Vision-sprogudgaven 8B Instruct
Qwen3-VL-8B-Instruct er den tætte, instruktionsfokuserede 8B-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Den forbliver adskilt fra den ræsonnementsforstærkede Thinking-udgave og fra sparsomme ekspertmodeller i samme familie. Vælg den til en fokuseret visuel instruktion, et dokumentspørgsmål eller en redigerbar leverance, hvis resultat kan sammenlignes med den leverede dokumentation.
Visuelle agenter og visuel programmering
Producenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og brug af værktøjer i et visuelt agentforløb. Lever et skærmbillede og et konkret mål, og spørg derefter, hvilke synlige kontroller der svarer til målet, og hvilken dokumentation der understøtter valget. Tilsluttet software udfører handlingerne; genkendelse af en grænseflade giver ikke selvstændigt modellen kontrol over en enhed.
Visuel programmering omfatter produktion af diagramindhold og HTML, CSS eller JavaScript ud fra billeder eller video. Lever layoutreferencen sammen med funktionelle krav og det krævede redigerbare output. Bed om kildestruktur og stilarter særskilt, når det letter gennemgangen. Genereret kode er en tekstleverance; den kræver stadig et udviklingsforløb til at gengive og vurdere adfærden.
Rumlig opfattelse og langt materiale
Qwen dokumenterer ræsonnement om objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Navngiv målobjektet, og angiv det forhold, der undersøges. Et resultat om relativ position er en slutning ud fra billedet, ikke 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. Repræsentation, billedsampling og den konfigurerede sekvensgrænse bestemmer, hvilket materiale der behandles. En stor kontekst garanterer ikke fuldstændig genkaldelse af hver side eller hvert billede. Bevar tidsangivelser, når du beder om en redegørelse for videohændelser.
Multimodalt ræsonnement, genkendelse og OCR
Familien understøtter STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede visuelle forklaringer. Lever hele opgaveteksten sammen med et diagram, og bed om de anvendte værdier og forhold før konklusionen. Genkendelse dækker et bredt udvalg af personer, produkter, vartegn, planter, dyr og mediefigurer; en plausibel etiket bør kontrolleres, når identifikation er vigtig.
OCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialiseret ordforråd og lange dokumenters struktur. Lever en læsbar side, og bed om navngivne felter, citater eller en struktureret tabel, der kan kontrolleres mod den. Tekst- og billedforståelse kombineres, så et spørgsmål kan forbinde et afsnit med en figur og brugerens instruktioner.
Arkitekturopdateringer
Den offentliggjorte tætte tekstkonfiguration har 36 lag. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Disse arkitekturegenskaber beskriver modellens repræsentation; de fastslår ikke en fast svartid eller præcis fysisk nøjagtighed.
Klargøring af input
Producentens familieeksempler omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte: et billedbudget vedrører ét billede, mens et videobudget vedrører 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.
Hjælpeforløbet bevarer videometadata og anbefaler at undgå dobbelt størrelsesændring, når mediet allerede er skaleret. Til en dokumentopgave skal du bevare sideidentifikatorer; for et klip skal du bede om hændelsen, det relevante interval og synlig dokumentation. Disse klargøringseksempler anvender de dokumenterede evner frem for at garantere præcis udtrækning eller tidslig præcision.
Genereringsvejledning og begrænsninger
Dette præcise kort giver særskilte opgaveforvalg. Vision-sprogopgaver bruger temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 og presence penalty 1.5 med et outputbudget på 16,384 tokens. Tekstopgaver bruger temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 og presence penalty 2.0 med et budget på 32,768 tokens. Det er budgetter i producentens opskrift, ikke selvstændigt fastslåede hårde outputgrænser eller særskilte modelidentiteter.
Familiens procedure for lang kontekst bruger YaRN med en foreslået faktor på to eller tre ved udvidelse af dens sammenflettede positioner fra 256K til cirka 1M. Kopiér ikke en faktor på fire fra en anden Qwen-familie. Reservér plads til svaret sammen med visuelt input og tekstinput, og kontrollér OCR, beregnede konklusioner og genereret kildekode mod det oprindelige materiale. Bevar den præcise Instruct-udgave frem for at overtage et Thinking-checkpoints genererings- eller styringskontrakt.
