Qwen3-Omni-30B-A3B-Instruct ist das anweisungsbefolgende, sprachgenerierende Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschliesslich gemischter Eingaben, und kann sowohl Text als auch natürlich klingende Sprachausgabe zurückgeben. Qwen beschreibt die Familienarchitektur als Unterstützung für gestreamte Text- und Sprachantworten. Der konkrete Instruct-Checkpoint enthält Thinker- und Talker-Komponenten: Verständnis und textliche Antwortbildung sind mit dem Sprachgenerierungspfad verbunden. Die Thinking- und Captioner-Checkpoints besitzen unterschiedliche Komponenten- und Ausgaberollen und bleiben daher getrennte Modelloptionen.
Der veröffentlichte mehrsprachige Umfang der Familie umfasst 119 Textsprachen, 19 Sprachen für Spracheingaben und 10 Sprachen für Sprachausgaben. Russisch ist in beiden Sprachlisten enthalten. Der Hersteller beschreibt ein Mixture-of-Experts-Thinker–Talker-Design mit Audio- und Bildverarbeitung für multimodales Verständnis und Multi-Codebook-Sprachgenerierung. System-Prompts können Rolle und Antwortstil des Assistenten prägen. Eine geeignete Aufgabe ist eine gesprochene Erklärung, die von einem sichtbaren Objekt und einer gesprochenen Nutzerfrage abhängt, statt einer davon unabhängigen Text-zu-Sprache-Umwandlung.
Die Anwendungsanleitungen behandeln Spracherkennung, Sprachübersetzung, Musik- und Geräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibung und audiovisuellen Dialog. Liefern Sie für einen Schulungsassistenten einen Demonstrationsclip und bitten Sie ihn, das sichtbare Verfahren für Anfänger zu erklären. Verbinden Sie bei einer Produktfrage ein Foto mit der gesprochenen Anfrage und benennen Sie das zu besprechende Detail. Geben Sie den vorgesehenen Zuhörer und das gewünschte Ergebnis an: eine kurze gesprochene Antwort, eine Textzusammenfassung oder beides. Erhalten Sie Quellennamen und Messwerte, die unverändert bleiben müssen.
Der Eingabeablauf des Herstellers verwendet den passenden Prozessor, die Chatvorlage und Medienverarbeitungswerkzeuge. Medien können mit Text verschachtelt werden, und Decodierung ist ein ausdrücklicher Teil der Anfragevorbereitung. Halten Sie bei Verwendung der begleitenden Audiospur eines Videos use_audio_in_video über Vorverarbeitung, Generierung und aufeinanderfolgende Dialogrunden hinweg konsistent. Eine audiovisuelle Frage erfordert die Einbeziehung der Tonspur; eine rein visuelle Aufgabe sollte diesen Umfang klar angeben. Wählen Sie einen relevanten Clip und verwenden Sie lesbare Bilder, damit der Assistent die für die Frage nötigen Details erhält.
Die Sprachausgabe ist steuerbar. Die veröffentlichte Generierungsschnittstelle kann mit return_audio=False ausschliesslich Text anfordern, und das Deaktivieren von Talker entfernt diese Komponente aus dem Sprachausgabepfad des geladenen Modells. Das Batch-Beispiel des Herstellers gibt Text statt Audio zurück. Der Instruct-Checkpoint dokumentiert drei Stimmenoptionen – Ethan, Chelsie und Aiden –, mit Ethan als Standard. Das Beispiel speichert eine Wellenform bei 24,000 Hz. Stimmauswahl und das Ausgabeformat dieses Beispiels beschreiben den veröffentlichten Modellablauf und nicht jede mögliche umgebende Dienstschnittstelle.
Für gesprochene Antworten empfiehlt der Hersteller einen leicht auszusprechenden Gesprächsstil statt komplizierter Formatierung. Eine Anfrage kann eine knappe Erklärung in der Sprache des Zuhörers verlangen und gleichzeitig ein getrenntes lesbares Textergebnis zur Prüfung erhalten. Wenn die Quelle einen Namen, eine Formel oder eine unbekannte Abkürzung enthält, liefern Sie deren Bedeutung und die bevorzugte Formulierung. Verlangen Sie, dass die Antwort beobachtete Inhalte von Annahmen unterscheidet, damit eine flüssige Stimme Unsicherheit nicht verschwinden lässt.
