Aliyun Qwen VL

Aliyun Qwen VL

3.2

把阿里云百炼通义千问视觉模型封装成标准 Agent Skill 的开源技能:图片问答、OCR 式提取、图表理解,一条命令装入 Claude Code 等兼容工具。

最后更新 2026 年 11 月 10 日

主要功能

图片理解问答:输入图片 URL、本地路径或 data URL,用自然语言提问,模型返回对图片内容的理解与总结。
结构化信息提取:支持 JSON 模式与 JSON Schema 约束,可从发票、单据、图表等图片中按字段抽取信息,输出机器可读结果。
统一调用接口:提供 analyze\_image.py 脚本与规范化 request/response 格式(prompt + image 进、text + usage 出),屏蔽 DashScope 兼容模式 API 细节。
多模型选择:默认使用 qwen3-vl-plus,可切换 qwen3-vl-flash 等更快更省的型号,也支持固定快照版本保证可复现性。
工程化细节:内置 429/5xx 指数退避重试、输出与证据文件落盘、图片压缩与大图处理建议等生产化约定。

定价与费用

  • 定价:我们所审阅的页面未公开列出;请查看官方网站获取最新方案。
  • 成本构成:该 Skill 本身是 alicloud-skills 仓库中的开源项目;运行需要自备阿里云 DashScope 账号与 DASHSCOPE_API_KEY,费用按该账号的实际用量结算。
  • 使用前提:无需单独购买授权,仅需配置环境(API Key),并附带 Quickstart 命令、cURL 示例与冒烟测试脚本即可上手。
  • 模型调用:通过 API 调用 Qwen VL 多模态模型,费用及速率或用量限制取决于 DashScope 对这些模型的服务条款。

适用人群

  • 需要让 AI 助手「看懂」截图、报表、票据、图表的个人与团队。
  • 在 Agent 工作流中嵌入图像理解节点的开发者,如自动审核、单据录入、图表解读。
  • 基于阿里云百炼构建多模态应用、希望复用标准化技能包的工程团队。

更多介绍

介绍

Aliyun Qwen VL 是开源项目 alicloud-skills 中的一个多模态视觉理解技能(Skill),把阿里云百炼(Model Studio)的通义千问视觉语言模型封装成可复用的 Agent 技能,面向图片问答、视觉分析、OCR 式信息提取、图表与表格读取、截图理解等场景。技能以标准 SKILL.md 结构发布,附带可直接调用的 Python 脚本、参数示例与参考文档,可被 Claude Code、OpenCode 等支持 Agent Skills 规范的工具一键安装调用。