235B-A22B Instruct-udgaven
Qwen3-VL-235B-A22B-Instruct er det instruktionsfokuserede mixture-of-experts-medlem af Qwen3-VL. Det modtager tekst, billeder og video og genererer tekst, herunder kode eller en ønsket dokumentleverance. Bevar den præcise Instruct-udgave frem for at tilskrive den et Thinking-checkpoints svarkontrakt eller en anden størrelses opskrift. En nyttig opgave giver modellen et konkret spørgsmål og et resultat, der kan sammenlignes med den leverede dokumentation.
Visuelle agenter og programmering
Producenten beskriver visuelle agentforløb, der genkender grænsefladeelementer, forstår deres funktioner og kalder værktøjer til computer- eller mobilopgaver. Lever et skærmbillede og et mål, og bed derefter om den relevante kontrol og den dokumentation, der understøtter valget. Den tilsluttede applikation udfører handlinger og leverer resultater; genkendelse af en grænseflade styrer ikke i sig selv en enhed.
Visuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript produceret ud fra billeder eller video. Lever layoutreferencen, funktionelle begrænsninger og det krævede redigerbare output. Til en ændring af en eksisterende side skal du medtage relevant kildekode og interaktionstilstande. Bed om leverancen adskilt fra forklaringen, så den kan gengives og gennemgås i et udviklingsforløb. Genereret kildekode forbliver et forslag, ikke bevis på en fungerende applikation.
Rumlig opfattelse og langt materiale
Qwen dokumenterer vurderinger af positioner, synsvinkler og okklusioner, herunder todimensional grounding og understøttelse af tredimensional grounding. Udpeg de relevante objekter og forhold, og spørg derefter, hvilke synlige tegn der underbygger konklusionen. Et billedbaseret forhold bør ikke behandles som en kalibreret fysisk måling.
Den indbyggede kontekst er 262,144 tokens. Familien beskriver bøger og flere timer lang video med hændelsesindeksering på sekundniveau og udvidelse til cirka en million tokens via konfiguration. Bevar tidsangivelser og kildeidentifikatorer, når du beder om en hændelsesredegørelse. Repræsentation og sampling bestemmer, hvilket materiale der indgår i forespørgslen; en stor kontekst garanterer ikke perfekt genkaldelse af hver side eller hvert billede.
Ræsonnementer, genkendelse og OCR
Familien understøtter visuelle STEM-, matematik-, årsags- og logikspørgsmål. Giv hele opgaveteksten og diagrametiketterne, og bed modellen identificere de anvendte værdier eller forhold før konklusionen. Tekst og billeder kombineres, så ét spørgsmål kan forbinde et afsnit med dets figur og brugerens instruktioner.
Genkendelse omfatter personer, produkter, vartegn, planter, dyr og mediefigurer. OCR dækker 32 sprog og sigter mod svagt lys, sløring og hældning, herunder specialistordforråd og lange dokumenters struktur. Lever læsbare sider, og bed om navngivne felter, citater eller en tabel, der kan kontrolleres mod billedet. Disse anvendelser afspejler det dokumenterede område frem for at garantere præcis identifikation, transskription eller beregning.
Arkitekturopdateringer
Den offentliggjorte mixture-of-experts-tekstkonfiguration har 94 lag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer visuelle egenskaber fra flere encoderniveauer, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 235B-A22B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.
Klargøring af visuelle input
Familieeksemplerne omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte, mens eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal, hvor det understøttes. Bevar videometadata, og undgå dobbelt størrelsesændring, når hjælpeværktøjet allerede har skaleret materialet.
For flere dokumentsider skal svaret organiseres efter sidemærke, og du skal bede om understøttende felter eller passager. For et klip skal du bede om den relevante hændelse, interval og synlig dokumentation. Sammenlign det returnerede hændelsesinterval og understøttende detaljer med det oprindelige klip og dets tidsangivelser.
