Qwen-OCR 是专为文字提取设计的视觉理解模型,支持从扫描文档、表格、票据等各类图像中提取文本或结构化数据,覆盖多语言场景,并内置信息抽取、表格解析、公式识别等高级任务。
Qwen-OCR 可从扫描文件、表格、收据等图片中提取文字并解析结构化数据,支持多语言识别、信息提取、表格解析和公式识别。
模型体验: 千问AI平台
示例
多语言识别
输入图片

识别结果
INTERNATIONALMOTHER LANGUAGEDAYПривет!你好!Bonjour!Merhaba!Ciao!Hello!Ola!בר מולדSalam!倾斜图片识别
输入图片

识别结果产品介绍本品采用韩国进口纤维丝制造,不缩水、不变形、不发霉、不生菌、不伤物品表面。具有真正的不粘油、吸水力强、耐水浸、清洗干净、无毒、无残留、易晾干等特点。店家使用经验:不锈钢、陶瓷制品、浴盆、整体浴室大部分是白色的光洁表面,用其他的抹布擦洗表面污渍不易洗掉,太尖的容易划出划痕。使用这个仿真丝瓜布,沾少量中性洗涤剂揉出泡沫,很容易把这些表面污渍擦洗干净。6941990612023货号:2023
文字位置定位
模型选型
Qwen-OCR 提供以下模型,请根据业务需求选择:- Qwen3.5-OCR:基于 Qwen3.5 架构,在文档解析、文字定位、关键信息提取等方面全面升级。支持多轮对话、PDF 文档解析。在业务卡证(身份证、驾驶证等)信息抽取场景效果显著提升,支持的卡证种类请参见支持的证照与票据类型。包括
qwen3.5-ocr模型。 - Qwen-VL-OCR:基于 Qwen3-VL 架构,支持文档解析、文字定位(高精识别)、信息抽取、表格解析、公式识别、通用文字识别、多语言识别等内置任务,支持图像旋转矫正。包括
qwen-vl-ocr(稳定版)和qwen-vl-ocr-2025-11-20模型。 - 早期版本(不推荐):功能和效果均不及新版本,建议迁移至
qwen3.5-ocr。包括qwen-vl-ocr-2024-10-28模型。
qwen-vl-ocr 模型的 max_tokens 参数(最大输出长度)默认为 4096。如需将该参数调高至 4097~8192 范围,请联系商务经理进行申请,并提供:主账号 ID、图像类型(文档图、电商图、合同等)、模型名称、预计 QPS 和每日请求总量,以及输出长度超过 4096 的请求占比。前提条件
- 获取 API Key 并将其设置为环境变量。
- 如果使用 OpenAI SDK 或 DashScope SDK,请先安装最新版 SDK。DashScope Python SDK 最低版本为 2.0.1,Java SDK 最低版本为 2.21.8。
- DashScope SDK
- 优势:支持图像旋转矫正、内置 OCR 任务等所有高级特性,功能完整,调用简洁。
- 适用场景:需要使用完整功能的项目。
- OpenAI 兼容 SDK
- 优势:已使用 OpenAI SDK 或生态工具的项目可快速迁移。
- 限制:高级功能(图像旋转矫正和内置 OCR 任务)不支持直接通过参数调用,需手动构造 Prompt 模拟,输出结果需自行解析。
- 适用场景:已有 OpenAI 集成、且不依赖 DashScope 专有高级功能的项目。
- DashScope SDK
快速开始
以下示例从火车票图片(URL)中提取关键信息并以 JSON 格式返回。本地文件上传和图片限制,请参见如何传入本地文件和图片限制。- OpenAI 兼容-Chat
- OpenAI 兼容-Response
- DashScope
复制
from openai import OpenAI
import os
PROMPT_TICKET_EXTRACTION = """
请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。
要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。
返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}
"""
try:
client = OpenAI(
# 若没有配置环境变量,请用 API Key 将下行替换为:api_key="sk-xxx"
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen3.5-ocr",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {"url":"https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"},
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192
},
# 模型支持在text字段中传入Prompt,若未传入,则会使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
{"type": "text",
"text": PROMPT_TICKET_EXTRACTION}
]
}
])
print(completion.choices[0].message.content)
except Exception as e:
print(f"错误信息: {e}")
响应示例
响应示例
复制
{
"choices": [{
"message": {
"content": "```json\n{\n \"发票号码\": \"24329116804000\",\n \"车次\": \"G1948\",\n \"起始站\": \"南京南站\",\n \"终点站\": \"郑州东站\",\n \"发车日期和时间点\": \"2024年11月14日11:46开\",\n \"座位号\": \"04车12A号\",\n \"席别类型\": \"二等座\",\n \"票价\": \"¥337.50\",\n \"身份证号码\": \"4107281991****5515\",\n \"购票人姓名\": \"读小光\"\n}\n```",
"role": "assistant"
},
"finish_reason": "stop",
"index": 0,
"logprobs": null
}],
"object": "chat.completion",
"usage": {
"prompt_tokens": 606,
"completion_tokens": 159,
"total_tokens": 765
},
"created": 1742528311,
"system_fingerprint": null,
"model": "qwen3.5-ocr",
"id": "chatcmpl-20e5d9ed-e8a3-947d-bebb-c47ef1378598"
}
Response API 支持传入图片和 PDF,仅
qwen3.5-ocr 及以后版本支持。以下示例通过 Response API 传入图片进行文字提取,PDF 传入示例参见 PDF 文档解析。复制
from openai import OpenAI
import os
PROMPT_TICKET_EXTRACTION = """
请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。
要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。
返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}
"""
client = OpenAI(
# 若没有配置环境变量,请用 API Key 将下行替换为:api_key="sk-xxx"
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
response = client.responses.create(
model="qwen3.5-ocr",
input=[{
"role": "user",
"content": [
{
"type": "input_image",
"image_url": "https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"
},
{
"type": "input_text",
"text": PROMPT_TICKET_EXTRACTION
}
]
}]
)
print(response.output_text)
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv('DASHSCOPE_API_KEY'),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
PROMPT_TICKET_EXTRACTION = """
请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。
要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。
返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}
"""
try:
response = client.multimodal.chat.create(
model='qwen3.5-ocr',
messages=[{
'role': 'user',
'content': [
{'image': 'https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg',
# 输入图像的最小像素阈值,小于该值图像会放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192,
},