Die Textkonfigurationen von Thinker und Talker setzen max_position_embeddings auf 65,536. Die vLLM-Beispiele der gemeinsamen Modellkarte wählen separat eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token; dies bleiben Beispiele und keine unabhängigen allgemeingültigen Obergrenzen. Bild- und Audioverarbeitung beeinflussen die effektive Anfragegrösse. Auch die Schnittstellenunterstützung unterscheidet sich: Das Transformers-Beispiel der Modellkarte kann gesprochene Antworten ausgeben, während ihre Bereitstellungsbeschreibung einen Thinker-orientierten Pfad und getrennte Video-/Audioverarbeitung beschreibt. Halten Sie Sprachfähigkeiten auf Modellebene vom unterstützten Ausgabepfad einer bestimmten Laufzeit getrennt.
Ein nützliches Ergebnis verbindet die Antwort mit dem für ihre Prüfung benötigten Quellmaterial. Prüfen Sie bei einer Demonstration die beschriebene Aktion anhand des Clips; vergleichen Sie bei einer Audiofrage die Antwort mit den hörbaren Wörtern oder Geräuschen; prüfen Sie bei einer visuellen Berechnung Einheiten und Beschriftungen. Die Familie enthält eine Anleitung für Audio-Funktionsaufrufe, aber eine Anwendung definiert und führt weiterhin jede externe Werkzeugaktion aus. Eine generierte Handlungsanfrage unterscheidet sich von einem bestätigten Ergebnis. Die Stärke dieser Ausgabe ist multimodale Interaktion mit optionaler gesprochener Antwort; Faktenprüfung, nachgelagerte Aktionen und Medienbearbeitung benötigen eigene Belege und Abläufe.
", "aboutText": "Qwen3-Omni-30B-A3B-Instruct ist das anweisungsbefolgende, sprachgenerierende Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschliesslich gemischter Eingaben, und kann sowohl Text als auch natürlich klingende Sprachausgabe zurückgeben. Qwen beschreibt die Familienarchitektur als Unterstützung für gestreamte Text- und Sprachantworten. Der konkrete Instruct-Checkpoint enthält Thinker- und Talker-Komponenten: Verständnis und textliche Antwortbildung sind mit dem Sprachgenerierungspfad verbunden. Die Thinking- und Captioner-Checkpoints besitzen unterschiedliche Komponenten- und Ausgaberollen und bleiben daher getrennte Modelloptionen.\n\nDer veröffentlichte mehrsprachige Umfang der Familie umfasst 119 Textsprachen, 19 Sprachen für Spracheingaben und 10 Sprachen für Sprachausgaben. Russisch ist in beiden Sprachlisten enthalten. Der Hersteller beschreibt ein Mixture-of-Experts-Thinker–Talker-Design mit Audio- und Bildverarbeitung für multimodales Verständnis und Multi-Codebook-Sprachgenerierung. System-Prompts können Rolle und Antwortstil des Assistenten prägen. Eine geeignete Aufgabe ist eine gesprochene Erklärung, die von einem sichtbaren Objekt und einer gesprochenen Nutzerfrage abhängt, statt einer davon unabhängigen Text-zu-Sprache-Umwandlung.\n\nDie Anwendungsanleitungen behandeln Spracherkennung, Sprachübersetzung, Musik- und Geräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibung und audiovisuellen Dialog. Liefern Sie für einen Schulungsassistenten einen Demonstrationsclip und bitten Sie ihn, das sichtbare Verfahren für Anfänger zu erklären. Verbinden Sie bei einer Produktfrage ein Foto mit der gesprochenen Anfrage und benennen Sie das zu besprechende Detail. Geben Sie den vorgesehenen Zuhörer und das gewünschte Ergebnis an: eine kurze gesprochene Antwort, eine Textzusammenfassung oder beides. Erhalten Sie Quellennamen und Messwerte, die unverändert bleiben müssen.\n\nDer Eingabeablauf des Herstellers verwendet den passenden Prozessor, die Chatvorlage und Medienverarbeitungswerkzeuge. Medien können mit Text verschachtelt werden, und Decodierung ist ein ausdrücklicher Teil der Anfragevorbereitung. Halten Sie bei Verwendung der begleitenden Audiospur eines Videos use_audio_in_video über Vorverarbeitung, Generierung und aufeinanderfolgende Dialogrunden hinweg konsistent. Eine audiovisuelle Frage erfordert die Einbeziehung der Tonspur; eine rein visuelle Aufgabe sollte diesen Umfang klar angeben. Wählen Sie einen relevanten Clip und verwenden Sie lesbare Bilder, damit der Assistent die für die Frage nötigen Details erhält.