通义千问 Qwen 大模型 API 接口
通义千问 Qwen-LLM 大模型 API 接口服务为开发者提供基于通义大模型的自然语言处理和人工智能技术支持，为企业打造强大的智能化解决方案。无论是文本生成、语义理解还是智能问答，Qwen-LLM API 都能高效满足多样化需求，助力提升业务效率，推动创新发展。
接口地址
POST https://wcode.net/api/gpt/v1/chat/completions
此 API 接口兼容 OpenAI 的接口规范，也就是可以直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下两项配置：
BASE_URL替换为https://wcode.net/api/gpt/v1API_KEY替换为从 https://wcode.net/get-apikey 获取到的 API KEY即可开始使用 OpenAI SDK 调用 通义千问系列、豆包系列、DeepSeek系列、文心一言系列、混元系列......等各个模型。
请求方法
POST
快速开始（请求示例）
（注：以下请求示例中的 API_KEY 需要替换后再发起请求。 获取 API_KEY 入口：https://wcode.net/get-apikey）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen2.5-14b-instruct",
"messages": [
{
"role": "user",
"content": "你好，请介绍一下你自己"
}
]
}'
请求头（Request Headers）
| Header | 值 | 备注 | 示例 | 相关链接 |
|---|---|---|---|---|
| Authorization | Bearer API_KEY |
格式：Bearer + 空格 + API_KEY | Bearer sk-..... |
获取 API_KEY 入口：https://wcode.net/get-apikey |
| Content-Type | application/json |
固定为 application/json |
请求参数
🚀 model | ✅️必填 | string | 模型ID，可选 model 模型列表（部分）：
| 模型ID | 模型名称 | 每 1000 tokens 费用 | 更新日期 |
|---|---|---|---|
qwen2.5-vl-7b-instruct |
通义千问2.5-VL-7B | 0.0065 | 2025-01-27 ❇️最近更新 |
qwen2.5-vl-72b-instruct |
通义千问2.5-VL-72B | 0.0615 | 2025-01-27 ❇️最近更新 |
qwen2.5-vl-3b-instruct |
通义千问2.5-VL-3B | 0.0045 | 2025-01-27 ❇️最近更新 |
qwen2.5-7b-instruct-1m |
通义千问2.5-7B-1M | 0.0015 | 2025-01-27 ❇️最近更新 |
qwen2.5-14b-instruct-1m |
通义千问2.5-14B-1M | 0.004 | 2025-01-27 ❇️最近更新 |
qwen2-vl-72b-instruct |
通义千问2-VL-72B | 0.0615 | 2025-01-23 ❇️最近更新 |
qvq-72b-preview |
通义千问-QvQ-72B-Preview | 0.046 | 2024-12-30 ❇️最近更新 |
qwen-mt-plus |
通义千问-MT-Plus | 0.0575 | 2024-12-26 ❇️最近更新 |
qwen-mt-turbo |
通义千问-MT-Turbo | 0.004 | 2024-12-26 ❇️最近更新 |
qwen-plus |
通义千问-Plus | 0.0025 | 2024-12-20 |
qwen-turbo |
通义千问-Turbo | 0.0008 | 2024-12-20 |
qwen-vl-max |
通义千问VL-Max | 0.0115 | 2024-12-20 |
qwq-32b-preview |
通义千问-QwQ-32B-Preview | 0.008 | 2024-11-28 |
qwen-vl-ocr |
通义千问VL-OCR | 0.0065 | 2024-11-14 |
qwen2.5-coder-14b-instruct |
通义千问2.5-Coder-14B | 0.008 | 2024-11-12 |
qwen2.5-coder-32b-instruct |
通义千问2.5-Coder-32B | 0.008 | 2024-11-12 |
qwen-coder-plus |
通义千问-Coder-Plus | 0.009 | 2024-11-12 |
qwen-max |
通义千问-Max | 0.0125 | 2024-10-15 |
qwen-coder-turbo |
通义千问-Coder-Turbo | 0.008 | 2024-09-19 |
qwen2.5-math-7b-instruct |
通义千问2.5-Math-7B | 0.0025 | 2024-09-19 |
qwen2.5-math-72b-instruct |
通义千问2.5-Math-72B | 0.0155 | 2024-09-19 |
qwen2.5-coder-7b-instruct |
通义千问2.5-Coder-7B | 0.0025 | 2024-09-19 |
qwen2.5-7b-instruct |
通义千问2.5-7B | 0.0015 | 2024-09-19 |
qwen2.5-72b-instruct |
通义千问2.5-72B | 0.0155 | 2024-09-19 |
qwen2.5-14b-instruct |
通义千问2.5-14B | 0.004 | 2024-09-19 |
qwen-math-turbo |
通义千问-Math-Turbo | 0.008 | 2024-09-19 |