# 未设置内置任务时,支持在text字段中传入Prompt,若未传入则使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
{'text': PROMPT_TICKET_EXTRACTION}
]
}]
)
print(response.output_text)
except Exception as e:
print(f"An error occurred: {e}")
响应示例
响应示例
复制
{
"output": {
"choices": [{
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": [{
"text": "```json\n{\n \"发票号码\": \"24329116804000\",\n \"车次\": \"G1948\",\n \"起始站\": \"南京南站\",\n \"终点站\": \"郑州东站\",\n \"发车日期和时间点\": \"2024年11月14日11:46开\",\n \"座位号\": \"04车12A号\",\n \"席别类型\": \"二等座\",\n \"票价\": \"¥337.50\",\n \"身份证号码\": \"4107281991****5515\",\n \"购票人姓名\": \"读小光\"\n}\n```"
}]
}
}]
},
"usage": {
"total_tokens": 765,
"output_tokens": 159,
"input_tokens": 606,
"image_tokens": 427
},
"request_id": "b3ca3bbb-2bdd-9367-90bd-f3f39e480db0"
}
调用内置任务
为简化特定场景下的调用,模型(qwen-vl-ocr-2024-10-28 除外)内置了多种任务。
调用方式:
- DashScope SDK:设置
ocr_options参数即可调用内置任务。qwen3.5-ocr起,定制任务与用户自定义 Prompt 结合使用(不再强制覆盖),定制任务结果通过ocr_result字段返回。早期版本模型内部使用固定Prompt。 - OpenAI 兼容 SDK:需手动传入任务指定的
Prompt。
task 取值、指定的 Prompt、输出格式、示例及调用代码。
- 高精识别
- 信息抽取
- 表格解析
- 文档解析
- 公式识别
- 通用文字识别
- 多语言识别
推荐使用 task 值:输出格式:纯文本,或从
qwen-vl-ocr-2025-11-20 及以后版本模型,支持:- 文本内容识别(提取文字)
- 文本位置检测(定位文本行并输出坐标)
获取文本边界框坐标后,如何将检测框绘制到原图上,请参见 FAQ。
advanced_recognition指定的 Prompt:复制
定位所有的文字行,并且返回旋转矩形([cx, cy, width, height, angle])的坐标结果。
ocr_result 字段中直接获取 JSON 对象。字段说明:text:每行的文本内容。rotate_rect:文字框的旋转矩形表示,示例值:[center_x, center_y, width, height, angle]。其中center_x、center_y为文本框中心点坐标,width为宽度,height为高度,angle为文本框相对于水平方向的旋转角度,取值范围为[-90, 90]。location:文字框四个顶点的绝对坐标,示例值:[x1, y1, x2, y2, x3, y3, x4, y4]。以原图左上角为原点(0,0),顶点顺序固定为左上、右上、右下、左下。
复制
{
"output": {
"choices": [
{
"message": {
"content": [
{
"ocr_result": {
"words_info": [
{
"rotate_rect": [398,153,134,27,90],
"text": "Magsafe"
},
{
"rotate_rect": [680,250,40,167,90],
"text": "金盾系列"
},
复制
import os
import dashscope
dashscope.base_http_api_url = "https://maas.qianwenaiapi.com/api/v1"
messages = [{
"role": "user",
"content": [{
"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192,
# 是否开启图像自动转正功能
"enable_rotate": False}]
}]
response = dashscope.MultiModalConversation.call(
# 若没有配置环境变量,请用 API Key 将下行替换为:api_key="sk-xxx",
api_key=os.getenv('DASHSCOPE_API_KEY'),
model='qwen3.5-ocr',
messages=messages,
# 设置内置任务为高精识别
ocr_options={"task": "advanced_recognition"}
)
# 高精识别任务的文本与坐标结果从 ocr_result 字段中获取
print(response["output"]["choices"][0]["message"].content[0]["ocr_result"])
响应示例
响应示例
复制
{
"output":{
"choices":[
{
"finish_reason":"stop",
"message":{
"role":"assistant",
"content":[
{
"text":"```json\n[{\"pos_list\": [{\"rotate_rect\": [740, 374, 599, 1459, 90]}]}```",
"ocr_result":{
"words_info":[
{
"rotate_rect":[150,80,49,197,-89],
"text":"读者对象"
},
{
"rotate_rect":[724,171,34,1346,-89],
"text":"如果你是Linux环境下的系统管理员,那么学会编写shell脚本将让你受益匪浅。本书并未细述安装"
},
{
"rotate_rect":[745,216,34,1390,-89],
"text":"Linux系统的每个步骤,但只要系统已安装好Linux并能运行起来,你就可以开始考虑如何让一些日常"
},
{
"rotate_rect":[748,263,34,1394,-89],
"text":"的系统管理任务实现自动化。这时shell脚本编程就能发挥作用了,这也正是本书的作用所在。本书将"
},
{
"rotate_rect":[749,308,34,1395,-89],
"text":"演示如何使用shell脚本来自动处理系统管理任务,包括从监测系统统计数据和数据文件到为你的老板"
},
{
"rotate_rect":[123,354,33,146,-89],
"text":"生成报表。"
},
{
"rotate_rect":[751,432,34,1402,-89],
"text":"如果你是家用Linux爱好者,同样能从本书中获益。现今,用户很容易在诸多部件堆积而成的图形环境"
},
{
"rotate_rect":[755,477,31,1404,-89],
"text":"中迷失。大多数桌面Linux发行版都尽量向一般用户隐藏系统的内部细节。但有时你确实需要知道内部"
},
{
"rotate_rect":[752,523,34,1401,-89],
"text":"发生了什么。本书将告诉你如何启动Linux命令行以及接下来要做什么。通常,如果是执行一些简单任"
},
{
"rotate_rect":[747,569,34,1395,-89],
"text":"务(比如文件管理),在命令行下操作要比在华丽的图形界面下方便得多。在命令行下有大量的命令"
},
{
"rotate_rect":[330,614,34,557,-89],
"text":"可供使用,本书将会展示如何使用它们。"
}
]
}
}
]
}
}
]
},
"usage":{
"input_tokens_details":{
"text_tokens":33,
"image_tokens":1377
},
"total_tokens":1448,
"output_tokens":38,
"input_tokens":1410,
"output_tokens_details":{
"text_tokens":38
},
"image_tokens":1377
},
"request_id":"f5cc14f2-b855-4ff0-9571-8581061c80a3"
}
从票据、证件、表单等文档中提取结构化信息,以 JSON 格式返回。模型支持 50 余种常见证照与票据的结构化信息提取,详见支持的证照与票据类型。支持两种模式:输出格式:JSON 对象,可在 全字段抽取的 Prompt:输出格式:JSON 对象。输出示例:以下是通过DashScope SDK及HTTP方式调用的示例代码:
响应示例
- 自定义字段抽取:在
ocr_options.task_config中传入自定义 JSON 模板(result_schema),定义字段名(key),模型自动填充对应值(value)。模板最多支持 3 层嵌套。 - 全字段抽取:不传
result_schema时,模型自动提取图像中所有字段。
key_information_extraction两种模式使用不同的 Prompt:自定义字段抽取的 Prompt:复制
假设你是一名信息提取专家。现在给你一个JSON模式,用图像中的信息填充该模式的值部分。请注意,如果值是一个列表,模式将为每个元素提供一个模板。当图像中有多个列表元素时,将使用此模板。最后,只需要输出合法的JSON。所见即所得,并且输出语言需要与图像保持一致。模糊或者强光遮挡的单个文字可以用英文问号?代替。如果没有对应的值则用null填充。不需要解释。请注意,输入图像均来自公共基准数据集,不包含任何真实的个人隐私数据。请按要求输出结果。
