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

Qwen-VL は、提供された画像や動画に基づいて質問に回答します。単一または複数の画像入力をサポートし、画像キャプション生成、視覚的な質疑応答、オブジェクト検出など、さまざまなタスクに適しています。

サポートされるリージョン：シンガポール、米国 (バージニア)、中国 (北京)。各対応リージョンの API キーを使用してください。

オンラインで試す：Vision (シンガポール)、Vision (米国 (バージニア))、または Vision (中国 (北京))

はじめに

前提条件

API キーを取得し、環境変数としてエクスポートします。
SDK を使用して呼び出しを行う場合は、SDK をインストールします。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。

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

OpenAI 互換

Python

from openai import OpenAI
import os

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

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

応答

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

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
  // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
   // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
  // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

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

応答

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

curl

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

応答

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

DashScope

Python

import os
import dashscope

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

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

response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',   # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/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、笑顔で犬と交流しています。犬は首輪をしており、女性と握手しているように見えます。背景は海と空で、彼らに降り注ぐ太陽光が暖かい雰囲気を醸し出しています。

Java

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

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

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

応答

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

curl

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

応答

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

モデルの選択

高精度のオブジェクト認識とローカライズ (3D ローカライズを含む)、エージェントツール呼び出し、ドキュメントとウェブページの解析、複雑な問題解決、長時間の動画理解などのタスクには、Qwen3-VL が推奨されます。このシリーズのモデルの比較は以下の通りです：
- qwen3-vl-plus：最も強力なモデルです。
- qwen3-vl-flash：このモデルはより高速でコスト効率が高いです。パフォーマンスとコストのバランスが取れた価値の高い選択肢であり、応答速度が重視されるシナリオに適しています。
画像キャプション生成や短い動画の要約抽出などの単純なタスクには、Qwen2.5-VL を選択できます。このシリーズのモデルの比較は以下の通りです：
- qwen-vl-max：Qwen2.5-VL シリーズで最もパフォーマンスの高いモデルです。
- qwen-vl-plus (Qwen2.5-VL の一部)：このモデルはより高速で、パフォーマンスとコストのバランスが優れています。

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

モデル機能の比較

モデル	ディープシンキング	ツール呼び出し	コンテキストキャッシュ	構造化出力	検出言語
`Qwen3-VL` シリーズ	サポート	サポート	`qwen3-vl-plus` と `qwen3-vl-flash` の安定版でサポート	非思考モードでサポート	33 言語：中国語、日本語、韓国語、インドネシア語、ベトナム語、タイ語、英語、フランス語、ドイツ語、ロシア語、ポルトガル語、スペイン語、イタリア語、スウェーデン語、デンマーク語、チェコ語、ノルウェー語、オランダ語、フィンランド語、トルコ語、ポーランド語、スワヒリ語、ルーマニア語、セルビア語、ギリシャ語、カザフ語、ウズベク語、セブアノ語、アラビア語、ウルドゥー語、ペルシャ語、ヒンディー語/デーヴァナーガリー、ヘブライ語。
`Qwen2.5-VL` シリーズ	非サポート	非サポート	`qwen-vl-max` と `qwen-vl-plus` の安定版でサポート	`qwen-vl-max` と `qwen-vl-plus` の安定版および最新版でサポート	11 言語：中国語、英語、日本語、韓国語、アラビア語、ベトナム語、フランス語、ドイツ語、イタリア語、スペイン語、ロシア語。

パフォーマンス概要

視覚的な質疑応答

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・ラベル付けします。

p1021359

太陽がまぶしい場合、この写真のどのアイテムを使えばよいですか？

太陽がまぶしいときは、写真のピンクのサングラスを使用すべきです。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、生き生きとしたテキスト記述を生成します。これは、物語の執筆、コピーライティング、短い動画のスクリプトなど、クリエイティブなシナリオに適しています。

vl-问答

この写真の内容に基づいて、面白いソーシャルメディアの投稿を書いてください。

承知いたしました。この写真は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が巧みに組み合わされています。写真の主要な要素に基づいて、異なるスタイルのソーシャルメディア投稿をいくつか用意しましたので、お選びください。

詩的で美しいスタイル

今宵、月は明るく誰もが見上げ、秋の思いはどこに落ちるのかと思いを馳せる。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、私の深い思いを運びますように。中秋節おめでとうございます！

温かく祝福するスタイル

月は満ち、人々は再会する。中秋の夜は最も優しい。花火が咲くのを見て、空の満月を愛で、月餅を一口食べ、平和と健康を願う。あなたと私の心の中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。ご家族の幸せをお祈りします！

OCR と情報抽出

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

-q2cdz6jy89b6m3kp

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

{

"Invoice Code": "221021325353",

"Invoice Number": "10283819",

"Destination": "Development Zone",

"Fuel Surcharge": "2.0",

"Fare": "8.00<Full>",

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

"Departure Time": "Serial",

"Train Number": "040",

"Seat Number": "371"

}

多分野にわたる問題解決

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

-5jwcstcvmdpqghaj

画像内の数学の問題を段階的に解いてください。

-答案

視覚的コーディング

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

code

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

code-预览

ウェブページのプレビュー

オブジェクトのローカライズ

このモデルは 2D および 3D のローカライズをサポートしており、オブジェクトの向き、視点の変化、およびオクルージョン関係を判断するために使用できます。3D ローカライズは Qwen3-VL モデルの新機能です。

Qwen2.5-VL モデルの場合、オブジェクト検出は 480 × 480 から 2560 × 2560 の解像度範囲内で堅牢です。この範囲外では、検出精度が低下し、バウンディングボックスのずれが時折発生する可能性があります。

