Qwen4-Max Preview peut lire une vidéo. Trouvera-t-il le bon moment ?
Une longue vidéo de formation constitue un bon test pour Qwen4-Max Preview. Vérifiez si la réponse mène à la bonne scène et ce qu’un extrait plus court change.
Une vidéo de formation recommande de n’archiver un dossier qu’après avoir vérifié son statut de conservation. Quarante minutes plus tard, une seconde démonstration ouvre le même écran et saute cette étape. Une personne demande quelle scène montre la procédure complète. Une réponse bien rédigée est agréable à lire. Le bon repère temporel est bien plus précieux.
Le 11 novembre 2026, QwenCloud a ouvert un aperçu limité de Qwen4-Max-Preview, un modèle phare qui accepte le texte, les images et la vidéo. Sa documentation indique une longueur de contexte d’un million de jetons. L’accès est réservé à Token Plan. L’aperçu doit prendre fin le 25 novembre à 24 h (UTC+8), après quoi QwenCloud prévoit de retirer cet identifiant de modèle. Documentation du modèle QwenCloud
Ce type de modèle permet de poser des questions sur un long enregistrement. La question utile est de savoir s’il peut conduire quelqu’un au passage exact qui étaye sa réponse. Une vidéo de formation permet de distinguer trois étapes : retrouver la bonne scène, la comprendre et l’expliquer clairement.
Un contexte long donne davantage de scènes à examiner
Le million de jetons est une limite de contexte. Cela renseigne peu sur le nombre de détails utiles qu’une vidéo donnée transmettra. Le traitement vidéo, l’échantillonnage des images, les contraintes de fichier, le point d’accès API et le reste de la consigne peuvent modifier ce qui entre dans la requête. Deux enregistrements de durée égale peuvent demander une attention très différente. Un état affiché brièvement à l’écran peut être plus difficile à retrouver qu’une séquence visible pendant plusieurs minutes. Vérifiez la documentation du point d’accès et du mode d’envoi que vous utilisez.
QwenCloud documente les sorties structurées et des réglages distincts pour l’intensité du raisonnement. Vous pouvez demander un objet de réponse uniforme et comparer différents réglages. Le modèle reçoit ainsi un format pour l’affirmation et le repère. La preuve vient toujours de ce que la vidéo montre à ce moment. Fonctions du modèle QwenCloud
Imaginons une vidéo de formation logicielle de 50 minutes. Elle montre deux fois la même boîte de dialogue d’archivage. Dans la démonstration pertinente, la personne lit d’abord un champ de conservation et vérifie une date avant de continuer. Dans le rappel, elle montre où s’ouvre la boîte de dialogue sans vérifier le champ. Une réponse pertinente doit trouver la procédure complète et nommer l’indice visible. Repérer seulement le titre de la boîte de dialogue peut mener à la mauvaise scène.
Construisez l’évaluation autour de cette différence. Pour chaque question, demandez à une personne de délimiter le passage pertinent, de relever la preuve visuelle et d’indiquer si la transcription suffit. Si deux passages contiennent une preuve suffisante, marquez-les tous les deux comme valides. Le test n’écartera pas une autre bonne réponse. Si l’ordre de deux actions compte, annotez l’intervalle complet qui permet de les voir toutes les deux.
Un repère devient utile quand on peut l’ouvrir et voir la preuve. Illustration originale de Telli.sh.
Demandez une réponse que quelqu’un peut vérifier
L’objet de réponse peut rester court. Incluez une réponse, un début et une fin exprimés dans le temps de la vidéo source, une courte description de l’indice et un état explicite si la preuve manque. L’interface peut alors ouvrir la vidéo au début du passage proposé. Demandez à la personne chargée de la relecture d’observer la scène avant de lire l’explication générée. Une explication plausible orientera moins facilement son jugement.
La demande pourrait être « Trouve la procédure d’archivage complète. Donne le début et la fin de la scène, nomme le champ du statut de conservation et indique si la date apparaît avant la confirmation de l’archivage. Si l’enregistrement ne montre jamais toute la procédure, indique que la preuve est insuffisante. » Chaque champ doit correspondre à quelque chose qu’une personne peut observer. Ne demandez un score de « confiance » que si vous pouvez vérifier qu’il reflète les résultats réels.