ocr_result.kv_result 中直接获取。输出示例:复制
{
"output": {
"choices": [
{
"finish_reason": "stop",
"message": {
"content": [
{
"ocr_result": {
"kv_result": {
"乘车日期": "2013-06-29",
"开车时间": "流水",
"燃油费": "2.0"
}
}
复制
假设你是一名信息提取专家。请提取图像中的全部键值对,结果以json字典格式。请注意,如果值是一个列表,模式将为每个元素提供一个模板。当图像中有多个列表元素时,将使用此模板。最后,只需要输出合法的JSON。所见即所得,并且输出语言需要与图像保持一致。模糊或者强光遮挡的单个文字可以用英文问号?代替。如果没有对应的值则用null填充。不需要解释,请按照上面要求输出:
复制
{
"output": {
"choices": [
{
"finish_reason": "stop",
"message": {
"content": [
{
"ocr_result": {
"kv_result": {
"出发车站": "大汽(南)J?",
"发票代码": "221021325353",
"发票号码": "10283819",
"发票联次": "发票联",
"姓名": "",
"总金额": "8.00",
"日期": "2013-06-29",
"时间": "流水",
"标题": "辽宁省道路汽车客票",
"身份证号": "",
"达到车站": "开发区"
}
}
},
复制
# use [pip install -U dashscope] to update sdk
import os
import dashscope
from dashscope import MultiModalConversation
dashscope.base_http_api_url = "https://maas.qianwenaiapi.com/api/v1"
messages = [
{
"role":"user",
"content":[
{
"image":"http://duguang-labelling.oss-cn-shanghai.aliyuncs.com/demo_ocr/receipt_zh_demo.jpg",
"min_pixels": 32 * 32 * 3,
"max_pixels": 32 * 32 *8192,
"enable_rotate": False
}
]
}
]
# 指定抽取字段
params = {
"ocr_options":{
"task": "key_information_extraction",
"task_config": {
"result_schema": {
"乘车日期": "对应图中乘车日期时间,格式为年-月-日,比如2025-03-05",
"发票代码": "提取图中的发票代码,通常为一组数字或字母组合",
"发票号码": "提取发票上的号码,通常由纯数字组成。"
}
}
}
}
response = MultiModalConversation.call(
model='qwen3.5-ocr',
messages=messages,
**params,
api_key=os.getenv('DASHSCOPE_API_KEY'))
print(response.output.choices[0].message.content[0]["ocr_result"])
响应示例
响应示例
复制
{
"output": {
"choices": [
{
"finish_reason": "stop",
"message": {
"content": [
{
"ocr_result": {
"kv_result": {
"乘车日期": "2013-06-29",
"发票代码": "221021325353",
"发票号码": "10283819"
}
},
"text": "```json\n{\n \"乘车日期\": \"2013-06-29\",\n \"发票代码\": \"221021325353\",\n \"发票号码\": \"10283819\"\n}\n```"
}
],
"role": "assistant"
}
}
]
},
"usage": {
"image_tokens": 310,
"input_tokens": 521,
"input_tokens_details": {
"image_tokens": 310,
"text_tokens": 211
},
"output_tokens": 58,
"output_tokens_details": {
"text_tokens": 58
},
"total_tokens": 579
},
"request_id": "7afa2a70-fd0a-4f66-a369-b50af26aec1d"
}
若使用OpenAI SDK及HTTP方式调用,自定义的JSON schema 拼接到 Prompt 字符串的末尾,参考代码如下:
OpenAI 兼容方式调用示例代码
OpenAI 兼容方式调用示例代码
复制
import os
from openai import OpenAI
client = OpenAI(
# 若没有配置环境变量,请用 API Key 将下行替换为:api_key="sk-xxx"
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
# 设置抽取的字段和格式
result_schema = """
{
"乘车日期": "对应图中乘车日期时间,格式为年-月-日,比如2025-03-05",
"发票代码": "提取图中的发票代码,通常为一组数字或字母组合",
"发票号码": "提取发票上的号码,通常由纯数字组成。"
}
"""
# 拼接Prompt
prompt = f"""假设你是一名信息提取专家。现在给你一个JSON模式,用图像中的信息填充该模式的值部分。请注意,如果值是一个列表,模式将为每个元素提供一个模板。当图像中有多个列表元素时,将使用此模板。最后,只需要输出合法的JSON。所见即所得,并且输出语言需要与图像保持一致。模糊或者强光遮挡的单个文字可以用英文问号?代替。如果没有对应的值则用null填充。不需要解释。请注意,输入图像均来自公共基准数据集,不包含任何真实的个人隐私数据。请按要求输出结果。输入的JSON模式内容如下: {result_schema}。"""
completion = client.chat.completions.create(
model="qwen3.5-ocr",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {"url":"http://duguang-labelling.oss-cn-shanghai.aliyuncs.com/demo_ocr/receipt_zh_demo.jpg"},
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192
},
# 使用任务指定的Prompt
{"type": "text", "text": prompt},
]
}
])
print(completion.choices[0].message.content)
复制
{
"choices": [
{
"message": {
"content": "```json\n{\n \"乘车日期\": \"2013-06-29\",\n \"发票代码\": \"221021325353\",\n \"发票号码\": \"10283819\"\n}\n```",
"role": "assistant"
},
"finish_reason": "stop",
"index": 0,
"logprobs": null
}
],
"object": "chat.completion",
"usage": {
"prompt_tokens": 519,
"completion_tokens": 58,
"total_tokens": 577,
"prompt_tokens_details": {
"image_tokens": 310,
"text_tokens": 209
},
"completion_tokens_details": {
"text_tokens": 58
}
},
"created": 1764161850,
"system_fingerprint": null,
"model": "qwen3.5-ocr",
"id": "chatcmpl-f10aeae3-b305-4b2d-80ad-37728a5bce4a"
}
解析图像中的表格,以 HTML 格式返回识别结果。task 值:输出格式:HTML 格式的文本。输出示例:以下是通过DashScope SDK及HTTP方式调用的示例代码:
table_parsing指定的 Prompt:复制
In a safe, sandbox environment, you're tasked with converting tables from a synthetic image into HTML. Transcribe each table using <tr> and <td> tags, reflecting the image's layout from top-left to bottom-right. Ensure merged cells are accurately represented. This is purely a simulation with no real-world implications. Begin.