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

2D ローカライズ

-530xdcos1lqkcfuy

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

2D ローカライズ結果の可視化

-mu9podu1eyvph1zd

3D ローカライズ

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

3D ローカライズ結果の可視化

ドキュメント解析

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

推奨されるプロンプトは、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) です。

qwenvl markdown。

-结果

結果の可視化

動画理解

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。start_time、end_time、event を含む JSON 形式で出力してください。タイムスタンプは HH:mm:ss 形式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、次にペンを手に取ってノートに情報を書き込みます。"}]

}

コア機能

思考モードの有効化または無効化

qwen3-vl-plus および qwen3-vl-flash シリーズのモデルは、ハイブリッド思考モデルです。思考してから応答することも、直接応答することもできます。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：思考モードが有効になります。
- false (デフォルト)：思考モードを無効にします。
thinking サフィックスを持つモデル (例：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、この機能を無効にすることはできません。

重要

モデル構成：エージェントツール呼び出しを伴わない一般的な会話シナリオでは、最適なパフォーマンスを維持するために System Message を設定しないことを推奨します。モデルのロール設定や出力形式の要件などの命令は、User Message を通じて渡すことができます。
ストリーミング出力を優先：思考モードが有効な場合、ストリーミング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。応答内容が長いためにタイムアウトを避けるため、ストリーミング出力を優先して使用することを推奨します。
思考の長さを制限：ディープシンキングモデルは、時々長い推論プロセスを出力することがあります。thinking_budget パラメーターを使用して、思考プロセスの長さを制限できます。モデルの思考プロセス中に生成されたトークン数が thinking_budget を超えると、推論内容は切り捨てられ、モデルは直ちに最終応答の生成を開始します。thinking_budget のデフォルト値は、モデルの最大思考連鎖長であり、「モデル」に記載されています。

OpenAI 互換

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

Python

import os
from openai import OpenAI

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

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

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

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

for chunk in completion:
    # chunk.choices が空の場合、使用量を表示
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
    else:
        delta = chunk.choices[0].delta
        # 思考プロセスを表示
        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
            if delta.content != "" and is_answering is False:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20 + "\n")
                is_answering = True
            # 応答プロセスを表示
            print(delta.content, end='', flush=True)
            answer_content += delta.content

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

Node.js

import OpenAI from "openai";

// OpenAI クライアントを初期化
const openai = new OpenAI({
  // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
  // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
  // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

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

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

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

        });

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

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

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

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

main();

curl

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

DashScope

Python

import os
import dashscope
from dashscope import MultiModalConversation

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

enable_thinking=True

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

response = MultiModalConversation.call(
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください: api_key="sk-xxx",
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model="qwen3-vl-plus",  
    messages=messages,
    stream=True,
    # enable_thinking パラメーターは思考プロセスを有効にします。
    # qwen3-vl-plus および qwen3-vl-flash の場合、enable_thinking で思考を有効または無効にできます。qwen3-vl-235b-a22b-thinking のような 'thinking' サフィックスを持つモデルの場合、enable_thinking は true にしか設定できません。これは他の Qwen-VL モデルには適用されません。
    enable_thinking=enable_thinking,
    # thinking_budget パラメーターは推論プロセスの最大トークン数を設定します。
    thinking_budget=81920,

)

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

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

for chunk in response:
    # 思考プロセスと応答の両方が空の場合は無視
    message = chunk.output.choices[0].message
    reasoning_content_chunk = message.get("reasoning_content", None)
    if (chunk.output.choices[0].message.content == [] and
        reasoning_content_chunk == ""):
        pass
    else:
        # 現在思考プロセス中の場合
        if reasoning_content_chunk 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完全な応答を表示するには、次のコードのコメントを解除して実行します
# 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 バージョン >= 2.21.10
import java.util.*;

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

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

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

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

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

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

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

        if (Objects.nonNull(content) && !content.isEmpty()) {
            Object text = content.get(0).get("text");
            finalContent.append(content.get(0).get("text"));
            if (!isFirstPrint) {
                System.out.println("\n====================完全な応答====================");
                isFirstPrint = true;
            }
            System.out.print(text);
        }
    }
    public static MultiModalConversationParam buildMultiModalConversationParam(MultiModalMessage Msg)  {
        return MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください: .apiKey("sk-xxx")
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(Msg))
                .enableThinking(true)
                .thinkingBudget(81920)
                .incrementalOutput(true)
                .build();
    }

    public static void streamCallWithMessage(MultiModalConversation conv, MultiModalMessage Msg)
            throws NoApiKeyException, ApiException, InputRequiredException, UploadFileException {
        MultiModalConversationParam param = buildMultiModalConversationParam(Msg);
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(message -> {
            handleGenerationResult(message);
        });
    }
    public static void main(String[] args) {
        try {
            MultiModalConversation conv = new MultiModalConversation();
            MultiModalMessage userMsg = MultiModalMessage.builder()
                    .role(Role.USER.getValue())
                    .content(Arrays.asList(Collections.singletonMap("image", "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"),
                            Collections.singletonMap("text", "この問題を解いてください")))
                    .build();
            streamCallWithMessage(conv, userMsg);
//             最終結果を表示
//            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 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# === 実行前にこのコメントを削除してください ===

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

複数画像の入力

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

重要

画像の数は、モデルのテキストと画像の合計トークン制限によって制限されます。すべての画像とテキストの合計トークン数は、モデルの最大入力を下回る必要があります。

OpenAI 互換

Python

import os
from openai import OpenAI

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

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

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

応答

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

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

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

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

main()

応答

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

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

curl

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

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

応答

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

DashScope

Python

import os
import dashscope

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

messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
            {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},
            {"text": "What do these images depict?"}
        ]
    }
]

