Skip to main content
視覺理解

文字提取（Qwen-OCR）

Qwen-OCR 是專為文字提取設計的視覺理解模型，支援從掃描文檔、表格、票據等各類映像中提取文本或結構化資料，覆蓋多語言情境，並內建資訊抽取、表格解析、公式識別等進階任務。

效果樣本

輸入映像識別結果
識別多種語言imageINTERNATIONALMOTHER LANGUAGEDAYПривет!你好!Bonjour!Merhaba!Ciao!Hello!Ola!בר מולדSalam!
識別傾斜映像image產品介紹本品採用韓國進口纖維絲製造，不縮水、不變形、不發黴、不生菌、不傷物品表面。具有真正的不粘油、吸水力強、耐水浸、清洗乾淨、無毒、無殘留、易晾乾等特點。店家使用經驗：不鏽鋼、陶瓷製品、浴盆、整體浴室大部分是白色的光潔表面，用其他的抹布擦洗表面汙漬不易洗掉，太尖的容易划出劃痕。使用這個模擬絲瓜布，沾少量中性洗滌劑揉出泡沫，很容易把這些表面汙漬擦洗乾淨。6941990612023貨號：2023
定位文字位置img_1
高精識別任務支援文字定位功能。
可視化定位效果img_1_location
可參見常見問題將每行文本的邊界框繪製到原圖上。

模型選型

Qwen-OCR 提供以下模型，請根據業務需求選擇：
  • Qwen3.5-OCR：基於 Qwen3.5 架構，在文檔解析、文字定位、關鍵資訊提取等方面全面升級。支援多輪對話、PDF 文檔解析。在業務卡證（身份證、駕駛證等）資訊抽取情境效果顯著提升，支援的卡證種類請參見支援的證照與票據類型。包括 qwen3.5-ocr 模型。
  • Qwen-VL-OCR：基於 Qwen3-VL 架構，支援文檔解析、文字定位（高精識別）、資訊抽取、表格解析、公式識別、通用文字識別、多語言識別等內建任務，支援映像旋轉矯正。包括 qwen-vl-ocr（穩定版）、qwen-vl-ocr-latest（最新版）、qwen-vl-ocr-2025-11-20 和 qwen-vl-ocr-2025-08-28 模型。
  • 早期版本（不推薦）：功能和效果均不及新版本，建議遷移至 qwen3.5-ocr。包括 qwen-vl-ocr-2025-04-13 和 qwen-vl-ocr-2024-10-28 模型。
qwen-vl-ocr、qwen-vl-ocr-2025-04-13、qwen-vl-ocr-2025-08-28 模型的 max_tokens 參數（最大輸出長度）預設為 4096。如需將該參數調高至 4097~8192 範圍，請聯絡商務經理進行申請，並提供：主帳號 ID、映像類型（文檔圖、電商圖、合約等）、模型名稱、預計QPS和每日請求總量，以及輸出長度超過 4096 的請求佔比。
線上體驗：訪問阿里雲百鍊控制台，在頁面右上方選擇目標地區，進入視覺模型頁面選擇千問OCR 模型進行體驗。

準備工作

  • 已配置API Key並配置API Key到環境變數。
  • 如果使用 OpenAI SDK或 DashScope SDK，請先安裝最新版 SDK。DashScope Python SDK最低版本為 1.22.2，Java SDK最低版本為 2.21.8。
    • DashScope SDK
      • 優勢：支援映像旋轉矯正、內建 OCR 任務等所有進階特性，功能完整，調用簡潔。
      • 適用情境：需要使用完整功能的專案。
    • OpenAI 相容 SDK
      • 優勢：已使用 OpenAI SDK或生態工具的專案可快速遷移。
      • 限制：進階功能（映像旋轉矯正和內建 OCR 任務）不支援直接通過參數調用，需手動構造 Prompt 類比，輸出結果需自行解析。
      • 適用情境：已有 OpenAI 整合、且不依賴 DashScope 專有進階功能的專案。

快速開始

以下樣本從火車票圖片（URL）中提取關鍵資訊並以JSON格式返回。如需傳入本地檔案，參見如何傳入本地檔案；映像規格要求參見映像限制。
  • OpenAI 相容-Chat
  • OpenAI 相容-Response
  • DashScope
Python
from openai import OpenAI
import os