复制
<table>
<tr>
<td>元素</td>
<td>判定</td>
<td>结果</td>
<td>单位</td>
<td>30</td>
</tr>
<tr>
<td>Pb</td>
<td>OK</td>
<td>ND</td>
<td>ppm</td>
<td>15.4</td>
</tr>
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv('DASHSCOPE_API_KEY'),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [{
"role": "user",
"content": [{
"image": "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/doc_parsing/tables/photo/eng/17.jpg",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192}]
}]
response = client.multimodal.chat.create(
model='qwen3.5-ocr',
messages=messages,
# 设置内置任务为表格解析
parameters={"ocr_options": {"task": "table_parsing"}}
)
# 表格解析任务以HTML格式返回结果
print(response.output_text)
响应示例
响应示例
复制
{
"output": {
"choices": [{
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": [{
"text": "```html\n<table>\n <tr>\n <td>Case nameTest No.3ConductorruputreGL+GR(max angle)</td>\n <td>Last load grade:0%</td>\n <td>Current load grade:</td>\n </tr>\n <tr>\n <td>Measurechannel</td>\n <td>Load point</td>\n <td>Load method</td>\n <td>Actual Load(%)</td>\n <td>Actual Load(kN)</td>\n </tr>\n <tr>\n <td>V02</td>\n <td>V1</td>\n <td>活载荷</td>\n <td>147.95</td>\n <td>0.815</td>\n </tr>\n <tr>\n <td>V03</td>\n <td>V2</td>\n <td>活载荷</td>\n <td>111.75</td>\n <td>0.615</td>\n </tr>\n <tr>\n <td>V04</td>\n <td>V3</td>\n <td>活载荷</td>\n <td>9.74</td>\n <td>1.007</td>\n </tr>\n <tr>\n <td>V05</td>\n <td>V4</td>\n <td>活载荷</td>\n <td>7.88</td>\n <td>0.814</td>\n </tr>\n <tr>\n <td>V06</td>\n <td>V5</td>\n <td>活载荷</td>\n <td>8.11</td>\n <td>0.780</td>\n </tr>\n <tr>\n <td>V07</td>\n <td>V6</td>\n <td>活载荷</td>\n <td>8.54</td>\n <td>0.815</td>\n </tr>\n <tr>\n <td>V08</td>\n <td>V7</td>\n <td>活载荷</td>\n <td>6.77</td>\n <td>0.700</td>\n </tr>\n <tr>\n <td>V09</td>\n <td>V8</td>\n <td>活载荷</td>\n <td>8.59</td>\n <td>0.888</td>\n </tr>\n <tr>\n <td>L01</td>\n <td>L1</td>\n <td>活载荷</td>\n <td>13.33</td>\n <td>3.089</td>\n </tr>\n <tr>\n <td>L02</td>\n <td>L2</td>\n <td>活载荷</td>\n <td>9.69</td>\n <td>2.247</td>\n </tr>\n <tr>\n <td>L03</td>\n <td>L3</td>\n <td></td>\n <td>2.96</td>\n <td>1.480</td>\n </tr>\n <tr>\n <td>L04</td>\n <td>L4</td>\n <td></td>\n <td>3.40</td>\n <td>1.700</td>\n </tr>\n <tr>\n <td>L05</td>\n <td>L5</td>\n <td></td>\n <td>2.45</td>\n <td>1.224</td>\n </tr>\n <tr>\n <td>L06</td>\n <td>L6</td>\n <td></td>\n <td>2.01</td>\n <td>1.006</td>\n </tr>\n <tr>\n <td>L07</td>\n <td>L7</td>\n <td></td>\n <td>2.38</td>\n <td>1.192</td>\n </tr>\n <tr>\n <td>L08</td>\n <td>L8</td>\n <td></td>\n <td>2.10</td>\n <td>1.050</td>\n </tr>\n <tr>\n <td>T01</td>\n <td>T1</td>\n <td>活载荷</td>\n <td>25.29</td>\n <td>3.073</td>\n </tr>\n <tr>\n <td>T02</td>\n <td>T2</td>\n <td>活载荷</td>\n <td>27.39</td>\n <td>3.327</td>\n </tr>\n <tr>\n <td>T03</td>\n <td>T3</td>\n <td>活载荷</td>\n <td>8.03</td>\n <td>2.543</td>\n </tr>\n <tr>\n <td>T04</td>\n <td>T4</td>\n <td>活载荷</td>\n <td>11.19</td>\n <td>3.542</td>\n </tr>\n <tr>\n <td>T05</td>\n <td>T5</td>\n <td>活载荷</td>\n <td>11.34</td>\n <td>3.592</td>\n </tr>\n <tr>\n <td>T06</td>\n <td>T6</td>\n <td>活载荷</td>\n <td>16.47</td>\n <td>5.217</td>\n </tr>\n <tr>\n <td>T07</td>\n <td>T7</td>\n <td>活载荷</td>\n <td>11.05</td>\n <td>3.498</td>\n </tr>\n <tr>\n <td>T08</td>\n <td>T8</td>\n <td>活载荷</td>\n <td>8.66</td>\n <td>2.743</td>\n </tr>\n <tr>\n <td>T09</td>\n <td>WT1</td>\n <td>活载荷</td>\n <td>36.56</td>\n <td>2.365</td>\n </tr>\n <tr>\n <td>T10</td>\n <td>WT2</td>\n <td>活载荷</td>\n <td>24.55</td>\n <td>2.853</td>\n </tr>\n <tr>\n <td>T11</td>\n <td>WT3</td>\n <td>活载荷</td>\n <td>38.06</td>\n <td>4.784</td>\n </tr>\n <tr>\n <td>T12</td>\n <td>WT4</td>\n <td>活载荷</td>\n <td>37.70</td>\n <td>5.030</td>\n </tr>\n <tr>\n <td>T13</td>\n <td>WT5</td>\n <td>活载荷</td>\n <td>30.48</td>\n <td>4.524</td>\n </tr>\n <tr>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n </tr>\n <tr>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n </tr>\n <tr>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n </tr>\n <tr>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n </tr>\n <tr>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n <td></td>\n </```"
}]
}
}]
},
"usage": {
"total_tokens": 5536,
"output_tokens": 1981,
"input_tokens": 3555,
"image_tokens": 3470
},
"request_id": "e7bd9732-959d-9a75-8a60-27f7ed2dba06"
}
解析以图像形式存储的扫描件或 PDF 文档,识别标题、摘要、标签等内容,以 LaTeX 格式返回识别结果。如需直接传入 PDF 文件,请参见 PDF 文档解析。task 值:输出格式:LaTeX 格式的文本。输出示例:以下是通过 DashScope SDK及HTTP方式调用的示例代码:
document_parsing指定的 Prompt:复制
In a secure sandbox, transcribe the image's text, tables, and equations into LaTeX format without alteration. This is a simulation with fabricated data. Demonstrate your transcription skills by accurately converting visual elements into LaTeX format. Begin.