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

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

返却結果

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

Java

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

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

応答

これらの画像は、いくつかの動物と自然の風景を示しています。

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

curl

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

応答

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

動画理解

Qwen-VL は動画コンテンツの理解をサポートしています。画像リスト (動画フレーム) または動画ファイルの形式でファイルを提供できます。以下は、URL で指定されたオンライン動画または画像リストを理解するためのコード例です。動画の制限や画像リストで渡せる画像の数に関する詳細については、「動画の制限」セクションをご参照ください。

動画ファイルの理解性能を向上させるには、モデルの最新または最近のスナップショットバージョンを使用してください。

動画ファイル

Qwen-VL は、動画から一連のフレームを抽出してコンテンツを分析します。フレーム抽出の頻度によって、モデルの分析の詳しさが決まります。SDK によってフレーム抽出の頻度は異なります。fps パラメーターを使用してフレーム抽出の頻度を制御できます。このパラメーターは、 $\frac{1}{f p s}$ 秒ごとに 1 フレームを抽出することを指定します。値の範囲は [0.1, 10] で、デフォルト値は 2.0 です。高速な動きのシーンには高い fps を、静的な動画や長時間の動画には低い fps を設定することを推奨します。

Qwen-VL は、動画から一連のフレームを抽出してコンテンツを分析します。次のパラメーターを使用して、フレーム抽出ポリシーを制御します：

fps：頻度を制御します。 $\frac{1}{f p s}$ 秒ごとに 1 フレーム。値の範囲は [0.1, 10] で、デフォルト値は 2.0 です。
- 高速な動きのシーン：詳細を得るために高い値を設定します。
- 静的な動画や長時間の動画：効率のために低い値を設定します。
max_frames：抽出されるフレームの上限。fps に基づいて計算された数が max_frames を超えると、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内に収めます。このパラメーターは DashScope SDK でのみ有効です。

OpenAI 互換

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

Python

import os
from openai import OpenAI

client = OpenAI(
    # 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/ja/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 の API キーに置き換えてください: api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus",
    messages=[
        {
            "role": "user",
            "content": [
                # 動画ファイルを直接渡す場合、type の値を video_url に設定します
                {
                    "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": "この動画の内容は何ですか？"
                }
            ]
        }
    ]
)

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

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // 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/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下の baseURL はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、baseURL を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、baseURL を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3-vl-plus",
        messages: [
            {
                role: "user",
                content: [
                    // 動画ファイルを直接渡す場合、type の値を video_url に設定します
                    {
                        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: "この動画の内容は何ですか？"
                    }
                ]
            }
        ]
    });

    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/ja/model-studio/get-api-key をご参照ください
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen3-vl-plus",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "video_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": "この動画の内容は何ですか？"
          }
        ]
      }
    ]
  }'

DashScope

Python

import dashscope
import os

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

response = dashscope.MultiModalConversation.call(
    # 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/ja/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 の API キーに置き換えてください: api_key ="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',
    messages=messages
)

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

Java

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

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

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

curl

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# 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/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

画像リスト

動画が画像リスト (事前に抽出された動画フレーム) として渡される場合、fps パラメーターを使用して、モデルに動画フレーム間の時間間隔を通知できます。これにより、モデルはイベントのシーケンス、持続時間、および動的な変化をよりよく理解できます。モデルは、fps パラメーターを使用して元の動画のフレームレートを指定することをサポートしており、これは動画フレームが元の動画から $\frac{1}{f p s}$ 秒ごとに抽出されたことを示します。このパラメーターは Qwen2.5-VL および Qwen3-VL モデルでサポートされています。

OpenAI 互換

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

Python

import os
from openai import OpenAI

client = OpenAI(
    # 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/ja/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 の API キーに置き換えてください: api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に変更してください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-vl-plus", # この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えてください。モデルのリストについては、https://www.alibabacloud.com/help/ja/model-studio/models をご参照ください
    messages=[{"role": "user","content": [
        # 画像リストを入力する場合、ユーザーメッセージの "type" パラメーターを "video" に設定します。
         {"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": "この動画に示されているプロセスを説明してください"},
    ]}]
)

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

Node.js

// 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/en/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 キーに置き換えます: apiKey: "sk-xxx",
    apiKey: process.env.DASHSCOPE_API_KEY,
    // 次の baseURL はシンガポールリージョン用です。 米国 (バージニア) リージョンのモデルを使用する場合は、baseURL を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に置き換えます。
    // 中国 (北京) リージョンのモデルを使用する場合は、baseURL を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えます。
    baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3-vl-plus",  // この例では qwen3-vl-plus を使用します。 必要に応じてモデル名を置き換えます。 モデルのリストについては、https://www.alibabacloud.com/help/en/model-studio/models をご参照ください。
        messages: [{
            role: "user",
            content: [
                {
                    // イメージリストを入力する場合、ユーザーメッセージの "type" パラメーターを "video" に設定します。
                    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: "Describe the process shown in this video"
                }
            ]
        }]
    });
    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/ja/model-studio/get-api-key をご参照ください
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください。
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください。
# === コマンドを実行する前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-vl-plus",
    "messages": [{"role": "user","content": [{"type": "video","video": [
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"],
                  "fps":2},
                {"type": "text","text": "この動画に示されているプロセスを説明してください"}]}]
}'

