシーンが描かれていますか？'}]}]
response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。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 キーに置き換えます：api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.7-plus',  # この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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", "このイメージにはどのようなシーンが描かれていますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。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 キーに置き換えます：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.7-plus")  // この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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 をご利用のローカルイメージの絶対パスに置き換えます
            callWithLocalFile("xxx/eagle.png");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコード入力

OpenAI 互換

Python

from openai import OpenAI
import os
import base64

# エンコード関数：ローカルファイルを Base64 エンコード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 をご利用のローカルイメージの絶対パスに置き換えます
base64_image = encode_image("xxx/eagle.png")
client = OpenAI(
    # API キーはリージョンによって異なります。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 キーに置き換えます：api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    # 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.7-plus", # この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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",
                    # Base64 イメージデータを渡す際、イメージフォーマット (image/{format}) はサポートされているイメージのリストの Content Type と一致する必要があることに注意してください。「f」は文字列フォーマットのメソッドです。
                    # PNG イメージ： f"data:image/png;base64,{base64_image}"
                    # JPEG イメージ：f"data:image/jpeg;base64,{base64_image}"
                    # WEBP イメージ：f"data:image/webp;base64,{base64_image}"
                    "image_url": {"url": f"data:image/png;base64,{base64_image}"},
                },
                {"type": "text", "text": "このイメージにはどのようなシーン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(
    {
        // API キーはリージョンによって異なります。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 キーに置き換えます：apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeImage = (imagePath) => {
    const imageFile = readFileSync(imagePath);
    return imageFile.toString('base64');
  };
// xxx/eagle.png をご利用のローカルイメージの絶対パスに置き換えます
const base64Image = encodeImage("xxx/eagle.png")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3.7-plus",  // この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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 データを渡す際、イメージフォーマット (image/{format}) はサポートされているイメージのリストの Content Type と一致する必要があります。
                           // PNG イメージ： data:image/png;base64,${base64Image}
                          // JPEG イメージ：data:image/jpeg;base64,${base64Image}
                         // WEBP イメージ：data:image/webp;base64,${base64Image}
                        "image_url": {"url": `data:image/png;base64,${base64Image}`},},
                        {"type": "text", "text": "このイメージにはどのようなシーン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 エンコード文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際の使用では、完全なエンコード文字列を渡すようにしてください。

# ======= 重要 =======
# API キーはリージョンによって異なります。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# === 実行前にこのコメントを削除してください ===

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3.7-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA"}},
      {"type": "text", "text": "このイメージにはどのようなシーンが描かれていますか？"}
    ]
  }]
}'

DashScope

Python

import base64
import os
import dashscope

# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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 をご利用のローカルイメージの絶対パスに置き換えます
base64_image = encode_image("xxxx/eagle.png")

messages = [
    {
        "role": "user",
        "content": [
            # 注：Base64 データを渡す際、イメージフォーマット (image/{format}) はサポートされているイメージのリストの 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のメソッドです。
            # PNG イメージ： f"data:image/png;base64,{base64_image}"
            # JPEG イメージ：f"data:image/jpeg;base64,{base64_image}"
            # WEBP イメージ：f"data:image/webp;base64,{base64_image}"
            {"image": f"data:image/png;base64,{base64_image}"},
            {"text": "このイメージにはどのようなシーンが描かれていますか？"},
        ],
    },
]

response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。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 キーに置き換えます：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.7-plus",  # この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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", "このイメージにはどのようなシーンが描かれていますか？"); }}
                )).build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。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("qwen3.7-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 をご利用のローカルイメージの絶対パスに置き換えます
            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 エンコード文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。実際の使用では、完全なエンコード文字列を渡すようにしてください。

# ======= 重要 =======
# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# API キーはリージョンによって異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"image": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
               {"text": "このイメージにはどのようなシーンが描かれていますか？"}
                ]
            }
        ]
    }
}'

ビデオファイル

このセクションでは、ローカルに保存された test.mp4 ファイルを例として使用します。

ファイルパスによる受け渡し

Python

import os
import dashscope

# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

# xxxx/test.mp4 をローカルビデオ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、ビデオ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ることを示します。
                'content': [{'video': video_path,"fps":2},
                            {'text': 'このビデオはどのようなシーンを描写していますか？'}]}]
response = MultiModalConversation.call(
    # API キーはリージョンによって異なります。API キーを取得する方法については、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 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='qwen3.7-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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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、ビデオ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ることを示します。
                                           put("fps", 2);
                                       }}, 
                        new HashMap<String, Object>(){{put("text", "このビデオはどのようなシーンを描写していますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。API キーを取得する方法については、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 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("qwen3.7-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 {
            // xxxx/test.mp4 をローカルビデオ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 エンコードによる入力

