Die Instruct-Ausgabe 235B-A22B
Qwen3-VL-235B-A22B-Instruct ist das auf Anweisungen ausgerichtete Mixture-of-Experts-Mitglied von Qwen3-VL. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text, einschließlich Code oder eines angeforderten Dokumentartefakts. Erhalten Sie die konkrete Instruct-Ausgabe, statt ihr den Antwortvertrag eines Thinking-Checkpoints oder die Anleitung einer anderen Größe zuzuordnen. Eine hilfreiche Aufgabe stellt dem Modell eine konkrete Frage und verlangt ein Ergebnis, das sich mit den bereitgestellten Belegen vergleichen lässt.
Visuelle Agenten und Programmieren
Der Hersteller beschreibt Arbeitsabläufe mit visuellen Agenten, die Oberflächenelemente erkennen, ihre Funktionen verstehen und Werkzeuge für Aufgaben auf Computern oder mobilen Geräten aufrufen. Stellen Sie einen Screenshot und ein Ziel bereit und verlangen Sie anschließend das relevante Bedienelement und die Belege, die die Auswahl stützen. Die angebundene Anwendung führt Aktionen aus und liefert Ergebnisse; das Erkennen einer Oberfläche steuert für sich allein kein Gerät.
Visuelles Programmieren umfasst Diagramminhalte und HTML, CSS oder JavaScript, die anhand von Bildern oder Videos erstellt werden. Stellen Sie die Layoutreferenz, funktionale Vorgaben und die benötigte bearbeitbare Ausgabe bereit. Fügen Sie bei einer Änderung an einer bestehenden Seite den relevanten Quellcode und die Interaktionszustände hinzu. Verlangen Sie das Artefakt getrennt von der Erklärung, damit es in einem Entwicklungsablauf gerendert und geprüft werden kann. Generierter Quellcode bleibt ein Vorschlag und ist kein Beleg für eine funktionierende Anwendung.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Beurteilungen von Positionen, Blickwinkeln und Verdeckungen, einschließlich zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie die maßgeblichen Objekte und den relevanten Zusammenhang und fragen Sie anschließend, welche sichtbaren Hinweise die Schlussfolgerung stützen. Ein aus einem Bild abgeleiteter Zusammenhang sollte nicht als kalibrierte physikalische Messung behandelt werden.
Der native Kontext umfasst 262,144 Tokens. Die Familie beschreibt Bücher und stundenlange Videos mit sekundengenauer Ereignisindizierung und einer konfigurierbaren Erweiterung auf ungefähr eine Million Tokens. Erhalten Sie Zeitangaben und Quellbezeichner, wenn Sie eine Ereignisdarstellung verlangen. Darstellung und Abtastung bestimmen, welches Material in die Anfrage eingeht; ein großer Kontext garantiert keine perfekte Erinnerung an jede Seite oder jedes Bild.
Schlussfolgern, Erkennung und OCR
Die Familie unterstützt visuelle Fragen aus MINT und Mathematik sowie kausale und logische visuelle Fragen. Geben Sie die vollständige Aufgabenstellung und Diagrammbeschriftungen an und verlangen Sie, dass das Modell vor der Schlussfolgerung die verwendeten Werte oder Zusammenhänge benennt. Text und Bild werden verbunden; eine Frage kann daher einen Absatz mit seiner Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.
Die Erkennung erstreckt sich auf Menschen, Produkte, Sehenswürdigkeiten, Pflanzen, Tiere und Medienfiguren. OCR umfasst 32 Sprachen und ist auf das Lesen bei schwachem Licht, Unschärfe und Neigung ausgelegt, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie lesbare Seiten bereit und verlangen Sie benannte Felder, Zitate oder eine Tabelle, die sich anhand des Bildes prüfen lassen. Diese Anwendungen spiegeln den dokumentierten Umfang wider und garantieren keine genaue Identifizierung, Transkription oder Berechnung.
Architekturaktualisierungen
Die veröffentlichte Mixture-of-Experts-Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet visuelle Merkmale mehrerer Encoderebenen, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Verwenden Sie diese Instruct-Ausgabe 235B-A22B einheitlich, wenn Sie visuelle Aufgaben vorbereiten und ihre Ergebnisse vergleichen.
