30B-A3B Instruct-udgaven
Qwen3-VL-30B-A3B-Instruct er den instruktionsfokuserede mixture-of-experts-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Bevar denne præcise Instruct-identitet frem for at erstatte den med den ræsonnementsforstærkede Thinking-udgave eller en anden familiestørrelse. En nyttig forespørgsel definerer den visuelle dokumentation, spørgsmålet og den konkrete leverance, der forventes i svaret.
Visuelle agenter og visuel programmering
Producenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og værktøjskald i et visuelt agentforløb. Lever skærmbilledet og det tilsigtede mål, og spørg derefter, hvilken synlig kontrol der svarer til opgaven, og hvad der underbygger valget. Den tilsluttede applikation udfører handlinger og returnerer deres resultater; visuel genkendelse alene styrer ikke enheden.
Visuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript genereret ud fra billeder eller video. Lever en layoutreference med funktionelle begrænsninger, og bed om redigerbar kildekode. Til en ændring af en eksisterende grænseflade skal du medtage relevant kode og forventede interaktionstilstande. Adskil leverancen fra forklaringen, så et udviklingsforløb kan gengive og inspicere den. Genereret kildekode er et forslag til gennemgang, ikke bevis på en fungerende applikation.
Rumlig opfattelse, kontekst og video
Qwen dokumenterer vurderinger af objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Udpeg målet, og bed om de synlige tegn, der understøtter forholdet. Et billedbaseret forhold bør holdes adskilt fra 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 billedrækkefølge, når du spørger om en sekvens. Det konfigurerede repræsentationsbudget bestemmer, hvilket materiale der behandles, så familiens brede beskrivelse af lang video bør ikke blive et løfte om perfekt genkaldelse af hvert billede.
Multimodalt ræsonnement, genkendelse og OCR
Modellen understøtter visuelle STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede forklaringer. Lever hele opgaveteksten og diagrametiketter, og bed om de anvendte værdier før den endelige konklusion. Familien udvider også genkendelse til personer, produkter, vartegn, planter, dyr og mediefigurer. Kontrollér et identifikationsresultat, når den præcise identitet er vigtig.
OCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialistordforråd og dokumentstruktur. Lever læsbare sider, og bed om felter, citater eller en tabel, der kan kontrolleres mod kilden. Tekst- og billedforståelse kombineres, så spørgsmålet kan forbinde en passage med dens figur og brugerens instruktioner.
Arkitektur
Den offentliggjorte konfiguration identificerer en vision-sprogmodel med mixture-of-experts, 48 tekstlag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde; DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen; tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 30B-A3B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.
Klargøring af input
Familieeksemplerne omfatter opgaver med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og bevar deres forhold. Billed- og videopixelbudgetter er særskilte, hvor video medregner pixels på tværs af samplede billeder. Eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal i understøttede forløb.
Mediehjælpeværktøjet kan bevare videometadata og anbefaler at undgå en anden størrelsesændring, når det allerede har skaleret materialet. Til en dokumentsammenligning skal svaret organiseres efter sidemærke. For et klip skal du bede om hændelsen, det relevante interval og understøttende dokumentation. Sammenlign returnerede felter, passager og hændelsestidspunkter med de oprindelige sider eller klippet.
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 et selvstændigt fastslået hårdt outputmaksimum. 8B Instruct-kortets særskilte opgavebudgetter bør ikke automatisk tilskrives denne udgave.
Familiens udvidelsesprocedure bruger YaRN og foreslår en faktor på to eller tre ved udvidelse af den sammenflettede positionsordning fra 256K til cirka 1M. Reservér plads til resultatet sammen med tekst og repræsenteret visuelt materiale, og kontrollér OCR, beregnede konklusioner og genereret kode mod den oprindelige dokumentation. Hold Instruct-genereringskontrakten adskilt fra et Thinking-checkpoints indstillinger; en applikationsspecifik hybridomskifter fastslås ikke af udgavenavnet alene.