OpenAI 互換

Python

from openai import OpenAI
import os
import base64

# 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_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")

# xxxx/test.mp4 をローカルビデオの絶対パスに置き換えてください
base64_video = encode_video("xxx/test.mp4")
client = OpenAI(
    # API キーはリージョンによって異なります。API キーを取得する方法については、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 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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.7-plus",  
    messages=[
        {
            "role": "user",
            "content": [
                {
                    # ビデオファイルを直接渡す場合は、type の値を video_url に設定します
                    "type": "video_url",
                    "video_url": {"url": f"data:video/mp4;base64,{base64_video}"},
                    "fps":2
                },
                {"type": "text", "text": "このビデオ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(
    {
        // API キーはリージョンによって異なります。API キーを取得する方法については、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 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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeVideo = (videoPath) => {
    const videoFile = readFileSync(videoPath);
    return videoFile.toString('base64');
  };
// xxxx/test.mp4 をローカルビデオ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: "qwen3.7-plus", 
        messages: [
            {"role": "user",
             "content": [{
                 // ビデオファイルを直接渡す場合は、type の値を video_url に設定します
                "type": "video_url", 
                "video_url": {"url": `data:video/mp4;base64,${base64Video}`},
                "fps":2},
                 {"type": "text", "text": "このビデオ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:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実際に使用する際は、完全なエンコード文字列を渡してください。

# ======= 重要 =======
# API キーはリージョンによって異なります。API キーを取得する方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# === 実行前にこのコメントを削除してください ===

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3.7-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "video_url", "video_url": {"url": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},"fps":2},
      {"type": "text", "text": "このビデオ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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")

# xxxx/test.mp4 をローカルビデオ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、ビデオ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ることを示します。
             'content': [{'video': f"data:video/mp4;base64,{base64_video}","fps":2},
                            {'text': 'このビデオはどのようなシーンを描写していますか？'}]}]
response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。API キーを取得する方法については、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 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='qwen3.7-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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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、ビデオ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ることを示します。
                                           put("fps", 2);
                                       }},
                        new HashMap<String, Object>(){{put("text", "このビデオはどのようなシーンを描写していますか？");}})).build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。API キーを取得する方法については、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 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("qwen3.7-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 をローカルビデオ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 "f"data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実際に使用する際は、完全なエンコード文字列を渡してください。

# ======= 重要 =======
# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# API キーはリージョンによって異なります。API キーを取得する方法については、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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"video": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
               {"text": "このビデオはどのようなシーンを描写していますか？"}
                ]
            }
        ]
    }
}'

画像リスト

このセクションでは、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 を例として使用します。

ファイルパスの受け渡し

Python

import os
import dashscope

# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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',
              # 画像リストを渡す場合、fps パラメーターは Qwen3.6、Qwen3-VL、および Qwen2.5-VL シリーズモデルに適用されます。
             'content': [{'video': [image_path1,image_path2,image_path3,image_path4],"fps":2},
                         {'text': 'What scene does this video depict?'}]}]
response = MultiModalConversation.call(
    # API キーはリージョンによって異なります。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 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='qwen3.7-plus',  # この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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 2.21.10 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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";
    }
    
    private static final String MODEL_NAME = "qwen3.7-plus";  // この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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));
        // 画像リストを渡す場合、fps パラメーターは Qwen3.6、Qwen3-VL、および Qwen2.5-VL シリーズモデルに適用されます。
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(params,
                        Collections.singletonMap("text", "Describe the specific process in this video")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。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 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 エンコーディングを使用した受け渡し

OpenAI 互換

Python

import os
from openai import OpenAI
import base64

# 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")
client = OpenAI(
    # API キーはリージョンによって異なります。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 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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.7-plus",  # この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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": "Describe the specific process in this video"},
    ]}]
)
print(completion.choices[0].message.content)