Posez des questions sur le texte, l’ordre et l’absence d’une action. Pour le texte, choisissez un libellé dont le sens change d’une scène à l’autre. Pour l’ordre, demandez ce qui apparaît avant ou après un indice clair. Pour l’absence, demandez si une étape plausible mais jamais montrée a eu lieu. Un modèle peut répondre aux questions ordinaires en suivant les usages habituels. Un bon exemple négatif montre comment il réagit quand ces usages contredisent cet enregistrement.
Définissez aussi la référence temporelle. Si le lecteur vidéo part de zéro alors que la transcription reprend les repères de l’enregistrement original, alignez-les avant de noter les réponses. Si vous coupez cinq minutes d’une vidéo plus longue, gardez le décalage entre l’extrait et la source. Exporter 04:15 depuis un extrait et ouvrir 04:15 dans l’original peut produire une erreur convaincante alors que le modèle avait trouvé la bonne image.
Soumettez les mêmes questions à la vidéo entière et à un extrait
Il existe au moins deux manières de chercher dans l’enregistrement. Transmettez toute la vidéo au modèle et demandez des intervalles possibles. Ou découpez-la en chapitres connus, utilisez leurs titres ou la transcription pour en choisir quelques-uns, puis demandez au modèle d’examiner les extraits courts. Commencez avec les mêmes questions et les mêmes intervalles de référence annotés par une personne. Comparez les deux méthodes avant de décider si une requête plus volumineuse vaut son coût et sa durée.
| Méthode | Ce qu’elle facilite | Ce qu’il faut vérifier |
|---|---|---|
| Vidéo entière dans une requête | Repérer une action qui se répète dans des scènes éloignées | Bonne occurrence, délai total et sorties incomplètes |
| Recherche par chapitre puis extrait court | Examiner un sujet connu avec de petits détails visibles | Erreurs de sélection du chapitre et décalages temporels |
| Transcription puis vérification visuelle | Analyser une procédure commentée avec confirmation à l’écran | Concordance entre ce qui est dit et ce qui est montré |
Comparez les chemins de recherche sur le même ensemble de scènes de référence. Illustration originale de Telli.sh.
Le chemin court peut coûter moins cher à essayer, mais il peut écarter la preuve avant même que le modèle la voie. Une recherche sur la vidéo entière peut retrouver une scène dans un chapitre inattendu. Elle peut aussi repérer la bonne section sans identifier l’indice précis. Notez la nature de chaque échec. Un échec de recherche demande une meilleure sélection des chapitres. Un échec de lecture de la preuve appelle une meilleure entrée visuelle ou une autre vérification. Une erreur de temps source demande de corriger le lecteur ou la conversion.
Le test sera plus clair si vous distinguez une bonne localisation d’une réponse complète. Notez d’abord si l’intervalle proposé recoupe une scène de référence valide. Vérifiez ensuite si la réponse nomme correctement le champ visible et l’ordre des actions. Fixez à l’avance une tolérance, par exemple dix secondes pour une démonstration lente. Une transition rapide peut exiger une fenêtre beaucoup plus courte. Conservez ces réglages avec l’évaluation pour mesurer le prochain modèle de la même manière.
Mesurez le délai entre la question et le moment où l’utilisateur peut lire la preuve. Une réponse rapide qui fournit une explication sans intervalle utilisable oblige à chercher de nouveau. Mesurez séparément le délai jusqu’au premier résultat exploitable et la durée totale. Pour une réponse importante, ouvrir les deux meilleurs passages peut valoir le temps. Pour une question courante, la bonne réponse et un lien vers la preuve peuvent suffire.
Trois vidéos semblables peuvent révéler trois erreurs différentes
Constituez un petit jeu d’essai avec une difficulté identifiable par vidéo. Dans une démonstration commentée, faites correspondre les instructions orales et l’action visible. Dans une deuxième, montrez une suite de boutons différente de celle que décrit la personne. Dans une troisième, placez tôt une scène similaire et tard la bonne scène. Un modèle peut réussir sur un tutoriel idéal tout en échouant sur le cas où l’apprenant a besoin d’aide.
