Qwen3-VL-8B-Thinking je hustá edice rodiny Qwen3-VL od Alibaba ve velikosti 8B zaměřená na uvažování. Spojuje text, obrázky a video ve společné úloze a generuje text. Qwen vydává edice Thinking a Instruct samostatně; tato karta se týká uvedeného modelu Thinking, jehož účel zahrnuje analýzu vizuálních podkladů před vytvořením odpovědi. Součástí jazykových schopností modelu je také práce pouze s textem.
Výrobce představuje nejprve vizuální agenty: model dokáže rozpoznávat prvky počítačového nebo mobilního rozhraní, vykládat jejich funkce a uvažovat o další interakci. V aplikaci dodávají snímky obrazovky aktuální stav a nástroje provádějí vybrané akce. Užitečné zadání uvádí cíl uživatele, viditelnou obrazovku a povolené akce a následně požaduje další krok a prvek, který jej odůvodňuje. Vygenerovaná interpretace je odlišná od akce vykonané okolní aplikací.
Vizuální programování propojuje referenční obrázky nebo video s textovým kódem. Qwen jako příklady výstupů dokumentuje diagramy Draw.io a HTML, CSS a JavaScript. Dodejte snímek obrazovky nebo náčrt společně s požadovaným chováním, obsahem a cílovým rozvržením; požadujte upravitelný artefakt s kódem nebo diagramem. Pro prostorovou práci rodina popisuje polohu objektů, úhel pohledu a zakrytí, s lokalizací ve 2D a ve 3D. Pokud potřebujete polohy, uveďte souřadnicovou konvenci, aby popsaná poloha a požadovaný ohraničující rámeček používaly stejnou vztažnou soustavu.
Nativní kontext činí 256K tokenů pro text a prokládaný vizuální materiál. Karta modelu také popisuje rozšíření na jeden milion tokenů, které je samostatným nakonfigurovaným rozšířením, nikoli specifikací nativního kontextu. Mezi použití dlouhého kontextu patří porovnávání souvislostí mezi stránkami dokumentů a vyhledávání událostí ve videu. Při přípravě vstupu zachovejte pořadí stránek a časové značky videa a požadujte, aby odpověď u každého závěru označila použitou stránku nebo okamžik.
Multimodální uvažování pokrývá matematické a vědecké úlohy, které vyžadují viditelný materiál i jeho písemné zadání. Rodina také podporuje široké vizuální rozpoznávání objektů, produktů, významných míst, rostlin a zvířat. Její OCR pokrývá 32 jazyků a zahrnuje obtížné obrázky při slabém osvětlení, s rozmazáním nebo nakloněním, společně s interpretací struktury dokumentů. U naskenované úlohy požadujte nejprve přepis a následně řešení; chybně přečtený znak nebo popisek tak bude viditelný dříve, než změní uvažování.
Tuto vizuální a časovou práci podporují tři aktualizace architektury. Interleaved-MRoPE rozděluje poziční informace mezi čas, šířku a výšku; DeepStack vnáší do jazykového modelu vizuální příznaky z několika úrovní; explicitní textové časové značky vyjadřují časovou polohu skupin snímků videa. Jejich praktický význam spočívá v zachování prostorových podrobností a propojení popisu události s okamžikem ve zdroji. Nemění drobný nebo nečitelný detail zdroje na zaručené rozpoznání.
Karta konkrétního modelu Thinking uvádí doporučení pro generování samostatně pro vizuální a textové úlohy. Obě používají vzorkování s temperature 1.0, top-p 0.95 a top-k 20; vizuální příklad používá presence penalty 0.0, zatímco textový příklad používá 1.5. Příklad nastavení délky výstupu činí 40,960 pro vizuální práci a 32,768 pro text, přičemž pro vybraná náročná textová hodnocení se doporučuje 81,920. Jde o doporučení pro ladění, nikoli univerzální záruku maximálního výstupu nebo parametry, které okolní služba nutně zpřístupňuje.