Node.js

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

const openai = new OpenAI(
    {
        // API キーはリージョンによって異なります。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 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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.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: "qwen3.7-plus",  // この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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": [
                            `data:image/jpeg;base64,${base64Image1}`,
                            `data:image/jpeg;base64,${base64Image2}`,
                            `data:image/jpeg;base64,${base64Image3}`,
                            `data:image/jpeg;base64,${base64Image4}`]},
                        {"type": "text", "text": "What scene does this video depict?"}]}]
    });
    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。
デモ目的のため、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実際に使用する場合は、完全なエンコード済み文字列を渡してください。

# ======= 重要 =======
# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# API キーはリージョンによって異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-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": "Describe the specific process in this video"}]}]
}'

DashScope

Python

import base64
import os
import dashscope

# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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/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}"
                         ]
                    },
                    {'text': 'Please describe the specific process of this video?'}]}]
response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。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='qwen3.7-plus',  # この例では qwen3.7-plus を使用します。必要に応じてモデル名を変更できます。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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));
        // 画像リストを渡す場合、fps パラメーターは Qwen3.6、Qwen3-VL、および Qwen2.5-VL シリーズモデルに適用されます。
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(params,
                        Collections.singletonMap("text", "Describe the specific process in this video")))
                .build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // API キーはリージョンによって異なります。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("qwen3.7-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.png およびその他のファイルを、ローカル画像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。
デモ目的のため、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実際に使用する場合は、完全なエンコード済み文字列を渡してください。

# ======= 重要 =======
# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# API キーはリージョンによって異なります。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://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.7-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": "Describe the specific process in this video"
          }
        ]
      }
    ]
  }
}'

高解像度イメージの処理

視覚理解モデル API には、単一のエンコードされたイメージに対する視覚トークンの数に制限があります。デフォルト設定では、高解像度イメージは圧縮され、詳細が失われたり、理解の精度に影響したりす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します。これにより、より多くのイメージの詳細が保持され、理解度が向上します。

各モデルの視覚トークンあたりのピクセル数、トークン制限、ピクセル制限の表示

入力イメージのピクセル数がモデルのピクセル制限を超えた場合、イメージは制限内に収まるようにダウンサンプリングされます。

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
`Qwen3.6` および `Qwen3-VL` シリーズモデル	`32×32`	`true`	`max_pixels` は無効	`16,384 トークン`	`16,777,216` (つまり `16,384 × 32 × 32`)
`Qwen3.6` および `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。デフォルト値は `2,621,440` で、最大値は `16,777,216` です。	`max_pixels` によって決定されます。これは `max_pixels / 32 / 32` です。	`max_pixels`
`qwen-vl-max`、`qwen-vl-plus` モデル	`32 x 32`	`true`	`max_pixels` は無効	`16,384 トークン`	`16,777,216` (つまり `16,384 × 32 × 32`)
`qwen-vl-max`、`qwen-vl-plus` モデル	`32 x 32`	`false` (デフォルト)	カスタマイズ可能。デフォルト値は `1,310,720` で、最大値は `16,777,216` です。	`max_pixels` によって決定されます。これは `max_pixels / 32 / 32` です。	`max_pixels`
その他の `qwen-vl-max`、その他の `qwen-vl-plus`、オープンソースの `Qwen2.5-VL` シリーズ、および `QVQ` シリーズモデル	`28 × 28`	`true`	`max_pixels` は無効	`16,384 トークン`	`12,845,056` (つまり `16,384 × 28 × 28`)
	`28 × 28`	`false` (デフォルト)	カスタマイズ可能。デフォルト値は `1,003,520` で、最大値は `12,845,056` です。	`max_pixels` によって決定されます。これは `max_pixels / 28 / 28` です。	`max_pixels`

vl_high_resolution_images=true の場合、API は固定解像度ポリシーを使用し、max_pixels の設定を無視します。これは、イメージ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、最終的なピクセル制限は max_pixels パラメーターの値によって決まります。
- 処理速度の速さやコストに敏感なシナリオの場合：max_pixels のデフォルト値を使用するか、より小さい値に設定します。
- 特定の詳細にフォーカスし、処理速度の低下を許容できる場合：必要に応じて max_pixels の値を大きくします。

