Einführung: die multimodale Thinking-Ausgabe
Qwen3-VL-235B-A22B-Thinking ist die auf Schlussfolgerungen ausgerichtete Mixture-of-Experts-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern und Videos und erzeugt Textantworten oder Code. Der feste Thinking-Checkpoint unterscheidet sich von Qwen3-VL-235B-A22B-Instruct und den separat benannten FP8-Builds. Wählen Sie ihn für eine Frage, die visuelle Belege mit einer längeren Erklärung verbinden muss, statt bei jeder Qwen3-VL-Ausgabe den gleichen Antwortstil anzunehmen.
Visuelle Agenten und Programmierung anhand visueller Vorlagen
Qwen beschreibt einen Workflow für visuelle Agenten, der Elemente in Computer- oder Mobiloberflächen erkennt, ihre Funktionen interpretiert und mit Werkzeugen Aufgaben erledigt. Das Modell liefert Wahrnehmung und Schlussfolgerungen; eine Anwendung muss die Aktionen anbinden und ausführen. Stellen Sie für eine Oberflächenprüfung den aktuellen Screenshot und ein konkretes Ziel bereit. Verlangen Sie anschliessend die Identifikation der relevanten Steuerelemente und eine Erklärung der nächsten Aktion. Das Bild allein verleiht keine Kontrolle über das Gerät.
Programmierung anhand visueller Vorlagen umfasst das Erzeugen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern und Videos. Stellen Sie einen Screenshot mit dem erforderlichen Layout, Verhalten und bearbeitbaren Ausgabeformat bereit. Verlangen Sie Seitenstruktur und Stile als separate Artefakte, wenn dies die Prüfung erleichtert. Generierter Code ist Text für einen Entwicklungsworkflow; er belegt weder, dass eine Website gerendert wurde, noch, dass aus dem Quellbild eine funktionierende Anwendung geworden ist.
Räumliche Wahrnehmung
Der Hersteller dokumentiert Schlussfolgerungen über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionaler Verortung und Unterstützung für dreidimensionale Verortung. Stellen Sie eine konkrete Frage zu einer Beziehung und benennen Sie das relevante Objekt: etwa, welche Komponente verdeckt ist, was davor liegt und welche visuellen Hinweise diese Interpretation stützen. Die Fähigkeit zur Verortung darf nicht als kalibrierte physikalische Messung aus einem beliebigen Bild behandelt werden.
Langer Kontext und Video
Der native Kontext beträgt 262,144 Tokens. Qwen beschreibt eine Erweiterung auf ungefähr eine Million mittels YaRN-Konfiguration sowie Familienworkflows mit Büchern oder stundenlangen Videos und Ereignisindexierung mit sekundengenauer Auflösung. Diese Fähigkeiten hängen von Darstellung, Frame-Abtastung und Kontextkonfiguration ab; die allgemeine Herstellerbeschreibung garantiert keine perfekte Erinnerung an jedes Einzelbild. In seinem Repository empfiehlt Qwen für dieses verschachtelte Positionsschema bei der Erweiterung von 256K auf etwa 1M einen Extrapolationsfaktor von zwei oder drei, statt automatisch einen Faktor von vier aus einem anderen Modell zu übernehmen.
Multimodales Schlussfolgern und Erkennen
Die Thinking-Ausgabe richtet sich auf beleggestütztes MINT- und mathematisches Schlussfolgern, Kausalanalyse und logische Antworten, die Text mit visuellem Material verbinden. Geben Sie ein Diagramm zusammen mit seinen Definitionen oder ein Schaubild mit der genauen numerischen Frage an. Verlangen Sie vor der Schlussfolgerung die verwendeten Beschriftungen und Werte. Qwen beschreibt ausserdem eine breitere visuelle Erkennung von Menschen, Anime, Produkten, Wahrzeichen, Pflanzen und Tieren. Eine Erkennungsantwort bleibt eine Schlussfolgerung aus dem bereitgestellten Bild und garantiert nicht, dass jedes Objekt oder jede Identität benannt werden kann.
OCR deckt 32 Sprachen ab und soll das Lesen bei schwachem Licht, Unschärfe oder Schräglage verbessern, einschliesslich Fachvokabular und der Struktur langer Dokumente. Bewahren Sie lesbare Quellbilder und verlangen Sie Felder, Zitate oder eine strukturierte Tabelle, die überprüft werden kann. Text- und Bildverständnis sind in einem Modell vereint; eine Frage kann sich daher gemeinsam auf eine Dokumentpassage, eine Abbildung und die Anweisungen der nutzenden Person beziehen.