U praktické úlohy s dokumentem dodejte seřazené obrázky stránek a požadujte: „Extrahujte nadpisy oddílů, vysvětlete vztah mezi diagramem a sousedním textem a ke každému zjištění připojte odkaz na stránku.“ U videa vymezte událost, kterou chcete najít, a požadujte její časovou značku a krátké vizuální vysvětlení. U otázky vyžadující vizuální uvažování uveďte požadovaný konečný artefakt a předpoklady, které lze použít. Výstupem zůstává textové vysvětlení, extrahovaný obsah, kód nebo navržený krok nástroje; vizuální vstup této edice není postupem pro generování videa nebo řeči.
", "aboutText": "Qwen3-VL-8B-Thinking je hustá edice rodiny Qwen3-VL od Alibaba ve velikosti 8B zaměřená na uvažování. Spojuje text, obrázky a video ve společné úloze a generuje text. Qwen vydává edice Thinking a Instruct samostatně; tato karta se týká uvedeného modelu Thinking, jehož účel zahrnuje analýzu vizuálních podkladů před vytvořením odpovědi. Součástí jazykových schopností modelu je také práce pouze s textem.\n\nVýrobce představuje nejprve vizuální agenty: model dokáže rozpoznávat prvky počítačového nebo mobilního rozhraní, vykládat jejich funkce a uvažovat o další interakci. V aplikaci dodávají snímky obrazovky aktuální stav a nástroje provádějí vybrané akce. Užitečné zadání uvádí cíl uživatele, viditelnou obrazovku a povolené akce a následně požaduje další krok a prvek, který jej odůvodňuje. Vygenerovaná interpretace je odlišná od akce vykonané okolní aplikací.\n\nVizuální programování propojuje referenční obrázky nebo video s textovým kódem. Qwen jako příklady výstupů dokumentuje diagramy Draw.io a HTML, CSS a JavaScript. Dodejte snímek obrazovky nebo náčrt společně s požadovaným chováním, obsahem a cílovým rozvržením; požadujte upravitelný artefakt s kódem nebo diagramem. Pro prostorovou práci rodina popisuje polohu objektů, úhel pohledu a zakrytí, s lokalizací ve 2D a ve 3D. Pokud potřebujete polohy, uveďte souřadnicovou konvenci, aby popsaná poloha a požadovaný ohraničující rámeček používaly stejnou vztažnou soustavu.\n\nNativní kontext činí 256K tokenů pro text a prokládaný vizuální materiál. Karta modelu také popisuje rozšíření na jeden milion tokenů, které je samostatným nakonfigurovaným rozšířením, nikoli specifikací nativního kontextu. Mezi použití dlouhého kontextu patří porovnávání souvislostí mezi stránkami dokumentů a vyhledávání událostí ve videu. Při přípravě vstupu zachovejte pořadí stránek a časové značky videa a požadujte, aby odpověď u každého závěru označila použitou stránku nebo okamžik.\n\nMultimodální uvažování pokrývá matematické a vědecké úlohy, které vyžadují viditelný materiál i jeho písemné zadání. Rodina také podporuje široké vizuální rozpoznávání objektů, produktů, významných míst, rostlin a zvířat. Její OCR pokrývá 32 jazyků a zahrnuje obtížné obrázky při slabém osvětlení, s rozmazáním nebo nakloněním, společně s interpretací struktury dokumentů. U naskenované úlohy požadujte nejprve přepis a následně řešení; chybně přečtený znak nebo popisek tak bude viditelný dříve, než změní uvažování.\n\nTuto vizuální a časovou práci podporují tři aktualizace architektury. Interleaved-MRoPE rozděluje poziční informace mezi čas, šířku a výšku; DeepStack vnáší do jazykového modelu vizuální příznaky z několika úrovní; explicitní textové časové značky vyjadřují časovou polohu skupin snímků videa. Jejich praktický význam spočívá v zachování prostorových podrobností a propojení popisu události s okamžikem ve zdroji. Nemění drobný nebo nečitelný detail zdroje na zaručené rozpoznání.