DashScope

Python

import os
import dashscope

# 以下の base_http_api_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、URL を https://dashscope-us.aliyuncs.com/api/v1 に置き換えてください。
# 中国 (北京) リージョンのモデルを使用する場合は、URL を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'
messages = [{"role": "user",
             "content": [
                  # 画像リストを入力する場合、fps パラメーターは Qwen2.5-VL および Qwen3-VL シリーズ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": "この動画に示されている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/ja/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 の API キーに置き換えてください: api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model='qwen3-vl-plus',  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えてください。モデルのリストについては、https://www.alibabacloud.com/help/ja/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 {
        // 以下の baseHttpApiUrl はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、URL を https://dashscope-us.aliyuncs.com/api/v1 に置き換えてください。
        // 中国 (北京) リージョンのモデルを使用する場合は、URL を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    private static final String MODEL_NAME = "qwen3-vl-plus";  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えてください。モデルのリストについては、https://www.alibabacloud.com/help/ja/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();
        // 画像リストを入力する場合、fps パラメーターは Qwen2.5-VL および Qwen3-VL シリーズ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", "この動画に示されているプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 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/ja/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 の 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 =======
# 以下の URL はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、URL を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# 中国 (北京) リージョンのモデルを使用する場合は、URL を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# 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/ja/model-studio/get-api-key をご参照ください
# === コマンドを実行する前にこのコメントを削除してください ===

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

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

Qwen-VL は、ローカルファイルをアップロードする 2 つの方法を提供しています：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してください。具体的な推奨事項については、「ファイルアップロード方法の選択方法」をご参照ください。どちらの方法も、「画像の制限」で説明されているファイル要件を満たす必要があります。

Base64 エンコーディングによるアップロード

ファイルを Base64 エンコードされた文字列に変換し、それをモデルに渡します。この方法は、OpenAI および DashScope SDK、および HTTP リクエストでサポートされています。

Base64 エンコードされた文字列を渡す手順 (画像例)

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

画像を Base64 エンコーディングに変換するコード例

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

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

Data URL を構築します。形式は次のとおりです：data:[MIME_type];base64,{base64_image}。
1. MIME_type を実際のメディアタイプに置き換えます。「サポートされている画像形式」テーブルの MIME タイプ の値と一致することを確認してください。例：image/jpeg または image/png。
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：Data URL を image または image_url パラメーターを通じて渡し、モデルを呼び出します。

ファイルパスによるアップロード

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

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

ファイルパスの指定 (画像を例として)

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

画像

ファイルパスで渡す

Python

import os
import dashscope

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

# xxx/eagle.png をローカル画像の絶対パスに置き換えてください。
local_path = "xxx/eagle.png"
image_path = f"file://{local_path}"
messages = [
                {'role':'user',
                'content': [{'image': image_path},
                            {'text': '画像には何が描かれていますか？'}]}]
response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/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 {
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException {
        String filePath = "file://"+localPath;
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>(){{put("image", filePath);}},
                        new HashMap<String, Object>(){{put("text", "画像には何が描かれていますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));}

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

Base64 エンコーディングで渡す

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_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# xxxx/eagle.png をローカル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(
    # リージョンごとに API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合、次の行を 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 base_url はシンガポールリージョン用です。バージニアリージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更します
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えます
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus", # この例では qwen3-vl-plus を使用します。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/en/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します。イメージフォーマット (例: image/{format}) は、サポートされているイメージのリストにある Content Type と一致する必要があります。"f" は文字列フォーマットメソッドです。
                    # PNG 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": "What is depicted in the image?"},
            ],
        }
    ],
)
print(completion.choices[0].message.content)

Node.js

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


const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

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

main();

curl

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

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

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

DashScope

Python

import base64
import os
import dashscope

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

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


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

messages = [
    {
        "role": "user",
        "content": [
            # Base64 を渡す場合、画像形式 (つまり image/{format}) はサポートされている画像のリストの Content Type と一致する必要があることに注意してください。"f" は文字列フォーマットメソッドです。
            # PNG 画像:  f"data:image/png;base64,{base64_image}"
            # JPEG 画像: f"data:image/jpeg;base64,{base64_image}"
            # WEBP 画像: f"data:image/webp;base64,{base64_image}"
            {"image": f"data:image/png;base64,{base64_image}"},
            {"text": "画像には何が描かれていますか？"},
        ],
    },
]

response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3-vl-plus",  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/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 {
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }

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

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

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

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

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();

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

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

curl

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

# ======= 重要事項 =======
# 以下の base_url はシンガポールリージョン用です。バージニアリージョンのモデルを使用するには、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 北京リージョンのモデルを使用するには、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key にアクセスしてください
# === 実行前にこのコメントを削除してください ===

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

動画ファイル

この例では、ローカルに保存された test.mp4 ファイルを使用します。

ファイルパスで渡す

Python

import os
import dashscope

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

# xxxx/test.mp4 をローカル動画の絶対パスに置き換えてください
local_path = "xxx/test.mp4"
video_path = f"file://{local_path}"
messages = [
                {'role':'user',
                # fps パラメーターは動画から抽出されるフレーム数を制御し、1/fps 秒ごとに 1 フレームが抽出されることを意味します。
                'content': [{'video': video_path,"fps":2},
                            {'text': 'この動画はどのようなシーンを描写していますか？'}]}]
response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',  
    messages=messages)
print(response.output.choices[0].message.content[0]["text"])

Java

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

public class Main {

    static {
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException {
        String filePath = "file://"+localPath;
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>()
                                       {{
                                           put("video", filePath);// fps パラメーターは動画から抽出されるフレーム数を制御し、1/fps 秒ごとに 1 フレームが抽出されることを意味します。
                                           put("fps", 2);
                                       }}, 
                        new HashMap<String, Object>(){{put("text", "この動画はどのようなシーンを描写していますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")  
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));}

