Qwen3-Omni-30B-A3B-Thinking er det ræsonnementsorienterede medlem af Qwen3-Omni. Det forstår tekst, billeder, lyd og video, herunder kombinationer i samme samtale, og producerer et tekstresultat. Den præcise Thinking-udgave indeholder Thinker-komponenten og er udstyret til ræsonnementer; den omfatter ikke den Talker, der bruges til talt output i Instruct-checkpointet. Denne forskel er vigtig ved valg af en model til en analyserapport frem for en samtale med stemme.
Producenten beskriver Qwen3-Omni som en flersproget mixture-of-experts-familie med 119 tekstsprog og 19 sprog til taleinput. Russisk optræder på den offentliggjorte liste over taleinputsprog. Den præcise Thinking-konfiguration omfatter 48 teksttransformerlag, 128 eksperter og otte eksperter valgt pr. token. Den har også lyd- og billedbehandlingskomponenter. Det er egenskaber ved det navngivne checkpoint; dets multimodale forståelse bør ikke erstattes med evnerne hos en Qwen3-model til almindelig tekst med en lignende størrelsesbetegnelse.
Anvendelsesopskrifterne omfatter talegenkendelse og oversættelse, analyse af musik og omgivelseslyde, blandet lyd, billedspørgsmål, OCR, objektgrounding, videobeskrivelser og audiovisuelle spørgsmål. Billedmatematik fremhæver specifikt Thinking-udgaven. Til en geometriopgave skal du levere hele diagrammet, læsbare etiketter og spørgsmålet og derefter bede om en løsning, der skelner mellem synlige givne oplysninger og antagelser. Til en optaget demonstration skal du udpege den handling eller afvigelse, der skal undersøges, og bede om observationer knyttet til de relevante dele af materialet. Den forventede leverance kan være en skriftlig løsning, en struktureret observationsliste eller en forklaring af, hvad dokumentationen understøtter.
Klargør input som en multimodal samtale med den matchende processor og chatskabelon. Producentens behandlingsværktøjssæt håndterer sammenflettet tekst, billeder, lyd og video. Qwen beskriver streamede tekstsvar som en del af familiens interaktionsdesign og demonstrerer batchinferens med blandede medier og output kun som tekst. I hver dialogrunde anbefaler producenten en eksplicit tekstinstruktion sammen med medierne. En video alene gør opgaven tvetydig: angiv, om handlinger skal opsummeres, to scener sammenlignes, en lyd forklares eller den viste opgave løses. Mærk flere input og deres forhold, så slutteksten kan forbinde det rette spørgsmål med det rette materiale.
For video, der indeholder tale eller hændelseslyde, skal du afgøre, om lyden indgår i opgaven. Det dokumenterede forløb bruger use_audio_in_video konsekvent under forbehandling og generering, og modelkortet advarer om, at ændring af denne indstilling mellem dialogrunder kan give uventede resultater. Et spørgsmål kun om scenen og et audiovisuelt spørgsmål kræver derfor forskellig klargøring. Bevar det oprindelige klip, vælg det relevante interval, og undgå at udelade lydsporet, når den ønskede konklusion afhænger af, hvad der blev sagt eller hørt.
Den offentliggjorte tekstkonfiguration sætter max_position_embeddings til 65,536. Modelkortets vLLM-eksempler bruger særskilt en modellængdeindstilling på 32,768 tokens og en genereringsindstilling på 16,384 tokens. Det viser et konfigureret inferenseksempel frem for én universel maksimal outputgrænse. Medier repræsenteres gennem processoren, så forespørgselsstørrelse er ikke blot antallet af indtastede tegn. Reservér plads til tekstresultatet, og brug et afgrænset kildesegment, når en lang optagelse kun indeholder en kort hændelse, som er relevant for spørgsmålet.
Producenten demonstrerer Transformers- og vLLM-forløb med processorunderstøttelse og medieafkodning som eksplicitte afhængigheder. Det fælles modelkort dokumenterer også forskelle mellem grænseflader, herunder særskilt håndtering af video og lyd i et serveringseksempel. Vælg det præcise Thinking-checkpoint og dets understøttede behandlingsvej frem for at antage, at alle eksempler på familiekortet har samme outputadfærd. Talestemmer og Talker-indstillinger på siden gælder Instruct, ikke denne model med kun Thinker.
