Die Vision-Language-Ausgabe 8B Instruct
Qwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Videos und erzeugt Text einschließlich Code. Sie bleibt von der um erweitertes Schlussfolgern ergänzten Thinking-Ausgabe und von Expertenmodellen mit selektiver Aktivierung derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, eine Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den bereitgestellten Belegen vergleichen lässt.
Visuelle Agenten und visuelles Programmieren
Der Hersteller beschreibt das Erkennen von Elementen auf Computer- oder mobilen Oberflächen, das Verstehen ihrer Funktionen und den Werkzeugeinsatz in einem Arbeitsablauf mit visuellen Agenten. Stellen Sie einen Screenshot und ein konkretes Ziel bereit und fragen Sie anschließend, welche sichtbaren Bedienelemente diesem Ziel entsprechen und welche Belege die Auswahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.
Visuelles Programmieren umfasst das Erstellen von Diagramminhalten und HTML, CSS oder JavaScript anhand von Bildern oder Videos. Stellen Sie die Layoutreferenz gemeinsam mit funktionalen Anforderungen und der benötigten bearbeitbaren Ausgabe bereit. Verlangen Sie Quellcodestruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Generierter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und in seinem Verhalten beurteilt zu werden.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und den untersuchten Zusammenhang. Ein Ergebnis zur relativen Position ist eine Ableitung aus dem Bild und keine kalibrierte physikalische Messung.
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. Darstellung, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein großer Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.
Multimodales Schlussfolgern, Erkennung und OCR
Die Familie unterstützt MINT- und Mathematikfragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Stellen Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm bereit und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Zusammenhänge. Die Erkennung deckt ein breites Spektrum an Menschen, Produkten, Sehenswürdigkeiten, Pflanzen, Tieren und Medienfiguren ab; eine plausibel klingende Zuordnung sollte geprüft werden, wenn die Identifizierung wichtig ist.
OCR umfasst 32 Sprachen und soll das Lesen bei schwachem Licht, Unschärfe oder Neigung verbessern, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie eine lesbare Seite bereit und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lassen. Text- und Bildverständnis werden verbunden; eine Frage kann daher einen Absatz mit einer Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.
Architekturaktualisierungen
Die veröffentlichte dichte Textkonfiguration hat 36 Schichten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet Merkmale mehrerer Ebenen des Vision-Encoders, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie begründen keine feste Antwortzeit oder genaue physikalische Präzision.
Vorbereitung der Eingabe
Die Familienbeispiele des Herstellers 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: Ein Bildbudget betrifft ein Bild, ein Videobudget hingegen die Pixel über die abgetasteten Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl in unterstützten Arbeitsabläufen.
Der Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Größenänderungen zu vermeiden, wenn die Medien bereits skaliert wurden. Behalten Sie bei einer Dokumentaufgabe Seitenbezeichner bei; fragen Sie bei einem Clip nach dem Ereignis, dem relevanten Intervall und den sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an, statt genaue Extraktion oder zeitliche Präzision zu garantieren.
Generierungshinweise und Grenzen
Diese konkrete Modellkarte nennt getrennte Aufgabenvoreinstellungen. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 1.5 mit einem Ausgabebudget von 16,384 Tokens. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 2.0 mit einem Budget von 32,768 Tokens. Das sind Budgets aus Anleitungen des Herstellers und keine unabhängig festgelegten harten Ausgabeobergrenzen oder eigenständigen Modellidentitäten.
Das Verfahren der Familie für langen Kontext verwendet YaRN; bei der Erweiterung ihrer verschachtelten Positionen von 256K auf ungefähr 1M wird ein Faktor von zwei oder drei vorgeschlagen. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und generierten Quellcode anhand des ursprünglichen Materials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt den Generierungs- oder Steuerungsvertrag eines Thinking-Checkpoints zu übernehmen.