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

Base64 エンコーディングで渡す

OpenAI 互換

Python

from openai import OpenAI
import os
import base64


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

# xxxx/test.mp4 をローカル動画の絶対パスに置き換えてください
base64_video = encode_video("xxx/test.mp4")
client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus",  
    messages=[
        {
            "role": "user",
            "content": [
                {
                    # 動画ファイルを直接渡す場合、type の値を video_url に設定します
                    "type": "video_url",
                    "video_url": {"url": f"data:video/mp4;base64,{base64_video}"},
                    "fps":2
                },
                {"type": "text", "text": "この動画はどのようなシーンを描写していますか？"},
            ],
        }
    ],
)
print(completion.choices[0].message.content)

Node.js

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

const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

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

main();

curl

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

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

curl --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3-vl-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "video_url", "video_url": {"url": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},"fps":2},
      {"type": "text", "text": "What is depicted in the video?"}
    ]
  }]
}'

DashScope

Python

import base64
import os
import dashscope

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

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

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

messages = [{'role':'user',
                # fps パラメーターは動画から抽出されるフレーム数を制御し、1/fps 秒ごとに 1 フレームが抽出されることを意味します。
             'content': [{'video': f"data:video/mp4;base64,{base64_video}","fps":2},
                            {'text': 'この動画はどのようなシーンを描写していますか？'}]}]
response = MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',
    messages=messages)

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

Java

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

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

public class Main {

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

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

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

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

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();

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

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

curl

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

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

画像リスト

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

ファイルパスを渡す

Python

import os
import dashscope

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

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

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

messages = [{'role':'user',
                # 画像リストを渡す場合、fps パラメーターは Qwen2.5-VL および Qwen3-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': 'この動画はどのようなシーンを描写していますか？'}]}]
response = MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3-vl-plus',  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/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 {
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    private static final String MODEL_NAME = "qwen3-vl-plus";  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/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 Qwen2.5-VL および Qwen3-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", "この動画の具体的なプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の 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 エンコードされた入力

OpenAI 互換

Python

import os
from openai import OpenAI
import base64

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

base64_image1 = encode_image("football1.jpg")
base64_image2 = encode_image("football2.jpg")
base64_image3 = encode_image("football3.jpg")
base64_image4 = encode_image("football4.jpg")
client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-vl-plus",  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/model-studio/getting-started/models をご参照ください
    messages=[  
    {"role": "user","content": [
        {"type": "video","video": [
            f"data:image/jpeg;base64,{base64_image1}",
            f"data:image/jpeg;base64,{base64_image2}",
            f"data:image/jpeg;base64,{base64_image3}",
            f"data:image/jpeg;base64,{base64_image4}",]},
        {"type": "text","text": "この動画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

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

const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeImage = (imagePath) => {
    const imageFile = readFileSync(imagePath);
    return imageFile.toString('base64');
  };
  
const base64Image1 = encodeImage("football1.jpg")
const base64Image2 = encodeImage("football2.jpg")
const base64Image3 = encodeImage("football3.jpg")
const base64Image4 = encodeImage("football4.jpg")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3-vl-plus",  // この例では qwen3-vl-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/ja/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": "この動画はどのようなシーンを描写していますか？"}]}]
    });
    console.log(completion.choices[0].message.content);
}

main();

curl

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

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

DashScope

Python

import base64
import os
import dashscope

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更します。
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えます。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# エンコード関数: ローカルファイルを Base64 で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 = MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/en/model-studio/get-api-key を参照してください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model='qwen3-vl-plus',  # この例では qwen3-vl-plus を使用します。必要に応じてモデル名を置き換えできます。モデルのリストについては、https://www.alibabacloud.com/help/en/model-studio/getting-started/models を参照してください。
    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 {
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }

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

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

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

        MultiModalConversation conv = new MultiModalConversation();
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList(
                        "data:image/jpeg;base64," + base64Image1,
                        "data:image/jpeg;base64," + base64Image2,
                        "data:image/jpeg;base64," + base64Image3,
                        "data:image/jpeg;base64," + base64Image4));
        // 画像リストを渡す場合、fps パラメーターは Qwen2.5-VL および Qwen3-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", "この動画の具体的なプロセスを説明してください")))
                .build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3-vl-plus")
                .messages(Arrays.asList(userMessage))
                .build();

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

    public static void main(String[] args) {
        try {
            // xxx/football1.png など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、「コード例」をご参照ください。
表示の都合上、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

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

高解像度画像の処理

Qwen-VL API には、エンコード後の単一画像の視覚トークン数に制限があります。デフォルト構成では、高解像度画像は圧縮されるため、詳細が失われ、理解精度に影響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数を増やすことで、より多くの画像の詳細を保持し、理解を向上させることができます。

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、ピクセル制限を表示

入力画像のピクセル数がモデルのピクセル制限を超えている場合、画像は制限内に収まるように縮小されます。

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-VL` シリーズモデル	`32*32`	`true`	`max_pixels` は無効です	`16384 トークン`	`16777216` (つまり `163843232`)
`Qwen3-VL` シリーズモデル	`32*32`	`false` (デフォルト)	カスタマイズ可能。デフォルトは `2621440` で、最大は `16777216` です。	`max_pixels` によって決定され、`max_pixels/32/32` です。	`max_pixels`
`qwen-vl-max`、`qwen-vl-max-latest`、`qwen-vl-max-2025-08-13`、`qwen-vl-plus`、`qwen-vl-plus-latest`、`qwen-vl-plus-2025-08-15`、およびモデル	`32*32`	`true`	`max_pixels` は無効です	`16384 トークン`	`16777216` (つまり `163843232`)
	`32*32`	`false` (デフォルト)	カスタマイズ可能。デフォルトは `1310720` で、最大は `16777216` です。	`max_pixels` によって決定され、`max_pixels/32/32` です。	`max_pixels`
その他の `qwen-vl-max`、その他の `qwen-vl-plus`、`Qwen2.5-VL` オープンソースシリーズ、および `QVQ` シリーズモデル	`28*28`	`true`	`max_pixels` は無効です	`16384 トークン`	`12845056` (つまり `163842828`)
	`28*28`	`false` (デフォルト)	カスタマイズ可能。デフォルトは `1003520` で、最大は `12845056` です。	`max_pixels` によって決定され、`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 設定を無視します。これは、画像内の細かいテキスト、小さなオブジェクト、または豊富な詳細を認識するのに役立ちます。
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。
- 高速処理またはコスト重視のシナリオでは、max_pixels のデフォルト値を使用するか、より小さい値に設定できます。
- 処理速度が遅くても詳細に焦点を当てる場合：max_pixels の値を適度に増やします。

