Vizuálně-jazyková edice 8B Instruct
Qwen3-VL-8B-Instruct je hustá edice Qwen3-VL ve velikosti 8B zaměřená na instrukce. Spojuje text s obrázky nebo videem a vytváří text včetně kódu. Zůstává odlišná od edice Thinking s rozšířeným uvažováním a od řídkých expertních modelů ve stejné rodině. Zvolte ji pro cílenou vizuální instrukci, otázku k dokumentu nebo upravitelný artefakt, jehož výsledek lze porovnat s dodanými podklady.
Vizuální agenti a vizuální programování
Výrobce popisuje rozpoznávání prvků počítačového nebo mobilního rozhraní, porozumění jejich funkcím a používání nástrojů v pracovním postupu vizuálního agenta. Poskytněte snímek obrazovky a konkrétní cíl a poté požadujte určení viditelných ovládacích prvků, které tomuto cíli odpovídají, a důkazů podporujících tuto volbu. Akce provádí připojený software; rozpoznání rozhraní samo o sobě nedává modelu kontrolu nad zařízením.
Vizuální programování zahrnuje vytváření obsahu diagramů a kódu (HTML, CSS nebo JavaScript) z obrázků či videa. Dodejte předlohu rozvržení společně s funkčními požadavky a požadovaným upravitelným výstupem. Pokud to usnadní kontrolu, požadujte strukturu zdrojového kódu a styly samostatně. Vygenerovaný kód je textovým artefaktem; stále potřebuje vývojový postup, který jej vykreslí a posoudí jeho chování.
Prostorové vnímání a dlouhé materiály
Qwen dokumentuje uvažování o polohách objektů, úhlech pohledu a zakrytí, s dvourozměrnou lokalizací a podporou trojrozměrné lokalizace. Pojmenujte cílový objekt a uveďte zkoumaný vztah. Výsledek týkající se relativní polohy je odvozením z obrázku, nikoli kalibrovaným fyzikálním měřením.
Nativní kontext činí 262,144 tokenů. Rodina popisuje knihy a několikahodinová videa s indexováním událostí na úrovni sekund a rozšířením na přibližně jeden milion tokenů pomocí konfigurace. Reprezentace, vzorkování snímků a nakonfigurovaný limit posloupnosti určují, jaký materiál se zpracuje. Velký kontext nezaručuje, že si model vybaví každou stránku nebo snímek v plném rozsahu. Při požadavku na popis událostí ve videu zachovejte časové údaje.
Multimodální uvažování, rozpoznávání a OCR
Rodina podporuje otázky z oborů STEM a matematiky, kauzální analýzu a vizuální vysvětlení podložená důkazy. Dodejte úplné zadání spolu s diagramem a požadujte, aby před závěrem byly uvedeny použité hodnoty a vztahy. Rozpoznávání zahrnuje široké spektrum lidí, produktů, významných míst, rostlin, zvířat a postav z médií; když na identifikaci záleží, je třeba ověřit i věrohodně působící označení.
OCR pokrývá 32 jazyků a je navrženo tak, aby zlepšovalo čtení při slabém osvětlení, rozmazání nebo naklonění, včetně odborné slovní zásoby a struktury dlouhých dokumentů. Poskytněte čitelnou stránku a požadujte pojmenovaná pole, citace nebo strukturovanou tabulku, kterou s ní lze porovnat. Porozumění textu a vizuálnímu obsahu se propojuje, takže otázka může spojovat odstavec s obrázkem a pokyny uživatele.
Aktualizace architektury
Publikovaná konfigurace husté textové části má 36 vrstev. Interleaved-MRoPE reprezentuje čas, šířku a výšku pro uvažování o videu. DeepStack spojuje příznaky z více úrovní vizuálního enkodéru a zarovnání textu s časovými značkami ukotvuje události v časových odkazech. Tyto vlastnosti architektury popisují reprezentaci modelu; nestanovují pevnou dobu odezvy ani přesnou fyzikální správnost.