", "aboutText": "Vision-sprogudgaven 8B Instruct\n\nQwen3-VL-8B-Instruct er den tætte, instruktionsfokuserede 8B-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Den forbliver adskilt fra den ræsonnementsforstærkede Thinking-udgave og fra sparsomme ekspertmodeller i samme familie. Vælg den til en fokuseret visuel instruktion, et dokumentspørgsmål eller en redigerbar leverance, hvis resultat kan sammenlignes med den leverede dokumentation.\n\nVisuelle agenter og visuel programmering\n\nProducenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og brug af værktøjer i et visuelt agentforløb. Lever et skærmbillede og et konkret mål, og spørg derefter, hvilke synlige kontroller der svarer til målet, og hvilken dokumentation der understøtter valget. Tilsluttet software udfører handlingerne; genkendelse af en grænseflade giver ikke selvstændigt modellen kontrol over en enhed.\n\nVisuel programmering omfatter produktion af diagramindhold og HTML, CSS eller JavaScript ud fra billeder eller video. Lever layoutreferencen sammen med funktionelle krav og det krævede redigerbare output. Bed om kildestruktur og stilarter særskilt, når det letter gennemgangen. Genereret kode er en tekstleverance; den kræver stadig et udviklingsforløb til at gengive og vurdere adfærden.\n\nRumlig opfattelse og langt materiale\n\nQwen dokumenterer ræsonnement om objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Navngiv målobjektet, og angiv det forhold, der undersøges. Et resultat om relativ position er en slutning ud fra billedet, ikke 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. Repræsentation, billedsampling og den konfigurerede sekvensgrænse bestemmer, hvilket materiale der behandles. En stor kontekst garanterer ikke fuldstændig genkaldelse af hver side eller hvert billede. Bevar tidsangivelser, når du beder om en redegørelse for videohændelser.\n\nMultimodalt ræsonnement, genkendelse og OCR\n\nFamilien understøtter STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede visuelle forklaringer. Lever hele opgaveteksten sammen med et diagram, og bed om de anvendte værdier og forhold før konklusionen. Genkendelse dækker et bredt udvalg af personer, produkter, vartegn, planter, dyr og mediefigurer; en plausibel etiket bør kontrolleres, når identifikation er vigtig.\n\nOCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialiseret ordforråd og lange dokumenters struktur. Lever en læsbar side, og bed om navngivne felter, citater eller en struktureret tabel, der kan kontrolleres mod den. Tekst- og billedforståelse kombineres, så et spørgsmål kan forbinde et afsnit med en figur og brugerens instruktioner.\n\nArkitekturopdateringer\n\nDen offentliggjorte tætte tekstkonfiguration har 36 lag. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Disse arkitekturegenskaber beskriver modellens repræsentation; de fastslår ikke en fast svartid eller præcis fysisk nøjagtighed.\n\nKlargøring af input\n\nProducentens familieeksempler omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte: et billedbudget vedrører ét billede, mens et videobudget vedrører 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\nHjælpeforløbet bevarer videometadata og anbefaler at undgå dobbelt størrelsesændring, når mediet allerede er skaleret. Til en dokumentopgave skal du bevare sideidentifikatorer; for et klip skal du bede om hændelsen, det relevante interval og synlig dokumentation. Disse klargøringseksempler anvender de dokumenterede evner frem for at garantere præcis udtrækning eller tidslig præcision.\n\nGenereringsvejledning og begrænsninger\n\nDette præcise kort giver særskilte opgaveforvalg. Vision-sprogopgaver bruger temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 og presence penalty 1.5 med et outputbudget på 16,384 tokens. Tekstopgaver bruger temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 og presence penalty 2.0 med et budget på 32,768 tokens. Det er budgetter i producentens opskrift, ikke selvstændigt fastslåede hårde outputgrænser eller særskilte modelidentiteter.\n\nFamiliens procedure for lang kontekst bruger YaRN med en foreslået faktor på to eller tre ved udvidelse af dens sammenflettede positioner fra 256K til cirka 1M. Kopiér ikke en faktor på fire fra en anden Qwen-familie. Reservér plads til svaret sammen med visuelt input og tekstinput, og kontrollér OCR, beregnede konklusioner og genereret kildekode mod det oprindelige materiale. Bevar den præcise Instruct-udgave frem for at overtage et Thinking-checkpoints genererings- eller styringskontrakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct er Qwens tætte instruktionsfokuserede vision-sprogmodel til tekst, billeder og video med tekst eller kode som output. Den understøtter dokumentlæsning, visuel programmering, rumlige spørgsmål og videoanalyse 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.
Vision-sprogudgaven 8B Instruct
Qwen3-VL-8B-Instruct er den tætte, instruktionsfokuserede 8B-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Den forbliver adskilt fra den ræsonnementsforstærkede Thinking-udgave og fra sparsomme ekspertmodeller i samme familie. Vælg den til en fokuseret visuel instruktion, et dokumentspørgsmål eller en redigerbar leverance, hvis resultat kan sammenlignes med den leverede dokumentation.