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。それを渡す方法は、言語ごとの SDK によって異なります：

Python SDK：extra_body ディクショナリでパラメーターを渡します。
Node.js SDK：パラメーターを直接トップレベルのパラメーターとして渡します。

Python

import os
import time
from openai import OpenAI

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

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

)
print(f"モデル出力: {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(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/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 の API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

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


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

curl

# ======= 重要事項 =======
# API キーはリージョン固有です。API キーを取得するには、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください
# 次の base_url はシンガポールリージョン用です。バージニアリージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 北京リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

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

DashScope

Python

import os
import time

import dashscope

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

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

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

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

curl

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
# 以下の base_url はシンガポールリージョン用です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# === 実行前にこのコメントを削除してください ===

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

その他の使用法

制限事項

入力ファイルの制限

画像の制限

画像解像度：
- 最小サイズ：画像の幅と高さは両方とも 10 ピクセルより大きい必要があります。
- アスペクト比：画像の長辺と短辺の比率は 200:1 を超えることはできません。
- ピクセル制限：
  - 画像解像度を 8K (7680x4320) 以内に保ってください。この解像度を超える画像は、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 呼び出しのタイムアウトを引き起こす可能性があります。
  - 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。したがって、超高解像度の画像を提供しても認識精度は向上せず、呼び出し失敗のリスクが高まります。事前にクライアント側で画像を適切なサイズにスケーリングしてください。
サポートされている画像形式
- 4K (3840x2160) 未満の解像度の場合、サポートされている画像形式は次のとおりです：
  画像形式
  一般的な拡張子
  MIME タイプ
  BMP
  .bmp
  image/bmp
  JPEG
  .jpe, .jpeg, .jpg
  image/jpeg
  PNG
  .png
  image/png
  TIFF
  .tif, .tiff
  image/tiff
  WEBP
  .webp
  image/webp
  HEIC
  .heic
  image/heic
- 4K (3840x2160) と 8K (7680x4320) の間の解像度では、JPEG、JPG、および PNG 形式のみがサポートされています。
画像サイズ：
- 公開 URL またはローカルパスとして渡す場合：単一の画像のサイズは 10 MB を超えることはできません。
- Base64 エンコー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。
ファイルサイズを圧縮する方法の詳細については、「画像または動画を必要なサイズに圧縮する方法」をご参照ください。
サポートされる画像の数：複数の画像を渡す場合、画像の数はモデルの最大入力によって制限されます。すべての画像とテキストの合計トークン数は、モデルの最大入力を下回る必要があります。
たとえば、思考モードで qwen3-vl-plus モデルを使用する場合、最大入力は 258048 トークンです。入力テキストが 100 トークンを消費し、各画像が 2560 トークンを消費する場合 (画像トークンの計算方法については、「課金とレート制限」をご参照ください)、最大で (258048 - 100) / 2560 ≈ 100 枚の画像を渡すことができます。

動画の制限

画像リストとして渡す場合、リスト内の画像の数は次のように制限されます：
- 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 枚の画像。
- その他の Qwen3-VL オープンソース、Qwen2.5-VL (商用およびオープンソース版を含む)、および QVQ シリーズモデル：最小 4 枚、最大 512 枚の画像。
- その他のモデル：最小 4 枚、最大 80 枚の画像。
動画ファイルとして渡す場合：
- 動画サイズ：
  - 公開 URL として渡す場合：
    - Qwen3-VL シリーズおよび qwen-vl-max (qwen-vl-max-latest、qwen-vl-max-2025-04-08、およびそれ以降のすべてのバージョンを含む)：2 GB を超えることはできません。
    - qwen-vl-plus シリーズ、その他の qwen-vl-max モデル、Qwen2.5-VL オープンソースシリーズ、および QVQ シリーズモデル：1 GB を超えることはできません。
    - その他のモデルは 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。
  ファイルサイズを圧縮する方法の詳細については、「画像または動画を必要なサイズに圧縮する方法」をご参照ください。
- 動画の長さ：
  - qwen3-vl-plus シリーズ、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 Qwen3-VL オープンソースシリーズおよび qwen-vl-max (qwen-vl-max-latest、qwen-vl-max-2025-04-08、およびそれ以降の更新バージョンを含む)：2 秒から 20 分。
  - qwen-vl-plus シリーズ、その他の qwen-vl-max モデル、Qwen2.5-VL オープンソースシリーズ、および QVQ シリーズモデル：2 秒から 10 分。
  - その他のモデル：2 秒から 40 秒。
- 動画形式：MP4、AVI、MKV、MOV、FLV、WMV など。
- 動画のディメンション：特定の制限はありません。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。大きな動画ファイルがより良い理解をもたらすわけではありません。
- 音声理解：モデルは動画ファイルからの音声の理解をサポートしていません。

ファイル入力方法

公開 URL：HTTP または HTTPS プロトコルをサポートする公開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ために、ファイルを Object Storage Service (OSS) 公開 URL を取得するためにアップロードしてください。
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、公開 URL のリクエストヘッダーに必ず 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。いずれ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 エンコードされた文字列として渡す：ファイルを Base64 エンコードされた文字列に変換してから渡します。
ローカルファイルパスとして渡す (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推奨事項については、「ファイルアップロード方法の選び方