PROMPT_TICKET_EXTRACTION = """
請提取車票映像中的發票號碼、車次、起始站、終點站、發車日期和時間點、座位號、席別類型、票價、社會安全號碼碼、購票人姓名。
要求準確無誤的提取上述關鍵資訊、不要遺漏和捏造虛假資訊，模糊或者強光遮擋的單個文字可以用英文問號?代替。
返回資料格式以json方式輸出，格式為：{'發票號碼'：'xxx', '車次'：'xxx', '起始站'：'xxx', '終點站'：'xxx', '發車日期和時間點'：'xxx', '座位號'：'xxx', '席別類型'：'xxx','票價':'xxx', '社會安全號碼碼'：'xxx', '購票人姓名'：'xxx'"},
"""

try:
    client = OpenAI(
        # 各地區的API Key不同。擷取API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
        # 若沒有配置環境變數，請用百鍊API Key將下行替換為：api_key="sk-xxx",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        # 以下為新加坡地區的URL，調用時請將 {WorkspaceId} 替換為真實的業務空間ID，各地區的URL不同。
        base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",  # 請將 {WorkspaceId} 替換為業務空間ID
    )
    completion = client.chat.completions.create(
        model="qwen-vl-ocr-2025-11-20",
        messages=[
            {
                "role": "user",
                "content": [
                    {
                        "type": "image_url",
                        "image_url": {"url":"https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"},
                        # 輸入映像的最小像素閾值，小於該值映像會進行放大，直到總像素大於min_pixels
                        "min_pixels": 32 * 32 * 3,
                        # 輸入映像的最大像素閾值，超過該值映像會進行縮小，直到總像素低於max_pixels
                        "max_pixels": 32 * 32 * 8192
                    },
                    # 模型支援在text欄位中傳入Prompt，若未傳入，則會使用預設的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"錯誤資訊: {e}")

{
  "choices": [{
    "message": {
      "content": "```json\n{\n    \"發票號碼\": \"24329116804000\",\n    \"車次\": \"G1948\",\n    \"起始站\": \"南京南站\",\n    \"終點站\": \"鄭州東站\",\n    \"發車日期和時間點\": \"2024年11月14日11:46開\",\n    \"座位號\": \"04車12A號\",\n    \"席別類型\": \"二等座\",\n    \"票價\": \"￥337.50\",\n    \"社會安全號碼碼\": \"4107281991****5515\",\n    \"購票人姓名\": \"讀小光\"\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"
}

調用內建任務

為簡化特定情境下的調用，模型（除qwen-vl-ocr-2024-10-28外）內建了多種任務。 調用方式：
  • DashScope SDK：設定 ocr_options 參數即可調用內建任務。qwen3.5-ocr起，定製任務與使用者自訂 Prompt 結合使用（不再強制覆蓋），定製任務結果通過 ocr_result 欄位返回。早期版本模型內部使用固定 Prompt。
  • OpenAI 相容 SDK：需手動傳入任務指定的Prompt。
下表列出了各內建任務對應的task的取值、指定的Prompt、輸出格式與樣本：
  • 高精識別
  • 資訊抽取
  • 表格解析
  • 文檔解析
  • 公式識別
  • 通用文字識別
  • 多語言識別
高精識別任務建議使用 qwen-vl-ocr-2025-08-28 及以後版本或最新版模型，支援：
  • 常值內容識別（提取文字）
  • 文本位置檢測（定位文本行並輸出座標）
擷取文本邊界框座標後，可參見常見問題將檢測框繪製到原圖上。
task的取值指定的Prompt輸出格式與樣本
advanced_recognition定位所有的文字行，並且返迴旋轉矩形([cx, cy, width, height, angle])的座標結果。
  • 格式： 純文字或者從ocr_result欄位中直接擷取JSON對象
  • 樣本：
{
  "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"
                  },
  • text：每行的常值內容。
  • rotate_rect：
    • 樣本值：[center_x, center_y, width, height, angle]
    • 含義：文字框的旋轉矩形表示，center_x、center_y 為文字框中心點座標，width為寬度，height為高度，angle為文字框相對於水平方向的旋轉角度，取值範圍為[-90, 90]。
import os
import dashscope