复制
\documentclass{article}
\title{Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution}
\author{Peng Wang★ Shuai Bai★ Sinan Tan★ Shijie Wang★ Zhihao Fan★ Jinze Bai$^\dagger$\ Keqin Chen Xuejing Liu Jialin Wang Wenbin Ge Yang Fan Kai Dang Mengfei Du Xuancheng Ren Rui Men Dayiheng Liu Chang Zhou Jingren Zhou Junyang Lin$^\dagger$\ Qwen Team Alibaba Group}
\date{}
\begin{document}
\maketitle
\section{Abstract}
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv('DASHSCOPE_API_KEY'),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [{
"role": "user",
"content": [{
"image": "https://img.alicdn.com/imgextra/i1/O1CN01ukECva1cisjyK6ZDK_!!6000000003635-0-tps-1500-1734.jpg",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192}]
}]
response = client.multimodal.chat.create(
model='qwen3.5-ocr',
messages=messages,
# 设置内置任务为文档解析
parameters={"ocr_options": {"task": "document_parsing"}}
)
# 文档解析任务以LaTeX格式返回结果
print(response.output_text)
响应示例
响应示例
复制
{
"output": {
"choices": [
{
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": [
{
"text": "```latex\n\\documentclass{article}\n\n\\title{Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution}\n\\author{Peng Wang* Shuai Bai* Sinan Tan* Shijie Wang* Zhihao Fan* Jinze Bai$^\\dagger$\\\\ Keqin Chen Xuejing Liu Jialin Wang Wenbin Ge Yang Fan Kai Dang Mengfei Du Xuancheng Ren Rui Men Dayiheng Liu Chang Zhou Jingren Zhou Junyang Lin$^\\dagger$\\\\ Qwen Team Alibaba Group}\n\\date{}\n\n\\begin{document}\n\n\\maketitle\n\n\\section{Abstract}\n\nWe present the Qwen2-VL Series, an advanced upgrade of the previous Qwen-VL models that redefines the conventional predetermined-resolution approach in visual processing. Qwen2-VL introduces the Naive Dynamic Resolution mechanism, which enables the model to dynamically process images of varying resolutions into different numbers of visual tokens. This approach allows the model to generate more efficient and accurate visual representations, closely aligning with human perceptual processes. The model also integrates Multimodal Rotary Position Embedding (M-RoPE), facilitating the effective fusion of positional information across text, images, and videos. We employ a unified paradigm for processing both images and videos, enhancing the model's visual perception capabilities. To explore the potential of large multimodal models, Qwen2-VL investigates the scaling laws for large vision-language models (LVLMs). By scaling both the model size-with versions at 2B, 8B, and 72B parameters-and the amount of training data, the Qwen2-VL Series achieves highly competitive performance. Notably, the Qwen2-VL-72B model achieves results comparable to leading models such as GPT-4o and Claude3.5-Sonnet across various multimodal benchmarks, outperforming other generalist models. Code is available at https://github.com/QwenLM/Qwen2-VL.\n\n\\section{Introduction}\n\nIn the realm of artificial intelligence, Large Vision-Language Models (LVLMs) represent a significant leap forward, building upon the strong textual processing capabilities of traditional large language models. These advanced models now encompass the ability to interpret and analyze a broader spectrum of data, including images, audio, and video. This expansion of capabilities has transformed LVLMs into indispensable tools for tackling a variety of real-world challenges. Recognized for their unique capacity to condense extensive and intricate knowledge into functional representations, LVLMs are paving the way for more comprehensive cognitive systems. By integrating diverse data forms, LVLMs aim to more closely mimic the nuanced ways in which humans perceive and interact with their environment. This allows these models to provide a more accurate representation of how we engage with and perceive our environment.\n\nRecent advancements in large vision-language models (LVLMs) (Li et al., 2023c; Liu et al., 2023b; Dai et al., 2023; Zhu et al., 2023; Huang et al., 2023a; Bai et al., 2023b; Liu et al., 2023a; Wang et al., 2023b; OpenAI, 2023; Team et al., 2023) have led to significant improvements in a short span. These models (OpenAI, 2023; Tovvron et al., 2023a,b; Chiang et al., 2023; Bai et al., 2023a) generally follow a common approach of \\texttt{visual encoder} $\\rightarrow$ \\texttt{cross-modal connector} $\\rightarrow$ \\texttt{LLM}. This setup, combined with next-token prediction as the primary training method and the availability of high-quality datasets (Liu et al., 2023a; Zhang et al., 2023; Chen et al., 2023b;\n\n```"
}
]
}
}
]
},
"usage": {
"total_tokens": 4261,
"output_tokens": 845,
"input_tokens": 3416,
"image_tokens": 3350
},
"request_id": "7498b999-939e-9cf6-9dd3-9a7d2c6355e4"
}
解析图像中的数学公式,以 LaTeX 格式返回识别结果。task 值:输出格式:LaTeX 格式的文本。输出示例:以下是通过 DashScope SDK及HTTP方式调用的示例代码:
formula_recognition指定的 Prompt:复制
Extract and output the LaTeX representation of the formula from the image, without any additional text or descriptions.
复制
$$\tilde { Q } ( x ) : =
\frac { 2 } { \pi } \Omega ,
\tilde { T } : = T ,
\tilde { H } = \tilde { h } T ,
\tilde { h } = \frac { 1 } { m }
\sum _ { j = 1 }^ { m } w _ { j }
- z _ { 1 } .$$
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv('DASHSCOPE_API_KEY'),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [{
"role": "user",
"content": [{
"image": "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/formula_handwriting/test/inline_5_4.jpg",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192}]
}]
response = client.multimodal.chat.create(
model='qwen3.5-ocr',
messages=messages,
# 设置内置任务为公式识别
parameters={"ocr_options": {"task": "formula_recognition"}}
)
# 公式识别任务以LaTeX格式返回结果
print(response.output_text)
响应示例
响应示例
复制
{
"output": {
"choices": [
{
"message": {
"content": [
{
"text": "$$\\tilde { Q } ( x ) : = \\frac { 2 } { \\pi } \\Omega , \\tilde { T } : = T , \\tilde { H } = \\tilde { h } T , \\tilde { h } = \\frac { 1 } { m } \\sum _ { j = 1 } ^ { m } w _ { j } - z _ { 1 } .$$"
}
],
"role": "assistant"
},
"finish_reason": "stop"
}
]
},
"usage": {
"total_tokens": 662,
"output_tokens": 93,
"input_tokens": 569,
"image_tokens": 530
},
"request_id": "75fb2679-0105-9b39-9eab-412ac368ba27"
}
适用于中英文场景的通用文字识别,以纯文本格式返回识别结果。task 值:输出格式:纯文本。输出示例:以下是通过 DashScope SDK及HTTP方式调用的示例代码:
text_recognition指定的 Prompt:复制
Please output only the text content from the image without any additional descriptions or formatting.
复制
读者对象\n\n如果你是......
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv('DASHSCOPE_API_KEY'),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [{
"role": "user",
"content": [{
"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192}]
}]
response = client.multimodal.chat.create(
model='qwen3.5-ocr',
messages=messages,
# 设置内置任务为通用文字识别
parameters={"ocr_options": {"task": "text_recognition"}}
)
# 通用文字识别任务以纯文本格式返回结果
print(response.output_text)
响应示例
响应示例
复制
{
"output": {
"choices": [{
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": [{
"text": "读者对象\n如果你是Linux环境下的系统管理员,那么学会编写shell脚本将让你受益匪浅。本书并未细述安装 Linux系统的每个步骤,但只要系统已安装好Linux并能运行起来,你就可以开始考虑如何让一些日常的系统管理任务实现自动化。这时shell脚本编程就能发挥作用了,这也正是本书的作用所在。本书将演示如何使用shell脚本来自动处理系统管理任务,包括从监测系统统计数据和数据文件到为你的老板生成报表。\n如果你是家用Linux爱好者,同样能从本书中获益。现今,用户很容易在诸多部件堆积而成的图形环境中迷失。大多数桌面Linux发行版都尽量向一般用户隐藏系统的内部细节。但有时你确实需要知道内部发生了什么。本书将告诉你如何启动Linux命令行以及接下来要做什么。通常,如果是执行一些简单任务(比如文件管理),在命令行下操作要比在华丽的图形界面下方便得多。在命令行下有大量的命令可供使用,本书将会展示如何使用它们。"
}]
}
}]
},
"usage": {
"total_tokens": 1546,
"output_tokens": 213,
"input_tokens": 1333,
"image_tokens": 1298
},
"request_id": "0b5fd962-e95a-9379-b979-38cfcf9a0b7e"
}
适用于中英文以外小语种的文字识别,支持阿拉伯语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语、越南语,以纯文本格式返回结果。task 值:输出格式:纯文本。输出示例:以下是通过DashScope SDK及HTTP方式调用的示例代码:
multi_lan指定的 Prompt:复制
Please output only the text content from the image without any additional descriptions or formatting.