Til et nyttigt slutresultat skal du bede om en dokumentationsbaseret forklaring og en tydeligt adskilt konklusion. I en visuel opgave skal du bevare enheder, symboler og etiketter; i lyd skal du skelne mellem hørbart indhold og en udledt kilde; i video skal du skelne mellem observerede handlinger og fortolkning af hensigt. Inspicér resultatet mod det leverede materiale, og identificér usikre eller ulæselige detaljer udtrykkeligt. Modellens tekstsvar kan understøtte analyse eller et senere applikationstrin, mens værktøjsudførelse, faktabekræftelse eller medietransformation forbliver en særskilt operation, der kræver sit eget input og resultat.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking er det ræsonnementsorienterede medlem af Qwen3-Omni. Det forstår tekst, billeder, lyd og video, herunder kombinationer i samme samtale, og producerer et tekstresultat. Den præcise Thinking-udgave indeholder Thinker-komponenten og er udstyret til ræsonnementer; den omfatter ikke den Talker, der bruges til talt output i Instruct-checkpointet. Denne forskel er vigtig ved valg af en model til en analyserapport frem for en samtale med stemme.\n\nProducenten beskriver Qwen3-Omni som en flersproget mixture-of-experts-familie med 119 tekstsprog og 19 sprog til taleinput. Russisk optræder på den offentliggjorte liste over taleinputsprog. Den præcise Thinking-konfiguration omfatter 48 teksttransformerlag, 128 eksperter og otte eksperter valgt pr. token. Den har også lyd- og billedbehandlingskomponenter. Det er egenskaber ved det navngivne checkpoint; dets multimodale forståelse bør ikke erstattes med evnerne hos en Qwen3-model til almindelig tekst med en lignende størrelsesbetegnelse.\n\nAnvendelsesopskrifterne omfatter talegenkendelse og oversættelse, analyse af musik og omgivelseslyde, blandet lyd, billedspørgsmål, OCR, objektgrounding, videobeskrivelser og audiovisuelle spørgsmål. Billedmatematik fremhæver specifikt Thinking-udgaven. Til en geometriopgave skal du levere hele diagrammet, læsbare etiketter og spørgsmålet og derefter bede om en løsning, der skelner mellem synlige givne oplysninger og antagelser. Til en optaget demonstration skal du udpege den handling eller afvigelse, der skal undersøges, og bede om observationer knyttet til de relevante dele af materialet. Den forventede leverance kan være en skriftlig løsning, en struktureret observationsliste eller en forklaring af, hvad dokumentationen understøtter.\n\nKlargør input som en multimodal samtale med den matchende processor og chatskabelon. Producentens behandlingsværktøjssæt håndterer sammenflettet tekst, billeder, lyd og video. Qwen beskriver streamede tekstsvar som en del af familiens interaktionsdesign og demonstrerer batchinferens med blandede medier og output kun som tekst. I hver dialogrunde anbefaler producenten en eksplicit tekstinstruktion sammen med medierne. En video alene gør opgaven tvetydig: angiv, om handlinger skal opsummeres, to scener sammenlignes, en lyd forklares eller den viste opgave løses. Mærk flere input og deres forhold, så slutteksten kan forbinde det rette spørgsmål med det rette materiale.\n\nFor video, der indeholder tale eller hændelseslyde, skal du afgøre, om lyden indgår i opgaven. Det dokumenterede forløb bruger use_audio_in_video konsekvent under forbehandling og generering, og modelkortet advarer om, at ændring af denne indstilling mellem dialogrunder kan give uventede resultater. Et spørgsmål kun om scenen og et audiovisuelt spørgsmål kræver derfor forskellig klargøring. Bevar det oprindelige klip, vælg det relevante interval, og undgå at udelade lydsporet, når den ønskede konklusion afhænger af, hvad der blev sagt eller hørt.