Vorbereitung visueller Eingaben
Die Familienbeispiele umfassen reine Textanfragen, einzelne oder mehrere Bilder und Videos. Kennzeichnen Sie visuelle Eingaben und geben Sie ihren Zusammenhang an. Die Pixelbudgets für Bilder und Videos sind getrennt; explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl, soweit unterstützt. Erhalten Sie Videometadaten und vermeiden Sie doppelte Größenänderungen, wenn die Hilfsfunktion das Material bereits skaliert hat.
Gliedern Sie bei mehreren Dokumentseiten die Antwort nach Seitenbeschriftungen und verlangen Sie belegende Felder oder Textstellen. Verlangen Sie bei einem Clip das relevante Ereignis, Intervall und die sichtbaren Belege. Vergleichen Sie das zurückgegebene Ereignisintervall und die unterstützenden Details mit dem ursprünglichen Clip und seinen Zeitangaben.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmäßig temperature 0.7, top_p 0.8, top_k 20 und eine Wiederholungsstrafe von 1.0. Die Instruct-Anleitung der Familie verwendet zusätzlich eine Präsenzstrafe von 1.5 und ein Ausgabebudget von 32,768 Tokens. Dieses Budget stammt aus einer Anleitung des Herstellers und ist keine unabhängig festgelegte harte Ausgabeobergrenze. Die aufgabenspezifischen Budgets der 8B-Modellkarte und die Voreinstellungen der Thinking-Ausgabe bleiben getrennt.
Die Kontexterweiterung der Familie verwendet YaRN und schlägt beim Übergang ihres verschachtelten Positionsschemas von 256K auf ungefähr 1M einen Faktor von zwei oder drei vor. Reservieren Sie neben Text und dargestellten visuellen Inhalten Platz für die Antwort und prüfen Sie Zitate, extrahierte Zahlen und generierten Code anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, dessen unterstützende visuelle Belege und genaue Instruct-Identität erhalten bleiben.
", "aboutText": "Die Instruct-Ausgabe 235B-A22B\n\nQwen3-VL-235B-A22B-Instruct ist das auf Anweisungen ausgerichtete Mixture-of-Experts-Mitglied von Qwen3-VL. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text, einschließlich Code oder eines angeforderten Dokumentartefakts. Erhalten Sie die konkrete Instruct-Ausgabe, statt ihr den Antwortvertrag eines Thinking-Checkpoints oder die Anleitung einer anderen Größe zuzuordnen. Eine hilfreiche Aufgabe stellt dem Modell eine konkrete Frage und verlangt ein Ergebnis, das sich mit den bereitgestellten Belegen vergleichen lässt.\n\nVisuelle Agenten und Programmieren\n\nDer Hersteller beschreibt Arbeitsabläufe mit visuellen Agenten, die Oberflächenelemente erkennen, ihre Funktionen verstehen und Werkzeuge für Aufgaben auf Computern oder mobilen Geräten aufrufen. Stellen Sie einen Screenshot und ein Ziel bereit und verlangen Sie anschließend das relevante Bedienelement und die Belege, die die Auswahl stützen. Die angebundene Anwendung führt Aktionen aus und liefert Ergebnisse; das Erkennen einer Oberfläche steuert für sich allein kein Gerät.\n\nVisuelles Programmieren umfasst Diagramminhalte und HTML, CSS oder JavaScript, die anhand von Bildern oder Videos erstellt werden. Stellen Sie die Layoutreferenz, funktionale Vorgaben und die benötigte bearbeitbare Ausgabe bereit. Fügen Sie bei einer Änderung an einer bestehenden Seite den relevanten Quellcode und die Interaktionszustände hinzu. Verlangen Sie das Artefakt getrennt von der Erklärung, damit es in einem Entwicklungsablauf gerendert und geprüft werden kann. Generierter Quellcode bleibt ein Vorschlag und ist kein Beleg für eine funktionierende Anwendung.\n\nRäumliche Wahrnehmung und umfangreiches Material\n\nQwen dokumentiert Beurteilungen von Positionen, Blickwinkeln und Verdeckungen, einschließlich zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie die maßgeblichen Objekte und den relevanten Zusammenhang und fragen Sie anschließend, welche sichtbaren Hinweise die Schlussfolgerung stützen. Ein aus einem Bild abgeleiteter Zusammenhang sollte nicht als kalibrierte physikalische Messung behandelt werden.\n\nDer native Kontext umfasst 262,144 Tokens. Die Familie beschreibt Bücher und stundenlange Videos mit sekundengenauer Ereignisindizierung und einer konfigurierbaren Erweiterung auf ungefähr eine Million Tokens. Erhalten Sie Zeitangaben und Quellbezeichner, wenn Sie eine Ereignisdarstellung verlangen. Darstellung und Abtastung bestimmen, welches Material in die Anfrage eingeht; ein großer Kontext garantiert keine perfekte Erinnerung an jede Seite oder jedes Bild.