Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Videos, einschließlich Kombinationen innerhalb desselben Gesprächs, und erzeugt ein Textergebnis. Die konkrete Thinking-Ausgabe enthält die Thinker-Komponente und ist für Schlussfolgern ausgestattet; sie enthält nicht den Talker, der im Instruct-Checkpoint für gesprochene Ausgaben verwendet wird. Dieser Unterschied ist wichtig, wenn ein Modell für einen analytischen Bericht statt für ein gesprochenes Gespräch ausgewählt wird.
Der Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch steht in der veröffentlichten Liste für Spracheingaben. Die konkrete Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sie hat außerdem Komponenten für Audio- und Bildverarbeitung. Das sind Eigenschaften des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.
Die Anwendungsanleitungen behandeln Spracherkennung und Übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Ausgabe hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und verlangen Sie eine Lösung, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Materialabschnitten. Das erwartete Artefakt kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.
Bereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeugpaket des Herstellers verarbeitet abwechselnd eingefügten Text, Bilder, Audio und Videos. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionskonzepts der Familie und demonstriert Batch-Inferenz für gemischte Medien mit reiner Textausgabe. In jeder Dialogrunde empfiehlt der Hersteller neben den Medien eine ausdrückliche Textanweisung. Ein Video allein lässt die Aufgabe offen: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihren Zusammenhang, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.
Entscheiden Sie bei einem Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung durchgehend einheitlich; die Modellkarte warnt, dass Änderungen dieser Einstellung zwischen Dialogrunden zu unerwarteten Ergebnissen führen können. Eine reine Szenenfrage und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie das relevante Intervall aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung davon abhängt, was gesagt oder gehört wurde.
Die veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Tokens und eine Generierungseinstellung von 16,384 Tokens. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor dargestellt, daher ist die Anfragegröße mehr als nur die Anzahl getippter Zeichen. Reservieren Sie Platz für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes für die Frage relevantes Ereignis enthält.
Der Hersteller demonstriert Arbeitsabläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, darunter getrennte Verarbeitung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den konkreten Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel der Familienkarte dasselbe Ausgabeverhalten hat. Stimmen und Talker-Steuerungen auf dieser Seite gelten für Instruct und nicht für dieses reine Thinker-Modell.
Verlangen Sie für ein hilfreiches Endergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung. Erhalten Sie bei einer visuellen Aufgabe Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer abgeleiteten Quelle; unterscheiden Sie bei Videos beobachtete Aktionen von einer Interpretation der Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unleserliche Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen, während jede Werkzeugausführung, Faktenbestätigung oder Medientransformation ein eigener Vorgang bleibt, der eine eigene Eingabe und ein eigenes Ergebnis benötigt.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Videos, einschließlich Kombinationen innerhalb desselben Gesprächs, und erzeugt ein Textergebnis. Die konkrete Thinking-Ausgabe enthält die Thinker-Komponente und ist für Schlussfolgern ausgestattet; sie enthält nicht den Talker, der im Instruct-Checkpoint für gesprochene Ausgaben verwendet wird. Dieser Unterschied ist wichtig, wenn ein Modell für einen analytischen Bericht statt für ein gesprochenes Gespräch ausgewählt wird.\n\nDer Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch steht in der veröffentlichten Liste für Spracheingaben. Die konkrete Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sie hat außerdem Komponenten für Audio- und Bildverarbeitung. Das sind Eigenschaften des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.\n\nDie Anwendungsanleitungen behandeln Spracherkennung und Übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Ausgabe hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und verlangen Sie eine Lösung, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Materialabschnitten. Das erwartete Artefakt kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.\n\nBereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeugpaket des Herstellers verarbeitet abwechselnd eingefügten Text, Bilder, Audio und Videos. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionskonzepts der Familie und demonstriert Batch-Inferenz für gemischte Medien mit reiner Textausgabe. In jeder Dialogrunde empfiehlt der Hersteller neben den Medien eine ausdrückliche Textanweisung. Ein Video allein lässt die Aufgabe offen: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihren Zusammenhang, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.\n\nEntscheiden Sie bei einem Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung durchgehend einheitlich; die Modellkarte warnt, dass Änderungen dieser Einstellung zwischen Dialogrunden zu unerwarteten Ergebnissen führen können. Eine reine Szenenfrage und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie das relevante Intervall aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung davon abhängt, was gesagt oder gehört wurde.\n\nDie veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Tokens und eine Generierungseinstellung von 16,384 Tokens. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor dargestellt, daher ist die Anfragegröße mehr als nur die Anzahl getippter Zeichen. Reservieren Sie Platz für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes für die Frage relevantes Ereignis enthält.\n\nDer Hersteller demonstriert Arbeitsabläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, darunter getrennte Verarbeitung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den konkreten Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel der Familienkarte dasselbe Ausgabeverhalten hat. Stimmen und Talker-Steuerungen auf dieser Seite gelten für Instruct und nicht für dieses reine Thinker-Modell.\n\nVerlangen Sie für ein hilfreiches Endergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung. Erhalten Sie bei einer visuellen Aufgabe Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer abgeleiteten Quelle; unterscheiden Sie bei Videos beobachtete Aktionen von einer Interpretation der Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unleserliche Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen, während jede Werkzeugausführung, Faktenbestätigung oder Medientransformation ein eigener Vorgang bleibt, der eine eigene Eingabe und ein eigenes Ergebnis benötigt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking schlussfolgert über Text, Bilder, Audio und Videos und gibt Text aus. Diese reine Thinker-Ausgabe eignet sich für visuelle Mathematik, Audioanalyse und Fragen, die Belege aus mehreren Modalitäten benötigen; Spracherzeugung gehört zu einer anderen Omni-Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Videos, einschließlich Kombinationen innerhalb desselben Gesprächs, und erzeugt ein Textergebnis. Die konkrete Thinking-Ausgabe enthält die Thinker-Komponente und ist für Schlussfolgern ausgestattet; sie enthält nicht den Talker, der im Instruct-Checkpoint für gesprochene Ausgaben verwendet wird. Dieser Unterschied ist wichtig, wenn ein Modell für einen analytischen Bericht statt für ein gesprochenes Gespräch ausgewählt wird.