\n\nDen offentliggjorte tekstkonfiguration sætter max_position_embeddings til 65,536. Modelkortets vLLM-eksempler bruger særskilt en modellængdeindstilling på 32,768 tokens og en genereringsindstilling på 16,384 tokens. Det viser et konfigureret inferenseksempel frem for én universel maksimal outputgrænse. Medier repræsenteres gennem processoren, så forespørgselsstørrelse er ikke blot antallet af indtastede tegn. Reservér plads til tekstresultatet, og brug et afgrænset kildesegment, når en lang optagelse kun indeholder en kort hændelse, som er relevant for spørgsmålet.\n\nProducenten demonstrerer Transformers- og vLLM-forløb med processorunderstøttelse og medieafkodning som eksplicitte afhængigheder. Det fælles modelkort dokumenterer også forskelle mellem grænseflader, herunder særskilt håndtering af video og lyd i et serveringseksempel. Vælg det præcise Thinking-checkpoint og dets understøttede behandlingsvej frem for at antage, at alle eksempler på familiekortet har samme outputadfærd. Talestemmer og Talker-indstillinger på siden gælder Instruct, ikke denne model med kun Thinker.\n\nTil et nyttigt slutresultat skal du bede om en dokumentationsbaseret forklaring og en tydeligt adskilt konklusion. I en visuel opgave skal du bevare enheder, symboler og etiketter; i lyd skal du skelne mellem hørbart indhold og en udledt kilde; i video skal du skelne mellem observerede handlinger og fortolkning af hensigt. Inspicér resultatet mod det leverede materiale, og identificér usikre eller ulæselige detaljer udtrykkeligt. Modellens tekstsvar kan understøtte analyse eller et senere applikationstrin, mens værktøjsudførelse, faktabekræftelse eller medietransformation forbliver en særskilt operation, der kræver sit eget input og resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking ræsonnerer over tekst, billeder, lyd og video og returnerer tekst. Denne udgave med kun Thinker egner sig til visuel matematik, lydanalyse og spørgsmål, der kræver dokumentation fra flere modaliteter; talegenerering tilhører en anden Omni-udgivelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-Omni-30B-A3B-Thinking er det ræsonnementsorienterede medlem af Qwen3-Omni. Det forstår tekst, billeder, lyd og video, herunder kombinationer i samme samtale, og producerer et tekstresultat. Den præcise Thinking-udgave indeholder Thinker-komponenten og er udstyret til ræsonnementer; den omfatter ikke den Talker, der bruges til talt output i Instruct-checkpointet. Denne forskel er vigtig ved valg af en model til en analyserapport frem for en samtale med stemme.
Producenten beskriver Qwen3-Omni som en flersproget mixture-of-experts-familie med 119 tekstsprog og 19 sprog til taleinput. Russisk optræder på den offentliggjorte liste over taleinputsprog. Den præcise Thinking-konfiguration omfatter 48 teksttransformerlag, 128 eksperter og otte eksperter valgt pr. token. Den har også lyd- og billedbehandlingskomponenter. Det er egenskaber ved det navngivne checkpoint; dets multimodale forståelse bør ikke erstattes med evnerne hos en Qwen3-model til almindelig tekst med en lignende størrelsesbetegnelse.
Anvendelsesopskrifterne omfatter talegenkendelse og oversættelse, analyse af musik og omgivelseslyde, blandet lyd, billedspørgsmål, OCR, objektgrounding, videobeskrivelser og audiovisuelle spørgsmål. Billedmatematik fremhæver specifikt Thinking-udgaven. Til en geometriopgave skal du levere hele diagrammet, læsbare etiketter og spørgsmålet og derefter bede om en løsning, der skelner mellem synlige givne oplysninger og antagelser. Til en optaget demonstration skal du udpege den handling eller afvigelse, der skal undersøges, og bede om observationer knyttet til de relevante dele af materialet. Den forventede leverance kan være en skriftlig løsning, en struktureret observationsliste eller en forklaring af, hvad dokumentationen understøtter.