\n\nSchlussfolgern, Erkennung und OCR\n\nDie Familie unterstützt visuelle Fragen aus MINT und Mathematik sowie kausale und logische visuelle Fragen. Geben Sie die vollständige Aufgabenstellung und Diagrammbeschriftungen an und verlangen Sie, dass das Modell vor der Schlussfolgerung die verwendeten Werte oder Zusammenhänge benennt. Text und Bild werden verbunden; eine Frage kann daher einen Absatz mit seiner Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.\n\nDie Erkennung erstreckt sich auf Menschen, Produkte, Sehenswürdigkeiten, Pflanzen, Tiere und Medienfiguren. OCR umfasst 32 Sprachen und ist auf das Lesen bei schwachem Licht, Unschärfe und Neigung ausgelegt, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie lesbare Seiten bereit und verlangen Sie benannte Felder, Zitate oder eine Tabelle, die sich anhand des Bildes prüfen lassen. Diese Anwendungen spiegeln den dokumentierten Umfang wider und garantieren keine genaue Identifizierung, Transkription oder Berechnung.\n\nArchitekturaktualisierungen\n\nDie veröffentlichte Mixture-of-Experts-Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet visuelle Merkmale mehrerer Encoderebenen, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Verwenden Sie diese Instruct-Ausgabe 235B-A22B einheitlich, wenn Sie visuelle Aufgaben vorbereiten und ihre Ergebnisse vergleichen.\n\nVorbereitung visueller Eingaben\n\nDie Familienbeispiele umfassen reine Textanfragen, einzelne oder mehrere Bilder und Videos. Kennzeichnen Sie visuelle Eingaben und geben Sie ihren Zusammenhang an. Die Pixelbudgets für Bilder und Videos sind getrennt; explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl, soweit unterstützt. Erhalten Sie Videometadaten und vermeiden Sie doppelte Größenänderungen, wenn die Hilfsfunktion das Material bereits skaliert hat.\n\nGliedern Sie bei mehreren Dokumentseiten die Antwort nach Seitenbeschriftungen und verlangen Sie belegende Felder oder Textstellen. Verlangen Sie bei einem Clip das relevante Ereignis, Intervall und die sichtbaren Belege. Vergleichen Sie das zurückgegebene Ereignisintervall und die unterstützenden Details mit dem ursprünglichen Clip und seinen Zeitangaben.\n\nGenerierungshinweise und Grenzen\n\nDie Generierungsdatei des Checkpoints verwendet standardmäßig temperature 0.7, top_p 0.8, top_k 20 und eine Wiederholungsstrafe von 1.0. Die Instruct-Anleitung der Familie verwendet zusätzlich eine Präsenzstrafe von 1.5 und ein Ausgabebudget von 32,768 Tokens. Dieses Budget stammt aus einer Anleitung des Herstellers und ist keine unabhängig festgelegte harte Ausgabeobergrenze. Die aufgabenspezifischen Budgets der 8B-Modellkarte und die Voreinstellungen der Thinking-Ausgabe bleiben getrennt.\n\nDie Kontexterweiterung der Familie verwendet YaRN und schlägt beim Übergang ihres verschachtelten Positionsschemas von 256K auf ungefähr 1M einen Faktor von zwei oder drei vor. Reservieren Sie neben Text und dargestellten visuellen Inhalten Platz für die Antwort und prüfen Sie Zitate, extrahierte Zahlen und generierten Code anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, dessen unterstützende visuelle Belege und genaue Instruct-Identität erhalten bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct ist Qwens auf Anweisungen ausgerichtete Mixture-of-Experts-Vision-Language-Edition für Text, Bilder und Video. Sie gibt Text oder Code für visuelle Abläufe, Dokumente, räumliche Fragen und MINT-Aufgaben zurück, mit OCR in 32 Sprachen und einem nativen Kontext von 262.144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Instruct-Ausgabe 235B-A22B
Qwen3-VL-235B-A22B-Instruct ist das auf Anweisungen ausgerichtete Mixture-of-Experts-Mitglied von Qwen3-VL. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text, einschließlich Code oder eines angeforderten Dokumentartefakts. Erhalten Sie die konkrete Instruct-Ausgabe, statt ihr den Antwortvertrag eines Thinking-Checkpoints oder die Anleitung einer anderen Größe zuzuordnen. Eine hilfreiche Aufgabe stellt dem Modell eine konkrete Frage und verlangt ein Ergebnis, das sich mit den bereitgestellten Belegen vergleichen lässt.