Architekturänderungen
Interleaved-MRoPE verteilt die Positionsdarstellung für das Schlussfolgern über Videos auf Zeit, Breite und Höhe. DeepStack kombiniert visuelle Merkmale aus mehreren Encoder-Ebenen, um feinere Details zu erfassen und die Bild-Text-Ausrichtung zu verbessern. Die Text-Zeitstempel-Ausrichtung verortet Ereignisse anhand zeitlicher Referenzen. Die veröffentlichte Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Diese Architekturdetails erklären die multimodale Darstellung des Modells; sie begründen keine Garantie für die Antwortzeit.
Visuelle Eingaben und Ausgaben vorbereiten
Die Beispiele des Herstellers decken einzelne oder mehrere Bilder, Video und reine Textanfragen ab. Kennzeichnen Sie jede visuelle Eingabe, damit die Frage eindeutig darauf verweisen kann. Bild- und Videoprozessoren verwenden separate Pixelbudgets: Ein Bildbudget begrenzt die Bildpixel, während ein Videobudget die Pixel aller abgetasteten Frames berücksichtigt. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Die Videoabtastung lässt sich über die Rate oder die Frame-Anzahl steuern; der dokumentierte Standard beträgt zwei Frames pro Sekunde. Bewahren Sie Zeitstempel, wenn Sie nach einer Ereigniszeitleiste fragen.
Verlangen Sie bei einem langen Clip das Ereignis, sein Zeitintervall und die sichtbaren Belege statt einer undifferenzierten Zusammenfassung. Fordern Sie bei mehreren Seiten ein nach Seitenkennung gegliedertes Ergebnis an. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und helfen, Auslassungen oder Extraktionsfehler sichtbar zu machen.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmässig temperature 0.8, top_p 0.95 und top_k 20. Qwens separates Evaluierungsrezept für Thinking verwendet temperature 0.6, eine Präsenzstrafe von null, eine Wiederholungsstrafe von 1.0 und ein Ausgabekontingent von 40,960 Tokens. Dies sind unterschiedliche Herstellervoreinstellungen und keine einheitliche harte Ausgabegrenze. Planen Sie neben den visuellen Tokens Platz für Denkverlauf und endgültigen Text ein und prüfen Sie extrahierte Texte, berechnete Antworten und generierten Code vor der Verwendung anhand der Quelle.
", "aboutText": "Einführung: die multimodale Thinking-Ausgabe\n\nQwen3-VL-235B-A22B-Thinking ist die auf Schlussfolgerungen ausgerichtete Mixture-of-Experts-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern und Videos und erzeugt Textantworten oder Code. Der feste Thinking-Checkpoint unterscheidet sich von Qwen3-VL-235B-A22B-Instruct und den separat benannten FP8-Builds. Wählen Sie ihn für eine Frage, die visuelle Belege mit einer längeren Erklärung verbinden muss, statt bei jeder Qwen3-VL-Ausgabe den gleichen Antwortstil anzunehmen.\n\nVisuelle Agenten und Programmierung anhand visueller Vorlagen\n\nQwen beschreibt einen Workflow für visuelle Agenten, der Elemente in Computer- oder Mobiloberflächen erkennt, ihre Funktionen interpretiert und mit Werkzeugen Aufgaben erledigt. Das Modell liefert Wahrnehmung und Schlussfolgerungen; eine Anwendung muss die Aktionen anbinden und ausführen. Stellen Sie für eine Oberflächenprüfung den aktuellen Screenshot und ein konkretes Ziel bereit. Verlangen Sie anschliessend die Identifikation der relevanten Steuerelemente und eine Erklärung der nächsten Aktion. Das Bild allein verleiht keine Kontrolle über das Gerät.\n\nProgrammierung anhand visueller Vorlagen umfasst das Erzeugen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern und Videos. Stellen Sie einen Screenshot mit dem erforderlichen Layout, Verhalten und bearbeitbaren Ausgabeformat bereit. Verlangen Sie Seitenstruktur und Stile als separate Artefakte, wenn dies die Prüfung erleichtert. Generierter Code ist Text für einen Entwicklungsworkflow; er belegt weder, dass eine Website gerendert wurde, noch, dass aus dem Quellbild eine funktionierende Anwendung geworden ist.\n\nRäumliche Wahrnehmung\n\nDer Hersteller dokumentiert Schlussfolgerungen über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionaler Verortung und Unterstützung für dreidimensionale Verortung. Stellen Sie eine konkrete Frage zu einer Beziehung und benennen Sie das relevante Objekt: etwa, welche Komponente verdeckt ist, was davor liegt und welche visuellen Hinweise diese Interpretation stützen. Die Fähigkeit zur Verortung darf nicht als kalibrierte physikalische Messung aus einem beliebigen Bild behandelt werden.