# 以下為新加坡地區的URL，調用時請將 {WorkspaceId} 替換為真實的業務空間ID，各地區的URL不同。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'  # 請將 {WorkspaceId} 替換為業務空間ID

messages = [{
            "role": "user",
            "content": [{
                "image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
                # 輸入映像的最小像素閾值，小於該值映像會進行放大，直到總像素大於min_pixels
                "min_pixels": 32 * 32 * 3,
                # 輸入映像的最大像素閾值，超過該值映像會進行縮小，直到總像素低於max_pixels
                "max_pixels": 32 * 32 * 8192,
                # 是否開啟映像自動轉正功能
                "enable_rotate": False}]
            }]

response = dashscope.MultiModalConversation.call(
    # 若沒有配置環境變數，請用百鍊API Key將下行替換為：api_key="sk-xxx",
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 設定內建任務為高精識別
    ocr_options={"task": "advanced_recognition"}
)
# 高精識別任務的文本與座標結果從 ocr_result 欄位中擷取
print(response["output"]["choices"][0]["message"].content[0]["ocr_result"])

{
  "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":"讀者對象"
                  },
                  {
                    "rotate_rect":[724,171,34,1346,-89],
                    "text":"如果你是Linux環境下的系統管理員，那麼學會編寫shell指令碼將讓你受益匪淺。本書並未細述安裝"
                  },
                  {
                    "rotate_rect":[745,216,34,1390,-89],
                    "text":"Linux系統的每個步驟，但只要系統已安裝好Linux並能運行起來，你就可以開始考慮如何讓一些日常"
                  },
                  {
                    "rotate_rect":[748,263,34,1394,-89],
                    "text":"的系統管理任務實現自動化。這時shell指令碼編程就能發揮作用了，這也正是本書的作用所在。本書將"
                  },
                  {
                    "rotate_rect":[749,308,34,1395,-89],
                    "text":"示範如何使用shell指令碼來自動處理系統管理任務，包括從監測系統統計資料和資料檔案到為你的老闆"
                  },
                  {
                    "rotate_rect":[123,354,33,146,-89],
                    "text":"產生報表。"
                  },
                  {
                    "rotate_rect":[751,432,34,1402,-89],
                    "text":"如果你是家用Linux愛好者，同樣能從本書中獲益。現今，使用者很容易在諸多組件堆積而成的圖形環境"
                  },
                  {
                    "rotate_rect":[755,477,31,1404,-89],
                    "text":"中迷失。大多數案頭Linux發行版都盡量向一般使用者隱藏系統的內部細節。但有時你確實需要知道內部"
                  },
                  {
                    "rotate_rect":[752,523,34,1401,-89],
                    "text":"發生了什麼。本書將告訴你如何啟動Linux命令列以及接下來要做什麼。通常，如果是執行一些簡單任"
                  },
                  {
                    "rotate_rect":[747,569,34,1395,-89],
                    "text":"務(比如檔案管理)，在命令列下操作要比在華麗的圖形介面下方便得多。在命令列下有大量的命令"
                  },
                  {
                    "rotate_rect":[330,614,34,557,-89],
                    "text":"可供使用，本書將會展示如何使用它們。"
                  }
                ]
              }
            }
          ]
        }
      }
    ]
  },
  "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"
}

PDF 文檔解析

qwen3.5-ocr 支援通過 Response API 直接傳入 PDF 檔案進行文檔解析，無需手動將 PDF 拆分為圖片，且輸出長度不受模型最大輸出長度限制，可完整解析長文檔。僅支援 Response API 呼叫，不支援 Chat API。PDF 檔案限制：最大 10 頁且不超過 100 MB。 以下樣本通過 Response API 傳入 PDF 檔案進行文檔解析。
Python
import os
from openai import OpenAI

client = OpenAI(
    # 若沒有配置環境變數，請用百鍊API Key將下行替換為：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下為華北2（北京）地區的URL，調用時請將 {WorkspaceId} 替換為真實的業務空間ID，各地區的URL不同。
    base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.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"}
    }
)