\n\nDie Sprachausgabe ist steuerbar. Die veröffentlichte Generierungsschnittstelle kann mit return_audio=False ausschliesslich Text anfordern, und das Deaktivieren von Talker entfernt diese Komponente aus dem Sprachausgabepfad des geladenen Modells. Das Batch-Beispiel des Herstellers gibt Text statt Audio zurück. Der Instruct-Checkpoint dokumentiert drei Stimmenoptionen – Ethan, Chelsie und Aiden –, mit Ethan als Standard. Das Beispiel speichert eine Wellenform bei 24,000 Hz. Stimmauswahl und das Ausgabeformat dieses Beispiels beschreiben den veröffentlichten Modellablauf und nicht jede mögliche umgebende Dienstschnittstelle.\n\nFür gesprochene Antworten empfiehlt der Hersteller einen leicht auszusprechenden Gesprächsstil statt komplizierter Formatierung. Eine Anfrage kann eine knappe Erklärung in der Sprache des Zuhörers verlangen und gleichzeitig ein getrenntes lesbares Textergebnis zur Prüfung erhalten. Wenn die Quelle einen Namen, eine Formel oder eine unbekannte Abkürzung enthält, liefern Sie deren Bedeutung und die bevorzugte Formulierung. Verlangen Sie, dass die Antwort beobachtete Inhalte von Annahmen unterscheidet, damit eine flüssige Stimme Unsicherheit nicht verschwinden lässt.\n\nDie Textkonfigurationen von Thinker und Talker setzen max_position_embeddings auf 65,536. Die vLLM-Beispiele der gemeinsamen Modellkarte wählen separat eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token; dies bleiben Beispiele und keine unabhängigen allgemeingültigen Obergrenzen. Bild- und Audioverarbeitung beeinflussen die effektive Anfragegrösse. Auch die Schnittstellenunterstützung unterscheidet sich: Das Transformers-Beispiel der Modellkarte kann gesprochene Antworten ausgeben, während ihre Bereitstellungsbeschreibung einen Thinker-orientierten Pfad und getrennte Video-/Audioverarbeitung beschreibt. Halten Sie Sprachfähigkeiten auf Modellebene vom unterstützten Ausgabepfad einer bestimmten Laufzeit getrennt.\n\nEin nützliches Ergebnis verbindet die Antwort mit dem für ihre Prüfung benötigten Quellmaterial. Prüfen Sie bei einer Demonstration die beschriebene Aktion anhand des Clips; vergleichen Sie bei einer Audiofrage die Antwort mit den hörbaren Wörtern oder Geräuschen; prüfen Sie bei einer visuellen Berechnung Einheiten und Beschriftungen. Die Familie enthält eine Anleitung für Audio-Funktionsaufrufe, aber eine Anwendung definiert und führt weiterhin jede externe Werkzeugaktion aus. Eine generierte Handlungsanfrage unterscheidet sich von einem bestätigten Ergebnis. Die Stärke dieser Ausgabe ist multimodale Interaktion mit optionaler gesprochener Antwort; Faktenprüfung, nachgelagerte Aktionen und Medienbearbeitung benötigen eigene Belege und Abläufe.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct versteht Text, Bilder, Audio und Video und kann mit Text und natürlich klingender Sprachausgabe antworten. Seine Thinker–Talker-Architektur unterstützt multimodalen Dialog, mit ausdrücklicher Steuerung, ob Sprachausgabe zurückgegeben wird und welche dokumentierte Stimme verwendet wird.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Omni-30B-A3B-Instruct ist das anweisungsbefolgende, sprachgenerierende Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschliesslich gemischter Eingaben, und kann sowohl Text als auch natürlich klingende Sprachausgabe zurückgeben. Qwen beschreibt die Familienarchitektur als Unterstützung für gestreamte Text- und Sprachantworten. Der konkrete Instruct-Checkpoint enthält Thinker- und Talker-Komponenten: Verständnis und textliche Antwortbildung sind mit dem Sprachgenerierungspfad verbunden. Die Thinking- und Captioner-Checkpoints besitzen unterschiedliche Komponenten- und Ausgaberollen und bleiben daher getrennte Modelloptionen.