\n\nLanger Kontext und Video\n\nDer native Kontext beträgt 262,144 Tokens. Qwen beschreibt eine Erweiterung auf ungefähr eine Million mittels YaRN-Konfiguration sowie Familienworkflows mit Büchern oder stundenlangen Videos und Ereignisindexierung mit sekundengenauer Auflösung. Diese Fähigkeiten hängen von Darstellung, Frame-Abtastung und Kontextkonfiguration ab; die allgemeine Herstellerbeschreibung garantiert keine perfekte Erinnerung an jedes Einzelbild. In seinem Repository empfiehlt Qwen für dieses verschachtelte Positionsschema bei der Erweiterung von 256K auf etwa 1M einen Extrapolationsfaktor von zwei oder drei, statt automatisch einen Faktor von vier aus einem anderen Modell zu übernehmen.\n\nMultimodales Schlussfolgern und Erkennen\n\nDie Thinking-Ausgabe richtet sich auf beleggestütztes MINT- und mathematisches Schlussfolgern, Kausalanalyse und logische Antworten, die Text mit visuellem Material verbinden. Geben Sie ein Diagramm zusammen mit seinen Definitionen oder ein Schaubild mit der genauen numerischen Frage an. Verlangen Sie vor der Schlussfolgerung die verwendeten Beschriftungen und Werte. Qwen beschreibt ausserdem eine breitere visuelle Erkennung von Menschen, Anime, Produkten, Wahrzeichen, Pflanzen und Tieren. Eine Erkennungsantwort bleibt eine Schlussfolgerung aus dem bereitgestellten Bild und garantiert nicht, dass jedes Objekt oder jede Identität benannt werden kann.\n\nOCR deckt 32 Sprachen ab und soll das Lesen bei schwachem Licht, Unschärfe oder Schräglage verbessern, einschliesslich Fachvokabular und der Struktur langer Dokumente. Bewahren Sie lesbare Quellbilder und verlangen Sie Felder, Zitate oder eine strukturierte Tabelle, die überprüft werden kann. Text- und Bildverständnis sind in einem Modell vereint; eine Frage kann sich daher gemeinsam auf eine Dokumentpassage, eine Abbildung und die Anweisungen der nutzenden Person beziehen.\n\nArchitekturänderungen\n\nInterleaved-MRoPE verteilt die Positionsdarstellung für das Schlussfolgern über Videos auf Zeit, Breite und Höhe. DeepStack kombiniert visuelle Merkmale aus mehreren Encoder-Ebenen, um feinere Details zu erfassen und die Bild-Text-Ausrichtung zu verbessern. Die Text-Zeitstempel-Ausrichtung verortet Ereignisse anhand zeitlicher Referenzen. Die veröffentlichte Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Diese Architekturdetails erklären die multimodale Darstellung des Modells; sie begründen keine Garantie für die Antwortzeit.\n\nVisuelle Eingaben und Ausgaben vorbereiten\n\nDie Beispiele des Herstellers decken einzelne oder mehrere Bilder, Video und reine Textanfragen ab. Kennzeichnen Sie jede visuelle Eingabe, damit die Frage eindeutig darauf verweisen kann. Bild- und Videoprozessoren verwenden separate Pixelbudgets: Ein Bildbudget begrenzt die Bildpixel, während ein Videobudget die Pixel aller abgetasteten Frames berücksichtigt. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Die Videoabtastung lässt sich über die Rate oder die Frame-Anzahl steuern; der dokumentierte Standard beträgt zwei Frames pro Sekunde. Bewahren Sie Zeitstempel, wenn Sie nach einer Ereigniszeitleiste fragen.\n\nVerlangen Sie bei einem langen Clip das Ereignis, sein Zeitintervall und die sichtbaren Belege statt einer undifferenzierten Zusammenfassung. Fordern Sie bei mehreren Seiten ein nach Seitenkennung gegliedertes Ergebnis an. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und helfen, Auslassungen oder Extraktionsfehler sichtbar zu machen.\n\nGenerierungshinweise und Grenzen\n\nDie Generierungsdatei des Checkpoints verwendet standardmässig temperature 0.8, top_p 0.95 und top_k 20. Qwens separates Evaluierungsrezept für Thinking verwendet temperature 0.6, eine Präsenzstrafe von null, eine Wiederholungsstrafe von 1.0 und ein Ausgabekontingent von 40,960 Tokens. Dies sind unterschiedliche Herstellervoreinstellungen und keine einheitliche harte Ausgabegrenze. Planen Sie neben den visuellen Tokens Platz für Denkverlauf und endgültigen Text ein und prüfen Sie extrahierte Texte, berechnete Antworten und generierten Code vor der Verwendung anhand der Quelle.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking ist Qwens Vision-Language-Modell mit Mixture-of-Experts für Schlussfolgerungen aus Text, Bildern und Videos. Nutzen Sie die Thinking-Ausgabe für MINT-Fragen, Dokumentbelege, räumliche Beziehungen, Programmierung anhand visueller Vorlagen und Videoanalysen mit Zeitstempeln, mit 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.