Der Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch steht in der veröffentlichten Liste für Spracheingaben. Die konkrete Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sie hat außerdem Komponenten für Audio- und Bildverarbeitung. Das sind Eigenschaften des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.
Die Anwendungsanleitungen behandeln Spracherkennung und Übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Ausgabe hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und verlangen Sie eine Lösung, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Materialabschnitten. Das erwartete Artefakt kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.
Bereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeugpaket des Herstellers verarbeitet abwechselnd eingefügten Text, Bilder, Audio und Videos. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionskonzepts der Familie und demonstriert Batch-Inferenz für gemischte Medien mit reiner Textausgabe. In jeder Dialogrunde empfiehlt der Hersteller neben den Medien eine ausdrückliche Textanweisung. Ein Video allein lässt die Aufgabe offen: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihren Zusammenhang, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.
Entscheiden Sie bei einem Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung durchgehend einheitlich; die Modellkarte warnt, dass Änderungen dieser Einstellung zwischen Dialogrunden zu unerwarteten Ergebnissen führen können. Eine reine Szenenfrage und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie das relevante Intervall aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung davon abhängt, was gesagt oder gehört wurde.
Die veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Tokens und eine Generierungseinstellung von 16,384 Tokens. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor dargestellt, daher ist die Anfragegröße mehr als nur die Anzahl getippter Zeichen. Reservieren Sie Platz für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes für die Frage relevantes Ereignis enthält.
Der Hersteller demonstriert Arbeitsabläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, darunter getrennte Verarbeitung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den konkreten Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel der Familienkarte dasselbe Ausgabeverhalten hat. Stimmen und Talker-Steuerungen auf dieser Seite gelten für Instruct und nicht für dieses reine Thinker-Modell.
Verlangen Sie für ein hilfreiches Endergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung. Erhalten Sie bei einer visuellen Aufgabe Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer abgeleiteten Quelle; unterscheiden Sie bei Videos beobachtete Aktionen von einer Interpretation der Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unleserliche Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen, während jede Werkzeugausführung, Faktenbestätigung oder Medientransformation ein eigener Vorgang bleibt, der eine eigene Eingabe und ein eigenes Ergebnis benötigt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-Thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-Thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-Omni-30B-A3B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking schlussfolgert über Text, Bilder, Audio und Videos und gibt Text aus. Diese reine Thinker-Ausgabe eignet sich für visuelle Mathematik, Audioanalyse und Fragen, die Belege aus mehreren Modalitäten benötigen; Spracherzeugung gehört zu einer anderen Omni-Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Videos, einschließlich Kombinationen innerhalb desselben Gesprächs, und erzeugt ein Textergebnis. Die konkrete Thinking-Ausgabe enthält die Thinker-Komponente und ist für Schlussfolgern ausgestattet; sie enthält nicht den Talker, der im Instruct-Checkpoint für gesprochene Ausgaben verwendet wird. Dieser Unterschied ist wichtig, wenn ein Modell für einen analytischen Bericht statt für ein gesprochenes Gespräch ausgewählt wird.
Der Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch steht in der veröffentlichten Liste für Spracheingaben. Die konkrete Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sie hat außerdem Komponenten für Audio- und Bildverarbeitung. Das sind Eigenschaften des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.
Die Anwendungsanleitungen behandeln Spracherkennung und Übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Ausgabe hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und verlangen Sie eine Lösung, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Materialabschnitten. Das erwartete Artefakt kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.
Bereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeugpaket des Herstellers verarbeitet abwechselnd eingefügten Text, Bilder, Audio und Videos. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionskonzepts der Familie und demonstriert Batch-Inferenz für gemischte Medien mit reiner Textausgabe. In jeder Dialogrunde empfiehlt der Hersteller neben den Medien eine ausdrückliche Textanweisung. Ein Video allein lässt die Aufgabe offen: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihren Zusammenhang, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.
Entscheiden Sie bei einem Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung durchgehend einheitlich; die Modellkarte warnt, dass Änderungen dieser Einstellung zwischen Dialogrunden zu unerwarteten Ergebnissen führen können. Eine reine Szenenfrage und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie das relevante Intervall aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung davon abhängt, was gesagt oder gehört wurde.
Die veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Tokens und eine Generierungseinstellung von 16,384 Tokens. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor dargestellt, daher ist die Anfragegröße mehr als nur die Anzahl getippter Zeichen. Reservieren Sie Platz für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes für die Frage relevantes Ereignis enthält.
Der Hersteller demonstriert Arbeitsabläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, darunter getrennte Verarbeitung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den konkreten Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel der Familienkarte dasselbe Ausgabeverhalten hat. Stimmen und Talker-Steuerungen auf dieser Seite gelten für Instruct und nicht für dieses reine Thinker-Modell.
Verlangen Sie für ein hilfreiches Endergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung. Erhalten Sie bei einer visuellen Aufgabe Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer abgeleiteten Quelle; unterscheiden Sie bei Videos beobachtete Aktionen von einer Interpretation der Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unleserliche Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen, während jede Werkzeugausführung, Faktenbestätigung oder Medientransformation ein eigener Vorgang bleibt, der eine eigene Eingabe und ein eigenes Ergebnis benötigt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-Thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.