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。これを渡す方法は、言語 SDK によって異なります：

Python SDK：extra_body 辞書を介して渡す必要があります。
Node.js SDK：トップレベルパラメーターとして直接渡すことができます。

Python

import os
import time
from openai import OpenAI

client = OpenAI(
    # API キーはリージョンによって異なります。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.7-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 は入力イメージ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。vl_high_resolution_images=False の場合はカスタマイズ可能で、最大値はモデルによって異なります。
            # "max_pixels": 16384 * 32 * 32
            },
           {"type": "text", "text": "この画像はどのようなお祭りの雰囲気を伝えていますか？"},
            ],
        }
    ],
    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: {completion.usage.prompt_tokens}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // API キーはリージョンによって異なります。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 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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        baseURL: "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1"
    }
);

const response = await openai.chat.completions.create({
        model: "qwen3.7-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 は入力イメージの最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は効果がありません。vl_high_resolution_images=False の場合はカスタマイズ可能で、最大値はモデルによって異なります。
            // "max_pixels": 2560 * 32 * 32
            },
            {type: "text", text: "この画像はどのようなお祭りの雰囲気を伝えていますか？" },
        ]}],
        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",response.usage.prompt_tokens);

curl

# ======= 重要 =======
# API キーはリージョンによって異なります。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.7-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": "この画像はどのようなお祭りの雰囲気を伝えていますか？"
        }
      ]
    }
  ],
  "vl_high_resolution_images":true
}'

DashScope

Python

import os
import time

import dashscope

# 次の URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.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 は入力イメージ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。vl_high_resolution_images=False の場合はカスタマイズ可能で、最大値はモデルによって異なります。
            # "max_pixels": 16384 * 32 * 32
            },
            {"text": "この画像はどのようなお祭りの雰囲気を伝えていますか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
        # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください： api_key="sk-xxx"
        # API キーはリージョンによって異なります。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='qwen3.7-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:",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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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 は入力イメージ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。vl_high_resolution_images=False の場合はカスタマイズ可能で、最大値はモデルによって異なります。
        // map.put("max_pixels", 2621440); 
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map,
                        Collections.singletonMap("text", "この画像はどのようなお祭りの雰囲気を伝えていますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、次の行を 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("qwen3.7-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 =======
# API キーはリージョンによって異なります。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 URL はシンガポールリージョン用です。API を呼び出す際は、{WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.7-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": "この画像はどのようなお祭りの雰囲気を伝えていますか？"}
                ]
            }
        ]
    },
    "parameters": {
        "vl_high_resolution_images": true
    }
}'

その他の使用方法

制限事項

入力ファイルの制限

画像の制限

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：元画像とスケーリングされた画像の両方で、長辺と短辺の比率が 200:1 を超えてはなりません。
  画像スケーリングのロジックについては、「画像トークンの計算smart_resize
- 最大ピクセル数：
  - 画像解像度は 8K (7680x4320) 以内にしてください。これより高い解像度の画像は、ファイルサイズが大きく、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：モデルは max_pixels と min_pixels を使用して画像サイズを調整できます。高解像度の画像を提供しても検出精度は向上しません。むしろ、呼び出しが失敗するリスクが高まります。アップロードする前に、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フォーマット
- 4K (3840x2160) 未満の解像度では、以下のイメージフォーマットに対応しています：
  画像フォーマット
  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) までの解像度では、JPEG、JPG、PNG フォーマットのみがサポートされています。
画像サイズ：
- パブリック URL として渡す場合：Qwen3.7、Qwen3.6、Qwen3.5 シリーズのモデルでは、単一の画像は 20 MB を超えることはできません。その他のモデルでは、単一の画像は 10 MB を超えることはできません。
- ローカルパスとして渡す場合：単一の画像は 10 MB を超えることはできません。
- Base64 エンコードされた文字列として渡す場合：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。
ファイルを圧縮する方法については、「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。
画像数の制限：複数画像入力でサポートされる画像の最大数は、入力メソッドによって異なります：
- パブリック URL またはローカルパスとして渡す場合：
  - Qwen3.7 シリーズ：最大 2,048 枚
  - その他のモデル：最大 256 枚
- Base64 エンコードされた文字列として渡す場合：最大 250 枚

すべての画像の合計トークン数も、モデルの最大入力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、モデルの最大入力を超えてはなりません。