\n\nKarta konkrétního modelu Thinking uvádí doporučení pro generování samostatně pro vizuální a textové úlohy. Obě používají vzorkování s temperature 1.0, top-p 0.95 a top-k 20; vizuální příklad používá presence penalty 0.0, zatímco textový příklad používá 1.5. Příklad nastavení délky výstupu činí 40,960 pro vizuální práci a 32,768 pro text, přičemž pro vybraná náročná textová hodnocení se doporučuje 81,920. Jde o doporučení pro ladění, nikoli univerzální záruku maximálního výstupu nebo parametry, které okolní služba nutně zpřístupňuje.\n\nU praktické úlohy s dokumentem dodejte seřazené obrázky stránek a požadujte: „Extrahujte nadpisy oddílů, vysvětlete vztah mezi diagramem a sousedním textem a ke každému zjištění připojte odkaz na stránku.“ U videa vymezte událost, kterou chcete najít, a požadujte její časovou značku a krátké vizuální vysvětlení. U otázky vyžadující vizuální uvažování uveďte požadovaný konečný artefakt a předpoklady, které lze použít. Výstupem zůstává textové vysvětlení, extrahovaný obsah, kód nebo navržený krok nástroje; vizuální vstup této edice není postupem pro generování videa nebo řeči.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking je vizuálně-jazyková edice Qwen ve velikosti 8B zaměřená na uvažování. Spojuje text, obrázky a video při řešení vizuálních problémů, interpretaci dokumentů, prostorové analýze a generování kódu z vizuálních předloh.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen3-VL-8B-Thinking je hustá edice rodiny Qwen3-VL od Alibaba ve velikosti 8B zaměřená na uvažování. Spojuje text, obrázky a video ve společné úloze a generuje text. Qwen vydává edice Thinking a Instruct samostatně; tato karta se týká uvedeného modelu Thinking, jehož účel zahrnuje analýzu vizuálních podkladů před vytvořením odpovědi. Součástí jazykových schopností modelu je také práce pouze s textem.
Výrobce představuje nejprve vizuální agenty: model dokáže rozpoznávat prvky počítačového nebo mobilního rozhraní, vykládat jejich funkce a uvažovat o další interakci. V aplikaci dodávají snímky obrazovky aktuální stav a nástroje provádějí vybrané akce. Užitečné zadání uvádí cíl uživatele, viditelnou obrazovku a povolené akce a následně požaduje další krok a prvek, který jej odůvodňuje. Vygenerovaná interpretace je odlišná od akce vykonané okolní aplikací.
Vizuální programování propojuje referenční obrázky nebo video s textovým kódem. Qwen jako příklady výstupů dokumentuje diagramy Draw.io a HTML, CSS a JavaScript. Dodejte snímek obrazovky nebo náčrt společně s požadovaným chováním, obsahem a cílovým rozvržením; požadujte upravitelný artefakt s kódem nebo diagramem. Pro prostorovou práci rodina popisuje polohu objektů, úhel pohledu a zakrytí, s lokalizací ve 2D a ve 3D. Pokud potřebujete polohy, uveďte souřadnicovou konvenci, aby popsaná poloha a požadovaný ohraničující rámeček používaly stejnou vztažnou soustavu.
Nativní kontext činí 256K tokenů pro text a prokládaný vizuální materiál. Karta modelu také popisuje rozšíření na jeden milion tokenů, které je samostatným nakonfigurovaným rozšířením, nikoli specifikací nativního kontextu. Mezi použití dlouhého kontextu patří porovnávání souvislostí mezi stránkami dokumentů a vyhledávání událostí ve videu. Při přípravě vstupu zachovejte pořadí stránek a časové značky videa a požadujte, aby odpověď u každého závěru označila použitou stránku nebo okamžik.