Visuelle Agenten und Programmieren
Der Hersteller beschreibt Arbeitsabläufe mit visuellen Agenten, die Oberflächenelemente erkennen, ihre Funktionen verstehen und Werkzeuge für Aufgaben auf Computern oder mobilen Geräten aufrufen. Stellen Sie einen Screenshot und ein Ziel bereit und verlangen Sie anschließend das relevante Bedienelement und die Belege, die die Auswahl stützen. Die angebundene Anwendung führt Aktionen aus und liefert Ergebnisse; das Erkennen einer Oberfläche steuert für sich allein kein Gerät.
Visuelles Programmieren umfasst Diagramminhalte und HTML, CSS oder JavaScript, die anhand von Bildern oder Videos erstellt werden. Stellen Sie die Layoutreferenz, funktionale Vorgaben und die benötigte bearbeitbare Ausgabe bereit. Fügen Sie bei einer Änderung an einer bestehenden Seite den relevanten Quellcode und die Interaktionszustände hinzu. Verlangen Sie das Artefakt getrennt von der Erklärung, damit es in einem Entwicklungsablauf gerendert und geprüft werden kann. Generierter Quellcode bleibt ein Vorschlag und ist kein Beleg für eine funktionierende Anwendung.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Beurteilungen von Positionen, Blickwinkeln und Verdeckungen, einschließlich zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie die maßgeblichen Objekte und den relevanten Zusammenhang und fragen Sie anschließend, welche sichtbaren Hinweise die Schlussfolgerung stützen. Ein aus einem Bild abgeleiteter Zusammenhang sollte nicht als kalibrierte physikalische Messung behandelt werden.
Der native Kontext umfasst 262,144 Tokens. Die Familie beschreibt Bücher und stundenlange Videos mit sekundengenauer Ereignisindizierung und einer konfigurierbaren Erweiterung auf ungefähr eine Million Tokens. Erhalten Sie Zeitangaben und Quellbezeichner, wenn Sie eine Ereignisdarstellung verlangen. Darstellung und Abtastung bestimmen, welches Material in die Anfrage eingeht; ein großer Kontext garantiert keine perfekte Erinnerung an jede Seite oder jedes Bild.
Schlussfolgern, Erkennung und OCR
Die Familie unterstützt visuelle Fragen aus MINT und Mathematik sowie kausale und logische visuelle Fragen. Geben Sie die vollständige Aufgabenstellung und Diagrammbeschriftungen an und verlangen Sie, dass das Modell vor der Schlussfolgerung die verwendeten Werte oder Zusammenhänge benennt. Text und Bild werden verbunden; eine Frage kann daher einen Absatz mit seiner Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.
Die Erkennung erstreckt sich auf Menschen, Produkte, Sehenswürdigkeiten, Pflanzen, Tiere und Medienfiguren. OCR umfasst 32 Sprachen und ist auf das Lesen bei schwachem Licht, Unschärfe und Neigung ausgelegt, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie lesbare Seiten bereit und verlangen Sie benannte Felder, Zitate oder eine Tabelle, die sich anhand des Bildes prüfen lassen. Diese Anwendungen spiegeln den dokumentierten Umfang wider und garantieren keine genaue Identifizierung, Transkription oder Berechnung.
Architekturaktualisierungen
Die veröffentlichte Mixture-of-Experts-Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet visuelle Merkmale mehrerer Encoderebenen, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Verwenden Sie diese Instruct-Ausgabe 235B-A22B einheitlich, wenn Sie visuelle Aufgaben vorbereiten und ihre Ergebnisse vergleichen.