Genereringsvejledning og begrænsninger
Checkpointets genereringsfil har standardværdierne temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.0. Familiens Instruct-opskrift bruger desuden presence penalty 1.5 og et outputbudget på 32,768 tokens. Budgettet er en del af producentens opskrift, ikke en selvstændigt fastslået hård outputgrænse. 8B-kortets opgavespecifikke budgetter og Thinking-udgavens forvalg forbliver særskilte.
Familiens kontekstudvidelse bruger YaRN og foreslår en faktor på to eller tre ved overgang i dens sammenflettede positionsordning fra 256K til cirka 1M. Reservér svarplads sammen med tekst og repræsenteret visuelt materiale, og kontrollér citater, udtrukne tal og genereret kode mod kilden. Det nyttige resultat er en konkret tekstleverance med dens understøttende visuelle dokumentation og præcise Instruct-identitet bevaret.
", "aboutText": "235B-A22B Instruct-udgaven\n\nQwen3-VL-235B-A22B-Instruct er det instruktionsfokuserede mixture-of-experts-medlem af Qwen3-VL. Det modtager tekst, billeder og video og genererer tekst, herunder kode eller en ønsket dokumentleverance. Bevar den præcise Instruct-udgave frem for at tilskrive den et Thinking-checkpoints svarkontrakt eller en anden størrelses opskrift. En nyttig opgave giver modellen et konkret spørgsmål og et resultat, der kan sammenlignes med den leverede dokumentation.\n\nVisuelle agenter og programmering\n\nProducenten beskriver visuelle agentforløb, der genkender grænsefladeelementer, forstår deres funktioner og kalder værktøjer til computer- eller mobilopgaver. Lever et skærmbillede og et mål, og bed derefter om den relevante kontrol og den dokumentation, der understøtter valget. Den tilsluttede applikation udfører handlinger og leverer resultater; genkendelse af en grænseflade styrer ikke i sig selv en enhed.\n\nVisuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript produceret ud fra billeder eller video. Lever layoutreferencen, funktionelle begrænsninger og det krævede redigerbare output. Til en ændring af en eksisterende side skal du medtage relevant kildekode og interaktionstilstande. Bed om leverancen adskilt fra forklaringen, så den kan gengives og gennemgås i et udviklingsforløb. Genereret kildekode forbliver et forslag, ikke bevis på en fungerende applikation.\n\nRumlig opfattelse og langt materiale\n\nQwen dokumenterer vurderinger af positioner, synsvinkler og okklusioner, herunder todimensional grounding og understøttelse af tredimensional grounding. Udpeg de relevante objekter og forhold, og spørg derefter, hvilke synlige tegn der underbygger konklusionen. Et billedbaseret forhold bør ikke behandles som en kalibreret fysisk måling.\n\nDen indbyggede kontekst er 262,144 tokens. Familien beskriver bøger og flere timer lang video med hændelsesindeksering på sekundniveau og udvidelse til cirka en million tokens via konfiguration. Bevar tidsangivelser og kildeidentifikatorer, når du beder om en hændelsesredegørelse. Repræsentation og sampling bestemmer, hvilket materiale der indgår i forespørgslen; en stor kontekst garanterer ikke perfekt genkaldelse af hver side eller hvert billede.\n\nRæsonnementer, genkendelse og OCR\n\nFamilien understøtter visuelle STEM-, matematik-, årsags- og logikspørgsmål. Giv hele opgaveteksten og diagrametiketterne, og bed modellen identificere de anvendte værdier eller forhold før konklusionen. Tekst og billeder kombineres, så ét spørgsmål kan forbinde et afsnit med dets figur og brugerens instruktioner.\n\nGenkendelse omfatter personer, produkter, vartegn, planter, dyr og mediefigurer. OCR dækker 32 sprog og sigter mod svagt lys, sløring og hældning, herunder specialistordforråd og lange dokumenters struktur. Lever læsbare sider, og bed om navngivne felter, citater eller en tabel, der kan kontrolleres mod billedet. Disse anvendelser afspejler det dokumenterede område frem for at garantere præcis identifikation, transskription eller beregning.\n\nArkitekturopdateringer\n\nDen offentliggjorte mixture-of-experts-tekstkonfiguration har 94 lag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer visuelle egenskaber fra flere encoderniveauer, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 235B-A22B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.