# 擷取定製任務結果
print(response.output[0].content[0].ocr_result)
如使用不支援 Response API 的早期模型（qwen-vl-ocr-2025-11-20 及之前），可使用影像處理庫（如 Python 的 pdf2image）將 PDF 按頁轉換為圖片後，參照多映像輸入逐頁識別。
關於 OpenAI Responses API 的更多用法（如擷取和管理已完成的模型響應），請參見OpenAI 相容 - Responses。

傳入本地檔案（Base 64 編碼或檔案路徑）

Qwen-OCR 支援兩種本地檔案上傳方式：Base 64 編碼和檔案路徑。根據檔案大小和SDK類型選擇合適的方式（參見如何選擇檔案上傳方式），兩種方式均需滿足映像限制中的映像規格要求。
  • Base 64 編碼上傳
  • 檔案路徑上傳
將映像轉換為 Base 64 編碼字串後傳入模型，適用於 OpenAI 相容 SDK、DashScope SDK及HTTP方式。
  1. 檔案編碼：將本地映像轉換為 Base 64 編碼； 
    #  編碼函數： 將本地檔案轉換為 Base 64 編碼的字串
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# 將xxxx/eagle.png替換為你本地映像的絕對路徑
base64_image = encode_image("xxx/eagle.png")
  2. 構建Data URL：格式如下：data:[MIME_type];base64,{base64_image}；
    1. MIME_type需替換為實際的媒體類型，確保與映像限制表格中MIME Type 的值匹配（如image/jpeg、image/png）；
    2. base64_image為上一步產生的 Base64 字串；
  3. 調用模型：通過image或image_url參數傳遞Data URL並調用模型。
  • 檔案路徑傳入
  • Base 64 編碼傳入
傳入檔案路徑僅支援 DashScope Python 和 Java SDK方式調用，不支援 DashScope HTTP和OpenAI 相容方式。
Python
import os
import dashscope

# 以下為新加坡地區的URL，調用時請將 {WorkspaceId} 替換為真實的業務空間ID，各地區的URL不同。
dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'  # 請將 {WorkspaceId} 替換為業務空間ID

# 將xxxx/test.jpg替換為您本地映像的絕對路徑
local_path = "xxx/test.jpg"
image_path = f"file://{local_path}"
messages = [
    {
        "role": "user",
        "content": [
            {
                "image": image_path,
                # 輸入映像的最小像素閾值，小於該值映像會進行放大，直到總像素大於min_pixels
                "min_pixels": 32 * 32 * 3,
                # 輸入映像的最大像素閾值，超過該值映像會進行縮小，直到總像素低於max_pixels
                "max_pixels": 32 * 32 * 8192,
            },
            # 模型在未設定內建任務時，支援在text欄位中傳入Prompt，若未傳入則使用預設的Prompt：Please output only the text content from the image without any additional descriptions or formatting.
            {
                "text": "請提取車票映像中的發票號碼、車次、起始站、終點站、發車日期和時間點、座位號、席別類型、票價、社會安全號碼碼、購票人姓名。要求準確無誤的提取上述關鍵資訊、不要遺漏和捏造虛假資訊，模糊或者強光遮擋的單個文字可以用英文問號?代替。返回資料格式以json方式輸出，格式為：{'發票號碼'：'xxx', '車次'：'xxx', '起始站'：'xxx', '終點站'：'xxx', '發車日期和時間點'：'xxx', '座位號'：'xxx', '席別類型'：'xxx','票價':'xxx', '社會安全號碼碼'：'xxx', '購票人姓名'：'xxx'"
            },
        ],
    }
]

response = dashscope.MultiModalConversation.call(
    # 各地區的API Key不同。擷取API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
    # 若沒有配置環境變數，請用百鍊API Key將下行替換為：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen-vl-ocr-2025-11-20",
    messages=messages,
)
print(response["output"]["choices"][0]["message"].content[0]["text"])

更多用法

使用限制

映像限制

  • 尺寸與比例：寬度和高度均須大於 10 像素，寬高比不超過 200:1 或 1:200。
  • 像素總量：無嚴格限制，模型會自動縮放；建議不超過 1568 萬像素。
  • 支援的映像格式
    • 解析度在4K (3840x2160)以下，支援的映像格式如下：