Choisissez une tâche qui dépend d’un indice visuel précis. Dans la deuxième vidéo, la personne dit de cliquer sur « Envoyer », mais le bouton visible est « Enregistrer comme brouillon » et le document n’entre jamais dans la file de validation. Quelqu’un qui veut soumettre un document a besoin de cette distinction. Séparez ce que la personne recommande de ce qui s’est passé. Marquez comme preuve le champ qui indique l’état final. Le bon repère doit s’ouvrir assez tôt pour montrer pourquoi l’état affiché a changé.
Donnez une petite grille de décision à la personne qui évalue. Le bon passage avec une mauvaise interprétation est une erreur de lecture. La bonne interprétation rattachée à une autre scène est une erreur de recherche. Un manque de preuve est le bon diagnostic pour un extrait volontairement incomplet et le mauvais si une séquence clairement identifiable est visible. Comptez ces cas explicitement pour éviter qu’un modèle améliore son score en refusant toutes les demandes difficiles. Appliquez le même barème à chaque variante.
Vérifiez la lisibilité avant d’interpréter l’oubli d’un texte à l’écran. Ouvrez le fichier exact envoyé à la taille prévue et regardez ce qu’une personne peut distinguer dans les images. La compression peut rendre un champ illisible avant même le traitement par le modèle. Essayez un extrait recadré si une requête large retrouve systématiquement le bon chapitre mais manque un petit détail. Vous saurez si une vue locale plus précise aide davantage qu’un nouvel envoi intégral.
Pour une équipe de formation, la durée minimale du passage relève aussi de la pédagogie. Cinq secondes peuvent montrer l’état final et omettre la décision qui y a conduit. Notez si l’apprenant doit voir le menu choisi juste avant, l’avertissement ou l’écran de confirmation. Le lecteur peut alors l’amener à un passage qui explique la procédure et étaye la réponse.
Profitez de l’aperçu pour définir une période d’évaluation
QwenCloud indique que l’identifiant du modèle est qwen4-max-preview. La fiche prévoit un accès via Token Plan et précise que la facturation à l’usage n’est pas disponible pour cet aperçu. Le fournisseur documente la compatibilité avec Chat Completions et Responses dans le style d’OpenAI, ainsi qu’avec Messages dans le style d’Anthropic. Vérifiez les règles d’entrée visuelle du protocole retenu avant de réutiliser un client conçu uniquement pour le texte. Accès à l’aperçu QwenCloud
QwenCloud indique aussi une sortie maximale de 393 216 jetons partagée entre le raisonnement et la réponse finale. Sur l’interface compatible Chat Completions, les deux entrent dans le budget de génération. Demandez une réponse concise et surveillez les sorties incomplètes. Une limite de sortie élevée aide peu la personne qui cherche une seule scène de vingt secondes. Pour comparer les niveaux de raisonnement, conservez les mêmes vidéos, questions et critères. Vous éviterez de confondre une modification de la taille d’entrée avec une évolution de la qualité du raisonnement.
Choisissez une vidéo que vous avez le droit d’envoyer au service. Un tutoriel synthétique ou un extrait public suffit pour tester la recherche de preuves. Vous pouvez y faire figurer deux démonstrations visuellement proches avec une différence volontaire, sans données clients ni procédures internes. Si vous utilisez plus tard des enregistrements professionnels, vérifiez les règles actuelles de traitement des données et l’autorisation de les transmettre avant de les ajouter au test.
Concevez l’évaluation pour qu’elle reste exploitable après l’aperçu. Enregistrez les références des fichiers, les bornes des chapitres, les passages de référence, les questions et les décisions de notation avec la date et l’identifiant du modèle. Gardez les médias dans votre stockage autorisé. Pour comparer son successeur, vous disposerez déjà de ce qui coûte le plus de travail à refaire : des exemples vérifiés.
Le lien vers la preuve fait partie de l’interface
Un contexte long permet d’essayer une nouvelle manière de retrouver une scène. Un intervalle précis et lisible dans le lecteur rend le résultat utile à la personne suivante. Pour une équipe de formation, le meilleur essai vérifie si l’apprenant peut atteindre le bon moment et comprendre l’action sans revoir toute la leçon. Ce test restera valable après la fin de l’aperçu.
Sources
- Spécifications QwenCloud, protocoles compatibles et période d’aperçu
- Guide développeur QwenCloud et documentation des entrées visuelles
Pour retrouver vos notes de formation et les décisions qu’elles étayent, créez un compte Telli.sh.