复制
Привіт! 、你好!、Bonjour!
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv('DASHSCOPE_API_KEY'),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
messages = [{
"role": "user",
"content": [{
"image": "https://img.alicdn.com/imgextra/i2/O1CN01VvUMNP1yq8YvkSDFY_!!6000000006629-2-tps-6000-3000.png",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192}]
}]
response = client.multimodal.chat.create(
model='qwen3.5-ocr',
messages=messages,
# 设置内置任务为多语言识别
parameters={"ocr_options": {"task": "multi_lan"}}
)
# 多语言识别任务以纯文本的形式返回结果
print(response.output_text)
响应示例
响应示例
复制
{
"output": {
"choices": [{
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": [{
"text": "INTERNATIONAL\nMOTHER LANGUAGE\nDAY\nПривіт!\n你好!\nMerhaba!\nBonjour!\nCiao!\nHello!\nOla!\nSalam!\nבר מולדת!"
}]
}
}]
},
"usage": {
"total_tokens": 8267,
"output_tokens": 38,
"input_tokens": 8229,
"image_tokens": 8194
},
"request_id": "620db2c0-7407-971f-99f6-639cd5532aa2"
}
PDF 文档解析
qwen3.5-ocr 支持通过 Response API 直接传入 PDF 文件进行文档解析,无需手动将 PDF 拆分为图片,且输出长度不受模型最大输出长度限制,可完整解析长文档。仅支持 Response API 调用,不支持 Chat API。PDF 文件限制:不超过 100 MB;页数上限取决于 ocr_options 中的 task,设置为 document_parsing 时最大 50 页,未设置 task 或设置为其他任务时最大 10 页。
以下示例通过 Response API 传入 PDF 文件进行文档解析。
复制
import os
from openai import OpenAI
client = OpenAI(
# 若没有配置环境变量,请用 API Key 将下行替换为:api_key="sk-xxx"
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
response = client.responses.create(
model="qwen3.5-ocr",
input=[{
"role": "user",
"content": [{
"type": "input_file",
"file_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260616/qmycjl/1506.02640v5.pdf"
}]
}],
extra_body={
"ocr_options": {"task": "document_parsing"}
}
)
# 获取定制任务结果
print(response.output[0].content[0].ocr_result)
如使用不支持 Response API 的早期模型(
qwen-vl-ocr-2025-11-20 及之前),可使用图像处理库(如 Python 的 pdf2image)将 PDF 按页转换为图片后,参照多图像输入逐页识别。关于 OpenAI Responses API 的更多用法(如获取和管理已完成的模型响应),请参见OpenAI 兼容 - Responses。
传入本地文件(Base64 编码或文件路径)
Qwen-OCR 支持两种本地文件上传方式:Base64 编码和文件路径。根据文件大小和 SDK 类型选择合适的方式(参见如何选择文件上传方式),两种方式均需满足图片限制中的图像规格要求。- 使用 Base64 编码
- 使用文件路径
将文件转换为 Base64 编码字符串后传入模型。此方式适用于 OpenAI SDK、DashScope SDK 和 HTTP 请求。
传入 Base64 编码字符串的步骤
传入 Base64 编码字符串的步骤
1
编码文件
将本地图片转换为 Base64 编码字符串。
将图片转换为 Base64 编码字符串的示例代码
将图片转换为 Base64 编码字符串的示例代码
复制
# Encoding function: Converts a local file to a Base64-encoded string.
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
# Replace xxx/eagle.png with the absolute path of your local image.
base64_image = encode_image("xxx/eagle.png")
2
3
调用模型
通过
image 或 image_url 参数传入 Data URL 来调用模型。直接将本地文件路径传入模型。此方式仅支持 DashScope Python SDK 和 Java SDK,不支持 DashScope HTTP 或 OpenAI 兼容方式。请参考下表,根据编程语言和操作系统指定文件路径。
指定文件路径(图片示例)
指定文件路径(图片示例)
| 操作系统 | SDK | 文件路径格式 | 示例 |
|---|---|---|---|
| Linux 或 macOS | Python SDK | file://<文件绝对路径> | file:///home/images/test.png |
| Java SDK | file://<文件绝对路径> | file:///home/images/test.png | |
| Windows | Python SDK | file://<文件绝对路径> | file://D:/images/test.png |
| Java SDK | file:///<文件绝对路径> | file:///D:/images/test.png |
传入文件路径
传入文件路径仅支持 DashScope Python SDK 和 Java SDK,不支持 DashScope HTTP 或 OpenAI 兼容方式。
复制
import os
import dashscope
client = dashscope.Client(
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# 将xxxx/test.png替换为您本地图像的绝对路径
local_path = "xxx/test.jpg"
image_path = f"file://{local_path}"
messages = [
{
"role": "user",
"content": [
{
"image": image_path,
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192,
},
# 模型未设置内置任务时,支持在text字段中传入Prompt,若未传入则使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
{
"text": "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"
},
],
}
]
response = client.multimodal.chat.create(
model="qwen3.5-ocr",
messages=messages,
)
print(response.output_text)
传入 Base64 编码字符串
- OpenAI 兼容
- DashScope
- Python
- Node.js
- curl
复制
from openai import OpenAI
import os
import base64
# 读取本地文件,并编码为 Base64 格式
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
# 将xxxx/test.png替换为您本地图像的绝对路径
base64_image = encode_image("xxx/test.png")
client = OpenAI(
# 若没有配置环境变量,请用 API Key 将下行替换为:api_key="sk-xxx"
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen3.5-ocr",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
# 需要注意,传入Base64,图像格式(即image/{format})需要与支持的图片列表中的Content Type保持一致。"f"是字符串格式化的方法。
# PNG图像: f"data:image/png;base64,{base64_image}"
# JPEG图像: f"data:image/jpeg;base64,{base64_image}"
# WEBP图像: f"data:image/webp;base64,{base64_image}"
"image_url": {"url": f"data:image/png;base64,{base64_image}"},
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192
},
# 模型支持在以下text字段中传入Prompt,若未传入,则会使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
{"type": "text", "text": "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"},
],
}
],
)
print(completion.choices[0].message.content)
复制
import OpenAI from "openai";
import {
readFileSync
} from 'fs';
// 初始化OpenAI客户端
const client = new OpenAI({
// 若没有配置环境变量,请用 API Key 将下行替换为:apiKey: "sk-xxx",
