Skip to main content
阿里云百炼 home page阿里云百炼
视觉理解

文字提取（Qwen-OCR）

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。

效果示例

输入图像识别结果
识别多种语言imageINTERNATIONALMOTHER LANGUAGEDAYПривет!你好!Bonjour!Merhaba!Ciao!Hello!Ola!בר מולדSalam!
识别倾斜图像image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
定位文字位置img_1
高精识别任务支持文字定位功能。
可视化定位效果img_1_location
可参见常见问题将每行文本的边界框绘制到原图上。

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）、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-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 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。
在线体验：访问阿里云百炼控制台，在页面右上角选择目标地域，进入视觉模型页面选择千问OCR 模型进行体验。

准备工作

  • 已配置API Key并配置API Key到环境变量。
  • 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 1.22.2，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。

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。如需传入本地文件，参见如何传入本地文件；图像规格要求参见图像限制。
  • OpenAI 兼容-Chat
  • OpenAI 兼容-Response
  • DashScope
Python
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，请用百炼API Key将下行替换为：api_key="sk-xxx"
        # 各地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        # 以下为华北2（北京）地域的URL，调用时请将 {WorkspaceId} 替换为真实的业务空间ID，各地域的URL不同。
        base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.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}")

{
  "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"
}

调用内置任务

为简化特定场景下的调用，模型（除qwen-vl-ocr-2024-10-28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。
下表列出了各内置任务对应的task的取值、指定的Prompt、输出格式与示例：
  • 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
高精识别任务建议使用 qwen-vl-ocr-2025-08-28 及以后版本或最新版模型，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，可参见常见问题将检测框绘制到原图上。
task的取值指定的Prompt输出格式与示例
advanced_recognition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。
  • 格式： 纯文本或者从ocr_result字段中直接获取JSON对象
  • 示例：
{
  "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：每行的文本内容。
  • rotate_rect：
    • 示例值：[center_x, center_y, width, height, angle]
    • 含义：文字框的旋转矩形表示，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]。
import os
import dashscope

# 以下为华北2（北京）地域的URL，调用时请将 {WorkspaceId} 替换为真实的业务空间ID，各地域的URL不同。
dashscope.base_http_api_url = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.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，请用百炼API Key将下行替换为：api_key="sk-xxx",
    # 各地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
    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"])

{
  "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"
}

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：最大 10 页且不超过 100 MB。 以下示例通过 Response API 传入 PDF 文件进行文档解析。
Python
import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下为华北2（北京）地域的URL，调用时请将 {WorkspaceId} 替换为真实的业务空间ID，各地域的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"}
    }
)

# 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像限制中的图像规格要求。
  • Base64 编码上传
  • 文件路径上传
将图像转换为 Base64 编码字符串后传入模型，适用于 OpenAI 兼容 SDK、DashScope SDK及HTTP方式。
  1. 文件编码：将本地图像转换为 Base64 编码； 
    #  编码函数： 将本地文件转换为 Base64 编码的字符串
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# 将xxxx/eagle.png替换为你本地图像的绝对路径
base64_image = encode_image("xxx/eagle.png")
  2. 构建Data URL：格式如下：data:[MIME_type];base64,{base64_image}；
    1. MIME_type需替换为实际的媒体类型，确保与图像限制表格中MIME Type 的值匹配（如image/jpeg、image/png）；
    2. base64_image为上一步生成的 Base64 字符串；
  3. 调用模型：通过image或image_url参数传递Data URL并调用模型。
  • 文件路径传入
  • Base64 编码传入
传入文件路径仅支持 DashScope Python 和 Java SDK方式调用，不支持 DashScope HTTP和OpenAI 兼容方式。
Python
import os
import dashscope
from dashscope import MultiModalConversation

# 以下为华北2（北京）地域的URL，调用时请将 {WorkspaceId} 替换为真实的业务空间ID，各地域的URL不同。
dashscope.base_http_api_url = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.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,
                # 是否开启图像自动转正功能
                "enable_rotate": False,
            },
            # 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 = MultiModalConversation.call(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx"
   # 各地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.5-ocr",
    messages=messages,
)
print(response["output"]["choices"][0]["message"].content[0]["text"])