Příprava vstupu
Příklady rodiny od výrobce pokrývají požadavky pouze s textem, s jedním nebo více obrázky i s videem. Vizuální vstupy označte a uveďte jejich vztah. Pixelové limity obrázků a videa jsou samostatné: limit obrázku se týká jednoho obrázku, zatímco limit videa se týká pixelů napříč vzorkovanými snímky. Explicitní rozměry obrázků se zarovnávají na násobky 32. Zdokumentovaná výchozí hodnota videa je dva snímky za sekundu, s ovládacími prvky snímkové frekvence nebo počtu snímků v podporovaných postupech.
Pomocný postup zachovává metadata videa a doporučuje vyhnout se opakované změně velikosti, pokud už byla velikost média změněna. U úlohy s dokumentem zachovejte identifikátory stránek; u klipu požadujte událost, příslušný interval a viditelné důkazy. Tyto příklady přípravy vycházejí ze zdokumentovaných schopností; nezaručují přesnou extrakci nebo časovou přesnost.
Doporučení pro generování a omezení
Tato konkrétní karta uvádí samostatné předvolby podle úloh. Vizuálně-jazykové úlohy používají temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 a presence penalty 1.5 s prostorem pro výstup o 16,384 tokenech. Textové úlohy používají temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 a presence penalty 2.0 s prostorem o 32,768 tokenech. Jde o limity podle postupů výrobce, nikoli nezávisle stanovené pevné stropy výstupu nebo samostatné identity modelů.
Postup rodiny pro dlouhý kontext používá YaRN a při rozšíření prokládaných pozic z 256K na přibližně 1M doporučuje faktor dva nebo tři. Nekopírujte faktor čtyři z jiné rodiny Qwen. Vedle vizuálního a textového vstupu vyhraďte prostor pro odpověď a ověřte OCR, vypočtené závěry a vygenerovaný zdrojový kód podle původního materiálu. Zachovejte konkrétní edici Instruct a nepřebírejte specifikaci generování nebo ovládání z checkpointu Thinking.
", "aboutText": "Vizuálně-jazyková edice 8B Instruct\n\nQwen3-VL-8B-Instruct je hustá edice Qwen3-VL ve velikosti 8B zaměřená na instrukce. Spojuje text s obrázky nebo videem a vytváří text včetně kódu. Zůstává odlišná od edice Thinking s rozšířeným uvažováním a od řídkých expertních modelů ve stejné rodině. Zvolte ji pro cílenou vizuální instrukci, otázku k dokumentu nebo upravitelný artefakt, jehož výsledek lze porovnat s dodanými podklady.\n\nVizuální agenti a vizuální programování\n\nVýrobce popisuje rozpoznávání prvků počítačového nebo mobilního rozhraní, porozumění jejich funkcím a používání nástrojů v pracovním postupu vizuálního agenta. Poskytněte snímek obrazovky a konkrétní cíl a poté požadujte určení viditelných ovládacích prvků, které tomuto cíli odpovídají, a důkazů podporujících tuto volbu. Akce provádí připojený software; rozpoznání rozhraní samo o sobě nedává modelu kontrolu nad zařízením.\n\nVizuální programování zahrnuje vytváření obsahu diagramů a kódu (HTML, CSS nebo JavaScript) z obrázků či videa. Dodejte předlohu rozvržení společně s funkčními požadavky a požadovaným upravitelným výstupem. Pokud to usnadní kontrolu, požadujte strukturu zdrojového kódu a styly samostatně. Vygenerovaný kód je textovým artefaktem; stále potřebuje vývojový postup, který jej vykreslí a posoudí jeho chování.\n\nProstorové vnímání a dlouhé materiály\n\nQwen dokumentuje uvažování o polohách objektů, úhlech pohledu a zakrytí, s dvourozměrnou lokalizací a podporou trojrozměrné lokalizace. Pojmenujte cílový objekt a uveďte zkoumaný vztah. Výsledek týkající se relativní polohy je odvozením z obrázku, nikoli kalibrovaným fyzikálním měřením.\n\nNativní kontext činí 262,144 tokenů. Rodina popisuje knihy a několikahodinová videa s indexováním událostí na úrovni sekund a rozšířením na přibližně jeden milion tokenů pomocí konfigurace. Reprezentace, vzorkování snímků a nakonfigurovaný limit posloupnosti určují, jaký materiál se zpracuje. Velký kontext nezaručuje, že si model vybaví každou stránku nebo snímek v plném rozsahu. Při požadavku na popis událostí ve videu zachovejte časové údaje.