Einführung: die multimodale Thinking-Ausgabe
Qwen3-VL-235B-A22B-Thinking ist die auf Schlussfolgerungen ausgerichtete Mixture-of-Experts-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern und Videos und erzeugt Textantworten oder Code. Der feste Thinking-Checkpoint unterscheidet sich von Qwen3-VL-235B-A22B-Instruct und den separat benannten FP8-Builds. Wählen Sie ihn für eine Frage, die visuelle Belege mit einer längeren Erklärung verbinden muss, statt bei jeder Qwen3-VL-Ausgabe den gleichen Antwortstil anzunehmen.
Visuelle Agenten und Programmierung anhand visueller Vorlagen
Qwen beschreibt einen Workflow für visuelle Agenten, der Elemente in Computer- oder Mobiloberflächen erkennt, ihre Funktionen interpretiert und mit Werkzeugen Aufgaben erledigt. Das Modell liefert Wahrnehmung und Schlussfolgerungen; eine Anwendung muss die Aktionen anbinden und ausführen. Stellen Sie für eine Oberflächenprüfung den aktuellen Screenshot und ein konkretes Ziel bereit. Verlangen Sie anschliessend die Identifikation der relevanten Steuerelemente und eine Erklärung der nächsten Aktion. Das Bild allein verleiht keine Kontrolle über das Gerät.
Programmierung anhand visueller Vorlagen umfasst das Erzeugen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern und Videos. Stellen Sie einen Screenshot mit dem erforderlichen Layout, Verhalten und bearbeitbaren Ausgabeformat bereit. Verlangen Sie Seitenstruktur und Stile als separate Artefakte, wenn dies die Prüfung erleichtert. Generierter Code ist Text für einen Entwicklungsworkflow; er belegt weder, dass eine Website gerendert wurde, noch, dass aus dem Quellbild eine funktionierende Anwendung geworden ist.
Räumliche Wahrnehmung
Der Hersteller dokumentiert Schlussfolgerungen über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionaler Verortung und Unterstützung für dreidimensionale Verortung. Stellen Sie eine konkrete Frage zu einer Beziehung und benennen Sie das relevante Objekt: etwa, welche Komponente verdeckt ist, was davor liegt und welche visuellen Hinweise diese Interpretation stützen. Die Fähigkeit zur Verortung darf nicht als kalibrierte physikalische Messung aus einem beliebigen Bild behandelt werden.
Langer Kontext und Video
Der native Kontext beträgt 262,144 Tokens. Qwen beschreibt eine Erweiterung auf ungefähr eine Million mittels YaRN-Konfiguration sowie Familienworkflows mit Büchern oder stundenlangen Videos und Ereignisindexierung mit sekundengenauer Auflösung. Diese Fähigkeiten hängen von Darstellung, Frame-Abtastung und Kontextkonfiguration ab; die allgemeine Herstellerbeschreibung garantiert keine perfekte Erinnerung an jedes Einzelbild. In seinem Repository empfiehlt Qwen für dieses verschachtelte Positionsschema bei der Erweiterung von 256K auf etwa 1M einen Extrapolationsfaktor von zwei oder drei, statt automatisch einen Faktor von vier aus einem anderen Modell zu übernehmen.
Multimodales Schlussfolgern und Erkennen
Die Thinking-Ausgabe richtet sich auf beleggestütztes MINT- und mathematisches Schlussfolgern, Kausalanalyse und logische Antworten, die Text mit visuellem Material verbinden. Geben Sie ein Diagramm zusammen mit seinen Definitionen oder ein Schaubild mit der genauen numerischen Frage an. Verlangen Sie vor der Schlussfolgerung die verwendeten Beschriftungen und Werte. Qwen beschreibt ausserdem eine breitere visuelle Erkennung von Menschen, Anime, Produkten, Wahrzeichen, Pflanzen und Tieren. Eine Erkennungsantwort bleibt eine Schlussfolgerung aus dem bereitgestellten Bild und garantiert nicht, dass jedes Objekt oder jede Identität benannt werden kann.
OCR deckt 32 Sprachen ab und soll das Lesen bei schwachem Licht, Unschärfe oder Schräglage verbessern, einschliesslich Fachvokabular und der Struktur langer Dokumente. Bewahren Sie lesbare Quellbilder und verlangen Sie Felder, Zitate oder eine strukturierte Tabelle, die überprüft werden kann. Text- und Bildverständnis sind in einem Modell vereint; eine Frage kann sich daher gemeinsam auf eine Dokumentpassage, eine Abbildung und die Anweisungen der nutzenden Person beziehen.