", "aboutText": "Die Vision-Language-Ausgabe 8B Instruct\n\nQwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Videos und erzeugt Text einschließlich Code. Sie bleibt von der um erweitertes Schlussfolgern ergänzten Thinking-Ausgabe und von Expertenmodellen mit selektiver Aktivierung derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, eine Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den bereitgestellten Belegen vergleichen lässt.\n\nVisuelle Agenten und visuelles Programmieren\n\nDer Hersteller beschreibt das Erkennen von Elementen auf Computer- oder mobilen Oberflächen, das Verstehen ihrer Funktionen und den Werkzeugeinsatz in einem Arbeitsablauf mit visuellen Agenten. Stellen Sie einen Screenshot und ein konkretes Ziel bereit und fragen Sie anschließend, welche sichtbaren Bedienelemente diesem Ziel entsprechen und welche Belege die Auswahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.\n\nVisuelles Programmieren umfasst das Erstellen von Diagramminhalten und HTML, CSS oder JavaScript anhand von Bildern oder Videos. Stellen Sie die Layoutreferenz gemeinsam mit funktionalen Anforderungen und der benötigten bearbeitbaren Ausgabe bereit. Verlangen Sie Quellcodestruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Generierter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und in seinem Verhalten beurteilt zu werden.\n\nRäumliche Wahrnehmung und umfangreiches Material\n\nQwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und den untersuchten Zusammenhang. Ein Ergebnis zur relativen Position ist eine Ableitung aus dem Bild und keine kalibrierte physikalische Messung.\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. Darstellung, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein großer Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.\n\nMultimodales Schlussfolgern, Erkennung und OCR\n\nDie Familie unterstützt MINT- und Mathematikfragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Stellen Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm bereit und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Zusammenhänge. Die Erkennung deckt ein breites Spektrum an Menschen, Produkten, Sehenswürdigkeiten, Pflanzen, Tieren und Medienfiguren ab; eine plausibel klingende Zuordnung sollte geprüft werden, wenn die Identifizierung wichtig ist.\n\nOCR umfasst 32 Sprachen und soll das Lesen bei schwachem Licht, Unschärfe oder Neigung verbessern, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie eine lesbare Seite bereit und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lassen. Text- und Bildverständnis werden verbunden; eine Frage kann daher einen Absatz mit einer Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.\n\nArchitekturaktualisierungen\n\nDie veröffentlichte dichte Textkonfiguration hat 36 Schichten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet Merkmale mehrerer Ebenen des Vision-Encoders, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie begründen keine feste Antwortzeit oder genaue physikalische Präzision.\n\nVorbereitung der Eingabe\n\nDie Familienbeispiele des Herstellers 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: Ein Bildbudget betrifft ein Bild, ein Videobudget hingegen die Pixel über die abgetasteten Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl in unterstützten Arbeitsabläufen.\n\nDer Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Größenänderungen zu vermeiden, wenn die Medien bereits skaliert wurden. Behalten Sie bei einer Dokumentaufgabe Seitenbezeichner bei; fragen Sie bei einem Clip nach dem Ereignis, dem relevanten Intervall und den sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an, statt genaue Extraktion oder zeitliche Präzision zu garantieren.\n\nGenerierungshinweise und Grenzen\n\nDiese konkrete Modellkarte nennt getrennte Aufgabenvoreinstellungen. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 1.5 mit einem Ausgabebudget von 16,384 Tokens. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 2.0 mit einem Budget von 32,768 Tokens. Das sind Budgets aus Anleitungen des Herstellers und keine unabhängig festgelegten harten Ausgabeobergrenzen oder eigenständigen Modellidentitäten.\n\nDas Verfahren der Familie für langen Kontext verwendet YaRN; bei der Erweiterung ihrer verschachtelten Positionen von 256K auf ungefähr 1M wird ein Faktor von zwei oder drei vorgeschlagen. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und generierten Quellcode anhand des ursprünglichen Materials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt den Generierungs- oder Steuerungsvertrag eines Thinking-Checkpoints zu übernehmen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist Qwens dichtes, auf Anweisungen ausgerichtetes Vision-Language-Modell für Text, Bilder und Videos mit Text- oder Codeausgabe. Es unterstützt Dokumentlesen, visuelles Programmieren, räumliche Fragen und Videoanalyse, mit OCR für 32 Sprachen und einem nativen Kontext von 262,144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Vision-Language-Ausgabe 8B Instruct
Qwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Videos und erzeugt Text einschließlich Code. Sie bleibt von der um erweitertes Schlussfolgern ergänzten Thinking-Ausgabe und von Expertenmodellen mit selektiver Aktivierung derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, eine Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den bereitgestellten Belegen vergleichen lässt.