qwen2.5-32b-instruct |
通义千问2.5-32B | 0.008 | 2024-09-19 |
qwen2.5-3b-instruct |
通义千问2.5-3B | 0.001 | 2024-09-19 |
qwen-vl-plus |
通义千问VL-Plus | 0.006 | 2024-09-13 |
qwen-math-plus |
通义千问-Math-Plus | 0.0155 | 2024-09-13 |
qwen2-math-7b-instruct |
通义千问2-Math-7B | 0.0025 | 2024-08-21 |
qwen2-math-72b-instruct |
通义千问2-Math-72B | 0.0155 | 2024-08-21 |
qwen2-72b-instruct |
通义千问2-72B | 0.0155 | 2024-08-19 |
qwen2-57b-a14b-instruct |
通义千问2-57B | 0.009 | 2024-08-19 |
qwen2-7b-instruct |
通义千问2-7B | 0.0025 | 2024-06-07 |
qwen-long |
Qwen-Long | 0.0029 | 2024-05-20 |
farui-plus |
通义法睿-Plus-32K | 0.027 | 2024-05-14 |
qwen1.5-110b-chat |
通义千问1.5-开源版-110B | 0.018 | 2024-04-28 |
qwen1.5-7b-chat |
通义千问1.5-开源版-7B | 0.0025 | 2024-04-09 |
qwen1.5-72b-chat |
通义千问1.5-开源版-72B | 0.013 | 2024-04-09 |
qwen1.5-32b-chat |
通义千问1.5-开源版-32B | 0.009 | 2024-04-09 |
qwen1.5-14b-chat |
通义千问1.5-开源版-14B | 0.0055 | 2024-04-09 |
🚀 messages | ✅️必填 | array | 由历史对话组成的消息列表。array 中的每个元素形式通常为 {"role": 角色, "content": 内容}。角色当前可选值为：system，user，assistant。
仅
messages[0]中支持role为system。一般情况下，
user和assistant需要交替出现，且messages中最后一个元素的role为user。
🚀 stream | 选填 | boolean | 默认值 false | 是否流式输出。
false（默认值）：模型生成完所有内容后一次性返回结果。
true：返回符合 SSE 协议的响应，边生成边输出，即每生成一部分内容就立即输出一个片段（chunk），最后以一条data: [DONE]消息结束。
🚀 enable_search | 选填 | boolean | 默认值 false | 用于控制模型在生成文本时是否使用互联网搜索结果进行参考。qwen-vl 系列、qwen 开源系列与 qwen-long 模型暂时不支持配置该参数。
false（默认值）：关闭互联网搜索。
true（启用互联网搜索功能可能会增加 tokens 消耗）：启用互联网搜索，模型会将搜索结果作为文本生成过程中的参考信息，但模型会基于其内部逻辑判断是否使用互联网搜索结果。如果模型没有搜索互联网，建议优化 Prompt。部分 SDK 调用需通过
extra_body配置。配置示例：extra_body: {"enable_search": true}。
🚀 max_tokens | 选填 | int | 允许模型生成的最大 tokens 数。默认值和最大值都是模型的最大输出长度。
应用场景：max_tokens 参数适用于需要限制字数（如生成摘要、关键词）、控制成本或减少响应时间的场景。
🚀 temperature | 选填 | float | 采样温度，用于控制模型生成文本的多样性。取值范围： [0, 2)。temperature 越高，生成的文本更多样，反之，生成的文本更确定。
🚀 top_p | 选填 | float | 核采样概率阈值，用于控制模型生成文本的多样性。取值范围：(0, 1.0]。top_p 越高，生成的文本更多样。反之，生成的文本更确定。
由于 temperature 与 top_p 均可以控制生成文本的多样性，因此建议您只设置其中一个值。
🚀 seed | 选填 | int | 设置 seed 参数会使文本生成过程更具有确定性，通常用于使模型每次运行的结果一致。取值范围：无符号 64 位整数，即 0 到 2^64−1。
在每次模型调用时传入相同的 seed 值，并保持其他参数不变，模型将很可能返回相同的结果。
🚀 presence_penalty | 选填 | float | 控制模型生成文本时的内容重复度。取值范围：[-2.0, 2.0]。正数会减少重复度，负数会增加重复度。
适用场景：
较高的 presence_penalty 适用于要求多样性、趣味性或创造性的场景，如创意写作或头脑风暴。
较低的 presence_penalty 适用于要求一致性或专业术语的场景，如技术文档或其他正式文档。
🚀 translation_options | 翻译模型专用参数 | object | 翻译模型专用参数。适用于 qwen-mt-turbo 和 qwen-mt-plus，参数配置示例：
{
"model": "qwen-mt-turbo",
"translation_options": {
"source_lang": "Chinese",
"target_lang": "English"
},
"messages": [
{
"role": "user",
"content": "你好"
}
]
}
支持的语言列表
| 语言 | 英文全称 |
|---|---|
| 中文 | Chinese |
| 英语 | English |
| 日语 | Japanese |
| 韩语 | Korean |
| 泰语 | Thai |
| 法语 | French |
| 德语 | German |