\n\nMultimodální uvažování, rozpoznávání a OCR\n\nRodina podporuje otázky z oborů STEM a matematiky, kauzální analýzu a vizuální vysvětlení podložená důkazy. Dodejte úplné zadání spolu s diagramem a požadujte, aby před závěrem byly uvedeny použité hodnoty a vztahy. Rozpoznávání zahrnuje široké spektrum lidí, produktů, významných míst, rostlin, zvířat a postav z médií; když na identifikaci záleží, je třeba ověřit i věrohodně působící označení.\n\nOCR pokrývá 32 jazyků a je navrženo tak, aby zlepšovalo čtení při slabém osvětlení, rozmazání nebo naklonění, včetně odborné slovní zásoby a struktury dlouhých dokumentů. Poskytněte čitelnou stránku a požadujte pojmenovaná pole, citace nebo strukturovanou tabulku, kterou s ní lze porovnat. Porozumění textu a vizuálnímu obsahu se propojuje, takže otázka může spojovat odstavec s obrázkem a pokyny uživatele.\n\nAktualizace architektury\n\nPublikovaná konfigurace husté textové části má 36 vrstev. Interleaved-MRoPE reprezentuje čas, šířku a výšku pro uvažování o videu. DeepStack spojuje příznaky z více úrovní vizuálního enkodéru a zarovnání textu s časovými značkami ukotvuje události v časových odkazech. Tyto vlastnosti architektury popisují reprezentaci modelu; nestanovují pevnou dobu odezvy ani přesnou fyzikální správnost.\n\nPříprava vstupu\n\nPříklady rodiny od výrobce pokrývají požadavky pouze s textem, s jedním nebo více obrázky i s videem. Vizuální vstupy označte a uveďte jejich vztah. Pixelové limity obrázků a videa jsou samostatné: limit obrázku se týká jednoho obrázku, zatímco limit videa se týká pixelů napříč vzorkovanými snímky. Explicitní rozměry obrázků se zarovnávají na násobky 32. Zdokumentovaná výchozí hodnota videa je dva snímky za sekundu, s ovládacími prvky snímkové frekvence nebo počtu snímků v podporovaných postupech.\n\nPomocný postup zachovává metadata videa a doporučuje vyhnout se opakované změně velikosti, pokud už byla velikost média změněna. U úlohy s dokumentem zachovejte identifikátory stránek; u klipu požadujte událost, příslušný interval a viditelné důkazy. Tyto příklady přípravy vycházejí ze zdokumentovaných schopností; nezaručují přesnou extrakci nebo časovou přesnost.\n\nDoporučení pro generování a omezení\n\nTato konkrétní karta uvádí samostatné předvolby podle úloh. Vizuálně-jazykové úlohy používají temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 a presence penalty 1.5 s prostorem pro výstup o 16,384 tokenech. Textové úlohy používají temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 a presence penalty 2.0 s prostorem o 32,768 tokenech. Jde o limity podle postupů výrobce, nikoli nezávisle stanovené pevné stropy výstupu nebo samostatné identity modelů.\n\nPostup rodiny pro dlouhý kontext používá YaRN a při rozšíření prokládaných pozic z 256K na přibližně 1M doporučuje faktor dva nebo tři. Nekopírujte faktor čtyři z jiné rodiny Qwen. Vedle vizuálního a textového vstupu vyhraďte prostor pro odpověď a ověřte OCR, vypočtené závěry a vygenerovaný zdrojový kód podle původního materiálu. Zachovejte konkrétní edici Instruct a nepřebírejte specifikaci generování nebo ovládání z checkpointu Thinking.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct je hustý vizuálně-jazykový model Qwen zaměřený na instrukce, který přijímá text, obrázky a video a vrací text nebo kód. Podporuje čtení dokumentů, vizuální programování, prostorové otázky a analýzu videa, s OCR ve 32 jazycích a nativním kontextem o 262,144 tokenech.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Vizuálně-jazyková edice 8B Instruct
Qwen3-VL-8B-Instruct je hustá edice Qwen3-VL ve velikosti 8B zaměřená na instrukce. Spojuje text s obrázky nebo videem a vytváří text včetně kódu. Zůstává odlišná od edice Thinking s rozšířeným uvažováním a od řídkých expertních modelů ve stejné rodině. Zvolte ji pro cílenou vizuální instrukci, otázku k dokumentu nebo upravitelný artefakt, jehož výsledek lze porovnat s dodanými podklady.