本番稼働

画像/動画の前処理： Qwen-VL には入力ファイルのサイズ制限があります。ファイルの圧縮方法の詳細については、画像または動画の圧縮方法をご参照ください。
テキストファイルの処理： Qwen-VL は画像形式のファイルのみを処理でき、テキストファイルを直接処理することはできません。次の代替方法を使用してください：
- テキストファイルを画像形式に変換します。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、複数画像入力方法を使用してモデルに渡します。
- Qwen-Long はテキストファイルの処理をサポートしており、ファイル内容を解析できます。

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

課金とレート制限

課金：合計コストは、入力および出力トークンの総数に基づきます。入力および出力の価格については、モデルをご参照ください。

トークンの構成：入力トークンは、テキストトークンと、画像または動画から変換されたトークンで構成されます。出力トークンは、モデルが生成するテキストです。思考モードでは、モデルの思考プロセスも出力トークンにカウントされます。思考モードで思考プロセスが出力されない場合、非思考モードの価格が適用されます。

画像および動画トークンの計算：次のコードを使用して、画像または動画のトークン消費量を推定します。この推定値は参考用です。実際の使用量は API 応答に基づきます。

画像および動画トークンの計算

画像

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

h_bar, w_bar：スケーリングされた画像の高さと幅。画像を処理する前に、モデルは特定のピクセル制限に縮小することで前処理します。ピクセル制限は、max_pixels および vl_high_resolution_images パラメーターの値によって異なります。詳細については、「高解像度画像の処理」をご参照ください。
token_pixels：各視覚 トークンに対応するピクセル値。この値はモデルによって異なります：
- Qwen3-VL、qwen-vl-max、qwen-vl-max-latest、qwen-vl-max-2025-08-13、qwen-vl-plus、qwen-vl-plus-latest、qwen-vl-plus-2025-08-15：各 トークンは 32×32 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 28×28 ピクセルに対応します。

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

import math
# 次のコマンドを使用して Pillow ライブラリをインストールします: pip install Pillow
from PIL import Image

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

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

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

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

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

if __name__ == "__main__":
    # xxx/test.jpg をローカル画像のパスに置き換えてください。
    h_bar, w_bar =  token_calculate("xxx/test.jpg", max_pixels=16384*32*32, vl_high_resolution_images=False)
    print(f"スケーリングされた画像の寸法：高さ {h_bar}、幅 {w_bar}")
    # システムは自動的に <vision_bos> および <vision_eos> 視覚マーカー (各 1 トークン) を追加します。
    token = int((h_bar * w_bar) / (32 * 32))+2
    print(f"画像のトークン数：{token}")

動画

動画ファイル：

モデルが動画ファイルを処理する場合、まず動画フレームを抽出し、次にすべてのフレームの合計トークン数を計算します。次のコードを使用して、動画パスを提供することで動画が消費する合計トークン数を推定できます：

# 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-VL、qwen-vl-max-0813、qwen-vl-plus-0815、および qwen-vl-plus-0710 モデルの場合、画像のスケーリング係数は 32 です
IMAGE_FACTOR = 32

# 他のモデルの場合、画像のスケーリング係数は 28 です
# IMAGE_FACTOR = 28

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

# ユーザーが FPS パラメーターを提供しない場合、デフォルト値が fps に使用されます
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。Qwen3-VL-Plus モデルの場合、FPS_MAX_FRAMES を 2000 に設定します。Qwen3-VL-Flash および Qwen2.5-VL モデルの場合、512 に設定します。他のモデルの場合、80 に設定します。
FPS_MAX_FRAMES = 2000

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

def round_by_factor(number: int, factor: int) -> int:
    """'number' に最も近く、'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):
    """抽出する動画フレームの数を計算します。

    Args:
        ele (dict): 動画設定を含む辞書。
            - fps: モデル入力用に抽出されるフレーム数を制御します。
        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] の範囲内にない場合、エラーが発生します。

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

    return nframes

def get_video(video_path):
    # 動画情報を取得
    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)
    # 動画フレームの最小トークン数
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # 抽出された動画フレームの数
    nframes = smart_nframes(ele, total_frames, video_fps)
    max_pixels = max(min(VIDEO_MAX_PIXELS, total_pixels / nframes * FRAME_FACTOR),int(min_pixels * 1.05))

    # 動画のアスペクト比は 200:1 または 1:200 を超えてはなりません
    if max(height, width) / min(height, width) > MAX_RATIO:
        raise ValueError(
            f"絶対アスペクト比は {MAX_RATIO} より小さくなければなりませんが、{max(height, width) / min(height, width)} を取得しました"
        )

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


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

    resized_height, resized_width = smart_resize(vision_infos, video_path)

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


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

画像リスト：

動画を画像リストとして提供する場合、フレーム抽出ステップは既に完了しています。次のコードを使用して、画像パスと画像数を指定することで、画像リストが消費するトークン数を計算できます：

# 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__)

# ==================== 定数定義 ====================
FRAME_FACTOR = 2
# Qwen3-VL、qwen-vl-max-0813、qwen-vl-plus-0815、qwen-vl-plus-0710 などのモデルの場合、ズーム係数は 32 です。
IMAGE_FACTOR = 32

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

# トークン計算の定数
TOKEN_DIVISOR = 32  # トークン計算の除数
VISION_SPECIAL_TOKENS = 2  # <|vision_bos|> および <|vision_eos|> トークン

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

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

def round_by_factor(number: int, factor: int) -> int:
    """「number」に最も近く、「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"画像ファイルが見つかりません: {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"画像ファイル {image_path} を読み取れません: {str(e)}")

def smart_resize(height: int, width: int, nframes: int, factor: int = IMAGE_FACTOR) -> Tuple[int, int]:
    """
    スケーリング後の画像の寸法を計算します。