Multimodální uvažování pokrývá matematické a vědecké úlohy, které vyžadují viditelný materiál i jeho písemné zadání. Rodina také podporuje široké vizuální rozpoznávání objektů, produktů, významných míst, rostlin a zvířat. Její OCR pokrývá 32 jazyků a zahrnuje obtížné obrázky při slabém osvětlení, s rozmazáním nebo nakloněním, společně s interpretací struktury dokumentů. U naskenované úlohy požadujte nejprve přepis a následně řešení; chybně přečtený znak nebo popisek tak bude viditelný dříve, než změní uvažování.
Tuto vizuální a časovou práci podporují tři aktualizace architektury. Interleaved-MRoPE rozděluje poziční informace mezi čas, šířku a výšku; DeepStack vnáší do jazykového modelu vizuální příznaky z několika úrovní; explicitní textové časové značky vyjadřují časovou polohu skupin snímků videa. Jejich praktický význam spočívá v zachování prostorových podrobností a propojení popisu události s okamžikem ve zdroji. Nemění drobný nebo nečitelný detail zdroje na zaručené rozpoznání.
Karta konkrétního modelu Thinking uvádí doporučení pro generování samostatně pro vizuální a textové úlohy. Obě používají vzorkování s temperature 1.0, top-p 0.95 a top-k 20; vizuální příklad používá presence penalty 0.0, zatímco textový příklad používá 1.5. Příklad nastavení délky výstupu činí 40,960 pro vizuální práci a 32,768 pro text, přičemž pro vybraná náročná textová hodnocení se doporučuje 81,920. Jde o doporučení pro ladění, nikoli univerzální záruku maximálního výstupu nebo parametry, které okolní služba nutně zpřístupňuje.
U praktické úlohy s dokumentem dodejte seřazené obrázky stránek a požadujte: „Extrahujte nadpisy oddílů, vysvětlete vztah mezi diagramem a sousedním textem a ke každému zjištění připojte odkaz na stránku.“ U videa vymezte událost, kterou chcete najít, a požadujte její časovou značku a krátké vizuální vysvětlení. U otázky vyžadující vizuální uvažování uveďte požadovaný konečný artefakt a předpoklady, které lze použít. Výstupem zůstává textové vysvětlení, extrahovaný obsah, kód nebo navržený krok nástroje; vizuální vstup této edice není postupem pro generování videa nebo řeči.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity Qwen/Qwen3-VL-8B-Thinking | 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.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.000144 / 1K tokenů Výstup · Výstupní tokeny $0.00143 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${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-Thinking", "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-Thinking',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-Thinking',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-Thinking
Použijte cesty metod uvedené výše.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking je vizuálně-jazyková edice Qwen ve velikosti 8B zaměřená na uvažování. Spojuje text, obrázky a video při řešení vizuálních problémů, interpretaci dokumentů, prostorové analýze a generování kódu z vizuálních předloh.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Qwen3-VL-8B-Thinking je hustá edice rodiny Qwen3-VL od Alibaba ve velikosti 8B zaměřená na uvažování. Spojuje text, obrázky a video ve společné úloze a generuje text. Qwen vydává edice Thinking a Instruct samostatně; tato karta se týká uvedeného modelu Thinking, jehož účel zahrnuje analýzu vizuálních podkladů před vytvořením odpovědi. Součástí jazykových schopností modelu je také práce pouze s textem.
Výrobce představuje nejprve vizuální agenty: model dokáže rozpoznávat prvky počítačového nebo mobilního rozhraní, vykládat jejich funkce a uvažovat o další interakci. V aplikaci dodávají snímky obrazovky aktuální stav a nástroje provádějí vybrané akce. Užitečné zadání uvádí cíl uživatele, viditelnou obrazovku a povolené akce a následně požaduje další krok a prvek, který jej odůvodňuje. Vygenerovaná interpretace je odlišná od akce vykonané okolní aplikací.