Vorbereitung visueller Eingaben
Die Familienbeispiele umfassen reine Textanfragen, einzelne oder mehrere Bilder und Videos. Kennzeichnen Sie visuelle Eingaben und geben Sie ihren Zusammenhang an. Die Pixelbudgets für Bilder und Videos sind getrennt; explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl, soweit unterstützt. Erhalten Sie Videometadaten und vermeiden Sie doppelte Größenänderungen, wenn die Hilfsfunktion das Material bereits skaliert hat.
Gliedern Sie bei mehreren Dokumentseiten die Antwort nach Seitenbeschriftungen und verlangen Sie belegende Felder oder Textstellen. Verlangen Sie bei einem Clip das relevante Ereignis, Intervall und die sichtbaren Belege. Vergleichen Sie das zurückgegebene Ereignisintervall und die unterstützenden Details mit dem ursprünglichen Clip und seinen Zeitangaben.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmäßig temperature 0.7, top_p 0.8, top_k 20 und eine Wiederholungsstrafe von 1.0. Die Instruct-Anleitung der Familie verwendet zusätzlich eine Präsenzstrafe von 1.5 und ein Ausgabebudget von 32,768 Tokens. Dieses Budget stammt aus einer Anleitung des Herstellers und ist keine unabhängig festgelegte harte Ausgabeobergrenze. Die aufgabenspezifischen Budgets der 8B-Modellkarte und die Voreinstellungen der Thinking-Ausgabe bleiben getrennt.
Die Kontexterweiterung der Familie verwendet YaRN und schlägt beim Übergang ihres verschachtelten Positionsschemas von 256K auf ungefähr 1M einen Faktor von zwei oder drei vor. Reservieren Sie neben Text und dargestellten visuellen Inhalten Platz für die Antwort und prüfen Sie Zitate, extrahierte Zahlen und generierten Code anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, dessen unterstützende visuelle Belege und genaue Instruct-Identität erhalten bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-235b-a22b-instruct | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.0038 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.0038 / 1K Tokens Eingabe · Cache lesen $0.0002 / 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-vl-235b-a22b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-235b-a22b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-235b-a22b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-vl-235b-a22b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct ist Qwens auf Anweisungen ausgerichtete Mixture-of-Experts-Vision-Language-Edition für Text, Bilder und Video. Sie gibt Text oder Code für visuelle Abläufe, Dokumente, räumliche Fragen und MINT-Aufgaben zurück, mit OCR in 32 Sprachen und einem nativen Kontext von 262.144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Instruct-Ausgabe 235B-A22B
Qwen3-VL-235B-A22B-Instruct ist das auf Anweisungen ausgerichtete Mixture-of-Experts-Mitglied von Qwen3-VL. Es nimmt Text, Bilder und Videos entgegen und erzeugt Text, einschließlich Code oder eines angeforderten Dokumentartefakts. Erhalten Sie die konkrete Instruct-Ausgabe, statt ihr den Antwortvertrag eines Thinking-Checkpoints oder die Anleitung einer anderen Größe zuzuordnen. Eine hilfreiche Aufgabe stellt dem Modell eine konkrete Frage und verlangt ein Ergebnis, das sich mit den bereitgestellten Belegen vergleichen lässt.
Visuelle Agenten und Programmieren
Der Hersteller beschreibt Arbeitsabläufe mit visuellen Agenten, die Oberflächenelemente erkennen, ihre Funktionen verstehen und Werkzeuge für Aufgaben auf Computern oder mobilen Geräten aufrufen. Stellen Sie einen Screenshot und ein Ziel bereit und verlangen Sie anschließend das relevante Bedienelement und die Belege, die die Auswahl stützen. Die angebundene Anwendung führt Aktionen aus und liefert Ergebnisse; das Erkennen einer Oberfläche steuert für sich allein kein Gerät.
Visuelles Programmieren umfasst Diagramminhalte und HTML, CSS oder JavaScript, die anhand von Bildern oder Videos erstellt werden. Stellen Sie die Layoutreferenz, funktionale Vorgaben und die benötigte bearbeitbare Ausgabe bereit. Fügen Sie bei einer Änderung an einer bestehenden Seite den relevanten Quellcode und die Interaktionszustände hinzu. Verlangen Sie das Artefakt getrennt von der Erklärung, damit es in einem Entwicklungsablauf gerendert und geprüft werden kann. Generierter Quellcode bleibt ein Vorschlag und ist kein Beleg für eine funktionierende Anwendung.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Beurteilungen von Positionen, Blickwinkeln und Verdeckungen, einschließlich zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie die maßgeblichen Objekte und den relevanten Zusammenhang und fragen Sie anschließend, welche sichtbaren Hinweise die Schlussfolgerung stützen. Ein aus einem Bild abgeleiteter Zusammenhang sollte nicht als kalibrierte physikalische Messung behandelt werden.