| 西班牙语 | Spanish |
| 阿拉伯语 | Arabic |
| 印尼语 | Indonesian |
| 越南语 | Vietnamese |
| 巴西葡萄牙语 | Portuguese |
| 意大利语 | Italian |
| 荷兰语 | Dutch |
| 俄语 | Russian |
| 高棉语 | Khmer |
| 老挝语 | Lao |
| 缅甸语 | Burmese |
| 宿务语 | Cebuano |
| 菲律宾语 | Filipino |
| 捷克语 | Czech |
| 波兰语 | Polish |
| 波斯语 | Persian |
| 希伯来语 | Hebrew |
| 土耳其语 | Turkish |
| 印地语 | Hindi |
| 孟加拉语 | Bengali |
| 乌尔都语 | Urdu |
🚀 stop | 选填 | string 或 array | 使用 stop 参数后，当模型生成的文本即将包含指定的字符串或 token_id 时，将自动停止生成。
适用场景：可以在 stop 参数中传入敏感词来控制模型的输出。
注意事项：stop 为 array 类型时，不可以将 token_id 和字符串同时作为元素输入，比如不可以指定 stop 为
["你好", 123456]。
返回参数
不同模型返回参数可能存在差异，请以实际返回为准。
| 返回参数 | 数据类型 | 说明 |
|---|---|---|
| id | string | 系统生成的标识本次调用的id。 |
| model | string | 本次调用的模型名。 |
| choices | array | 模型生成内容的详情。 |
| choices[i].finish_reason | string | 结束标志。 |
| choices[i].message | object | 模型生成的消息。 |
| choices[i].message.role | string | 生成消息的角色。 |
| choices[i].message.content | string | 生成消息的内容。 |
| choices[i].index | int | 生成的结果序列编号。 |
| created | int | 请求被创建时的时间戳。 |
| usage | object | 请求所消耗的 tokens 数据。 |
| usage.prompt_tokens | int | 用户输入转换成 token 后的数量。 |
| usage.completion_tokens | int | 模型生成回复转换为 token 后的数量。 |
| usage.total_tokens | int | prompt_tokens 与 completion_tokens 的总和。 |
响应头（Response Headers）
| Header | 说明 | 示例 | 相关链接 |
|---|---|---|---|
| X-Account-Balance | API_KEY 余额（元） | 123.0165 |
API_KEY 费用充值入口：https://wcode.net/apikey-recharge |
Python 代码示例（Requests，qwen2.5-14b-instruct）
import requests
import json
url = "https://wcode.net/api/gpt/v1/chat/completions"
payload = json.dumps({
"model": "qwen2.5-14b-instruct",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "你好"
}
]
})
headers = {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' # TODO: 这里的 API_KEY 需要替换，获取 API_KEY 入口：https://wcode.net/get-apikey
}
response = requests.request("POST", url, headers=headers, data=payload)
print(response.text)
Java 代码示例（OkHttp，qwen2.5-14b-instruct）
OkHttpClient client = new OkHttpClient().newBuilder().build();
MediaType mediaType = MediaType.parse("application/json");
RequestBody body = RequestBody.create(mediaType, "{\"model\":\"qwen2.5-14b-instruct\",\"messages\":[{\"role\":\"system\",\"content\":\"You are a helpful assistant.\"},{\"role\":\"user\",\"content\":\"你好\"}]}");
Request request = new Request.Builder()
.url("https://wcode.net/api/gpt/v1/chat/completions")
.method("POST", body)
.addHeader("Content-Type", "application/json")
.addHeader("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换，获取 API_KEY 入口：https://wcode.net/get-apikey
.build();
Response response = client.newCall(request).execute();
PHP 代码示例（Guzzle，qwen2.5-14b-instruct）
<?php
$client = new Client();
$headers = [