", "aboutText": "30B-A3B Instruct-udgaven\n\nQwen3-VL-30B-A3B-Instruct er den instruktionsfokuserede mixture-of-experts-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Bevar denne præcise Instruct-identitet frem for at erstatte den med den ræsonnementsforstærkede Thinking-udgave eller en anden familiestørrelse. En nyttig forespørgsel definerer den visuelle dokumentation, spørgsmålet og den konkrete leverance, der forventes i svaret.\n\nVisuelle agenter og visuel programmering\n\nProducenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og værktøjskald i et visuelt agentforløb. Lever skærmbilledet og det tilsigtede mål, og spørg derefter, hvilken synlig kontrol der svarer til opgaven, og hvad der underbygger valget. Den tilsluttede applikation udfører handlinger og returnerer deres resultater; visuel genkendelse alene styrer ikke enheden.\n\nVisuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript genereret ud fra billeder eller video. Lever en layoutreference med funktionelle begrænsninger, og bed om redigerbar kildekode. Til en ændring af en eksisterende grænseflade skal du medtage relevant kode og forventede interaktionstilstande. Adskil leverancen fra forklaringen, så et udviklingsforløb kan gengive og inspicere den. Genereret kildekode er et forslag til gennemgang, ikke bevis på en fungerende applikation.\n\nRumlig opfattelse, kontekst og video\n\nQwen dokumenterer vurderinger af objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Udpeg målet, og bed om de synlige tegn, der understøtter forholdet. Et billedbaseret forhold bør holdes adskilt fra 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 billedrækkefølge, når du spørger om en sekvens. Det konfigurerede repræsentationsbudget bestemmer, hvilket materiale der behandles, så familiens brede beskrivelse af lang video bør ikke blive et løfte om perfekt genkaldelse af hvert billede.\n\nMultimodalt ræsonnement, genkendelse og OCR\n\nModellen understøtter visuelle STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede forklaringer. Lever hele opgaveteksten og diagrametiketter, og bed om de anvendte værdier før den endelige konklusion. Familien udvider også genkendelse til personer, produkter, vartegn, planter, dyr og mediefigurer. Kontrollér et identifikationsresultat, når den præcise identitet er vigtig.\n\nOCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialistordforråd og dokumentstruktur. Lever læsbare sider, og bed om felter, citater eller en tabel, der kan kontrolleres mod kilden. Tekst- og billedforståelse kombineres, så spørgsmålet kan forbinde en passage med dens figur og brugerens instruktioner.\n\nArkitektur\n\nDen offentliggjorte konfiguration identificerer en vision-sprogmodel med mixture-of-experts, 48 tekstlag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde; DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen; tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 30B-A3B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.\n\nKlargøring af input\n\nFamilieeksemplerne omfatter opgaver med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og bevar deres forhold. Billed- og videopixelbudgetter er særskilte, hvor video medregner pixels på tværs af samplede billeder. Eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal i understøttede forløb.\n\nMediehjælpeværktøjet kan bevare videometadata og anbefaler at undgå en anden størrelsesændring, når det allerede har skaleret materialet. Til en dokumentsammenligning skal svaret organiseres efter sidemærke. For et klip skal du bede om hændelsen, det relevante interval og understøttende dokumentation. Sammenlign returnerede felter, passager og hændelsestidspunkter med de oprindelige sider eller klippet.\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 et selvstændigt fastslået hårdt outputmaksimum. 8B Instruct-kortets særskilte opgavebudgetter bør ikke automatisk tilskrives denne udgave.\n\nFamiliens udvidelsesprocedure bruger YaRN og foreslår en faktor på to eller tre ved udvidelse af den sammenflettede positionsordning fra 256K til cirka 1M. Reservér plads til resultatet sammen med tekst og repræsenteret visuelt materiale, og kontrollér OCR, beregnede konklusioner og genereret kode mod den oprindelige dokumentation. Hold Instruct-genereringskontrakten adskilt fra et Thinking-checkpoints indstillinger; en applikationsspecifik hybridomskifter fastslås ikke af udgavenavnet alene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct er Qwens instruktionsfokuserede vision-sprogudgave med mixture-of-experts til tekst, billeder og video. Den returnerer tekst eller kode til visuelle agentforløb, dokumentlæsning, rumlige spørgsmål og visuel programmering med OCR på 32 sprog og en indbygget kontekst på 262,144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
30B-A3B Instruct-udgaven
Qwen3-VL-30B-A3B-Instruct er den instruktionsfokuserede mixture-of-experts-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Bevar denne præcise Instruct-identitet frem for at erstatte den med den ræsonnementsforstærkede Thinking-udgave eller en anden familiestørrelse. En nyttig forespørgsel definerer den visuelle dokumentation, spørgsmålet og den konkrete leverance, der forventes i svaret.
