Alibaba Cloud: Qwen-VL-OCR

Modelo de OCR para extração de texto estruturado de documentos e capturas de tela.

qwen-vl-ocr

DisponívelAlibaba CloudChat

Entrada / Saída: $0.07 / $0.16
Contexto: 30K
Saída máxima: 8K
Modalidades: VisãoChat

Sobre o Qwen-VL-OCR

O Qwen-VL-OCR é o modelo de reconhecimento de texto da Alibaba, construído sobre o Qwen3-VL, para extrair texto e dados estruturados de imagens como documentos digitalizados, tabelas, recibos e capturas de tela. Ele vem com tarefas integradas para reconhecimento simples, extração de informações-chave, análise de tabelas, análise de documentos e reconhecimento de fórmulas, além de poder corrigir a rotação da imagem.

Pontos fortes

Os modos de tarefa integrados cobrem reconhecimento de texto, reconhecimento de alta precisão com posições, análise de tabelas para HTML e reconhecimento de fórmulas para LaTeX.
A extração de informações-chave transforma recibos, certificados e formulários em JSON usando os campos que você definir.
A correção de rotação de imagem ajuda com páginas fotografadas que estão inclinadas.

Quando usar outro modelo

A Alibaba lista o Qwen3.5-OCR como o modelo mais recente com melhor análise de documentos e extração de certificados.
A saída é apenas texto, JSON, HTML ou LaTeX, nunca uma imagem editada ou anotada.
Ele lê imagens, não conversas de forma livre, e não se destina a raciocínios abertos.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

Texto para textoMessages API

POST/v1/messages

Formato da API:

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!"}
    ]
  }'

Preço

O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.

Default

Por 1M Token

Preço Official: Entrada $0.07 / Saída $0.16 / Texto Entrada $0.07 / Texto Saída $0.16
Preço Verified: —
Desconto: —

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Default	Entrada $0.07 / Saída $0.16 / Texto Entrada $0.07 / Texto Saída $0.16	—	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 1 de nov. de 2026, 07:20 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Qwen-VL-OCR no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar qwen-vl-ocr com uma mensagem em /v1/messages. Exiba a resposta, latência e custo.

Casos de uso

Indicado para

Visão

Captura de recibos e faturas
Extraia comerciante, data, itens de linha e totais de recibos e faturas para JSON para sistemas contábeis.
Digitalização de tabelas
Converta uma tabela digitalizada ou fotografada em HTML que possa ser consumida por uma importação de planilha ou banco de dados.
Extração de fórmulas
Extraia equações de slides de aula ou artigos como LaTeX para que possam ser editadas ou formatadas novamente.

Exemplos de prompt

Extraia todo o texto desta imagem.

Leia este recibo e retorne um JSON com comerciante, data, itens de linha e total.

Converta a tabela nesta digitalização para HTML.

Este modelo tem preço condicional. Totais mensais de tokens sozinhos não produzem uma estimativa confiável; use o preço detalhado para a especificação da requisição, cache e janela aplicável.

FAQ

O que o Qwen-VL-OCR faz?

Ele lê texto de imagens e o retorna como texto simples, JSON, HTML ou LaTeX, dependendo da tarefa. Suas entradas são imagens como digitalizações, recibos e capturas de tela.

Como ele difere do Qwen3.5-OCR?

O Qwen-VL-OCR é baseado no Qwen3-VL e possui modos de tarefa integrados com correção de rotação. A Alibaba descreve o Qwen3.5-OCR como a arquitetura mais recente com análise de documentos, localização de texto e extração de certificados aprimoradas.

Quais idiomas ele consegue ler?

A Alibaba lista chinês, inglês, russo, francês, turco, italiano, português, hebraico e árabe entre os idiomas suportados, e descreve o suporte como multilíngue em vez de uma lista fechada.

Ele consegue extrair campos estruturados?

Sim. A tarefa de extração de informações-chave retorna recibos, certificados e formulários como JSON, usando os campos que você especificar no prompt, para que o código subsequente possa ler os valores diretamente.

Ele funciona para fotos de documentos?

Sim, e ele pode corrigir imagens rotacionadas. A Alibaba documenta que as imagens são redimensionadas automaticamente dentro de um intervalo de pixels definido, portanto, imagens muito pequenas ou muito grandes são redimensionadas antes do reconhecimento.

Quanto custa o Qwen-VL-OCR?

No TokenLab, Qwen-VL-OCR custa Entrada $0.07 / Saída $0.16 Por 1M Token. A tabela de preços acima mostra o detalhamento completo. As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.

Qual a janela de contexto e o limite de saída do Qwen-VL-OCR?

O Qwen-VL-OCR aceita até 30.000 tokens de contexto e gera até 8.192 tokens por resposta.

Qual endpoint o Qwen-VL-OCR deve usar?

Use https://api.tokenlab.sh/v1/messages para Qwen-VL-OCR. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Qwen-VL-OCR suporta?

Qwen-VL-OCR suporta Texto para texto. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.