Alibaba Cloud: Qwen-VL-OCR

Mô hình OCR để trích xuất văn bản có cấu trúc từ tài liệu và ảnh chụp màn hình.

qwen-vl-ocr

Sẵn sàngAlibaba CloudTrò chuyện

Đầu vào / Đầu ra: $0.07 / $0.16
Ngữ cảnh: 30K
Độ dài đầu ra tối đa: 8K
Phương thức: Thị giácTrò chuyện

Về Qwen-VL-OCR

Qwen-VL-OCR là mô hình nhận dạng văn bản của Alibaba, được xây dựng trên Qwen3-VL, dùng để trích xuất văn bản và dữ liệu có cấu trúc từ hình ảnh như tài liệu quét, bảng biểu, biên lai và ảnh chụp màn hình. Nó tích hợp sẵn các tác vụ nhận dạng thông thường, trích xuất thông tin chính, phân tích bảng, phân tích tài liệu và nhận dạng công thức, đồng thời có thể sửa xoay hình ảnh.

Ưu điểm

Các chế độ tác vụ tích hợp bao gồm nhận dạng văn bản, nhận dạng độ chính xác cao với vị trí, phân tích bảng sang HTML và nhận dạng công thức sang LaTeX.
Trích xuất thông tin chính chuyển đổi biên lai, chứng chỉ và biểu mẫu thành JSON bằng cách sử dụng các trường bạn xác định.
Sửa xoay hình ảnh giúp ích cho các trang được chụp bị nghiêng.

Khi nào nên chọn model khác

Alibaba liệt kê Qwen3.5-OCR là mô hình mới hơn với khả năng phân tích tài liệu và trích xuất chứng chỉ tốt hơn.
Đầu ra chỉ là văn bản, JSON, HTML hoặc LaTeX, không bao giờ là hình ảnh đã chỉnh sửa hoặc chú thích.
Nó đọc hình ảnh, không phải hội thoại tự do, và không dành cho việc lập luận mở.

Bắt đầu

Tạo API key
Tạo API key trong Console để dùng cho mọi mô hình trên nền tảng.

Gửi yêu cầu đầu tiên của bạn

Sao chép ví dụ cho ngôn ngữ của bạn và chạy nó với endpoint.

Văn bản sang văn bảnMessages API

POST/v1/messages

Định dạng 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!"}
    ]
  }'

Giá

Giá Verified áp dụng cho Verified, thường rẻ hơn trên hầu hết các model. Giá Official là giá niêm yết từ nhà phát triển, áp dụng cho route Official ổn định hơn. Auto sẽ tính phí dựa trên route hoàn thành yêu cầu.

Default

mỗi 1M token

Giá Official: Đầu vào $0.07 / Đầu ra $0.16 / Văn bản Đầu vào $0.07 / Văn bản Đầu ra $0.16
Giá Verified: —
Giảm giá: —

	Giá Officialmỗi 1M token	Giá Verifiedmỗi 1M token	Giảm giá
Default	Đầu vào $0.07 / Đầu ra $0.16 / Văn bản Đầu vào $0.07 / Văn bản Đầu ra $0.16	—	—

Sử dụng & hoạt động

Tỷ lệ thành công là tỷ lệ yêu cầu hoàn tất. Độ trễ là thời gian của một phản hồi đầy đủ; P95 nghĩa là 95% yêu cầu hoàn thành trong khoảng thời gian đó.

Mức sử dụng & tình trạng

24 giờ qua

Yêu cầu
Tỷ lệ thành công
Độ trễ P95
Tổng token

Hiệu năng mô hình

Cập nhật lần cuối 07:20 1 thg 11, 2026 UTC

Các chỉ số sẽ xuất hiện sau khi đạt ngưỡng về quyền riêng tư và khối lượng dữ liệu.

Dữ liệu dựa trên các yêu cầu tổng hợp của người dùng, không bao gồm các kiểm tra trạng thái.

Mở trong Console

Mở Qwen-VL-OCR trong Console để chỉnh sửa và gửi prompt ngay.

Giúp tôi thử qwen-vl-ocr với tin nhắn ngắn tại /v1/messages. Hiển thị phản hồi, độ trễ và chi phí.