Vizuální agenti a vizuální programování
Výrobce popisuje rozpoznávání prvků počítačového nebo mobilního rozhraní, porozumění jejich funkcím a používání nástrojů v pracovním postupu vizuálního agenta. Poskytněte snímek obrazovky a konkrétní cíl a poté požadujte určení viditelných ovládacích prvků, které tomuto cíli odpovídají, a důkazů podporujících tuto volbu. Akce provádí připojený software; rozpoznání rozhraní samo o sobě nedává modelu kontrolu nad zařízením.
Vizuální programování zahrnuje vytváření obsahu diagramů a kódu (HTML, CSS nebo JavaScript) z obrázků či videa. Dodejte předlohu rozvržení společně s funkčními požadavky a požadovaným upravitelným výstupem. Pokud to usnadní kontrolu, požadujte strukturu zdrojového kódu a styly samostatně. Vygenerovaný kód je textovým artefaktem; stále potřebuje vývojový postup, který jej vykreslí a posoudí jeho chování.
Prostorové vnímání a dlouhé materiály
Qwen dokumentuje uvažování o polohách objektů, úhlech pohledu a zakrytí, s dvourozměrnou lokalizací a podporou trojrozměrné lokalizace. Pojmenujte cílový objekt a uveďte zkoumaný vztah. Výsledek týkající se relativní polohy je odvozením z obrázku, nikoli kalibrovaným fyzikálním měřením.
Nativní kontext činí 262,144 tokenů. Rodina popisuje knihy a několikahodinová videa s indexováním událostí na úrovni sekund a rozšířením na přibližně jeden milion tokenů pomocí konfigurace. Reprezentace, vzorkování snímků a nakonfigurovaný limit posloupnosti určují, jaký materiál se zpracuje. Velký kontext nezaručuje, že si model vybaví každou stránku nebo snímek v plném rozsahu. Při požadavku na popis událostí ve videu zachovejte časové údaje.
Multimodální uvažování, rozpoznávání a OCR
Rodina podporuje otázky z oborů STEM a matematiky, kauzální analýzu a vizuální vysvětlení podložená důkazy. Dodejte úplné zadání spolu s diagramem a požadujte, aby před závěrem byly uvedeny použité hodnoty a vztahy. Rozpoznávání zahrnuje široké spektrum lidí, produktů, významných míst, rostlin, zvířat a postav z médií; když na identifikaci záleží, je třeba ověřit i věrohodně působící označení.
OCR pokrývá 32 jazyků a je navrženo tak, aby zlepšovalo čtení při slabém osvětlení, rozmazání nebo naklonění, včetně odborné slovní zásoby a struktury dlouhých dokumentů. Poskytněte čitelnou stránku a požadujte pojmenovaná pole, citace nebo strukturovanou tabulku, kterou s ní lze porovnat. Porozumění textu a vizuálnímu obsahu se propojuje, takže otázka může spojovat odstavec s obrázkem a pokyny uživatele.
Aktualizace architektury
Publikovaná konfigurace husté textové části má 36 vrstev. Interleaved-MRoPE reprezentuje čas, šířku a výšku pro uvažování o videu. DeepStack spojuje příznaky z více úrovní vizuálního enkodéru a zarovnání textu s časovými značkami ukotvuje události v časových odkazech. Tyto vlastnosti architektury popisují reprezentaci modelu; nestanovují pevnou dobu odezvy ani přesnou fyzikální správnost.
Příprava vstupu
Příklady rodiny od výrobce pokrývají požadavky pouze s textem, s jedním nebo více obrázky i s videem. Vizuální vstupy označte a uveďte jejich vztah. Pixelové limity obrázků a videa jsou samostatné: limit obrázku se týká jednoho obrázku, zatímco limit videa se týká pixelů napříč vzorkovanými snímky. Explicitní rozměry obrázků se zarovnávají na násobky 32. Zdokumentovaná výchozí hodnota videa je dva snímky za sekundu, s ovládacími prvky snímkové frekvence nebo počtu snímků v podporovaných postupech.