'Content-Type' => 'application/json',
'Authorization' => 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换，获取 API_KEY 入口：https://wcode.net/get-apikey
];
$body = '{
"model": "qwen2.5-14b-instruct",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "你好"
}
]
}';
$request = new Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);
$res = $client->sendAsync($request)->wait();
echo $res->getBody();
...其他编程语言可参考下方 curl http 请求示例进行调用
请求示例 1（qwen2.5-14b-instruct）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen2.5-14b-instruct",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "你好"
}
]
}'
响应示例 1
{
"id": "chatcmpl-ffdb4232-88c8-9d4d-a220-f2cfb1a098e9",
"object": "chat.completion",
"created": 1734513252,
"model": "qwen2.5-14b-instruct",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "你好！有什么我可以帮助你的吗？"
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 20,
"completion_tokens": 8,
"total_tokens": 28
}
}
请求示例 1.1（多轮对话，qwen2.5-14b-instruct）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen2.5-14b-instruct",
"messages": [
{
"role": "user",
"content": "你好"
},
{
"role": "assistant",
"content": "你好！有什么可以帮助你的吗？"
},
{
"role": "user",
"content": "请介绍一下Qwen系列模型"
},
{
"role": "assistant",
"content": "当然可以。Qwen系列是阿里巴巴集团研发的一系列预训练语言模型，旨在提供高质量的自然语言处理能力。这些模型基于大量的文本数据进行训练，能够完成多种任务，包括但不限于文本生成、问答、摘要生成、翻译等。\n\nQwen系列的特点包括但不限于：\n\n1. **强大的生成能力**：无论是写故事、写报告还是创作诗歌，Qwen都能根据需求生成高质量的文本内容。\n2. **多样的应用场景**：从客户服务到内容创作，再到教育辅助，Qwen的应用场景非常广泛。\n3. **持续优化和更新**：随着技术的发展和用户反馈的积累，Qwen系列模型会不断得到优化和改进，以更好地满足用户的需求。\n4. **安全性与隐私保护**：在设计时充分考虑了安全性和隐私保护，确保用户的使用体验既高效又安全。\n\n请注意，具体的性能和技术细节可能会随着时间和技术进步而发生变化。如果您有特定的需求或问题，欢迎进一步询问！"
},
{
"role": "user",
"content": "通义千问VL系列模型和通用模型的区别是什么？"
}
]
}'
响应示例 1.1
{
"id": "chatcmpl-dcb00898-2f0d-9e09-ab9c-4eefc9c3f017",
"object": "chat.completion",
"created": 1739713932,
"model": "qwen2.5-14b-instruct",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "通义千问VL系列模型和通用模型的主要区别在于它们的能力和应用场景上。具体来说：\n\n### 通义千问VL系列模型\n通义千问VL（Vision-Language）系列模型是专门针对视觉和语言结合的任务设计的模型。这类模型不仅能够理解和生成文本，还能处理图像信息，从而实现图文结合的理解和生成能力。例如，通义千问VL系列模型可以理解图片的内容，并且根据图片生成描述文字，或者基于文本描述生成相应的图像。\n\n### 通用模型\n通用模型主要专注于文本处理，如问答、文本生成、摘要提取、情感分析等任务。这类模型侧重于语言理解和生成，而不涉及图像处理。\n\n### 主要区别点\n1. **处理的数据类型**：\n - 通用模型主要处理文本数据。\n - VL系列模型同时处理文本和图像数据。\n\n2. **应用场景**：\n - 通用模型适用于需要处理纯文本的任务，如文本生成、问答系统等。\n - VL系列模型适用于需要结合文本和图像信息的任务，如图像描述、图像生成、视觉问答等。\n\n3. **功能特性**：\n - 通用模型更擅长处理复杂的语言任务，如对话系统、知识问答等。\n - VL系列模型除了具备通用模型的功能外，还具有图像识别、图像生成和图文结合的理解与生成能力。\n\n通过这种对比可以看出，通义千问VL系列模型在处理视觉和语言结合的任务方面具有独特的优势，而通用模型则更专注于文本处理。选择哪种类型的模型取决于具体的应用需求。",
"reasoning_content": null
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 258,
"completion_tokens": 328,
"total_tokens": 586
}
}