Klargør input som en multimodal samtale med den matchende processor og chatskabelon. Producentens behandlingsværktøjssæt håndterer sammenflettet tekst, billeder, lyd og video. Qwen beskriver streamede tekstsvar som en del af familiens interaktionsdesign og demonstrerer batchinferens med blandede medier og output kun som tekst. I hver dialogrunde anbefaler producenten en eksplicit tekstinstruktion sammen med medierne. En video alene gør opgaven tvetydig: angiv, om handlinger skal opsummeres, to scener sammenlignes, en lyd forklares eller den viste opgave løses. Mærk flere input og deres forhold, så slutteksten kan forbinde det rette spørgsmål med det rette materiale.
For video, der indeholder tale eller hændelseslyde, skal du afgøre, om lyden indgår i opgaven. Det dokumenterede forløb bruger use_audio_in_video konsekvent under forbehandling og generering, og modelkortet advarer om, at ændring af denne indstilling mellem dialogrunder kan give uventede resultater. Et spørgsmål kun om scenen og et audiovisuelt spørgsmål kræver derfor forskellig klargøring. Bevar det oprindelige klip, vælg det relevante interval, og undgå at udelade lydsporet, når den ønskede konklusion afhænger af, hvad der blev sagt eller hørt.
Den offentliggjorte tekstkonfiguration sætter max_position_embeddings til 65,536. Modelkortets vLLM-eksempler bruger særskilt en modellængdeindstilling på 32,768 tokens og en genereringsindstilling på 16,384 tokens. Det viser et konfigureret inferenseksempel frem for én universel maksimal outputgrænse. Medier repræsenteres gennem processoren, så forespørgselsstørrelse er ikke blot antallet af indtastede tegn. Reservér plads til tekstresultatet, og brug et afgrænset kildesegment, når en lang optagelse kun indeholder en kort hændelse, som er relevant for spørgsmålet.
Producenten demonstrerer Transformers- og vLLM-forløb med processorunderstøttelse og medieafkodning som eksplicitte afhængigheder. Det fælles modelkort dokumenterer også forskelle mellem grænseflader, herunder særskilt håndtering af video og lyd i et serveringseksempel. Vælg det præcise Thinking-checkpoint og dets understøttede behandlingsvej frem for at antage, at alle eksempler på familiekortet har samme outputadfærd. Talestemmer og Talker-indstillinger på siden gælder Instruct, ikke denne model med kun Thinker.
Til et nyttigt slutresultat skal du bede om en dokumentationsbaseret forklaring og en tydeligt adskilt konklusion. I en visuel opgave skal du bevare enheder, symboler og etiketter; i lyd skal du skelne mellem hørbart indhold og en udledt kilde; i video skal du skelne mellem observerede handlinger og fortolkning af hensigt. Inspicér resultatet mod det leverede materiale, og identificér usikre eller ulæselige detaljer udtrykkeligt. Modellens tekstsvar kan understøtte analyse eller et senere applikationstrin, mens værktøjsudførelse, faktabekræftelse eller medietransformation forbliver en særskilt operation, der kræver sit eget input og resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Qwen/Qwen3-Omni-30B-A3B-Thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-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-Omni-30B-A3B-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-Omni-30B-A3B-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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Brug metodestierne vist ovenfor.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking ræsonnerer over tekst, billeder, lyd og video og returnerer tekst. Denne udgave med kun Thinker egner sig til visuel matematik, lydanalyse og spørgsmål, der kræver dokumentation fra flere modaliteter; talegenerering tilhører en anden Omni-udgivelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-Omni-30B-A3B-Thinking er det ræsonnementsorienterede medlem af Qwen3-Omni. Det forstår tekst, billeder, lyd og video, herunder kombinationer i samme samtale, og producerer et tekstresultat. Den præcise Thinking-udgave indeholder Thinker-komponenten og er udstyret til ræsonnementer; den omfatter ikke den Talker, der bruges til talt output i Instruct-checkpointet. Denne forskel er vigtig ved valg af en model til en analyserapport frem for en samtale med stemme.
Producenten beskriver Qwen3-Omni som en flersproget mixture-of-experts-familie med 119 tekstsprog og 19 sprog til taleinput. Russisk optræder på den offentliggjorte liste over taleinputsprog. Den præcise Thinking-konfiguration omfatter 48 teksttransformerlag, 128 eksperter og otte eksperter valgt pr. token. Den har også lyd- og billedbehandlingskomponenter. Det er egenskaber ved det navngivne checkpoint; dets multimodale forståelse bør ikke erstattes med evnerne hos en Qwen3-model til almindelig tekst med en lignende størrelsesbetegnelse.