Pomocný postup zachovává metadata videa a doporučuje vyhnout se opakované změně velikosti, pokud už byla velikost média změněna. U úlohy s dokumentem zachovejte identifikátory stránek; u klipu požadujte událost, příslušný interval a viditelné důkazy. Tyto příklady přípravy vycházejí ze zdokumentovaných schopností; nezaručují přesnou extrakci nebo časovou přesnost.
Doporučení pro generování a omezení
Tato konkrétní karta uvádí samostatné předvolby podle úloh. Vizuálně-jazykové úlohy používají temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 a presence penalty 1.5 s prostorem pro výstup o 16,384 tokenech. Textové úlohy používají temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 a presence penalty 2.0 s prostorem o 32,768 tokenech. Jde o limity podle postupů výrobce, nikoli nezávisle stanovené pevné stropy výstupu nebo samostatné identity modelů.
Postup rodiny pro dlouhý kontext používá YaRN a při rozšíření prokládaných pozic z 256K na přibližně 1M doporučuje faktor dva nebo tři. Nekopírujte faktor čtyři z jiné rodiny Qwen. Vedle vizuálního a textového vstupu vyhraďte prostor pro odpověď a ověřte OCR, vypočtené závěry a vygenerovaný zdrojový kód podle původního materiálu. Zachovejte konkrétní edici Instruct a nepřebírejte specifikaci generování nebo ovládání z checkpointu Thinking.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen3-vl-8b-instruct | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0005 / 1K tokenů Výstup · Výstupní tokeny $0.0015 / 1K tokenů Vstup · Čtení z mezipaměti $0.00024 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0005 / 1K tokenů Výstup · Výstupní tokeny $0.0015 / 1K tokenů Vstup · Čtení z mezipaměti $0.00024 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-vl-8b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Použijte cesty metod uvedené výše.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct je hustý vizuálně-jazykový model Qwen zaměřený na instrukce, který přijímá text, obrázky a video a vrací text nebo kód. Podporuje čtení dokumentů, vizuální programování, prostorové otázky a analýzu videa, s OCR ve 32 jazycích a nativním kontextem o 262,144 tokenech.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Vizuálně-jazyková edice 8B Instruct
Qwen3-VL-8B-Instruct je hustá edice Qwen3-VL ve velikosti 8B zaměřená na instrukce. Spojuje text s obrázky nebo videem a vytváří text včetně kódu. Zůstává odlišná od edice Thinking s rozšířeným uvažováním a od řídkých expertních modelů ve stejné rodině. Zvolte ji pro cílenou vizuální instrukci, otázku k dokumentu nebo upravitelný artefakt, jehož výsledek lze porovnat s dodanými podklady.
Vizuální agenti a vizuální programování
Výrobce popisuje rozpoznávání prvků počítačového nebo mobilního rozhraní, porozumění jejich funkcím a používání nástrojů v pracovním postupu vizuálního agenta. Poskytněte snímek obrazovky a konkrétní cíl a poté požadujte určení viditelných ovládacích prvků, které tomuto cíli odpovídají, a důkazů podporujících tuto volbu. Akce provádí připojený software; rozpoznání rozhraní samo o sobě nedává modelu kontrolu nad zařízením.
Vizuální programování zahrnuje vytváření obsahu diagramů a kódu (HTML, CSS nebo JavaScript) z obrázků či videa. Dodejte předlohu rozvržení společně s funkčními požadavky a požadovaným upravitelným výstupem. Pokud to usnadní kontrolu, požadujte strukturu zdrojového kódu a styly samostatně. Vygenerovaný kód je textovým artefaktem; stále potřebuje vývojový postup, který jej vykreslí a posoudí jeho chování.
Prostorové vnímání a dlouhé materiály
Qwen dokumentuje uvažování o polohách objektů, úhlech pohledu a zakrytí, s dvourozměrnou lokalizací a podporou trojrozměrné lokalizace. Pojmenujte cílový objekt a uveďte zkoumaný vztah. Výsledek týkající se relativní polohy je odvozením z obrázku, nikoli kalibrovaným fyzikálním měřením.