Der veröffentlichte mehrsprachige Umfang der Familie umfasst 119 Textsprachen, 19 Sprachen für Spracheingaben und 10 Sprachen für Sprachausgaben. Russisch ist in beiden Sprachlisten enthalten. Der Hersteller beschreibt ein Mixture-of-Experts-Thinker–Talker-Design mit Audio- und Bildverarbeitung für multimodales Verständnis und Multi-Codebook-Sprachgenerierung. System-Prompts können Rolle und Antwortstil des Assistenten prägen. Eine geeignete Aufgabe ist eine gesprochene Erklärung, die von einem sichtbaren Objekt und einer gesprochenen Nutzerfrage abhängt, statt einer davon unabhängigen Text-zu-Sprache-Umwandlung.
Die Anwendungsanleitungen behandeln Spracherkennung, Sprachübersetzung, Musik- und Geräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibung und audiovisuellen Dialog. Liefern Sie für einen Schulungsassistenten einen Demonstrationsclip und bitten Sie ihn, das sichtbare Verfahren für Anfänger zu erklären. Verbinden Sie bei einer Produktfrage ein Foto mit der gesprochenen Anfrage und benennen Sie das zu besprechende Detail. Geben Sie den vorgesehenen Zuhörer und das gewünschte Ergebnis an: eine kurze gesprochene Antwort, eine Textzusammenfassung oder beides. Erhalten Sie Quellennamen und Messwerte, die unverändert bleiben müssen.
Der Eingabeablauf des Herstellers verwendet den passenden Prozessor, die Chatvorlage und Medienverarbeitungswerkzeuge. Medien können mit Text verschachtelt werden, und Decodierung ist ein ausdrücklicher Teil der Anfragevorbereitung. Halten Sie bei Verwendung der begleitenden Audiospur eines Videos use_audio_in_video über Vorverarbeitung, Generierung und aufeinanderfolgende Dialogrunden hinweg konsistent. Eine audiovisuelle Frage erfordert die Einbeziehung der Tonspur; eine rein visuelle Aufgabe sollte diesen Umfang klar angeben. Wählen Sie einen relevanten Clip und verwenden Sie lesbare Bilder, damit der Assistent die für die Frage nötigen Details erhält.
Die Sprachausgabe ist steuerbar. Die veröffentlichte Generierungsschnittstelle kann mit return_audio=False ausschliesslich Text anfordern, und das Deaktivieren von Talker entfernt diese Komponente aus dem Sprachausgabepfad des geladenen Modells. Das Batch-Beispiel des Herstellers gibt Text statt Audio zurück. Der Instruct-Checkpoint dokumentiert drei Stimmenoptionen – Ethan, Chelsie und Aiden –, mit Ethan als Standard. Das Beispiel speichert eine Wellenform bei 24,000 Hz. Stimmauswahl und das Ausgabeformat dieses Beispiels beschreiben den veröffentlichten Modellablauf und nicht jede mögliche umgebende Dienstschnittstelle.
Für gesprochene Antworten empfiehlt der Hersteller einen leicht auszusprechenden Gesprächsstil statt komplizierter Formatierung. Eine Anfrage kann eine knappe Erklärung in der Sprache des Zuhörers verlangen und gleichzeitig ein getrenntes lesbares Textergebnis zur Prüfung erhalten. Wenn die Quelle einen Namen, eine Formel oder eine unbekannte Abkürzung enthält, liefern Sie deren Bedeutung und die bevorzugte Formulierung. Verlangen Sie, dass die Antwort beobachtete Inhalte von Annahmen unterscheidet, damit eine flüssige Stimme Unsicherheit nicht verschwinden lässt.