Visuelle agenter og visuel programmering
Producenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og brug af værktøjer i et visuelt agentforløb. Lever et skærmbillede og et konkret mål, og spørg derefter, hvilke synlige kontroller der svarer til målet, og hvilken dokumentation der understøtter valget. Tilsluttet software udfører handlingerne; genkendelse af en grænseflade giver ikke selvstændigt modellen kontrol over en enhed.
Visuel programmering omfatter produktion af diagramindhold og HTML, CSS eller JavaScript ud fra billeder eller video. Lever layoutreferencen sammen med funktionelle krav og det krævede redigerbare output. Bed om kildestruktur og stilarter særskilt, når det letter gennemgangen. Genereret kode er en tekstleverance; den kræver stadig et udviklingsforløb til at gengive og vurdere adfærden.
Rumlig opfattelse og langt materiale
Qwen dokumenterer ræsonnement om objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Navngiv målobjektet, og angiv det forhold, der undersøges. Et resultat om relativ position er en slutning ud fra billedet, ikke 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. Repræsentation, billedsampling og den konfigurerede sekvensgrænse bestemmer, hvilket materiale der behandles. En stor kontekst garanterer ikke fuldstændig genkaldelse af hver side eller hvert billede. Bevar tidsangivelser, når du beder om en redegørelse for videohændelser.
Multimodalt ræsonnement, genkendelse og OCR
Familien understøtter STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede visuelle forklaringer. Lever hele opgaveteksten sammen med et diagram, og bed om de anvendte værdier og forhold før konklusionen. Genkendelse dækker et bredt udvalg af personer, produkter, vartegn, planter, dyr og mediefigurer; en plausibel etiket bør kontrolleres, når identifikation er vigtig.
OCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialiseret ordforråd og lange dokumenters struktur. Lever en læsbar side, og bed om navngivne felter, citater eller en struktureret tabel, der kan kontrolleres mod den. Tekst- og billedforståelse kombineres, så et spørgsmål kan forbinde et afsnit med en figur og brugerens instruktioner.
Arkitekturopdateringer
Den offentliggjorte tætte tekstkonfiguration har 36 lag. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Disse arkitekturegenskaber beskriver modellens repræsentation; de fastslår ikke en fast svartid eller præcis fysisk nøjagtighed.
Klargøring af input
Producentens familieeksempler omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte: et billedbudget vedrører ét billede, mens et videobudget vedrører 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.
Hjælpeforløbet bevarer videometadata og anbefaler at undgå dobbelt størrelsesændring, når mediet allerede er skaleret. Til en dokumentopgave skal du bevare sideidentifikatorer; for et klip skal du bede om hændelsen, det relevante interval og synlig dokumentation. Disse klargøringseksempler anvender de dokumenterede evner frem for at garantere præcis udtrækning eller tidslig præcision.
Genereringsvejledning og begrænsninger
Dette præcise kort giver særskilte opgaveforvalg. Vision-sprogopgaver bruger temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 og presence penalty 1.5 med et outputbudget på 16,384 tokens. Tekstopgaver bruger temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 og presence penalty 2.0 med et budget på 32,768 tokens. Det er budgetter i producentens opskrift, ikke selvstændigt fastslåede hårde outputgrænser eller særskilte modelidentiteter.
Familiens procedure for lang kontekst bruger YaRN med en foreslået faktor på to eller tre ved udvidelse af dens sammenflettede positioner fra 256K til cirka 1M. Kopiér ikke en faktor på fire fra en anden Qwen-familie. Reservér plads til svaret sammen med visuelt input og tekstinput, og kontrollér OCR, beregnede konklusioner og genereret kildekode mod det oprindelige materiale. Bevar den præcise Instruct-udgave frem for at overtage et Thinking-checkpoints genererings- eller styringskontrakt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-vl-8b-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 $0.0005 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00024 / 1K tokens Input · Cacheskrivning — / 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 $0.0005 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00024 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-8b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-8b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct er Qwens tætte instruktionsfokuserede vision-sprogmodel til tekst, billeder og video med tekst eller kode som output. Den understøtter dokumentlæsning, visuel programmering, rumlige spørgsmål og videoanalyse 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.
Vision-sprogudgaven 8B Instruct
Qwen3-VL-8B-Instruct er den tætte, instruktionsfokuserede 8B-udgave af Qwen3-VL. Den kombinerer tekst med billeder eller video og producerer tekst, herunder kode. Den forbliver adskilt fra den ræsonnementsforstærkede Thinking-udgave og fra sparsomme ekspertmodeller i samme familie. Vælg den til en fokuseret visuel instruktion, et dokumentspørgsmål eller en redigerbar leverance, hvis resultat kan sammenlignes med den leverede dokumentation.