Nativní kontext činí 262,144 tokenů. Rodina popisuje knihy a několikahodinová videa s indexováním událostí na úrovni sekund a rozšířením na přibližně jeden milion tokenů pomocí konfigurace. Reprezentace, vzorkování snímků a nakonfigurovaný limit posloupnosti určují, jaký materiál se zpracuje. Velký kontext nezaručuje, že si model vybaví každou stránku nebo snímek v plném rozsahu. Při požadavku na popis událostí ve videu zachovejte časové údaje.
Multimodální uvažování, rozpoznávání a OCR
Rodina podporuje otázky z oborů STEM a matematiky, kauzální analýzu a vizuální vysvětlení podložená důkazy. Dodejte úplné zadání spolu s diagramem a požadujte, aby před závěrem byly uvedeny použité hodnoty a vztahy. Rozpoznávání zahrnuje široké spektrum lidí, produktů, významných míst, rostlin, zvířat a postav z médií; když na identifikaci záleží, je třeba ověřit i věrohodně působící označení.
OCR pokrývá 32 jazyků a je navrženo tak, aby zlepšovalo čtení při slabém osvětlení, rozmazání nebo naklonění, včetně odborné slovní zásoby a struktury dlouhých dokumentů. Poskytněte čitelnou stránku a požadujte pojmenovaná pole, citace nebo strukturovanou tabulku, kterou s ní lze porovnat. Porozumění textu a vizuálnímu obsahu se propojuje, takže otázka může spojovat odstavec s obrázkem a pokyny uživatele.
Aktualizace architektury
Publikovaná konfigurace husté textové části má 36 vrstev. Interleaved-MRoPE reprezentuje čas, šířku a výšku pro uvažování o videu. DeepStack spojuje příznaky z více úrovní vizuálního enkodéru a zarovnání textu s časovými značkami ukotvuje události v časových odkazech. Tyto vlastnosti architektury popisují reprezentaci modelu; nestanovují pevnou dobu odezvy ani přesnou fyzikální správnost.
Příprava vstupu
Příklady rodiny od výrobce pokrývají požadavky pouze s textem, s jedním nebo více obrázky i s videem. Vizuální vstupy označte a uveďte jejich vztah. Pixelové limity obrázků a videa jsou samostatné: limit obrázku se týká jednoho obrázku, zatímco limit videa se týká pixelů napříč vzorkovanými snímky. Explicitní rozměry obrázků se zarovnávají na násobky 32. Zdokumentovaná výchozí hodnota videa je dva snímky za sekundu, s ovládacími prvky snímkové frekvence nebo počtu snímků v podporovaných postupech.
Pomocný postup zachovává metadata videa a doporučuje vyhnout se opakované změně velikosti, pokud už byla velikost média změněna. U úlohy s dokumentem zachovejte identifikátory stránek; u klipu požadujte událost, příslušný interval a viditelné důkazy. Tyto příklady přípravy vycházejí ze zdokumentovaných schopností; nezaručují přesnou extrakci nebo časovou přesnost.
Doporučení pro generování a omezení
Tato konkrétní karta uvádí samostatné předvolby podle úloh. Vizuálně-jazykové úlohy používají temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 a presence penalty 1.5 s prostorem pro výstup o 16,384 tokenech. Textové úlohy používají temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 a presence penalty 2.0 s prostorem o 32,768 tokenech. Jde o limity podle postupů výrobce, nikoli nezávisle stanovené pevné stropy výstupu nebo samostatné identity modelů.
Postup rodiny pro dlouhý kontext používá YaRN a při rozšíření prokládaných pozic z 256K na přibližně 1M doporučuje faktor dva nebo tři. Nekopírujte faktor čtyři z jiné rodiny Qwen. Vedle vizuálního a textového vstupu vyhraďte prostor pro odpověď a ověřte OCR, vypočtené závěry a vygenerovaný zdrojový kód podle původního materiálu. Zachovejte konkrétní edici Instruct a nepřebírejte specifikaci generování nebo ovládání z checkpointu Thinking.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen3-vl-8b-instruct | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0005 / 1K tokenů Výstup · Výstupní tokeny $0.0015 / 1K tokenů Vstup · Čtení z mezipaměti $0.00024 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0005 / 1K tokenů Výstup · Výstupní tokeny $0.0015 / 1K tokenů Vstup · Čtení z mezipaměti $0.00024 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.