      映像格式

      常見副檔名

      MIME Type

      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

    • 解析度處於4K(3840x2160)到8K(7680x4320)範圍，僅支援 JPEG、JPG 、PNG 格式。
  • 映像大小：
    • 公網URL和本地路徑：qwen3.5-ocr 單張映像不超過 20MB，其他版本不超過 10MB。
    • Base 64 編碼：編碼後字串不超過 10MB。
    如需壓縮檔體積請參見 如何將映像或視頻壓縮到滿足要求的大小 。

模型限制

  • System Message：Qwen-OCR 不支援自訂 System Message，模型內部使用固定的 System Message，所有指令須通過 User Message 傳入。
  • 多輪對話：qwen3.5-ocr起支援多輪對話，可不傳入映像URL進行純文字追問。qwen-vl-ocr-2025-11-20及更早版本僅處理最新一條訊息，不保留上下文。
  • 幻覺風險：映像中文字過小或解析度低時，模型可能產生幻覺。對於非文字提取相關的問題，模型的準確性不作保證。
  • 無法處理文字檔：
    • 含映像資料的檔案：遵循應用於生產環境中的建議，先轉換為映像序列再處理。
    • 純文字或結構化資料檔案：使用Qwen-Long等長文本模型處理。

支援的證照與票據類型

資訊抽取任務支援從以下常見證照、票據、許可證中提取結構化資訊。
  • 護照與出入境證件：中國護照、澳門護照、往來港澳通行證、往來台灣通行證、港澳居民來往內地通行證。
  • 車輛證件與交易發票：機動車駕駛證、機動車銘牌、車輛合格證、機動車登記證、機動車銷售統一發票、二手車銷售發票。
  • 發票與稅收票據：加值稅普通發票（卷票）、定額專用發票、通用機打發票、稅收完稅證明、中央非稅收入統一票據。
  • 交通出行票據：12306高鐵票、火車票、船票、高速公路車輛通行費票據、高速公路機打發票。
  • 金融卡證與票據：信用卡、電子銀行承兌匯票、收款收據、社會保障卡。
  • 營業執照與經營許可：營業執照、食品經營許可證、食品生產許可證、藥品經營許可證、醫學器械經營許可證。
  • 不動產權證：不動產權認證。
  • 境外身份證件：香港身份證、澳門身份證、印尼身份證、泰國身份證、越南身份證、馬來西亞身份證、菲律賓身份證、印度身份證、土耳其身份證、巴基斯坦身份證、墨西哥身份證、英國身份證、美國身份證。
  • 境外護照與駕照：印度護照、新加坡護照、泰國護照、美國護照、澳大利亞護照、阿聯酋護照、菲律賓駕照、日本駕照、美國駕照。

計費與限流

  • 計費：Qwen-OCR 為多模態模型，總費用 = 輸入 token 數 × 輸入單價 + 輸出 token 數 × 輸出單價。賬單查看或儲值請前往控制台費用與成本頁面。
    • 計算映像的 Token：可通過以下代碼估算映像 token 用量，實際計費以 API 響應為準。
      計算公式：映像 token 數 = (h_bar * w_bar) / token_pixels + 2。
      • h_bar * w_bar 是模型預先處理後的映像尺寸。模型在推理前會將映像縮放至像素上限以內，該上限由 max_pixels 參數決定。
      • token_pixels表示每Token對應的像素數
        • qwen3.5-ocr、qwen-vl-ocr、qwen-vl-ocr-2025-11-20、qwen-vl-ocr-latest固定為32*32（即1024）
        • 其他模型固定為28*28（即784）。
      以下代碼展示模型內部的映像縮放邏輯，可用於估算 token 用量，實際計費以API響應為準。
      import math
from PIL import Image

def smart_resize(image_path, min_pixels, max_pixels):
    """
    對映像進行預先處理。

    參數:
        image_path：映像的路徑
    """
    # 開啟指定的PNG圖片檔案
    image = Image.open(image_path)

    # 擷取圖片的原始大小
    height = image.height
    width = image.width
    # 將高度調整為28或32的整數倍
    h_bar = round(height / 32) * 32
    # 將寬度調整為28或32的整數倍
    w_bar = round(width / 32) * 32