Visuelle agenter og visuel programmering
Producenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og værktøjskald i et visuelt agentforløb. Lever skærmbilledet og det tilsigtede mål, og spørg derefter, hvilken synlig kontrol der svarer til opgaven, og hvad der underbygger valget. Den tilsluttede applikation udfører handlinger og returnerer deres resultater; visuel genkendelse alene styrer ikke enheden.
Visuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript genereret ud fra billeder eller video. Lever en layoutreference med funktionelle begrænsninger, og bed om redigerbar kildekode. Til en ændring af en eksisterende grænseflade skal du medtage relevant kode og forventede interaktionstilstande. Adskil leverancen fra forklaringen, så et udviklingsforløb kan gengive og inspicere den. Genereret kildekode er et forslag til gennemgang, ikke bevis på en fungerende applikation.
Rumlig opfattelse, kontekst og video
Qwen dokumenterer vurderinger af objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Udpeg målet, og bed om de synlige tegn, der understøtter forholdet. Et billedbaseret forhold bør holdes adskilt fra 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 billedrækkefølge, når du spørger om en sekvens. Det konfigurerede repræsentationsbudget bestemmer, hvilket materiale der behandles, så familiens brede beskrivelse af lang video bør ikke blive et løfte om perfekt genkaldelse af hvert billede.
Multimodalt ræsonnement, genkendelse og OCR
Modellen understøtter visuelle STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede forklaringer. Lever hele opgaveteksten og diagrametiketter, og bed om de anvendte værdier før den endelige konklusion. Familien udvider også genkendelse til personer, produkter, vartegn, planter, dyr og mediefigurer. Kontrollér et identifikationsresultat, når den præcise identitet er vigtig.
OCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialistordforråd og dokumentstruktur. Lever læsbare sider, og bed om felter, citater eller en tabel, der kan kontrolleres mod kilden. Tekst- og billedforståelse kombineres, så spørgsmålet kan forbinde en passage med dens figur og brugerens instruktioner.
Arkitektur
Den offentliggjorte konfiguration identificerer en vision-sprogmodel med mixture-of-experts, 48 tekstlag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde; DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen; tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 30B-A3B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.
Klargøring af input
Familieeksemplerne omfatter opgaver med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og bevar deres forhold. Billed- og videopixelbudgetter er særskilte, hvor video medregner pixels på tværs af samplede billeder. Eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal i understøttede forløb.
Mediehjælpeværktøjet kan bevare videometadata og anbefaler at undgå en anden størrelsesændring, når det allerede har skaleret materialet. Til en dokumentsammenligning skal svaret organiseres efter sidemærke. For et klip skal du bede om hændelsen, det relevante interval og understøttende dokumentation. Sammenlign returnerede felter, passager og hændelsestidspunkter med de oprindelige sider eller klippet.
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 et selvstændigt fastslået hårdt outputmaksimum. 8B Instruct-kortets særskilte opgavebudgetter bør ikke automatisk tilskrives denne udgave.
Familiens udvidelsesprocedure bruger YaRN og foreslår en faktor på to eller tre ved udvidelse af den sammenflettede positionsordning fra 256K til cirka 1M. Reservér plads til resultatet sammen med tekst og repræsenteret visuelt materiale, og kontrollér OCR, beregnede konklusioner og genereret kode mod den oprindelige dokumentation. Hold Instruct-genereringskontrakten adskilt fra et Thinking-checkpoints indstillinger; en applikationsspecifik hybridomskifter fastslås ikke af udgavenavnet alene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-vl-30b-a3b-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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 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-vl-30b-a3b-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-30b-a3b-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-30b-a3b-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-30b-a3b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct er Qwens instruktionsfokuserede vision-sprogudgave med mixture-of-experts til tekst, billeder og video. Den returnerer tekst eller kode til visuelle agentforløb, dokumentlæsning, rumlige spørgsmål og visuel programmering med OCR på 32 sprog og en indbygget kontekst på 262,144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
30B-A3B Instruct-udgaven
Qwen3-VL-30B-A3B-Instruct er den instruktionsfokuserede mixture-of-experts-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Bevar denne præcise Instruct-identitet frem for at erstatte den med den ræsonnementsforstærkede Thinking-udgave eller en anden familiestørrelse. En nyttig forespørgsel definerer den visuelle dokumentation, spørgsmålet og den konkrete leverance, der forventes i svaret.