\n\nKlargøring af visuelle input\n\nFamilieeksemplerne omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte, mens eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal, hvor det understøttes. Bevar videometadata, og undgå dobbelt størrelsesændring, når hjælpeværktøjet allerede har skaleret materialet.\n\nFor flere dokumentsider skal svaret organiseres efter sidemærke, og du skal bede om understøttende felter eller passager. For et klip skal du bede om den relevante hændelse, interval og synlig dokumentation. Sammenlign det returnerede hændelsesinterval og understøttende detaljer med det oprindelige klip og dets tidsangivelser.\n\nGenereringsvejledning og begrænsninger\n\nCheckpointets genereringsfil har standardværdierne temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.0. Familiens Instruct-opskrift bruger desuden presence penalty 1.5 og et outputbudget på 32,768 tokens. Budgettet er en del af producentens opskrift, ikke en selvstændigt fastslået hård outputgrænse. 8B-kortets opgavespecifikke budgetter og Thinking-udgavens forvalg forbliver særskilte.\n\nFamiliens kontekstudvidelse bruger YaRN og foreslår en faktor på to eller tre ved overgang i dens sammenflettede positionsordning fra 256K til cirka 1M. Reservér svarplads sammen med tekst og repræsenteret visuelt materiale, og kontrollér citater, udtrukne tal og genereret kode mod kilden. Det nyttige resultat er en konkret tekstleverance med dens understøttende visuelle dokumentation og præcise Instruct-identitet bevaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct er Qwens instruktionsorienterede mixture-of-experts-udgave til tekst, billeder og video. Den returnerer tekst eller kode til visuelle forløb, dokumenter, rumlige spørgsmål og STEM-opgaver med OCR på 32 sprog og en oprindelig kontekst på 262.144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
235B-A22B Instruct-udgaven
Qwen3-VL-235B-A22B-Instruct er det instruktionsfokuserede mixture-of-experts-medlem af Qwen3-VL. Det modtager tekst, billeder og video og genererer tekst, herunder kode eller en ønsket dokumentleverance. Bevar den præcise Instruct-udgave frem for at tilskrive den et Thinking-checkpoints svarkontrakt eller en anden størrelses opskrift. En nyttig opgave giver modellen et konkret spørgsmål og et resultat, der kan sammenlignes med den leverede dokumentation.
Visuelle agenter og programmering
Producenten beskriver visuelle agentforløb, der genkender grænsefladeelementer, forstår deres funktioner og kalder værktøjer til computer- eller mobilopgaver. Lever et skærmbillede og et mål, og bed derefter om den relevante kontrol og den dokumentation, der understøtter valget. Den tilsluttede applikation udfører handlinger og leverer resultater; genkendelse af en grænseflade styrer ikke i sig selv en enhed.
Visuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript produceret ud fra billeder eller video. Lever layoutreferencen, funktionelle begrænsninger og det krævede redigerbare output. Til en ændring af en eksisterende side skal du medtage relevant kildekode og interaktionstilstande. Bed om leverancen adskilt fra forklaringen, så den kan gengives og gennemgås i et udviklingsforløb. Genereret kildekode forbliver et forslag, ikke bevis på en fungerende applikation.
Rumlig opfattelse og langt materiale
Qwen dokumenterer vurderinger af positioner, synsvinkler og okklusioner, herunder todimensional grounding og understøttelse af tredimensional grounding. Udpeg de relevante objekter og forhold, og spørg derefter, hvilke synlige tegn der underbygger konklusionen. Et billedbaseret forhold bør ikke behandles som en kalibreret fysisk måling.
Den indbyggede kontekst er 262,144 tokens. Familien beskriver bøger og flere timer lang video med hændelsesindeksering på sekundniveau og udvidelse til cirka en million tokens via konfiguration. Bevar tidsangivelser og kildeidentifikatorer, når du beder om en hændelsesredegørelse. Repræsentation og sampling bestemmer, hvilket materiale der indgår i forespørgslen; en stor kontekst garanterer ikke perfekt genkaldelse af hver side eller hvert billede.