    # 對映像進行縮放處理，調整像素的總數在範圍[min_pixels,max_pixels]內
    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

# 將xxx/test.png替換為您本地的映像路徑
h_bar, w_bar = smart_resize("xxx/test.png", min_pixels=32 * 32 * 3, max_pixels=8192 * 32 * 32)
print(f"縮放後的映像尺寸為：高度為{h_bar}，寬度為{w_bar}")

# 計算映像的Token數：總像素除以32 * 32
token = int((h_bar * w_bar) / (32 * 32))

# <|vision_bos|> 和 <|vision_eos|> 作為視覺標記，每個需計入 1個Token
print(f"映像的總Token數為{token + 2}")
  • 限流：Qwen-OCR 模型的限流規則參見限流
  • 免費額度（僅新加坡地區）：自開通百鍊或模型申請通過之日起 90 天內，Qwen-OCR 提供 100 萬 token 免費額度。

應用於生產環境

  • 映像預先處理：
    • 確保映像清晰、光照均勻，避免過度壓縮：
      • 儲存和傳輸時優先使用無損格式（如 PNG），避免壓縮導致資訊丟失。
      • 對含噪點映像，使用均值濾波、中值濾波等降噪演算法提升清晰度。
      • 光照不均的映像，使用自適應長條圖均衡化等演算法校正亮度和對比。
    • 傾斜映像：在 DashScope SDK中設定 enable_rotate: true 可顯著提升識別效果。
    • 過小或超大映像：使用 min_pixels 和 max_pixels 參數控制縮允許存取為
      • min_pixels：確保小圖放大後可識別細節，保持預設值即可。
      • max_pixels：防止超大圖消耗過多 token，大多數情境使用預設值即可。若小字識別不清，可適當調高 max_pixels，但會增加 token 消耗。
  • 結果校正：模型識別結果可能存在誤差。關鍵業務情境建議增加人工審核環節，或引入格式校正規則（如社會安全號碼、銀行卡號校正）。
  • 批量調用：大規模、非即時情境可使用 Batch API非同步處理批量任務，可降低調用成本。

常見問題

根據SDK類型和檔案大小選擇上傳方式：

檔案類型

檔案規格

DashScope SDK（Python、Java）

OpenAI 相容 / DashScope HTTP

映像

大於 7MB 小於 20MB

傳入本地路徑

僅支援公網 URL，建議使用阿里雲Object Storage Service服務

小於 7MB

傳入本地路徑

Base 64 編碼

Base 64 編碼會增巨量資料體積約 33%，原始檔案應小於 7 MB。
Base64 和本地路徑方式無需服務端下載，網路不穩定時穩定性更高。
擷取模型輸出的文字定位結果後，參照draw_bbox.py代碼將檢測框及標籤繪製到原圖上。
使用 qwen3.5-ocr 時，如果自訂 Prompt 中包含完整的 HTML 結構（例如 <html><body>...</body></html>），模型可能沿用該結構，將 OCR 結果以 HTML 格式返回，而非純文字，此時返回內容看起來像是空內容或帶前端標籤的內容。僅包含簡單標籤（例如單個 <br>）不會觸發該現象。可按以下任一方式處理：
  • 檢查 Prompt 是否包含完整的 HTML 標籤結構。如有，改用純文字指令重試。例如將 <html><body>請提取圖片中的所有文字</body></html> 改為 請提取圖片中的所有文字。
  • 若不確定 Prompt 是否會影響輸出格式，可不傳 text 欄位，使用模型預設的 Prompt。
  • 改用 qwen3.7-plus 模型，該模型傳入相同的 HTML 結構 Prompt 仍返回純文字結果。

API參考

Qwen-OCR 模型的輸入輸出參數詳見Qwen-OCR API參考。

錯誤碼

如果模型調用失敗並返回報錯資訊，請參見錯誤碼進行解決。
開始使用
Token Plan
模型體驗
接入用戶端/開發工具
模型推理
模型調優
模型部署
模型評測
用量統計與效能監控
資產中心
安全合規
實踐教程
服務支援
產品動態