Architekturänderungen
Interleaved-MRoPE verteilt die Positionsdarstellung für das Schlussfolgern über Videos auf Zeit, Breite und Höhe. DeepStack kombiniert visuelle Merkmale aus mehreren Encoder-Ebenen, um feinere Details zu erfassen und die Bild-Text-Ausrichtung zu verbessern. Die Text-Zeitstempel-Ausrichtung verortet Ereignisse anhand zeitlicher Referenzen. Die veröffentlichte Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Diese Architekturdetails erklären die multimodale Darstellung des Modells; sie begründen keine Garantie für die Antwortzeit.
Visuelle Eingaben und Ausgaben vorbereiten
Die Beispiele des Herstellers decken einzelne oder mehrere Bilder, Video und reine Textanfragen ab. Kennzeichnen Sie jede visuelle Eingabe, damit die Frage eindeutig darauf verweisen kann. Bild- und Videoprozessoren verwenden separate Pixelbudgets: Ein Bildbudget begrenzt die Bildpixel, während ein Videobudget die Pixel aller abgetasteten Frames berücksichtigt. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Die Videoabtastung lässt sich über die Rate oder die Frame-Anzahl steuern; der dokumentierte Standard beträgt zwei Frames pro Sekunde. Bewahren Sie Zeitstempel, wenn Sie nach einer Ereigniszeitleiste fragen.
Verlangen Sie bei einem langen Clip das Ereignis, sein Zeitintervall und die sichtbaren Belege statt einer undifferenzierten Zusammenfassung. Fordern Sie bei mehreren Seiten ein nach Seitenkennung gegliedertes Ergebnis an. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und helfen, Auslassungen oder Extraktionsfehler sichtbar zu machen.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmässig temperature 0.8, top_p 0.95 und top_k 20. Qwens separates Evaluierungsrezept für Thinking verwendet temperature 0.6, eine Präsenzstrafe von null, eine Wiederholungsstrafe von 1.0 und ein Ausgabekontingent von 40,960 Tokens. Dies sind unterschiedliche Herstellervoreinstellungen und keine einheitliche harte Ausgabegrenze. Planen Sie neben den visuellen Tokens Platz für Denkverlauf und endgültigen Text ein und prüfen Sie extrahierte Texte, berechnete Antworten und generierten Code vor der Verwendung anhand der Quelle.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-235b-a22b-thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmässig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00572 / 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-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking ist Qwens Vision-Language-Modell mit Mixture-of-Experts für Schlussfolgerungen aus Text, Bildern und Videos. Nutzen Sie die Thinking-Ausgabe für MINT-Fragen, Dokumentbelege, räumliche Beziehungen, Programmierung anhand visueller Vorlagen und Videoanalysen mit Zeitstempeln, mit 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.
Einführung: die multimodale Thinking-Ausgabe
Qwen3-VL-235B-A22B-Thinking ist die auf Schlussfolgerungen ausgerichtete Mixture-of-Experts-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern und Videos und erzeugt Textantworten oder Code. Der feste Thinking-Checkpoint unterscheidet sich von Qwen3-VL-235B-A22B-Instruct und den separat benannten FP8-Builds. Wählen Sie ihn für eine Frage, die visuelle Belege mit einer längeren Erklärung verbinden muss, statt bei jeder Qwen3-VL-Ausgabe den gleichen Antwortstil anzunehmen.
Visuelle Agenten und Programmierung anhand visueller Vorlagen
Qwen beschreibt einen Workflow für visuelle Agenten, der Elemente in Computer- oder Mobiloberflächen erkennt, ihre Funktionen interpretiert und mit Werkzeugen Aufgaben erledigt. Das Modell liefert Wahrnehmung und Schlussfolgerungen; eine Anwendung muss die Aktionen anbinden und ausführen. Stellen Sie für eine Oberflächenprüfung den aktuellen Screenshot und ein konkretes Ziel bereit. Verlangen Sie anschliessend die Identifikation der relevanten Steuerelemente und eine Erklärung der nächsten Aktion. Das Bild allein verleiht keine Kontrolle über das Gerät.
Programmierung anhand visueller Vorlagen umfasst das Erzeugen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern und Videos. Stellen Sie einen Screenshot mit dem erforderlichen Layout, Verhalten und bearbeitbaren Ausgabeformat bereit. Verlangen Sie Seitenstruktur und Stile als separate Artefakte, wenn dies die Prüfung erleichtert. Generierter Code ist Text für einen Entwicklungsworkflow; er belegt weder, dass eine Website gerendert wurde, noch, dass aus dem Quellbild eine funktionierende Anwendung geworden ist.
Räumliche Wahrnehmung
Der Hersteller dokumentiert Schlussfolgerungen über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionaler Verortung und Unterstützung für dreidimensionale Verortung. Stellen Sie eine konkrete Frage zu einer Beziehung und benennen Sie das relevante Objekt: etwa, welche Komponente verdeckt ist, was davor liegt und welche visuellen Hinweise diese Interpretation stützen. Die Fähigkeit zur Verortung darf nicht als kalibrierte physikalische Messung aus einem beliebigen Bild behandelt werden.