Die Textkonfigurationen von Thinker und Talker setzen max_position_embeddings auf 65,536. Die vLLM-Beispiele der gemeinsamen Modellkarte wählen separat eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token; dies bleiben Beispiele und keine unabhängigen allgemeingültigen Obergrenzen. Bild- und Audioverarbeitung beeinflussen die effektive Anfragegrösse. Auch die Schnittstellenunterstützung unterscheidet sich: Das Transformers-Beispiel der Modellkarte kann gesprochene Antworten ausgeben, während ihre Bereitstellungsbeschreibung einen Thinker-orientierten Pfad und getrennte Video-/Audioverarbeitung beschreibt. Halten Sie Sprachfähigkeiten auf Modellebene vom unterstützten Ausgabepfad einer bestimmten Laufzeit getrennt.
Ein nützliches Ergebnis verbindet die Antwort mit dem für ihre Prüfung benötigten Quellmaterial. Prüfen Sie bei einer Demonstration die beschriebene Aktion anhand des Clips; vergleichen Sie bei einer Audiofrage die Antwort mit den hörbaren Wörtern oder Geräuschen; prüfen Sie bei einer visuellen Berechnung Einheiten und Beschriftungen. Die Familie enthält eine Anleitung für Audio-Funktionsaufrufe, aber eine Anwendung definiert und führt weiterhin jede externe Werkzeugaktion aus. Eine generierte Handlungsanfrage unterscheidet sich von einem bestätigten Ergebnis. Die Stärke dieser Ausgabe ist multimodale Interaktion mit optionaler gesprochener Antwort; Faktenprüfung, nachgelagerte Aktionen und Medienbearbeitung benötigen eigene Belege und Abläufe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-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-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct versteht Text, Bilder, Audio und Video und kann mit Text und natürlich klingender Sprachausgabe antworten. Seine Thinker–Talker-Architektur unterstützt multimodalen Dialog, mit ausdrücklicher Steuerung, ob Sprachausgabe zurückgegeben wird und welche dokumentierte Stimme verwendet wird.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Omni-30B-A3B-Instruct ist das anweisungsbefolgende, sprachgenerierende Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschliesslich gemischter Eingaben, und kann sowohl Text als auch natürlich klingende Sprachausgabe zurückgeben. Qwen beschreibt die Familienarchitektur als Unterstützung für gestreamte Text- und Sprachantworten. Der konkrete Instruct-Checkpoint enthält Thinker- und Talker-Komponenten: Verständnis und textliche Antwortbildung sind mit dem Sprachgenerierungspfad verbunden. Die Thinking- und Captioner-Checkpoints besitzen unterschiedliche Komponenten- und Ausgaberollen und bleiben daher getrennte Modelloptionen.
Der veröffentlichte mehrsprachige Umfang der Familie umfasst 119 Textsprachen, 19 Sprachen für Spracheingaben und 10 Sprachen für Sprachausgaben. Russisch ist in beiden Sprachlisten enthalten. Der Hersteller beschreibt ein Mixture-of-Experts-Thinker–Talker-Design mit Audio- und Bildverarbeitung für multimodales Verständnis und Multi-Codebook-Sprachgenerierung. System-Prompts können Rolle und Antwortstil des Assistenten prägen. Eine geeignete Aufgabe ist eine gesprochene Erklärung, die von einem sichtbaren Objekt und einer gesprochenen Nutzerfrage abhängt, statt einer davon unabhängigen Text-zu-Sprache-Umwandlung.
Die Anwendungsanleitungen behandeln Spracherkennung, Sprachübersetzung, Musik- und Geräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibung und audiovisuellen Dialog. Liefern Sie für einen Schulungsassistenten einen Demonstrationsclip und bitten Sie ihn, das sichtbare Verfahren für Anfänger zu erklären. Verbinden Sie bei einer Produktfrage ein Foto mit der gesprochenen Anfrage und benennen Sie das zu besprechende Detail. Geben Sie den vorgesehenen Zuhörer und das gewünschte Ergebnis an: eine kurze gesprochene Antwort, eine Textzusammenfassung oder beides. Erhalten Sie Quellennamen und Messwerte, die unverändert bleiben müssen.