Visuelle agenter og visuel programmering
Producenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og værktøjskald i et visuelt agentforløb. Lever skærmbilledet og det tilsigtede mål, og spørg derefter, hvilken synlig kontrol der svarer til opgaven, og hvad der underbygger valget. Den tilsluttede applikation udfører handlinger og returnerer deres resultater; visuel genkendelse alene styrer ikke enheden.
Visuel programmering omfatter diagramindhold og HTML, CSS eller JavaScript genereret ud fra billeder eller video. Lever en layoutreference med funktionelle begrænsninger, og bed om redigerbar kildekode. Til en ændring af en eksisterende grænseflade skal du medtage relevant kode og forventede interaktionstilstande. Adskil leverancen fra forklaringen, så et udviklingsforløb kan gengive og inspicere den. Genereret kildekode er et forslag til gennemgang, ikke bevis på en fungerende applikation.
Rumlig opfattelse, kontekst og video
Qwen dokumenterer vurderinger af objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Udpeg målet, og bed om de synlige tegn, der understøtter forholdet. Et billedbaseret forhold bør holdes adskilt fra 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 billedrækkefølge, når du spørger om en sekvens. Det konfigurerede repræsentationsbudget bestemmer, hvilket materiale der behandles, så familiens brede beskrivelse af lang video bør ikke blive et løfte om perfekt genkaldelse af hvert billede.
Multimodalt ræsonnement, genkendelse og OCR
Modellen understøtter visuelle STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede forklaringer. Lever hele opgaveteksten og diagrametiketter, og bed om de anvendte værdier før den endelige konklusion. Familien udvider også genkendelse til personer, produkter, vartegn, planter, dyr og mediefigurer. Kontrollér et identifikationsresultat, når den præcise identitet er vigtig.
OCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialistordforråd og dokumentstruktur. Lever læsbare sider, og bed om felter, citater eller en tabel, der kan kontrolleres mod kilden. Tekst- og billedforståelse kombineres, så spørgsmålet kan forbinde en passage med dens figur og brugerens instruktioner.
Arkitektur
Den offentliggjorte konfiguration identificerer en vision-sprogmodel med mixture-of-experts, 48 tekstlag, 128 eksperter og otte eksperter valgt pr. token. Interleaved-MRoPE repræsenterer tid, bredde og højde; DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen; tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Brug denne 30B-A3B Instruct-udgave konsekvent ved klargøring af visuelle opgaver og sammenligning af deres resultater.
Klargøring af input
Familieeksemplerne omfatter opgaver med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og bevar deres forhold. Billed- og videopixelbudgetter er særskilte, hvor video medregner pixels på tværs af samplede billeder. Eksplicitte billeddimensioner tilpasses multipla af 32. Den dokumenterede videostandard er to billeder pr. sekund med indstillinger for frekvens eller billedantal i understøttede forløb.
Mediehjælpeværktøjet kan bevare videometadata og anbefaler at undgå en anden størrelsesændring, når det allerede har skaleret materialet. Til en dokumentsammenligning skal svaret organiseres efter sidemærke. For et klip skal du bede om hændelsen, det relevante interval og understøttende dokumentation. Sammenlign returnerede felter, passager og hændelsestidspunkter med de oprindelige sider eller klippet.
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 et selvstændigt fastslået hårdt outputmaksimum. 8B Instruct-kortets særskilte opgavebudgetter bør ikke automatisk tilskrives denne udgave.
Familiens udvidelsesprocedure bruger YaRN og foreslår en faktor på to eller tre ved udvidelse af den sammenflettede positionsordning fra 256K til cirka 1M. Reservér plads til resultatet sammen med tekst og repræsenteret visuelt materiale, og kontrollér OCR, beregnede konklusioner og genereret kode mod den oprindelige dokumentation. Hold Instruct-genereringskontrakten adskilt fra et Thinking-checkpoints indstillinger; en applikationsspecifik hybridomskifter fastslås ikke af udgavenavnet alene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-vl-30b-a3b-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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-vl-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-30b-a3b-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-30b-a3b-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-30b-a3b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.