Vizuální programování propojuje referenční obrázky nebo video s textovým kódem. Qwen jako příklady výstupů dokumentuje diagramy Draw.io a HTML, CSS a JavaScript. Dodejte snímek obrazovky nebo náčrt společně s požadovaným chováním, obsahem a cílovým rozvržením; požadujte upravitelný artefakt s kódem nebo diagramem. Pro prostorovou práci rodina popisuje polohu objektů, úhel pohledu a zakrytí, s lokalizací ve 2D a ve 3D. Pokud potřebujete polohy, uveďte souřadnicovou konvenci, aby popsaná poloha a požadovaný ohraničující rámeček používaly stejnou vztažnou soustavu.
Nativní kontext činí 256K tokenů pro text a prokládaný vizuální materiál. Karta modelu také popisuje rozšíření na jeden milion tokenů, které je samostatným nakonfigurovaným rozšířením, nikoli specifikací nativního kontextu. Mezi použití dlouhého kontextu patří porovnávání souvislostí mezi stránkami dokumentů a vyhledávání událostí ve videu. Při přípravě vstupu zachovejte pořadí stránek a časové značky videa a požadujte, aby odpověď u každého závěru označila použitou stránku nebo okamžik.
Multimodální uvažování pokrývá matematické a vědecké úlohy, které vyžadují viditelný materiál i jeho písemné zadání. Rodina také podporuje široké vizuální rozpoznávání objektů, produktů, významných míst, rostlin a zvířat. Její OCR pokrývá 32 jazyků a zahrnuje obtížné obrázky při slabém osvětlení, s rozmazáním nebo nakloněním, společně s interpretací struktury dokumentů. U naskenované úlohy požadujte nejprve přepis a následně řešení; chybně přečtený znak nebo popisek tak bude viditelný dříve, než změní uvažování.
Tuto vizuální a časovou práci podporují tři aktualizace architektury. Interleaved-MRoPE rozděluje poziční informace mezi čas, šířku a výšku; DeepStack vnáší do jazykového modelu vizuální příznaky z několika úrovní; explicitní textové časové značky vyjadřují časovou polohu skupin snímků videa. Jejich praktický význam spočívá v zachování prostorových podrobností a propojení popisu události s okamžikem ve zdroji. Nemění drobný nebo nečitelný detail zdroje na zaručené rozpoznání.
Karta konkrétního modelu Thinking uvádí doporučení pro generování samostatně pro vizuální a textové úlohy. Obě používají vzorkování s temperature 1.0, top-p 0.95 a top-k 20; vizuální příklad používá presence penalty 0.0, zatímco textový příklad používá 1.5. Příklad nastavení délky výstupu činí 40,960 pro vizuální práci a 32,768 pro text, přičemž pro vybraná náročná textová hodnocení se doporučuje 81,920. Jde o doporučení pro ladění, nikoli univerzální záruku maximálního výstupu nebo parametry, které okolní služba nutně zpřístupňuje.
U praktické úlohy s dokumentem dodejte seřazené obrázky stránek a požadujte: „Extrahujte nadpisy oddílů, vysvětlete vztah mezi diagramem a sousedním textem a ke každému zjištění připojte odkaz na stránku.“ U videa vymezte událost, kterou chcete najít, a požadujte její časovou značku a krátké vizuální vysvětlení. U otázky vyžadující vizuální uvažování uveďte požadovaný konečný artefakt a předpoklady, které lze použít. Výstupem zůstává textové vysvětlení, extrahovaný obsah, kód nebo navržený krok nástroje; vizuální vstup této edice není postupem pro generování videa nebo řeči.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity Qwen/Qwen3-VL-8B-Thinking | 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.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.000144 / 1K tokenů Výstup · Výstupní tokeny $0.00143 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Thinking', '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-Thinking', '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-Thinking
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.