動画の制限

画像リストとして渡す場合、リスト内の画像数は次のように制限されます：
- qwen3.6 シリーズおよび qwen3.5 シリーズ：最小 4 枚、最大 8,000 枚
- qwen3-vl-plus シリーズ、qwen3-vl-flash シリーズ、qwen3-vl-235b-a22b-thinking、および qwen3-vl-235b-a22b-instruct：最小 4 枚、最大 2,000 枚
- その他のオープンソース Qwen3-VL、Qwen2.5-VL (商用およびオープンソースバージョンを含む)、および QVQ シリーズモデル：最小 4 枚、最大 512 枚
- その他のモデル：最小 4 枚、最大 80 枚
動画ファイルとして渡す場合：
- 動画サイズ：
  - パブリック URL として渡す場合：
    - qwen3.6 シリーズ、qwen3.5 シリーズ、Qwen3-VL シリーズ、および qwen-vl-max ( および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、オープンソース Qwen2.5-VL 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 エンコードされた文字列として渡す場合：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：動画ファイルは 100 MB を超えることはできません。
  ファイルを圧縮する方法については、「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：
  - qwen3.6 シリーズおよび qwen3.5 シリーズ：2 秒から 2 時間。
  - qwen3-vl-plus シリーズ、qwen3-vl-flash シリーズ、qwen3-vl-235b-a22b-thinking、および qwen3-vl-235b-a22b-instruct：2 秒から 1 時間。
  - その他のオープンソース Qwen3-VL シリーズおよび qwen-vl-max ( および以降に更新された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、オープンソース Qwen2.5-VL 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。
- 動画フォーマット：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。モデルは max_pixels と min_pixels を使用して動画のディメンションを自動的に調整できます。動画ファイルが大きくても、理解度が向上するわけではありません。
- 動画数の制限：最大 64 本の動画を渡すことができます。
- 音声認識：モデルは動画ファイルのオーディオトラックの認識をサポートしていません。

ファイルの入力方法

パブリック URL：HTTP または HTTPS プロトコルをサポートする、一般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 を取得することを推奨します。
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、パブリック URL のレスポンスヘッダーに必ず Content-Length (ファイルサイズ) と Content-Type (メディアタイプ、例：image/jpeg) を含める必要があります。どちらかの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：ファイルを Base64 エンコードされた文字列に変換して渡します。
ローカルファイルパス (DashScope SDK のみ)：ローカルファイルのパスを渡します。

ファイル入力方法の選択に関する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

本番環境での利用

画像と動画の前処理：視覚理解モデルには、入力ファイルのサイズに制限があります。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：視覚理解モデル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。以下のいずれかの回避策を使用してください。
- テキストファイルを画像フォーマットに変換します。Python の pdf2image などの画像処理ライブラリを使用して、ファイルをページごとに複数の高品質な画像に変換します。その後、「マルチ画像入力」の方法を使用して、モデルに画像を渡します。
- Qwen-Long はテキストファイル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 300 秒以内に出力の生成を完了しない場合、タイムアウトエラーが発生します。タイムアウトが発生した場合、生成されたコンテンツはレスポンスボディで返されます。x-dashscope-partialresponse: true を含むレスポンスヘッダーは、応答がタイムアウトしたことを示します。一部のモデルでサポートされている「部分補完モード」機能を使用します。生成されたコンテンツを `messages` 配列に追加し、リクエストを再送信します。これにより、大規模言語モデル (LLM) はコンテンツの生成を継続できます。詳細については、「不完全な出力からの生成の継続」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可に対応するために、エクスポネンシャルバックオフなどの合理的な API 呼び出しのリトライロジックを設計します。

課金とレート制限

課金：総コストは、入力トークンと出力トークンの総数に基づいて計算されます。入力と出力の価格は、Model Studio コンソールで確認できます。

トークンの構成：入力トークンは、テキストトークンと、イメージ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、課金はノンシンキングモードの価格設定に従います。

イメージと動画のトークン計算：次のコードを使用して、イメージ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 応答に基づきます。

イメージと動画のトークン計算

イメージ

計算式：イメージトークン = h_bar * w_bar / token_pixels + 2

h_bar, w_bar：スケーリングされたイメージの高さと幅です。イメージを処理する前に、モデルは前処理を実行して特定のピクセル制限までスケールダウンします。この制限は、max_pixels および vl_high_resolution_images パラメーターの値によって異なります。詳細については、「高解像度イメージの処理」をご参照ください。
token_pixels：各視覚 token に対応する画素値です。これはモデルによって異なります：
- qwen3.7-series、qwen3.6-series、qwen3.5-series、Qwen3-VL、qwen-vl-max、および qwen-vl-plus：各 token 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、モデルが使用するおおよそのイメージスケーリングロジックを示しています。これを使用して、イメージのトークンを推定します。実際の課金については、API 応答をご参照ください。

import math
from PIL import Image  # pip install Pillow

def smart_size(image_path, max_pixels, vl_high_resolution_images):
    """モデルパラメーターに基づいてイメージのスケーリング後のディメンションを計算し、イメージトークンを推定します。"""
    image = Image.open(image_path)
    height, width = image.height, image.width