Anvendelsesopskrifterne omfatter talegenkendelse og oversættelse, analyse af musik og omgivelseslyde, blandet lyd, billedspørgsmål, OCR, objektgrounding, videobeskrivelser og audiovisuelle spørgsmål. Billedmatematik fremhæver specifikt Thinking-udgaven. Til en geometriopgave skal du levere hele diagrammet, læsbare etiketter og spørgsmålet og derefter bede om en løsning, der skelner mellem synlige givne oplysninger og antagelser. Til en optaget demonstration skal du udpege den handling eller afvigelse, der skal undersøges, og bede om observationer knyttet til de relevante dele af materialet. Den forventede leverance kan være en skriftlig løsning, en struktureret observationsliste eller en forklaring af, hvad dokumentationen understøtter.
Klargør input som en multimodal samtale med den matchende processor og chatskabelon. Producentens behandlingsværktøjssæt håndterer sammenflettet tekst, billeder, lyd og video. Qwen beskriver streamede tekstsvar som en del af familiens interaktionsdesign og demonstrerer batchinferens med blandede medier og output kun som tekst. I hver dialogrunde anbefaler producenten en eksplicit tekstinstruktion sammen med medierne. En video alene gør opgaven tvetydig: angiv, om handlinger skal opsummeres, to scener sammenlignes, en lyd forklares eller den viste opgave løses. Mærk flere input og deres forhold, så slutteksten kan forbinde det rette spørgsmål med det rette materiale.
For video, der indeholder tale eller hændelseslyde, skal du afgøre, om lyden indgår i opgaven. Det dokumenterede forløb bruger use_audio_in_video konsekvent under forbehandling og generering, og modelkortet advarer om, at ændring af denne indstilling mellem dialogrunder kan give uventede resultater. Et spørgsmål kun om scenen og et audiovisuelt spørgsmål kræver derfor forskellig klargøring. Bevar det oprindelige klip, vælg det relevante interval, og undgå at udelade lydsporet, når den ønskede konklusion afhænger af, hvad der blev sagt eller hørt.
Den offentliggjorte tekstkonfiguration sætter max_position_embeddings til 65,536. Modelkortets vLLM-eksempler bruger særskilt en modellængdeindstilling på 32,768 tokens og en genereringsindstilling på 16,384 tokens. Det viser et konfigureret inferenseksempel frem for én universel maksimal outputgrænse. Medier repræsenteres gennem processoren, så forespørgselsstørrelse er ikke blot antallet af indtastede tegn. Reservér plads til tekstresultatet, og brug et afgrænset kildesegment, når en lang optagelse kun indeholder en kort hændelse, som er relevant for spørgsmålet.
Producenten demonstrerer Transformers- og vLLM-forløb med processorunderstøttelse og medieafkodning som eksplicitte afhængigheder. Det fælles modelkort dokumenterer også forskelle mellem grænseflader, herunder særskilt håndtering af video og lyd i et serveringseksempel. Vælg det præcise Thinking-checkpoint og dets understøttede behandlingsvej frem for at antage, at alle eksempler på familiekortet har samme outputadfærd. Talestemmer og Talker-indstillinger på siden gælder Instruct, ikke denne model med kun Thinker.
Til et nyttigt slutresultat skal du bede om en dokumentationsbaseret forklaring og en tydeligt adskilt konklusion. I en visuel opgave skal du bevare enheder, symboler og etiketter; i lyd skal du skelne mellem hørbart indhold og en udledt kilde; i video skal du skelne mellem observerede handlinger og fortolkning af hensigt. Inspicér resultatet mod det leverede materiale, og identificér usikre eller ulæselige detaljer udtrykkeligt. Modellens tekstsvar kan understøtte analyse eller et senere applikationstrin, mens værktøjsudførelse, faktabekræftelse eller medietransformation forbliver en særskilt operation, der kræver sit eget input og resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser Qwen/Qwen3-Omni-30B-A3B-Thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-30B-A3B-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-Omni-30B-A3B-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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.