请求示例 1.2（联网搜索，qwen-plus，2025年2月16日）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen-plus",
"enable_search": true,
"messages": [
{
"role": "user",
"content": "今天是星期几？"
}
]
}'
响应示例 1.2
{
"id": "chatcmpl-d023913c-9631-90fd-b7e3-bfa34d528246",
"object": "chat.completion",
"created": 1739712996,
"model": "qwen-plus",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "今天是2025年2月16日，星期日。根据公历，今天是2月的第3周，是2025年的第7周，今年的第47天，距离全年结束还有318天。当前节气是立春，季节上还处于冬季。",
"reasoning_content": null
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 758,
"completion_tokens": 68,
"total_tokens": 826,
"prompt_tokens_details": {
"cached_tokens": 0
}
}
}
请求示例 2（qwen2.5-14b-instruct，流式输出）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen2.5-14b-instruct",
"stream": true,
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "你好"
}
]
}'
响应示例 2
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[{"index":0,"delta":{"role":"assistant","content":""},"finish_reason":null}]}
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[{"index":0,"delta":{"content":"你好"},"finish_reason":null}]}
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[{"index":0,"delta":{"content":"！"},"finish_reason":null}]}
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[{"index":0,"delta":{"content":"有什么"},"finish_reason":null}]}
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[{"index":0,"delta":{"content":"可以帮助你的吗？"},"finish_reason":null}]}
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[{"index":0,"delta":{"content":""},"finish_reason":"stop"}]}
data: {"id":"chatcmpl-de564ea0-e018-920c-8481-b95dda73bfec","object":"chat.completion.chunk","created":1734513335,"model":"qwen2.5-14b-instruct","choices":[],"usage":{"prompt_tokens":20,"completion_tokens":7,"total_tokens":27}}
data: [DONE]
请求示例 3（图片理解，qwen-vl-plus）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen-vl-plus",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": [
{
"type": "text",
"text": "这张图片展示的画面是什么？"
},
{
"type": "image_url",
"image_url": {
"url": "https://zdkjdemo.oss-cn-shanghai.aliyuncs.com/dog_playing_with_sticks.jpg"
}
}
]
}
]
}'
响应示例 3
{
"id": "chatcmpl-b6193d25-c969-9105-9bd3-613e213ca03b",
"object": "chat.completion",
"created": 1728354278,
"model": "qwen-vl-plus",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "这是一张户外照片，一只狗正在草地上咬着一根木棍。这只狗看起来很放松，并且在享受它的时光。背景中有一些树木和草地的模糊图像，给人一种宁静的感觉。"
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 896,
"completion_tokens": 44,
"total_tokens": 940
}
}
请求示例 4（普通模式视频理解，暂不支持流式输出，qwen-vl-max）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen-vl-max-latest",
"input": {
"messages": [
{
"role": "system",
"content": [
{
"text": "You are a helpful assistant."