Langer Kontext und Video
Der native Kontext beträgt 262,144 Tokens. Qwen beschreibt eine Erweiterung auf ungefähr eine Million mittels YaRN-Konfiguration sowie Familienworkflows mit Büchern oder stundenlangen Videos und Ereignisindexierung mit sekundengenauer Auflösung. Diese Fähigkeiten hängen von Darstellung, Frame-Abtastung und Kontextkonfiguration ab; die allgemeine Herstellerbeschreibung garantiert keine perfekte Erinnerung an jedes Einzelbild. In seinem Repository empfiehlt Qwen für dieses verschachtelte Positionsschema bei der Erweiterung von 256K auf etwa 1M einen Extrapolationsfaktor von zwei oder drei, statt automatisch einen Faktor von vier aus einem anderen Modell zu übernehmen.
Multimodales Schlussfolgern und Erkennen
Die Thinking-Ausgabe richtet sich auf beleggestütztes MINT- und mathematisches Schlussfolgern, Kausalanalyse und logische Antworten, die Text mit visuellem Material verbinden. Geben Sie ein Diagramm zusammen mit seinen Definitionen oder ein Schaubild mit der genauen numerischen Frage an. Verlangen Sie vor der Schlussfolgerung die verwendeten Beschriftungen und Werte. Qwen beschreibt ausserdem eine breitere visuelle Erkennung von Menschen, Anime, Produkten, Wahrzeichen, Pflanzen und Tieren. Eine Erkennungsantwort bleibt eine Schlussfolgerung aus dem bereitgestellten Bild und garantiert nicht, dass jedes Objekt oder jede Identität benannt werden kann.
OCR deckt 32 Sprachen ab und soll das Lesen bei schwachem Licht, Unschärfe oder Schräglage verbessern, einschliesslich Fachvokabular und der Struktur langer Dokumente. Bewahren Sie lesbare Quellbilder und verlangen Sie Felder, Zitate oder eine strukturierte Tabelle, die überprüft werden kann. Text- und Bildverständnis sind in einem Modell vereint; eine Frage kann sich daher gemeinsam auf eine Dokumentpassage, eine Abbildung und die Anweisungen der nutzenden Person beziehen.
Architekturänderungen
Interleaved-MRoPE verteilt die Positionsdarstellung für das Schlussfolgern über Videos auf Zeit, Breite und Höhe. DeepStack kombiniert visuelle Merkmale aus mehreren Encoder-Ebenen, um feinere Details zu erfassen und die Bild-Text-Ausrichtung zu verbessern. Die Text-Zeitstempel-Ausrichtung verortet Ereignisse anhand zeitlicher Referenzen. Die veröffentlichte Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Diese Architekturdetails erklären die multimodale Darstellung des Modells; sie begründen keine Garantie für die Antwortzeit.
Visuelle Eingaben und Ausgaben vorbereiten
Die Beispiele des Herstellers decken einzelne oder mehrere Bilder, Video und reine Textanfragen ab. Kennzeichnen Sie jede visuelle Eingabe, damit die Frage eindeutig darauf verweisen kann. Bild- und Videoprozessoren verwenden separate Pixelbudgets: Ein Bildbudget begrenzt die Bildpixel, während ein Videobudget die Pixel aller abgetasteten Frames berücksichtigt. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Die Videoabtastung lässt sich über die Rate oder die Frame-Anzahl steuern; der dokumentierte Standard beträgt zwei Frames pro Sekunde. Bewahren Sie Zeitstempel, wenn Sie nach einer Ereigniszeitleiste fragen.
Verlangen Sie bei einem langen Clip das Ereignis, sein Zeitintervall und die sichtbaren Belege statt einer undifferenzierten Zusammenfassung. Fordern Sie bei mehreren Seiten ein nach Seitenkennung gegliedertes Ergebnis an. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und helfen, Auslassungen oder Extraktionsfehler sichtbar zu machen.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmässig temperature 0.8, top_p 0.95 und top_k 20. Qwens separates Evaluierungsrezept für Thinking verwendet temperature 0.6, eine Präsenzstrafe von null, eine Wiederholungsstrafe von 1.0 und ein Ausgabekontingent von 40,960 Tokens. Dies sind unterschiedliche Herstellervoreinstellungen und keine einheitliche harte Ausgabegrenze. Planen Sie neben den visuellen Tokens Platz für Denkverlauf und endgültigen Text ein und prüfen Sie extrahierte Texte, berechnete Antworten und generierten Code vor der Verwendung anhand der Quelle.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-235b-a22b-thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00572 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking ist Qwens Vision-Language-Modell mit Mixture-of-Experts für Schlussfolgerungen aus Text, Bildern und Videos. Nutzen Sie die Thinking-Ausgabe für MINT-Fragen, Dokumentbelege, räumliche Beziehungen, Programmierung anhand visueller Vorlagen und Videoanalysen mit Zeitstempeln, mit 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.