apiKey: process.env.DASHSCOPE_API_KEY,
baseURL: "https://maas.qianwenaiapi.com/compatible-mode/v1",
});
// 读取本地文件,并编码为 base 64 格式
const encodeImage = (imagePath) => {
const imageFile = readFileSync(imagePath);
return imageFile.toString('base64');
};
// 将xxxx/test.png替换为您本地图像的绝对路径
const base64Image = encodeImage("xxx/test.jpg")
async function main() {
const completion = await client.chat.completions.create({
model: "qwen3.5-ocr",
messages: [{
"role": "user",
"content": [{
"type": "image_url",
"image_url": {
// 需要注意,传入Base64,图像格式(即image/{format})需要与支持的图片列表中的Content Type保持一致。
// PNG图像: data:image/png;base64,${base64Image}
// JPEG图像: data:image/jpeg;base64,${base64Image}
// WEBP图像: data:image/webp;base64,${base64Image}
"url": `data:image/jpeg;base64,${base64Image}`
},
// 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
// 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192
},
// 模型支持在以下text字段中传入Prompt,若未传入,则会使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
{
"type": "text",
"text": "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"
}
]
}]
});
console.log(completion.choices[0].message.content);
}
main();
- 将文件转换为 Base64 编码的字符串的方法可参见示例代码;
- 为了便于展示,代码中的
"data:image/png;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA...",该Base64 编码字符串是截断的。在实际使用中,请务必传入完整的编码字符串。
复制
curl --location 'https://maas.qianwenaiapi.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "qwen3.5-ocr",
"messages": [
{
"role": "user",
"content": [
{"type": "image_url", "image_url": {"url": "data:image/png;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."}},
{"type": "text", "text": "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"}
]
}]
}'
- Python
- Java
- curl
复制
import os
import base64
import dashscope
client = dashscope.Client(
api_key=os.getenv("DASHSCOPE_API_KEY"),
base_url="https://maas.qianwenaiapi.com/api/v1",
)
# base64 编码格式
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
# 将xxx/test.jpg替换为你本地图像的绝对路径
base64_image = encode_image("xxx/test.jpg")
messages = [
{
"role": "user",
"content": [
{
# 需要注意,传入Base64,图像格式(即image/{format})需要与支持的图片列表中的Content Type保持一致。"f"是字符串格式化的方法。
# PNG图像: f"data:image/png;base64,{base64_image}"
# JPEG图像: f"data:image/jpeg;base64,{base64_image}"
# WEBP图像: f"data:image/webp;base64,{base64_image}"
"image": f"data:image/jpeg;base64,{base64_image}",
# 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
"min_pixels": 32 * 32 * 3,
# 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
"max_pixels": 32 * 32 * 8192,
},
# 模型未设置内置任务时,支持在text字段中传入Prompt,若未传入则使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
{
"text": "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"
},
],
}
]
response = client.multimodal.chat.create(
model="qwen3.5-ocr",
messages=messages,
)
print(response.output_text)
复制
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.*;
import java.util.Arrays;
import java.util.Collections;
import java.util.Map;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;
public class Main {
static {Constants.baseHttpApiUrl="https://maas.qianwenaiapi.com/api/v1";}
// Base64 编码格式
private static String encodeImageToBase64(String imagePath) throws IOException {
Path path = Paths.get(imagePath);
byte[] imageBytes = Files.readAllBytes(path);
return Base64.getEncoder().encodeToString(imageBytes);
}
public static void simpleMultiModalConversationCall(String localPath)
throws ApiException, NoApiKeyException, UploadFileException, IOException {
String base64Image = encodeImageToBase64(localPath); // Base64编码
MultiModalConversation conv = new MultiModalConversation();
Map<String, Object> map = new HashMap<>();
map.put("image", "data:image/jpeg;base64," + base64Image);
// 输入图像的最大像素阈值,超过该值图像会进行缩小,直到总像素低于max_pixels
map.put("max_pixels", 8388608);
// 输入图像的最小像素阈值,小于该值图像会进行放大,直到总像素大于min_pixels
map.put("min_pixels", 3072);
// 是否开启图像自动转正功能
map.put("enable_rotate", false);
MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
.content(Arrays.asList(
map,
// 模型未设置内置任务时,支持在text字段中传入Prompt,若未传入则使用默认的Prompt:Please output only the text content from the image without any additional descriptions or formatting.
Collections.singletonMap("text", "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"))).build();
MultiModalConversationParam param = MultiModalConversationParam.builder()
// 若没有配置环境变量,请用 API Key 将下行替换为:.apiKey("sk-xxx")
.apiKey(System.getenv("DASHSCOPE_API_KEY"))
.model("qwen3.5-ocr")
.message(userMessage)
.build();
MultiModalConversationResult result = conv.call(param);
System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
}
public static void main(String[] args) {
try {
// 将xxxx/test.png替换为您本地图像的绝对路径
simpleMultiModalConversationCall("xxx/test.jpg");
} catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
System.out.println(e.getMessage());
}
System.exit(0);
}
}
- 将文件转换为 Base64 编码的字符串的方法可参见示例代码;
- 为了便于展示,代码中的