Tình huống sử dụng

Phù hợp cho

Thị giác

Ghi lại biên lai và hóa đơn
Trích xuất người bán, ngày tháng, các mục hàng và tổng số tiền từ biên lai và hóa đơn thành JSON cho các hệ thống kế toán.
Số hóa bảng biểu
Chuyển đổi một bảng được quét hoặc chụp ảnh thành HTML mà bảng tính hoặc cơ sở dữ liệu có thể nhập vào.
Trích xuất công thức
Lấy các phương trình từ slide bài giảng hoặc tài liệu dưới dạng LaTeX để có thể chỉnh sửa hoặc sắp chữ lại.

Ví dụ prompt

Trích xuất tất cả văn bản từ hình ảnh này.

Đọc biên lai này và trả về JSON với người bán, ngày tháng, các mục hàng và tổng số tiền.

Chuyển đổi bảng trong bản quét này sang HTML.

Mô hình này có giá theo điều kiện. Chỉ tổng token hàng tháng không thể tạo ước tính đáng tin cậy; hãy dùng bảng giá chi tiết theo thông số yêu cầu, bộ nhớ đệm và khung giờ áp dụng.

FAQ

Qwen-VL-OCR làm được gì?

Nó đọc văn bản từ hình ảnh và trả về dưới dạng văn bản thuần, JSON, HTML hoặc LaTeX, tùy thuộc vào tác vụ. Đầu vào của nó là các hình ảnh như bản quét, biên lai và ảnh chụp màn hình.

Nó khác với qwen3.5-ocr như thế nào?

Qwen-VL-OCR dựa trên Qwen3-VL và có các chế độ tác vụ tích hợp với tính năng sửa xoay. Alibaba mô tả Qwen3.5-OCR là kiến trúc mới nhất với khả năng phân tích tài liệu, định vị văn bản và trích xuất chứng chỉ được nâng cao.

Nó có thể đọc được những ngôn ngữ nào?

Alibaba liệt kê tiếng Trung, tiếng Anh, tiếng Nga, tiếng Pháp, tiếng Thổ Nhĩ Kỳ, tiếng Ý, tiếng Bồ Đào Nha, tiếng Do Thái và tiếng Ả Rập trong số các ngôn ngữ được hỗ trợ, và mô tả sự hỗ trợ này là đa ngôn ngữ thay vì một danh sách đóng.

Nó có thể trích xuất các trường có cấu trúc không?

Có. Tác vụ trích xuất thông tin chính trả về biên lai, chứng chỉ và biểu mẫu dưới dạng JSON, sử dụng các trường bạn chỉ định trong gợi ý (prompt), để mã nguồn hạ nguồn có thể đọc trực tiếp các giá trị.

Nó có hoạt động với ảnh chụp tài liệu không?

Có, và nó có thể sửa các hình ảnh bị xoay. Alibaba ghi lại rằng hình ảnh được tự động thay đổi tỷ lệ trong một phạm vi pixel nhất định, vì vậy các hình ảnh rất nhỏ hoặc rất lớn sẽ được thay đổi kích thước trước khi nhận dạng.

Qwen-VL-OCR có giá bao nhiêu?

Trên TokenLab, Qwen-VL-OCR có giá Đầu vào $0.07 / Đầu ra $0.16 mỗi 1M token. Bảng giá phía trên cho thấy chi tiết đầy đủ. Giá phụ thuộc vào đơn vị tính phí, thông số và mức sử dụng. Hãy so sánh các điều kiện tương đương trong bảng giá chi tiết của mô hình; một mức giá đơn lẻ không quyết định tổng chi phí.

Giới hạn ngữ cảnh và đầu ra của Qwen-VL-OCR là bao nhiêu?

Qwen-VL-OCR hỗ trợ tối đa 30.000 token ngữ cảnh và trả về tối đa 8.192 token mỗi phản hồi.

Qwen-VL-OCR nên dùng endpoint nào?

Dùng https://api.tokenlab.sh/v1/messages làm mặc định cho Qwen-VL-OCR. Nếu mô hình hỗ trợ định dạng native của nhà cung cấp, API workbench cũng hiển thị endpoint đó.

Qwen-VL-OCR hỗ trợ những thao tác nào?

Qwen-VL-OCR hỗ trợ Văn bản sang văn bản. Chọn một thao tác trong API workbench phía trên để xem endpoint và mã ví dụ tương ứng.