Ræsonnementer, genkendelse og OCR
Familien understøtter visuelle STEM-, matematik-, årsags- og logikspørgsmål. Giv hele opgaveteksten og diagrametiketterne, og bed modellen identificere de anvendte værdier eller forhold før konklusionen. Tekst og billeder kombineres, så ét spørgsmål kan forbinde et afsnit med dets figur og brugerens instruktioner.
Genkendelse omfatter personer, produkter, vartegn, planter, dyr og mediefigurer. OCR dækker 32 sprog og sigter mod svagt lys, sløring og hældning, herunder specialistordforråd og lange dokumenters struktur. Lever læsbare sider, og bed om navngivne felter, citater eller en tabel, der kan kontrolleres mod billedet. Disse anvendelser afspejler det dokumenterede område frem for at garantere præcis identifikation, transskription eller beregning.
Arkitekturopdateringer
Den offentliggjorte mixture-of-experts-tekstkonfiguration har 94 lag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer visuelle egenskaber fra flere encoderniveauer, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 235B-A22B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.
Klargøring af visuelle input
Familieeksemplerne omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte, mens eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal, hvor det understøttes. Bevar videometadata, og undgå dobbelt størrelsesændring, når hjælpeværktøjet allerede har skaleret materialet.
For flere dokumentsider skal svaret organiseres efter sidemærke, og du skal bede om understøttende felter eller passager. For et klip skal du bede om den relevante hændelse, interval og synlig dokumentation. Sammenlign det returnerede hændelsesinterval og understøttende detaljer med det oprindelige klip og dets tidsangivelser.
Genereringsvejledning og begrænsninger
Checkpointets genereringsfil har standardværdierne temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.0. Familiens Instruct-opskrift bruger desuden presence penalty 1.5 og et outputbudget på 32,768 tokens. Budgettet er en del af producentens opskrift, ikke en selvstændigt fastslået hård outputgrænse. 8B-kortets opgavespecifikke budgetter og Thinking-udgavens forvalg forbliver særskilte.
Familiens kontekstudvidelse bruger YaRN og foreslår en faktor på to eller tre ved overgang i dens sammenflettede positionsordning fra 256K til cirka 1M. Reservér svarplads sammen med tekst og repræsenteret visuelt materiale, og kontrollér citater, udtrukne tal og genereret kode mod kilden. Det nyttige resultat er en konkret tekstleverance med dens understøttende visuelle dokumentation og præcise Instruct-identitet bevaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-vl-235b-a22b-instruct | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0038 / 1K tokens Input · Cachelæsning $0.0002 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0038 / 1K tokens Input · Cachelæsning $0.0002 / 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-vl-235b-a22b-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-235b-a22b-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-235b-a22b-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 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-vl-235b-a22b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct er Qwens instruktionsorienterede mixture-of-experts-udgave til tekst, billeder og video. Den returnerer tekst eller kode til visuelle forløb, dokumenter, rumlige spørgsmål og STEM-opgaver med OCR på 32 sprog og en oprindelig kontekst på 262.144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
235B-A22B Instruct-udgaven
Qwen3-VL-235B-A22B-Instruct er det instruktionsfokuserede mixture-of-experts-medlem af Qwen3-VL. Det modtager tekst, billeder og video og genererer tekst, herunder kode eller en ønsket dokumentleverance. Bevar den præcise Instruct-udgave frem for at tilskrive den et Thinking-checkpoints svarkontrakt eller en anden størrelses opskrift. En nyttig opgave giver modellen et konkret spørgsmål og et resultat, der kan sammenlignes med den leverede dokumentation.
Visuelle agenter og programmering
Producenten beskriver visuelle agentforløb, der genkender grænsefladeelementer, forstår deres funktioner og kalder værktøjer til computer- eller mobilopgaver. Lever et skærmbillede og et mål, og bed derefter om den relevante kontrol og den dokumentation, der understøtter valget. Den tilsluttede applikation udfører handlinger og leverer resultater; genkendelse af en grænseflade styrer ikke i sig selv en enhed.
Visuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript produceret ud fra billeder eller video. Lever layoutreferencen, funktionelle begrænsninger og det krævede redigerbare output. Til en ændring af en eksisterende side skal du medtage relevant kildekode og interaktionstilstande. Bed om leverancen adskilt fra forklaringen, så den kan gengives og gennemgås i et udviklingsforløb. Genereret kildekode forbliver et forslag, ikke bevis på en fungerende applikation.
Rumlig opfattelse og langt materiale
Qwen dokumenterer vurderinger af positioner, synsvinkler og okklusioner, herunder todimensional grounding og understøttelse af tredimensional grounding. Udpeg de relevante objekter og forhold, og spørg derefter, hvilke synlige tegn der underbygger konklusionen. Et billedbaseret forhold bør ikke behandles som en kalibreret fysisk måling.
Den indbyggede kontekst er 262,144 tokens. Familien beskriver bøger og flere timer lang video med hændelsesindeksering på sekundniveau og udvidelse til cirka en million tokens via konfiguration. Bevar tidsangivelser og kildeidentifikatorer, når du beder om en hændelsesredegørelse. Repræsentation og sampling bestemmer, hvilket materiale der indgår i forespørgslen; en stor kontekst garanterer ikke perfekt genkaldelse af hver side eller hvert billede.
Ræsonnementer, genkendelse og OCR
Familien understøtter visuelle STEM-, matematik-, årsags- og logikspørgsmål. Giv hele opgaveteksten og diagrametiketterne, og bed modellen identificere de anvendte værdier eller forhold før konklusionen. Tekst og billeder kombineres, så ét spørgsmål kan forbinde et afsnit med dets figur og brugerens instruktioner.
Genkendelse omfatter personer, produkter, vartegn, planter, dyr og mediefigurer. OCR dækker 32 sprog og sigter mod svagt lys, sløring og hældning, herunder specialistordforråd og lange dokumenters struktur. Lever læsbare sider, og bed om navngivne felter, citater eller en tabel, der kan kontrolleres mod billedet. Disse anvendelser afspejler det dokumenterede område frem for at garantere præcis identifikation, transskription eller beregning.
Arkitekturopdateringer
Den offentliggjorte mixture-of-experts-tekstkonfiguration har 94 lag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer visuelle egenskaber fra flere encoderniveauer, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 235B-A22B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.
Klargøring af visuelle input
Familieeksemplerne omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte, mens eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal, hvor det understøttes. Bevar videometadata, og undgå dobbelt størrelsesændring, når hjælpeværktøjet allerede har skaleret materialet.
For flere dokumentsider skal svaret organiseres efter sidemærke, og du skal bede om understøttende felter eller passager. For et klip skal du bede om den relevante hændelse, interval og synlig dokumentation. Sammenlign det returnerede hændelsesinterval og understøttende detaljer med det oprindelige klip og dets tidsangivelser.
Genereringsvejledning og begrænsninger
Checkpointets genereringsfil har standardværdierne temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.0. Familiens Instruct-opskrift bruger desuden presence penalty 1.5 og et outputbudget på 32,768 tokens. Budgettet er en del af producentens opskrift, ikke en selvstændigt fastslået hård outputgrænse. 8B-kortets opgavespecifikke budgetter og Thinking-udgavens forvalg forbliver særskilte.
Familiens kontekstudvidelse bruger YaRN og foreslår en faktor på to eller tre ved overgang i dens sammenflettede positionsordning fra 256K til cirka 1M. Reservér svarplads sammen med tekst og repræsenteret visuelt materiale, og kontrollér citater, udtrukne tal og genereret kode mod kilden. Det nyttige resultat er en konkret tekstleverance med dens understøttende visuelle dokumentation og præcise Instruct-identitet bevaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-vl-235b-a22b-instruct | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0038 / 1K tokens Input · Cachelæsning $0.0002 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.000572 / 1K tokens Output · Outputtokens $0.0038 / 1K tokens Input · Cachelæsning $0.0002 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-vl-235b-a22b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-235b-a22b-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-235b-a22b-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 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-vl-235b-a22b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.