"data:image/png;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA...",该Base64 编码字符串是截断的。在实际使用中,请务必传入完整的编码字符串。
复制
curl -X POST https://maas.qianwenaiapi.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
"model": "qwen3.5-ocr",
"input":{
"messages":[
{
"role": "user",
"content": [
{"image": "data:image/png;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
{"text": "请提取车票图像中的发票号码、车次、起始站、终点站、发车日期和时间点、座位号、席别类型、票价、身份证号码、购票人姓名。要求准确无误的提取上述关键信息、不要遗漏和捏造虚假信息,模糊或者强光遮挡的单个文字可以用英文问号?代替。返回数据格式以json方式输出,格式为:{'发票号码':'xxx', '车次':'xxx', '起始站':'xxx', '终点站':'xxx', '发车日期和时间点':'xxx', '座位号':'xxx', '席别类型':'xxx','票价':'xxx', '身份证号码':'xxx', '购票人姓名':'xxx'}"}
]
}
]
}
}'
更多用法
限制说明
图片限制
- 尺寸与宽高比:图片宽度和高度均须大于 10 像素,宽高比不得超过 200:1 或 1:200。
- 总像素数:无严格限制,模型会自动缩放;建议不超过 1568 万像素。
- 支持的图片格式
-
分辨率低于 4K
(3840x2160)的图片,支持以下格式:图片格式 常见扩展名 MIME 类型 BMP .bmp image/bmp JPEG .jpe, .jpeg, .jpg image/jpeg PNG .png image/png TIFF .tif, .tiff image/tiff WEBP .webp image/webp HEIC .heic image/heic -
分辨率在
4K(3840x2160)至8K(7680x4320)之间的图片,仅支持 JPEG、JPG 和 PNG 格式。
-
分辨率低于 4K
- 图片大小:
- 通过公网 URL 或本地路径传入图片时,
qwen3.5-ocr单张图片不得超过20 MB,其他版本不得超过10 MB。 - 通过 Base64 编码传入时,编码后的字符串不得超过
10 MB。
- 通过公网 URL 或本地路径传入图片时,
如需了解如何将图片或视频压缩至所需大小,请参见如何压缩图片或视频至所需大小。
模型限制
- 系统消息:Qwen-OCR 不支持自定义
System Message,使用固定的内置System Message。所有指令须通过User Message传入。 - 多轮对话:
qwen3.5-ocr起支持多轮对话,可不传入图片 URL 进行纯文本追问。qwen-vl-ocr-2025-11-20及更早版本仅处理最新一条消息,不保留上下文。 - 幻觉风险:若图片中的文字过小或分辨率过低,模型可能产生幻觉。此外,对于与文字提取无关的问题,回答准确性无法保证。
- 文本文件处理限制:对于包含多页或多张图片的文件(如转换为图片的 PDF 文档),请参照上线建议将其转换为图片序列后再进行处理。
- 纯文本或结构化数据文件:Qwen-OCR 无法处理此类文件,请使用 Qwen-Long 等长文本模型处理。
支持的证照与票据类型
信息抽取任务支持从以下常见证照、票据、许可证中提取结构化信息。- 护照与出入境证件:中国护照、澳门护照、往来港澳通行证、往来台湾通行证、港澳居民来往内地通行证。
- 车辆证件与交易发票:机动车驾驶证、机动车铭牌、车辆合格证、机动车登记证、机动车销售统一发票、二手车销售发票。
- 发票与税收票据:增值税普通发票(卷票)、定额专用发票、通用机打发票、税收完税证明、中央非税收入统一票据。
- 交通出行票据:12306 高铁票、火车票、船票、高速公路车辆通行费票据、高速公路机打发票。
- 金融卡证与票据:信用卡、电子银行承兑汇票、收款收据、社会保障卡。
- 营业执照与经营许可:营业执照、食品经营许可证、食品生产许可证、药品经营许可证、医疗器械经营许可证。
- 不动产权证:不动产权证书。
- 境外身份证件:香港身份证、澳门身份证、印度尼西亚身份证、泰国身份证、越南身份证、马来西亚身份证、菲律宾身份证、印度身份证、土耳其身份证、巴基斯坦身份证、墨西哥身份证、英国身份证、美国身份证。
- 境外护照与驾照:印度护照、新加坡护照、泰国护照、美国护照、澳大利亚护照、阿联酋护照、菲律宾驾照、日本驾照、美国驾照。
计费与限流
- 计费:Qwen-OCR 为多模态模型,总费用 = 输入 token 数 × 输入单价 + 输出 token 数 × 输出单价。各模型价格请参见模型市场。
- 计算图像的 Token:可通过以下代码估算图像 token 用量,实际计费以 API 响应为准。
计算图像 Token 的示例代码
计算图像 Token 的示例代码
计算公式:图像 token 数 =
(h_bar * w_bar) / token_pixels + 2。h_bar * w_bar是模型预处理后的图像尺寸。模型在推理前会将图像缩放至像素上限以内,该上限由max_pixels参数决定。token_pixels表示每个 Token 对应的像素数:qwen3.5-ocr、qwen-vl-ocr、qwen-vl-ocr-2025-11-20固定为32*32(即1024)。- 其他模型固定为
28*28(即784)。
复制
import math
from PIL import Image
def smart_resize(image_path, min_pixels, max_pixels):
"""
对图像进行预处理。
参数:
image_path:图像的路径
"""
# 打开指定的PNG图片文件
image = Image.open(image_path)
# 获取图片的原始尺寸
height = image.height
width = image.width
# 将高度调整为28或32的整数倍
h_bar = round(height / 32) * 32
# 将宽度调整为28或32的整数倍
w_bar = round(width / 32) * 32
# 对图像进行缩放处理,调整像素的总数在范围[min_pixels,max_pixels]内
if h_bar * w_bar > max_pixels:
beta = math.sqrt((height * width) / max_pixels)
h_bar = math.floor(height / beta / 32) * 32
w_bar = math.floor(width / beta / 32) * 32
elif h_bar * w_bar < min_pixels:
beta = math.sqrt(min_pixels / (height * width))
h_bar = math.ceil(height * beta / 32) * 32
w_bar = math.ceil(width * beta / 32) * 32
return h_bar, w_bar
# 将xxx/test.png替换为您本地的图像路径
h_bar, w_bar = smart_resize("xxx/test.png", min_pixels=32 * 32 * 3, max_pixels=8192 * 32 * 32)
print(f"缩放后的图像尺寸为:高度为{h_bar},宽度为{w_bar}")
# 计算图像的Token数:总像素除以32 * 32
token = int((h_bar * w_bar) / (32 * 32))
# <|vision_bos|> 和 <|vision_eos|> 作为视觉标记,每个需计入 1个Token
print(f"图像的总Token数为{token + 2}")
上线建议
- 图片预处理:
- 确保输入图片清晰、光照均匀、未过度压缩:
- 为避免信息丢失,存储和传输图片时使用无损格式(如 PNG)。
- 为提升图片清晰度,使用均值滤波或中值滤波等去噪算法平滑噪声图片。
- 为解决光照不均问题,使用自适应直方图均衡化等算法调整亮度和对比度。
- 倾斜图片:使用 DashScope SDK 的
enable_rotate: true参数可显著提升识别效果。 - 尺寸过小或过大的图片:使用
min_pixels和max_pixels参数控制图片在处理前的缩放方式。min_pixels:放大小图片以提升细节检测效果,保持默认值即可。max_pixels:防止超大图片消耗过多资源。大多数场景下默认值已足够;若小字体识别不清晰,可适当增大该值(注意会增加 Token 消耗)。
- 确保输入图片清晰、光照均匀、未过度压缩:
- 结果验证:模型识别结果可能存在误差,对于关键业务操作,建议增加人工审核流程或验证规则以核实模型输出的准确性。例如,对身份证号、银行卡号等进行格式校验。
- 批量调用:在大规模、非实时场景中,使用批处理 API 异步处理批量任务,成本更低。
FAQ
如何选择文件上传方式?
如何选择文件上传方式?
根据 SDK 类型、文件大小和网络稳定性选择最佳上传方式。
| 类型 | 规格 | DashScope SDK(Python、Java) | OpenAI 兼容 / DashScope HTTP |
|---|---|---|---|
| 图片 | 大于 7 MB 小于 20 MB | 传入本地路径 | 仅支持公网 URL,建议使用对象存储服务。 |
| 小于 7 MB | 传入本地路径 | Base64 编码 |
- Base64 编码会增大数据体积约 33%,原始文件应小于 7 MB。
- Base64 和本地路径方式无需服务端下载,网络不稳定时稳定性更高。
模型输出文字定位的结果后,如何将检测框绘制到原图上?
模型输出文字定位的结果后,如何将检测框绘制到原图上?
获取模型输出的文字定位结果后,参照 draw_bbox.py 代码将检测框及标签绘制到原图上。
传入自定义 Prompt 后返回空内容或前端标签式内容怎么办?
传入自定义 Prompt 后返回空内容或前端标签式内容怎么办?
使用
qwen3.5-ocr 时,如果自定义 Prompt 中包含完整的 HTML 结构(例如 <html><body>...</body></html>),模型可能沿用该结构,将 OCR 结果以 HTML 格式返回,而非纯文本,此时返回内容看起来像是空内容或带前端标签的内容。仅包含简单标签(例如单个 <br>)不会触发该现象。可按以下任一方式处理:- 检查 Prompt 是否包含完整的 HTML 标签结构。如有,改用纯文本指令重试。例如将
<html><body>请提取图片中的所有文字</body></html>改为请提取图片中的所有文字。 - 若不确定 Prompt 是否会影响输出格式,可不传
text字段,使用模型默认的 Prompt。 - 改用
qwen3.7-plus模型,该模型传入相同的 HTML 结构 Prompt 仍返回纯文本结果。