}
]
},
{
"role": "user",
"content": [
{
"video": "https://cloud.video.taobao.com/vod/S8T54f_w1rkdfLdYjL3S5zKN9CrhkzuhRwOhF313tIQ.mp4"
},
{
"text": "这段视频介绍的是什么？"
}
]
}
]
}
}'
响应示例 4
{
"output": {
"choices": [
{
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": [
{
"text": "这段视频展示的是一个中文界面的在线平台，该平台提供了一个模型调试的功能。用户可以在这个平台上选择不同的模型进行调试，并且可以通过输入框输入信息来进行交互。此外，还可以调整一些参数，如top_p、temperature等，以优化模型的表现。\n\n从界面上看，这个平台可能是一个人工智能或机器学习相关的服务提供商，例如阿里云百炼（见左上角的标志）。用户在这里可以体验和测试各种预训练好的模型，并根据需要对其进行微调以适应特定的应用场景。"
}
]
}
}
]
},
"usage": {
"output_tokens": 110,
"video_tokens": 5182,
"input_tokens": 5207
},
"request_id": "7cb1f695-d0b5-963e-a5ed-93c07ed810be"
}
请求示例 5（视频帧截图模式视频理解，支持流式输出，qwen-vl-max）
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "qwen-vl-max-latest",
"messages": [
{
"role": "user",
"content": [
{
"type": "video",
"video": [
"https://img.alicdn.com/imgextra/i3/O1CN01K3SgGo1eqmlUgeE9b_!!6000000003923-0-tps-3840-2160.jpg",
"https://img.alicdn.com/imgextra/i4/O1CN01BjZvwg1Y23CF5qIRB_!!6000000003000-0-tps-3840-2160.jpg",
"https://img.alicdn.com/imgextra/i4/O1CN01Ib0clU27vTgBdbVLQ_!!6000000007859-0-tps-3840-2160.jpg",
"https://img.alicdn.com/imgextra/i1/O1CN01aygPLW1s3EXCdSN4X_!!6000000005710-0-tps-3840-2160.jpg"
]
},
{
"type": "text",
"text": "描述这个视频的具体过程"
}
]
}
]
}'
响应示例 5
{
"id": "chatcmpl-c6b0ad15-509a-9ae2-bb5b-b566bfb731c6",
"object": "chat.completion",
"created": 1734521008,
"model": "qwen-vl-max-latest",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "这段视频展示了一场足球比赛中的一个瞬间。以下是具体过程的描述：\n\n1. **背景**：视频是在一个大型体育场拍摄的，观众席上坐满了观众。球场上有两支队伍，一支穿着蓝色球衣，另一支穿着红色球衣。\n\n2. **场景**：镜头从球门后面拍摄，可以看到球门网和守门员。守门员穿着绿色球衣，站在球门前准备应对对方的进攻。\n\n3. **动作**：\n - 一名身穿蓝色球衣的球员在中场附近控球。\n - 这名球员将球传给了另一名队友，这名队友迅速带球向前推进。\n - 穿着红色球衣的防守球员试图拦截，但未能成功。\n - 蓝色球衣的球员继续带球，并在接近球门时选择射门。\n\n4. **射门**：蓝色球衣的球员踢出一脚有力的射门，球飞向球门。\n\n5. **守门员反应**：守门员迅速做出反应，向球的方向扑去，试图阻止进球。\n\n6. **结果**：尽管守门员尽力扑救，但球还是飞进了球门，得分成功。\n\n整个过程展示了足球比赛中的一次精彩的进攻和进球瞬间，充满了紧张和激动的气氛。"
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 1466,
"completion_tokens": 278,
"total_tokens": 1744
}
}
异常响应示例
{
"error": {
"message": "Invalid API-KEY",
"type": "invalid_request_error",
"param": null,
"code": null
}
}