Alibaba Cloud: Qwen-VL-OCR
qwen-vl-ocr- 入力 / 出力
- $0.07 / $0.16
- コンテキスト
- 30K
- 最大出力
- 8K
- モダリティ
- ビジョンチャット
Qwen-VL-OCR について
Qwen-VL-OCRは、Qwen3-VLをベースにしたAlibabaのテキスト認識モデルです。スキャンされたドキュメント、表、領収書、スクリーンショットなどの画像からテキストや構造化データを抽出します。単純な認識、キー情報抽出、表解析、ドキュメント解析、数式認識のための組み込みタスクを備えており、画像の回転補正も可能です。
得意なこと
- 組み込みタスクモードには、テキスト認識、位置情報付きの高精度認識、HTMLへの表解析、LaTeXへの数式認識が含まれます。
- キー情報抽出機能により、定義したフィールドを使用して領収書、証明書、フォームをJSON形式に変換します。
- 画像回転補正機能は、傾いて撮影されたページを補正するのに役立ちます。
他のモデルを検討すべきケース
- Alibabaは、より優れたドキュメント解析と証明書抽出機能を備えた新しいモデルとしてQwen3.5-OCRを挙げています。
- 出力はテキスト、JSON、HTML、またはLaTeXのみであり、編集や注釈が加えられた画像が出力されることはありません。
- 画像の内容を読み取るためのものであり、自由形式の会話やオープンエンドな推論を目的としたものではありません。
はじめに
最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
テキスト・トゥ・テキストMessages APIPOST/v1/messagesAPI形式:curl https://api.tokenlab.sh/v1/messages \ -H "Content-Type: application/json" \ -H "x-api-key: sk-xxx" \ -H "anthropic-version: 2023-06-01" \ -d '{ "model": "qwen-vl-ocr", "max_tokens": 1024, "messages": [ {"role": "user", "content": "Hello!"} ] }'
料金
Verified 価格は Verified に適用され、多くのモデルでより低コストです。Official 価格はモデルのメーカーが公表する価格で、信頼性の高い Official ルートに適用されます。Auto はリクエストを完了したルートの価格で課金します。
Default
100万トークンあたり- Official 価格
- 入力 $0.07 / 出力 $0.16 / テキスト 入力 $0.07 / テキスト 出力 $0.16
- Verified 価格
- —
- 割引
- —
| Official 価格100万トークンあたり | Verified 価格100万トークンあたり | 割引 | |
|---|---|---|---|
| Default | 入力 $0.07 / 出力 $0.16 / テキスト 入力 $0.07 / テキスト 出力 $0.16 | — | — |
使用状況とアクティビティ
成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。
使用量と可用性
過去24時間- リクエスト数
- 成功率
- P95 レイテンシ
- 合計トークン数
データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。
Consoleで開く
ConsoleでQwen-VL-OCRを開き、プロンプトを編集・送信できます。
qwen-vl-ocrと/v1/messagesでメッセージをテスト。返答、レイテンシ、コストを表示します。
ユースケース
向いている用途- ビジョン
領収書および請求書の取り込み
領収書や請求書から加盟店名、日付、明細項目、合計金額を抽出し、会計システム用のJSONに変換します。
表のデジタル化
スキャンまたは撮影された表を、スプレッドシートやデータベースに取り込み可能なHTMLに変換します。
数式の抽出
講義スライドや論文から数式をLaTeXとして抽出し、再編集や組版を可能にします。
プロンプト例
この画像からすべてのテキストを抽出してください。
この領収書を読み取り、加盟店名、日付、明細項目、合計金額を含むJSONを返してください。
このスキャン画像の表をHTMLに変換してください。
このモデルは条件付き料金です。月間トークン総量だけでは確実な見積もりができません。リクエスト仕様・キャッシュ・該当時間帯に応じた詳細料金をご利用ください。
FAQ
Qwen-VL-OCRは何ができますか？
画像からテキストを読み取り、タスクに応じてプレーンテキスト、JSON、HTML、またはLaTeXで返します。入力対象はスキャン画像、領収書、スクリーンショットなどの画像です。
qwen3.5-ocrとはどう違いますか？
Qwen-VL-OCRはQwen3-VLをベースにしており、回転補正機能を備えた組み込みタスクモードがあります。AlibabaはQwen3.5-OCRを、ドキュメント解析、テキスト位置特定、証明書抽出が強化された最新アーキテクチャであると説明しています。
どの言語を読み取れますか？
Alibabaは、中国語、英語、ロシア語、フランス語、トルコ語、イタリア語、ポルトガル語、ヘブライ語、アラビア語などをサポート言語として挙げており、特定のリストに限定されない多言語対応であると説明しています。
構造化されたフィールドを抽出できますか？
はい。キー情報抽出タスクでは、プロンプトで指定したフィールドを使用して領収書、証明書、フォームをJSONとして返すため、後続のコードで値を直接読み取ることができます。
ドキュメントの写真を撮影した場合でも機能しますか？
はい、回転した画像の補正も可能です。Alibabaのドキュメントによると、画像は指定されたピクセル範囲内で自動的にスケーリングされるため、非常に小さい画像や大きい画像は認識前にリサイズされます。
Qwen-VL-OCR の料金はいくらですか？
TokenLab では Qwen-VL-OCR は 入力 $0.07 / 出力 $0.16 100万トークンあたり です。詳細は上の料金表を参照してください。 料金は課金単位・仕様・使用量によって異なります。モデルの詳細な料金で同条件同士を比較してください。単一のレートで総額は決まりません。
Qwen-VL-OCR のコンテキストウィンドウと出力制限は？
Qwen-VL-OCR は最大 30,000 トークンのコンテキストに対応し、1回のレスポンスで最大 8,192 トークンまで出力可能です。
Qwen-VL-OCR はどのエンドポイントを使うべきですか？
Qwen-VL-OCR のデフォルトは https://api.tokenlab.sh/v1/messages です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
Qwen-VL-OCR はどの操作に対応していますか？
Qwen-VL-OCR は テキスト・トゥ・テキスト に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
Qwen-VL-OCR を比較する
ソース
2026/10/02 時点での評価