Visuelle Agenten und visuelles Programmieren
Der Hersteller beschreibt das Erkennen von Elementen auf Computer- oder mobilen Oberflächen, das Verstehen ihrer Funktionen und den Werkzeugeinsatz in einem Arbeitsablauf mit visuellen Agenten. Stellen Sie einen Screenshot und ein konkretes Ziel bereit und fragen Sie anschließend, welche sichtbaren Bedienelemente diesem Ziel entsprechen und welche Belege die Auswahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.
Visuelles Programmieren umfasst das Erstellen von Diagramminhalten und HTML, CSS oder JavaScript anhand von Bildern oder Videos. Stellen Sie die Layoutreferenz gemeinsam mit funktionalen Anforderungen und der benötigten bearbeitbaren Ausgabe bereit. Verlangen Sie Quellcodestruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Generierter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und in seinem Verhalten beurteilt zu werden.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und den untersuchten Zusammenhang. Ein Ergebnis zur relativen Position ist eine Ableitung aus dem Bild und keine kalibrierte physikalische Messung.
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. Darstellung, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein großer Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.
Multimodales Schlussfolgern, Erkennung und OCR
Die Familie unterstützt MINT- und Mathematikfragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Stellen Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm bereit und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Zusammenhänge. Die Erkennung deckt ein breites Spektrum an Menschen, Produkten, Sehenswürdigkeiten, Pflanzen, Tieren und Medienfiguren ab; eine plausibel klingende Zuordnung sollte geprüft werden, wenn die Identifizierung wichtig ist.
OCR umfasst 32 Sprachen und soll das Lesen bei schwachem Licht, Unschärfe oder Neigung verbessern, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie eine lesbare Seite bereit und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lassen. Text- und Bildverständnis werden verbunden; eine Frage kann daher einen Absatz mit einer Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.
Architekturaktualisierungen
Die veröffentlichte dichte Textkonfiguration hat 36 Schichten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet Merkmale mehrerer Ebenen des Vision-Encoders, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie begründen keine feste Antwortzeit oder genaue physikalische Präzision.
Vorbereitung der Eingabe
Die Familienbeispiele des Herstellers 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: Ein Bildbudget betrifft ein Bild, ein Videobudget hingegen die Pixel über die abgetasteten Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl in unterstützten Arbeitsabläufen.
Der Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Größenänderungen zu vermeiden, wenn die Medien bereits skaliert wurden. Behalten Sie bei einer Dokumentaufgabe Seitenbezeichner bei; fragen Sie bei einem Clip nach dem Ereignis, dem relevanten Intervall und den sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an, statt genaue Extraktion oder zeitliche Präzision zu garantieren.
Generierungshinweise und Grenzen
Diese konkrete Modellkarte nennt getrennte Aufgabenvoreinstellungen. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 1.5 mit einem Ausgabebudget von 16,384 Tokens. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 2.0 mit einem Budget von 32,768 Tokens. Das sind Budgets aus Anleitungen des Herstellers und keine unabhängig festgelegten harten Ausgabeobergrenzen oder eigenständigen Modellidentitäten.
Das Verfahren der Familie für langen Kontext verwendet YaRN; bei der Erweiterung ihrer verschachtelten Positionen von 256K auf ungefähr 1M wird ein Faktor von zwei oder drei vorgeschlagen. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und generierten Quellcode anhand des ursprünglichen Materials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt den Generierungs- oder Steuerungsvertrag eines Thinking-Checkpoints zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-8b-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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-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 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-8b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct ist Qwens dichtes, auf Anweisungen ausgerichtetes Vision-Language-Modell für Text, Bilder und Videos mit Text- oder Codeausgabe. Es unterstützt Dokumentlesen, visuelles Programmieren, räumliche Fragen und Videoanalyse, mit OCR für 32 Sprachen und einem nativen Kontext von 262,144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Vision-Language-Ausgabe 8B Instruct
Qwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Videos und erzeugt Text einschließlich Code. Sie bleibt von der um erweitertes Schlussfolgern ergänzten Thinking-Ausgabe und von Expertenmodellen mit selektiver Aktivierung derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, eine Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den bereitgestellten Belegen vergleichen lässt.