    # Qwen3.6、Qwen3.5、Qwen3-VL などのモデルのスケーリング係数は 32 です。その他のモデルでは 28 です。
    factor = 32
    h_bar = round(height / factor) * factor
    w_bar = round(width / factor) * factor

    # トークンの下限：4 トークン
    min_pixels = 4 * factor * factor

    # vl_high_resolution_images=True の場合、トークンの上限は 16384 に固定され、max_pixels は無視されます。
    if vl_high_resolution_images:
        max_pixels = 16384 * factor * factor

    # 総ピクセル数を [min_pixels, max_pixels] の範囲に制約します。
    if h_bar * w_bar > max_pixels:
        beta = math.sqrt((height * width) / max_pixels)
        h_bar = math.floor(height / beta / factor) * factor
        w_bar = math.floor(width / beta / factor) * factor
    elif h_bar * w_bar < min_pixels:
        beta = math.sqrt(min_pixels / (height * width))
        h_bar = math.ceil(height * beta / factor) * factor
        w_bar = math.ceil(width * beta / factor) * factor

    return h_bar, w_bar

if __name__ == "__main__":
    # 注：max_pixels と vl_high_resolution_images の値は、モデルを呼び出すときに渡されるパラメーターと一致する必要があります。
    h_bar, w_bar = smart_size("xxx/test.jpg", max_pixels=2560 * 32 * 32, vl_high_resolution_images=False)
    print(f"Scaled image dimensions: Height {h_bar}, Width {w_bar}")

    # 各イメージには、<vision_bos> トークンと <vision_eos> トークンが 1 つずつ含まれます。
    token = int(h_bar * w_bar / (32 * 32)) + 2
    print(f"Number of image tokens: {token}")

動画

動画ファイル：

動画ファイルを処理する際、モデルはまずフレームを抽出し、次にすべてのビデオフレームのトークン総数を計算します。この計算は複雑なため、次のコードを使用して、パスを指定することで動画の総トークン消費量を推定できます：

# 使用前にインストールしてください： pip install opencv-python
import math
import os
import logging
import cv2

logger = logging.getLogger(__name__)

FRAME_FACTOR = 2

# Qwen3.6、Qwen3.5、Qwen3-VL、qwen-vl-max-0813、qwen-vl-plus-0815、qwen-vl-plus-0710 などのモデルでは、イメージのスケーリング係数は 32 です。
IMAGE_FACTOR = 32

# その他のモデルでは、イメージのスケーリング係数は 28 です。
# IMAGE_FACTOR = 28

# ビデオフレームの最大縦横比
MAX_RATIO = 200
# ビデオフレームのピクセル下限
VIDEO_MIN_PIXELS = 4 * 32 * 32
# ビデオフレームのピクセル上限。Qwen3-VL-Plus モデルの場合、VIDEO_MAX_PIXELS は 640 * 32 * 32 です。その他のモデルの場合、768 * 32 * 32 です。
VIDEO_MAX_PIXELS = 640 * 32 * 32

# ユーザーが FPS パラメーターを渡さない場合、fps にはデフォルト値が使用されます。
FPS = 2.0
# 抽出されるフレームの最小数
FPS_MIN_FRAMES = 4
# 抽出されるフレームの最大数 (選択されたモデルに基づいて設定)
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。その他のモデルの場合、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:
    """'number' に最も近い 'factor' で割り切れる整数を返します。"""
    return round(number / factor) * factor

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

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

def smart_nframes(ele,total_frames,video_fps):
    """抽出されるビデオフレームの数を計算します。

    Args:
        ele (dict): 動画の構成を含む辞書。
            - fps: モデル用に抽出され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にエラーが報告されます。

    Returns:
        モデル入力用のビデオフレーム数。
    """
    assert not ("fps" in ele and "nframes" in ele), "Only accept either `fps` or `nframes`"
    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 should in interval [{FRAME_FACTOR}, {total_frames}], but got {nframes}.")

    return nframes

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

    frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    # 動画の高さを取得
    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):
    # 動画の元の幅と高さを取得
    height, width, total_frames, video_fps = get_video(path)
    # ビデオフレームのトークン下限
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # 抽出されたビデオフレーム数
    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))