更多用法

使用限制

图像限制

  • 尺寸与比例：宽度和高度均须大于 10 像素，宽高比不超过 200:1 或 1:200。
  • 像素总量：无严格限制，模型会自动缩放；建议不超过 1568 万像素。
  • 支持的图像格式
    • 分辨率在4K (3840x2160)以下，支持的图像格式如下：

      图像格式

      常见扩展名

      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

    • 分辨率处于4K(3840x2160)到8K(7680x4320)范围，仅支持 JPEG、JPG 、PNG 格式。
  • 图像大小：
    • 公网URL和本地路径：qwen3.5-ocr 单张图像不超过 20MB，其他版本不超过 10MB。
    • Base64 编码：编码后字符串不超过 10MB。
    如需压缩文件体积请参见 如何将图像或视频压缩到满足要求的大小 。

模型限制

  • System Message：Qwen-OCR 不支持自定义 System Message，模型内部使用固定的 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，可不传入图像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：图像中文字过小或分辨率低时，模型可能产生幻觉。对于非文字提取相关的问题，模型的准确性不作保证。
  • 无法处理文本文件：
    • 含图像数据的文件：遵循应用于生产环境中的建议，先转换为图像序列再处理。
    • 纯文本或结构化数据文件：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。账单查看或充值请前往控制台费用与成本页面。
    • 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Token对应的像素数
        • qwen3.5-ocr、qwen-vl-ocr、qwen-vl-ocr-2025-11-20、qwen-vl-ocr-latest固定为32*32（即1024）
        • 其他模型固定为28*28（即784）。
      以下代码演示模型内部的图像缩放逻辑，可用于估算 token 用量，实际计费以API响应为准。
      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}")
  • 限流：Qwen-OCR 模型的限流规则参见限流
  • 免费额度（仅北京地域）：自开通百炼或模型申请通过之日起 90 天内，Qwen-OCR 提供 100 万 token 免费额度。

应用于生产环境

  • 图像预处理：
    • 确保图像清晰、光照均匀，避免过度压缩：
      • 存储和传输时优先使用无损格式（如 PNG），避免压缩导致信息丢失。
      • 对含噪点图像，使用均值滤波、中值滤波等降噪算法提升清晰度。
      • 光照不均的图像，使用自适应直方图均衡化等算法校正亮度和对比度。
    • 倾斜图像：在 DashScope SDK中设置 enable_rotate: true 可显著提升识别效果。
    • 过小或超大图像：使用 min_pixels 和 max_pixels 参数控制缩放行为
      • min_pixels：确保小图放大后可识别细节，保持默认值即可。
      • max_pixels：防止超大图消耗过多 token，大多数场景使用默认值即可。若小字识别不清，可适当调高 max_pixels，但会增加 token 消耗。
  • 结果校验：模型识别结果可能存在误差。关键业务场景建议增加人工审核环节，或引入格式校验规则（如身份证号、银行卡号校验）。
  • 批量调用：大规模、非实时场景可使用 Batch API异步处理批量任务，可降低调用成本。

常见问题

根据SDK类型和文件大小选择上传方式：

文件类型

文件规格

DashScope SDK（Python、Java）

OpenAI 兼容 / DashScope HTTP

图像

大于 7MB 小于 20MB

传入本地路径

仅支持公网 URL，建议使用阿里云对象存储服务

小于 7MB

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。
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。
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。

API参考

Qwen-OCR 模型的输入输出参数详见Qwen-OCR API参考。

错误码

如果模型调用失败并返回报错信息，请参见错误码进行解决。
阿里云百炼 home page阿里云百炼
开始使用
产品计费
Token Plan
模型体验
接入客户端/开发工具
模型推理
模型调优
模型部署
模型评测
模型压缩目录节点
用量统计与性能监控
资产中心
模型数据
安全合规
实践教程
服务支持
产品动态
文字提取（Qwen-OCR） - 阿里云百炼