Visuelle Agenten und visuelles Programmieren
Der Hersteller beschreibt das Erkennen von Elementen auf Computer- oder mobilen Oberflächen, das Verstehen ihrer Funktionen und den Werkzeugeinsatz in einem Arbeitsablauf mit visuellen Agenten. Stellen Sie einen Screenshot und ein konkretes Ziel bereit und fragen Sie anschließend, welche sichtbaren Bedienelemente diesem Ziel entsprechen und welche Belege die Auswahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.
Visuelles Programmieren umfasst das Erstellen von Diagramminhalten und HTML, CSS oder JavaScript anhand von Bildern oder Videos. Stellen Sie die Layoutreferenz gemeinsam mit funktionalen Anforderungen und der benötigten bearbeitbaren Ausgabe bereit. Verlangen Sie Quellcodestruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Generierter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und in seinem Verhalten beurteilt zu werden.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und den untersuchten Zusammenhang. Ein Ergebnis zur relativen Position ist eine Ableitung aus dem Bild und keine kalibrierte physikalische Messung.
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. Darstellung, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein großer Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.
Multimodales Schlussfolgern, Erkennung und OCR
Die Familie unterstützt MINT- und Mathematikfragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Stellen Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm bereit und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Zusammenhänge. Die Erkennung deckt ein breites Spektrum an Menschen, Produkten, Sehenswürdigkeiten, Pflanzen, Tieren und Medienfiguren ab; eine plausibel klingende Zuordnung sollte geprüft werden, wenn die Identifizierung wichtig ist.
OCR umfasst 32 Sprachen und soll das Lesen bei schwachem Licht, Unschärfe oder Neigung verbessern, einschließlich Fachwortschatz und der Struktur langer Dokumente. Stellen Sie eine lesbare Seite bereit und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lassen. Text- und Bildverständnis werden verbunden; eine Frage kann daher einen Absatz mit einer Abbildung und den Anweisungen der Nutzerin oder des Nutzers verknüpfen.
Architekturaktualisierungen
Die veröffentlichte dichte Textkonfiguration hat 36 Schichten. Interleaved-MRoPE bildet Zeit, Breite und Höhe für das Schlussfolgern über Videos ab. DeepStack verbindet Merkmale mehrerer Ebenen des Vision-Encoders, und die Ausrichtung von Text und Zeitstempeln verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie begründen keine feste Antwortzeit oder genaue physikalische Präzision.
Vorbereitung der Eingabe
Die Familienbeispiele des Herstellers 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: Ein Bildbudget betrifft ein Bild, ein Videobudget hingegen die Pixel über die abgetasteten Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Steuerungsmöglichkeiten für Rate oder Bildanzahl in unterstützten Arbeitsabläufen.
Der Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Größenänderungen zu vermeiden, wenn die Medien bereits skaliert wurden. Behalten Sie bei einer Dokumentaufgabe Seitenbezeichner bei; fragen Sie bei einem Clip nach dem Ereignis, dem relevanten Intervall und den sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an, statt genaue Extraktion oder zeitliche Präzision zu garantieren.
Generierungshinweise und Grenzen
Diese konkrete Modellkarte nennt getrennte Aufgabenvoreinstellungen. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 1.5 mit einem Ausgabebudget von 16,384 Tokens. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Wiederholungsstrafe von 1.0 und eine Präsenzstrafe von 2.0 mit einem Budget von 32,768 Tokens. Das sind Budgets aus Anleitungen des Herstellers und keine unabhängig festgelegten harten Ausgabeobergrenzen oder eigenständigen Modellidentitäten.
Das Verfahren der Familie für langen Kontext verwendet YaRN; bei der Erweiterung ihrer verschachtelten Positionen von 256K auf ungefähr 1M wird ein Faktor von zwei oder drei vorgeschlagen. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und generierten Quellcode anhand des ursprünglichen Materials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt den Generierungs- oder Steuerungsvertrag eines Thinking-Checkpoints zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-8b-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 $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-8b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.