    # 動画の縦横比は 200:1 または 1:200 を超えてはなりません。
    if max(height, width) / min(height, width) > MAX_RATIO:
        raise ValueError(
            f"absolute aspect ratio must be smaller than {MAX_RATIO}, got {max(height, width) / min(height, width)}"
        )

    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"Original video dimensions: {height}*{width}, Model input dimensions: {resized_height}*{resized_width}, Total video frames: {total_frames}, Total frames extracted when fps is {fps}: {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

video_token = token_calculate("xxx/test.mp4", 1)
print("Video tokens:", video_token)

イメージリスト：

動画がイメージのリストとして渡される場合、フレーム抽出は既に実行されていることを意味します。次のコードを使用して、パスとイメージの数を指定することでトークン消費量を計算します：

# 使用前にインストールしてください： pip install Pillow
import math
import os
import logging
from typing import Tuple
from PIL import Image

logger = logging.getLogger(__name__)

# ==================== 定義 ====================
FRAME_FACTOR = 2
# Qwen3-VL、qwen-vl-max-0813、qwen-vl-plus-0815、qwen-vl-plus-0710 などのモデルでは、スケーリング係数は 32 です。
IMAGE_FACTOR = 32

# その他のモデルでは、スケーリング係数は 28 です。
# IMAGE_FACTOR = 28

# トークン計算用の定数
TOKEN_DIVISOR = 32  # トークン計算用の除数
VISION_SPECIAL_TOKENS = 2  # <|vision_bos|> および <|vision_eos|> マーカー

# ビデオフレームの最大縦横比
MAX_RATIO = 200
# ビデオフレームのピクセル下限
VIDEO_MIN_PIXELS = 4 * 32 * 32
# ビデオフレームのピクセル上限。Qwen3-VL-Plus モデルの場合、VIDEO_MAX_PIXELS は 640 * 32 * 32 です。その他のモデルの場合、768 * 32 * 32 です。
VIDEO_MAX_PIXELS = 640 * 32 * 32

# 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。その他のモデルの場合、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:
    """'number' に最も近い 'factor' で割り切れる整数を返します。"""
    return round(number / factor) * factor

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

def get_image_size(image_path: str) -> Tuple[int, int]:
    if not os.path.exists(image_path):
        raise FileNotFoundError(f"Image file not found: {image_path}")

    try:
        image = Image.open(image_path)
        height = image.height
        width = image.width
        image.close()  # ファイルを速やかに閉じます
        return height, width
    except Exception as e:
        raise ValueError(f"Cannot read image file {image_path}: {str(e)}")

def smart_resize(height: int, width: int, nframes: int, factor: int = IMAGE_FACTOR) -> Tuple[int, int]:
    """
    イメージのスケーリング後のディメンションを計算します

    Args:
        height: 元のイメージの高さ
        width: 元のイメージの幅
        nframes: ビデオフレーム数
        factor: スケーリング係数、デフォルトは IMAGE_FACTOR

    Returns:
        (resized_height, resized_width) スケーリング後の高さと幅

    Raises:
        ValueError: 縦横比が制限を超えた場合
    """
    # ビデオフレームのトークン下限
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # 抽出されたビデオフレーム数
    max_pixels = max(min(VIDEO_MAX_PIXELS, total_pixels / nframes * FRAME_FACTOR), int(min_pixels * 1.05))

    # 動画の縦横比は 200:1 または 1:200 を超えてはなりません。
    aspect_ratio = max(height, width) / min(height, width)
    if aspect_ratio > MAX_RATIO:
        raise ValueError(
            f"Image aspect ratio must be less than {MAX_RATIO}:1, but is currently {aspect_ratio:.2f}:1"
        )

    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 calculate_video_tokens(image_path: str, nframes: int = 1, factor: int = IMAGE_FACTOR, verbose: bool = True) -> int:
    """

    Args:
        image_path: ビデオフレームファイルへのパス
        nframes: ビデオフレーム数
        factor: スケーリング係数、デフォルトは IMAGE_FACTOR
        verbose: 詳細情報を表示するかどうか

    Returns:
        消費されたトークン数

    Raises:
        FileNotFoundError: ファイルが存在しない場合
        ValueError: ファイル形式が無効であるか、縦横比が制限を超えている場合
    """
    # 元のイメージのディメンションを取得 (1 回だけ読み取り)
    height, width = get_image_size(image_path)