Der Eingabeablauf des Herstellers verwendet den passenden Prozessor, die Chatvorlage und Medienverarbeitungswerkzeuge. Medien können mit Text verschachtelt werden, und Decodierung ist ein ausdrücklicher Teil der Anfragevorbereitung. Halten Sie bei Verwendung der begleitenden Audiospur eines Videos use_audio_in_video über Vorverarbeitung, Generierung und aufeinanderfolgende Dialogrunden hinweg konsistent. Eine audiovisuelle Frage erfordert die Einbeziehung der Tonspur; eine rein visuelle Aufgabe sollte diesen Umfang klar angeben. Wählen Sie einen relevanten Clip und verwenden Sie lesbare Bilder, damit der Assistent die für die Frage nötigen Details erhält.
Die Sprachausgabe ist steuerbar. Die veröffentlichte Generierungsschnittstelle kann mit return_audio=False ausschliesslich Text anfordern, und das Deaktivieren von Talker entfernt diese Komponente aus dem Sprachausgabepfad des geladenen Modells. Das Batch-Beispiel des Herstellers gibt Text statt Audio zurück. Der Instruct-Checkpoint dokumentiert drei Stimmenoptionen – Ethan, Chelsie und Aiden –, mit Ethan als Standard. Das Beispiel speichert eine Wellenform bei 24,000 Hz. Stimmauswahl und das Ausgabeformat dieses Beispiels beschreiben den veröffentlichten Modellablauf und nicht jede mögliche umgebende Dienstschnittstelle.
Für gesprochene Antworten empfiehlt der Hersteller einen leicht auszusprechenden Gesprächsstil statt komplizierter Formatierung. Eine Anfrage kann eine knappe Erklärung in der Sprache des Zuhörers verlangen und gleichzeitig ein getrenntes lesbares Textergebnis zur Prüfung erhalten. Wenn die Quelle einen Namen, eine Formel oder eine unbekannte Abkürzung enthält, liefern Sie deren Bedeutung und die bevorzugte Formulierung. Verlangen Sie, dass die Antwort beobachtete Inhalte von Annahmen unterscheidet, damit eine flüssige Stimme Unsicherheit nicht verschwinden lässt.
Die Textkonfigurationen von Thinker und Talker setzen max_position_embeddings auf 65,536. Die vLLM-Beispiele der gemeinsamen Modellkarte wählen separat eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token; dies bleiben Beispiele und keine unabhängigen allgemeingültigen Obergrenzen. Bild- und Audioverarbeitung beeinflussen die effektive Anfragegrösse. Auch die Schnittstellenunterstützung unterscheidet sich: Das Transformers-Beispiel der Modellkarte kann gesprochene Antworten ausgeben, während ihre Bereitstellungsbeschreibung einen Thinker-orientierten Pfad und getrennte Video-/Audioverarbeitung beschreibt. Halten Sie Sprachfähigkeiten auf Modellebene vom unterstützten Ausgabepfad einer bestimmten Laufzeit getrennt.
Ein nützliches Ergebnis verbindet die Antwort mit dem für ihre Prüfung benötigten Quellmaterial. Prüfen Sie bei einer Demonstration die beschriebene Aktion anhand des Clips; vergleichen Sie bei einer Audiofrage die Antwort mit den hörbaren Wörtern oder Geräuschen; prüfen Sie bei einer visuellen Berechnung Einheiten und Beschriftungen. Die Familie enthält eine Anleitung für Audio-Funktionsaufrufe, aber eine Anwendung definiert und führt weiterhin jede externe Werkzeugaktion aus. Eine generierte Handlungsanfrage unterscheidet sich von einem bestätigten Ergebnis. Die Stärke dieser Ausgabe ist multimodale Interaktion mit optionaler gesprochener Antwort; Faktenprüfung, nachgelagerte Aktionen und Medienbearbeitung benötigen eigene Belege und Abläufe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.