Einführung: die multimodale Thinking-Ausgabe
Qwen3-VL-235B-A22B-Thinking ist die auf Schlussfolgerungen ausgerichtete Mixture-of-Experts-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern und Videos und erzeugt Textantworten oder Code. Der feste Thinking-Checkpoint unterscheidet sich von Qwen3-VL-235B-A22B-Instruct und den separat benannten FP8-Builds. Wählen Sie ihn für eine Frage, die visuelle Belege mit einer längeren Erklärung verbinden muss, statt bei jeder Qwen3-VL-Ausgabe den gleichen Antwortstil anzunehmen.
Visuelle Agenten und Programmierung anhand visueller Vorlagen
Qwen beschreibt einen Workflow für visuelle Agenten, der Elemente in Computer- oder Mobiloberflächen erkennt, ihre Funktionen interpretiert und mit Werkzeugen Aufgaben erledigt. Das Modell liefert Wahrnehmung und Schlussfolgerungen; eine Anwendung muss die Aktionen anbinden und ausführen. Stellen Sie für eine Oberflächenprüfung den aktuellen Screenshot und ein konkretes Ziel bereit. Verlangen Sie anschliessend die Identifikation der relevanten Steuerelemente und eine Erklärung der nächsten Aktion. Das Bild allein verleiht keine Kontrolle über das Gerät.
Programmierung anhand visueller Vorlagen umfasst das Erzeugen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern und Videos. Stellen Sie einen Screenshot mit dem erforderlichen Layout, Verhalten und bearbeitbaren Ausgabeformat bereit. Verlangen Sie Seitenstruktur und Stile als separate Artefakte, wenn dies die Prüfung erleichtert. Generierter Code ist Text für einen Entwicklungsworkflow; er belegt weder, dass eine Website gerendert wurde, noch, dass aus dem Quellbild eine funktionierende Anwendung geworden ist.
Räumliche Wahrnehmung
Der Hersteller dokumentiert Schlussfolgerungen über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionaler Verortung und Unterstützung für dreidimensionale Verortung. Stellen Sie eine konkrete Frage zu einer Beziehung und benennen Sie das relevante Objekt: etwa, welche Komponente verdeckt ist, was davor liegt und welche visuellen Hinweise diese Interpretation stützen. Die Fähigkeit zur Verortung darf nicht als kalibrierte physikalische Messung aus einem beliebigen Bild behandelt werden.
Langer Kontext und Video
Der native Kontext beträgt 262,144 Tokens. Qwen beschreibt eine Erweiterung auf ungefähr eine Million mittels YaRN-Konfiguration sowie Familienworkflows mit Büchern oder stundenlangen Videos und Ereignisindexierung mit sekundengenauer Auflösung. Diese Fähigkeiten hängen von Darstellung, Frame-Abtastung und Kontextkonfiguration ab; die allgemeine Herstellerbeschreibung garantiert keine perfekte Erinnerung an jedes Einzelbild. In seinem Repository empfiehlt Qwen für dieses verschachtelte Positionsschema bei der Erweiterung von 256K auf etwa 1M einen Extrapolationsfaktor von zwei oder drei, statt automatisch einen Faktor von vier aus einem anderen Modell zu übernehmen.
Multimodales Schlussfolgern und Erkennen
Die Thinking-Ausgabe richtet sich auf beleggestütztes MINT- und mathematisches Schlussfolgern, Kausalanalyse und logische Antworten, die Text mit visuellem Material verbinden. Geben Sie ein Diagramm zusammen mit seinen Definitionen oder ein Schaubild mit der genauen numerischen Frage an. Verlangen Sie vor der Schlussfolgerung die verwendeten Beschriftungen und Werte. Qwen beschreibt ausserdem eine breitere visuelle Erkennung von Menschen, Anime, Produkten, Wahrzeichen, Pflanzen und Tieren. Eine Erkennungsantwort bleibt eine Schlussfolgerung aus dem bereitgestellten Bild und garantiert nicht, dass jedes Objekt oder jede Identität benannt werden kann.
OCR deckt 32 Sprachen ab und soll das Lesen bei schwachem Licht, Unschärfe oder Schräglage verbessern, einschliesslich Fachvokabular und der Struktur langer Dokumente. Bewahren Sie lesbare Quellbilder und verlangen Sie Felder, Zitate oder eine strukturierte Tabelle, die überprüft werden kann. Text- und Bildverständnis sind in einem Modell vereint; eine Frage kann sich daher gemeinsam auf eine Dokumentpassage, eine Abbildung und die Anweisungen der nutzenden Person beziehen.