    # スケーリング後のディメンションを計算
    resized_height, resized_width = smart_resize(height, width, nframes, factor)

    # トークン数を計算
    # 計算式： ceil(nframes/2) * (height/TOKEN_DIVISOR) * (width/TOKEN_DIVISOR) + VISION_SPECIAL_TOKENS
    video_token = int(
        math.ceil(nframes / 2) *
        (resized_height / TOKEN_DIVISOR) *
        (resized_width / TOKEN_DIVISOR)
    )
    # 視覚マーカートークン (<|vision_bos|> および <|vision_eos|>) を追加
    video_token += VISION_SPECIAL_TOKENS

    if verbose:
        print(f"Original video frame dimensions: {height}x{width}, Model input dimensions: {resized_height}x{resized_width}, ", end="")

    return video_token

if __name__ == "__main__":
    try:
        video_token = calculate_video_tokens("xxx/test.jpg", nframes=30)
        print(f"Video tokens: {video_token}\n")
    except Exception as e:
        print(f"Error: {str(e)}\n")

請求書の表示：Alibaba Cloud 管理コンソールの課金管理ページで請求書を表示するか、アカウントにチャージします。
レート制限：視覚理解モデルのレート制限条件の詳細については、「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)：視覚理解モデルには、100 万トークンの無料クォータが提供されます。90 日間の有効期間は、Model Studio を有効にした日、またはモデルリクエストが承認された日から開始されます。

API リファレンス

視覚理解モデルの入力パラメーターと出力パラメーターの詳細については、テキスト生成をご参照ください。

よくある質問

ファイルアップロード方法はどのように選択しますか？

SDK のタイプ、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
イメージ	7 MB 超、10 MB 未満	ローカルパスを渡します	パブリックネットワークの URL のみに対応しています。Alibaba Cloud Object Storage Service をご利用ください。
イメージ	7 MB 未満	ローカルパスを渡します	Base64 エンコーディング
ビデオ	100 MB 超	パブリックネットワーク URL のみがサポートされています。 Alibaba Cloud Object Storage Service をご利用ください。	パブリックネットワーク URL のみがサポートされています。Alibaba Cloud Object Storage Service のご利用を推奨します。
	7 MB 超、100 MB 未満	ローカルパスを渡します	パブリックネットワーク URL のみがサポートされています。 Alibaba Cloud Object Storage Service をご利用ください。
	7 MB 未満	ローカルパスを渡します	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。元のファイルサイズは 7 MB 未満である必要があります。

Base64 またはローカルパスを使用すると、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ことができます。

画像やビデオを必要なサイズに圧縮するにはどうすればよいですか？

視覚理解モデルには、入力ファイルのサイズ制限があります。以下の方法でファイルを圧縮してください。

画像の圧縮方法

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

コードによる実装：

# 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")

ビデオの圧縮方法

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ビデオを圧縮します。
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。

コードによる実装：FFmpeg ツールを使用します。詳細については、FFmpeg 公式サイトをご参照ください。

# 基本的な変換コマンド
# -i、関数：入力ファイルパス。例：input.mp4
# -vcodec、関数：ビデオエンコーダー。一般的な値には libx264 (通常推奨) と libx265 (より高い圧縮率) があります。
# -crf、関数：ビデオ品質を制御。値の範囲：[18-28]。値が小さいほど品質は高くなり、ファイルサイズは大きくなります。
# --preset、関数：エンコーディング速度と圧縮効率のバランスを制御。一般的な値には slow、fast、faster があります。
# -y、関数：既存ファイルを上書き (値は不要)。
# output.mp4、関数：出力ファイルパス。

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

モデルがオブジェクトの位置情報を出力した後、元の画像に検出フレームを描画するにはどうすればよいですか？

視覚理解モデルがオブジェクトの位置情報を返した後、以下のコードを使用して、元の画像に検出フレームとそのラベル情報を描画できます。

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。検出フレームを描画するには、qwen2_5_vl_2d.py のコードをご参照ください。
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。検出フレームを描画するには、qwen3_vl_2d.py (2D 位置特定) または qwen3_vl_3d.zip (3D 位置特定) のコードをご参照ください。

エラーコード

モデル呼び出しが失敗した場合、エラーメッセージが返されます。エラーの解決方法については、エラーコードをご参照ください。

画像フォーマット	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