    Args:
        height: 元の画像の高さ。
        width: 元の画像の幅。
        nframes: 動画フレームの数。
        factor: ズーム係数。デフォルトは IMAGE_FACTOR です。

    Returns:
        (resized_height, resized_width): リサイズ後の高さと幅。

    Raises:
        ValueError: アスペクト比が制限を超えています。
    """
    # 動画フレームのトークンの下限
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # フレームあたりの最大許容ピクセル数を計算します。
    max_pixels = max(min(VIDEO_MAX_PIXELS, total_pixels / nframes * FRAME_FACTOR), int(min_pixels * 1.05))

    # 動画のアスペクト比は 200:1 または 1:200 を超えてはなりません。
    aspect_ratio = max(height, width) / min(height, width)
    if aspect_ratio > MAX_RATIO:
        raise ValueError(
            f"画像のアスペクト比は {MAX_RATIO}:1 未満である必要があります。現在の比率は {aspect_ratio:.2f}:1 です。"
        )

    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:
    """
    動画のトークン数を計算します。

    Args:
        image_path: 動画フレームファイルのパス。
        nframes: 動画フレームの数。
        factor: ズーム係数。デフォルトは IMAGE_FACTOR です。
        verbose: 詳細情報を表示するかどうかを指定します。

    Returns:
        消費されたトークン数。

    Raises:
        FileNotFoundError: ファイルが存在しません。
        ValueError: ファイル形式が無効であるか、アスペクト比が制限を超えています。
    """
    # 元の画像の寸法を取得します (一度だけ読み取ります)。
    height, width = get_image_size(image_path)

    # リサイズ後の寸法を計算します。
    resized_height, resized_width = smart_resize(height, width, nframes, factor)

    # トークン数を計算します。
    # 数式: ceil(nframes / 2) * (resized_height / TOKEN_DIVISOR) * (resized_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|>) を追加します。
    video_token += VISION_SPECIAL_TOKENS

    if verbose:
        print(f"元の動画フレームの寸法: {height}×{width}, モデルへの入力寸法: {resized_height}×{resized_width}, ", end="")

    return video_token

if __name__ == "__main__":
    try:
        video_token = calculate_video_tokens("xxx/test.jpg", nframes=30)
        print(f"動画トークン: {video_token}\n")
    except Exception as e:
        print(f"エラー: {str(e)}\n")

請求書の表示：費用とコストコンソールで請求書を表示したり、アカウントにチャージしたりできます。
レート制限： レート制限をご参照ください。
無料クォータ (シンガポールのみ)：Qwen-VL は、Model Studio を有効化した日またはモデルリクエストが承認された日から 90 日間有効な 100 万トークンの無料クォータを提供します。

API リファレンス

Qwen-VL の入力パラメーターと出力パラメーターについては、「Qwen」をご参照ください。

よくある質問

ファイルアップロード方法の選択方法は？

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

種類	仕様	DashScope SDK (Python, Java)	OpenAI 互換 / DashScope HTTP
画像	7 MB より大きく 10 MB 未満	ローカルパスを渡す	公開 URL のみサポートされています。Object Storage Service の使用を推奨します。
画像	7 MB 未満	ローカルパスを渡す	Base64 エンコーディング
動画	100 MB より大きい	公開 URL のみサポートされています。Object Storage Service の使用を推奨します。	公開 URL のみサポートされています。Object Storage Service の使用を推奨します。
	7 MB より大きく 100 MB 未満	ローカルパスを渡す	公開 URL のみサポートされています。Object Storage Service の使用を推奨します。
	7 MB 未満	ローカルパスを渡す	Base64 エンコーディング

Base64 エンコーディングはデータサイズを増加させます。元のファイルサイズは 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、安定性を向上させます。

画像または動画を必要なサイズに圧縮する方法は？

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

画像圧縮方法

オンラインツール：CompressJPEG や TinyPng などのオンラインツールを使用します。
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。

コード実装：

# pip install pillow

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

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

動画圧縮方法

オンラインツール：FreeConvert などのオンラインツールを使用します。
ローカルソフトウェア：HandBrake などのソフトウェアを使用します。

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

# 基本的な変換コマンド
# -i, 機能: 入力ファイルパス, 例: input.mp4
# -vcodec, 機能: 動画エンコーダー。一般的な値には libx264 (一般用途に推奨) と libx265 (より高い圧縮率) があります。
# -crf, 機能: 動画品質を制御します。値の範囲は [18-28] です。値が小さいほど高品質でファイルサイズが大きくなります。
# --preset, 機能: エンコード速度と圧縮効率のバランスを制御します。一般的な値には slow, fast, faster があります。
# -y, 機能: 既存のファイルを上書きします (値は不要)
# output.mp4, 機能: 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ローカライズ結果を出力した後、元の画像にバウンディングボックスを描画するにはどうすればよいですか？

Qwen-VL モデルがオブジェクトのローカライズ結果を出力した後、次のコードを使用して、バウンディングボックスとそのラベルを元の画像に描画します。

Qwen2.5-VL：座標をピクセル単位の絶対値として返します。これらの座標は、スケーリングされた画像の左上隅を基準としています。バウンディングボックスを描画するには、qwen2_5_vl_2d.py のコードをご参照ください。
Qwen3-VL：[0, 999] の範囲に正規化された相対座標を返します。バウンディングボックスを描画するには、qwen3_vl_2d.py (2D ローカライズ用) または qwen3_vl_3d.zip (3D ローカライズ用) のコードをご参照ください。

エラーコード

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

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