Visuelle agenter og visuel programmering
Producenten beskriver genkendelse af elementer i computer- eller mobilgrænseflader, forståelse af deres funktioner og brug af værktøjer i et visuelt agentforløb. Lever et skærmbillede og et konkret mål, og spørg derefter, hvilke synlige kontroller der svarer til målet, og hvilken dokumentation der understøtter valget. Tilsluttet software udfører handlingerne; genkendelse af en grænseflade giver ikke selvstændigt modellen kontrol over en enhed.
Visuel programmering omfatter produktion af diagramindhold og HTML, CSS eller JavaScript ud fra billeder eller video. Lever layoutreferencen sammen med funktionelle krav og det krævede redigerbare output. Bed om kildestruktur og stilarter særskilt, når det letter gennemgangen. Genereret kode er en tekstleverance; den kræver stadig et udviklingsforløb til at gengive og vurdere adfærden.
Rumlig opfattelse og langt materiale
Qwen dokumenterer ræsonnement om objektpositioner, synsvinkler og okklusioner med todimensional grounding og understøttelse af tredimensional grounding. Navngiv målobjektet, og angiv det forhold, der undersøges. Et resultat om relativ position er en slutning ud fra billedet, ikke 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. Repræsentation, billedsampling og den konfigurerede sekvensgrænse bestemmer, hvilket materiale der behandles. En stor kontekst garanterer ikke fuldstændig genkaldelse af hver side eller hvert billede. Bevar tidsangivelser, når du beder om en redegørelse for videohændelser.
Multimodalt ræsonnement, genkendelse og OCR
Familien understøtter STEM- og matematikspørgsmål, årsagsanalyse og dokumentationsbaserede visuelle forklaringer. Lever hele opgaveteksten sammen med et diagram, og bed om de anvendte værdier og forhold før konklusionen. Genkendelse dækker et bredt udvalg af personer, produkter, vartegn, planter, dyr og mediefigurer; en plausibel etiket bør kontrolleres, når identifikation er vigtig.
OCR dækker 32 sprog og er udviklet til at forbedre læsning i svagt lys, ved sløring eller hældning, herunder specialiseret ordforråd og lange dokumenters struktur. Lever en læsbar side, og bed om navngivne felter, citater eller en struktureret tabel, der kan kontrolleres mod den. Tekst- og billedforståelse kombineres, så et spørgsmål kan forbinde et afsnit med en figur og brugerens instruktioner.
Arkitekturopdateringer
Den offentliggjorte tætte tekstkonfiguration har 36 lag. Interleaved-MRoPE repræsenterer tid, bredde og højde til videoræsonnement. DeepStack kombinerer egenskaber fra flere niveauer i vision-encoderen, og tekst-tidsstempeljustering forankrer hændelser i tidsreferencer. Disse arkitekturegenskaber beskriver modellens repræsentation; de fastslår ikke en fast svartid eller præcis fysisk nøjagtighed.
Klargøring af input
Producentens familieeksempler omfatter forespørgsler med kun tekst, enkelte eller flere billeder og video. Mærk visuelle input, og angiv deres forhold. Billed- og videopixelbudgetter er særskilte: et billedbudget vedrører ét billede, mens et videobudget vedrører 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.
Hjælpeforløbet bevarer videometadata og anbefaler at undgå dobbelt størrelsesændring, når mediet allerede er skaleret. Til en dokumentopgave skal du bevare sideidentifikatorer; for et klip skal du bede om hændelsen, det relevante interval og synlig dokumentation. Disse klargøringseksempler anvender de dokumenterede evner frem for at garantere præcis udtrækning eller tidslig præcision.
Genereringsvejledning og begrænsninger
Dette præcise kort giver særskilte opgaveforvalg. Vision-sprogopgaver bruger temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0 og presence penalty 1.5 med et outputbudget på 16,384 tokens. Tekstopgaver bruger temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0 og presence penalty 2.0 med et budget på 32,768 tokens. Det er budgetter i producentens opskrift, ikke selvstændigt fastslåede hårde outputgrænser eller særskilte modelidentiteter.
Familiens procedure for lang kontekst bruger YaRN med en foreslået faktor på to eller tre ved udvidelse af dens sammenflettede positioner fra 256K til cirka 1M. Kopiér ikke en faktor på fire fra en anden Qwen-familie. Reservér plads til svaret sammen med visuelt input og tekstinput, og kontrollér OCR, beregnede konklusioner og genereret kildekode mod det oprindelige materiale. Bevar den præcise Instruct-udgave frem for at overtage et Thinking-checkpoints genererings- eller styringskontrakt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-vl-8b-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 $0.0005 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00024 / 1K tokens Input · Cacheskrivning — / 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 $0.0005 / 1K tokens Output · Outputtokens $0.0015 / 1K tokens Input · Cachelæsning $0.00024 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-8b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.