Der native Kontext umfasst 262,144 Tokens. Die Familie beschreibt Bücher und stundenlange Videos mit sekundengenauer Ereignisindizierung und einer konfigurierbaren Erweiterung auf ungefähr eine Million Tokens. Erhalten Sie Zeitangaben und Quellbezeichner, wenn Sie eine Ereignisdarstellung verlangen. Darstellung und Abtastung bestimmen, welches Material in die Anfrage eingeht; ein großer Kontext garantiert keine perfekte Erinnerung an jede Seite oder jedes Bild.
Schlussfolgern, Erkennung und OCR
Die Familie unterstützt visuelle Fragen aus MINT und Mathematik sowie kausale und logische visuelle Fragen. Geben Sie die vollständige Aufgabenstellung und Diagrammbeschriftungen an und verlangen Sie, dass das Modell vor der Schlussfolgerung die verwendeten Werte oder Zusammenhänge benennt. Text und Bild werden verbunden; eine Frage kann daher einen Absatz mit seiner Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.
Die Erkennung erstreckt sich auf Menschen, Produkte, Sehenswürdigkeiten, Pflanzen, Tiere und Medienfiguren. OCR umfasst 32 Sprachen und ist auf das Lesen bei schwachem Licht, Unschärfe und Neigung ausgelegt, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie lesbare Seiten bereit und verlangen Sie benannte Felder, Zitate oder eine Tabelle, die sich anhand des Bildes prüfen lassen. Diese Anwendungen spiegeln den dokumentierten Umfang wider und garantieren keine genaue Identifizierung, Transkription oder Berechnung.
Architekturaktualisierungen
Die veröffentlichte Mixture-of-Experts-Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet visuelle Merkmale mehrerer Encoderebenen, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Verwenden Sie diese Instruct-Ausgabe 235B-A22B einheitlich, wenn Sie visuelle Aufgaben vorbereiten und ihre Ergebnisse vergleichen.
Vorbereitung visueller Eingaben
Die Familienbeispiele umfassen reine Textanfragen, einzelne oder mehrere Bilder und Videos. Kennzeichnen Sie visuelle Eingaben und geben Sie ihren Zusammenhang an. Die Pixelbudgets für Bilder und Videos sind getrennt; explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl, soweit unterstützt. Erhalten Sie Videometadaten und vermeiden Sie doppelte Größenänderungen, wenn die Hilfsfunktion das Material bereits skaliert hat.
Gliedern Sie bei mehreren Dokumentseiten die Antwort nach Seitenbeschriftungen und verlangen Sie belegende Felder oder Textstellen. Verlangen Sie bei einem Clip das relevante Ereignis, Intervall und die sichtbaren Belege. Vergleichen Sie das zurückgegebene Ereignisintervall und die unterstützenden Details mit dem ursprünglichen Clip und seinen Zeitangaben.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmäßig temperature 0.7, top_p 0.8, top_k 20 und eine Wiederholungsstrafe von 1.0. Die Instruct-Anleitung der Familie verwendet zusätzlich eine Präsenzstrafe von 1.5 und ein Ausgabebudget von 32,768 Tokens. Dieses Budget stammt aus einer Anleitung des Herstellers und ist keine unabhängig festgelegte harte Ausgabeobergrenze. Die aufgabenspezifischen Budgets der 8B-Modellkarte und die Voreinstellungen der Thinking-Ausgabe bleiben getrennt.
Die Kontexterweiterung der Familie verwendet YaRN und schlägt beim Übergang ihres verschachtelten Positionsschemas von 256K auf ungefähr 1M einen Faktor von zwei oder drei vor. Reservieren Sie neben Text und dargestellten visuellen Inhalten Platz für die Antwort und prüfen Sie Zitate, extrahierte Zahlen und generierten Code anhand der Quelle. Das hilfreiche Ergebnis ist ein konkretes Textartefakt, dessen unterstützende visuelle Belege und genaue Instruct-Identität erhalten bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-235b-a22b-instruct | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.0038 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.0038 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-vl-235b-a22b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-vl-235b-a22b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.