Architekturänderungen
Interleaved-MRoPE verteilt die Positionsdarstellung für das Schlussfolgern über Videos auf Zeit, Breite und Höhe. DeepStack kombiniert visuelle Merkmale aus mehreren Encoder-Ebenen, um feinere Details zu erfassen und die Bild-Text-Ausrichtung zu verbessern. Die Text-Zeitstempel-Ausrichtung verortet Ereignisse anhand zeitlicher Referenzen. Die veröffentlichte Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Diese Architekturdetails erklären die multimodale Darstellung des Modells; sie begründen keine Garantie für die Antwortzeit.
Visuelle Eingaben und Ausgaben vorbereiten
Die Beispiele des Herstellers decken einzelne oder mehrere Bilder, Video und reine Textanfragen ab. Kennzeichnen Sie jede visuelle Eingabe, damit die Frage eindeutig darauf verweisen kann. Bild- und Videoprozessoren verwenden separate Pixelbudgets: Ein Bildbudget begrenzt die Bildpixel, während ein Videobudget die Pixel aller abgetasteten Frames berücksichtigt. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Die Videoabtastung lässt sich über die Rate oder die Frame-Anzahl steuern; der dokumentierte Standard beträgt zwei Frames pro Sekunde. Bewahren Sie Zeitstempel, wenn Sie nach einer Ereigniszeitleiste fragen.
Verlangen Sie bei einem langen Clip das Ereignis, sein Zeitintervall und die sichtbaren Belege statt einer undifferenzierten Zusammenfassung. Fordern Sie bei mehreren Seiten ein nach Seitenkennung gegliedertes Ergebnis an. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und helfen, Auslassungen oder Extraktionsfehler sichtbar zu machen.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmässig temperature 0.8, top_p 0.95 und top_k 20. Qwens separates Evaluierungsrezept für Thinking verwendet temperature 0.6, eine Präsenzstrafe von null, eine Wiederholungsstrafe von 1.0 und ein Ausgabekontingent von 40,960 Tokens. Dies sind unterschiedliche Herstellervoreinstellungen und keine einheitliche harte Ausgabegrenze. Planen Sie neben den visuellen Tokens Platz für Denkverlauf und endgültigen Text ein und prüfen Sie extrahierte Texte, berechnete Antworten und generierten Code vor der Verwendung anhand der Quelle.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-vl-235b-a22b-thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00572 / 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": "qwen3-vl-235b-a22b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking ist Qwens Vision-Language-Modell mit Mixture-of-Experts für Schlussfolgerungen aus Text, Bildern und Videos. Nutzen Sie die Thinking-Ausgabe für MINT-Fragen, Dokumentbelege, räumliche Beziehungen, Programmierung anhand visueller Vorlagen und Videoanalysen mit Zeitstempeln, mit 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.
Einführung: die multimodale Thinking-Ausgabe
Qwen3-VL-235B-A22B-Thinking ist die auf Schlussfolgerungen ausgerichtete Mixture-of-Experts-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern und Videos und erzeugt Textantworten oder Code. Der feste Thinking-Checkpoint unterscheidet sich von Qwen3-VL-235B-A22B-Instruct und den separat benannten FP8-Builds. Wählen Sie ihn für eine Frage, die visuelle Belege mit einer längeren Erklärung verbinden muss, statt bei jeder Qwen3-VL-Ausgabe den gleichen Antwortstil anzunehmen.
Visuelle Agenten und Programmierung anhand visueller Vorlagen
Qwen beschreibt einen Workflow für visuelle Agenten, der Elemente in Computer- oder Mobiloberflächen erkennt, ihre Funktionen interpretiert und mit Werkzeugen Aufgaben erledigt. Das Modell liefert Wahrnehmung und Schlussfolgerungen; eine Anwendung muss die Aktionen anbinden und ausführen. Stellen Sie für eine Oberflächenprüfung den aktuellen Screenshot und ein konkretes Ziel bereit. Verlangen Sie anschliessend die Identifikation der relevanten Steuerelemente und eine Erklärung der nächsten Aktion. Das Bild allein verleiht keine Kontrolle über das Gerät.
Programmierung anhand visueller Vorlagen umfasst das Erzeugen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern und Videos. Stellen Sie einen Screenshot mit dem erforderlichen Layout, Verhalten und bearbeitbaren Ausgabeformat bereit. Verlangen Sie Seitenstruktur und Stile als separate Artefakte, wenn dies die Prüfung erleichtert. Generierter Code ist Text für einen Entwicklungsworkflow; er belegt weder, dass eine Website gerendert wurde, noch, dass aus dem Quellbild eine funktionierende Anwendung geworden ist.
Räumliche Wahrnehmung
Der Hersteller dokumentiert Schlussfolgerungen über Objektpositionen, Blickwinkel und Verdeckungen mit zweidimensionaler Verortung und Unterstützung für dreidimensionale Verortung. Stellen Sie eine konkrete Frage zu einer Beziehung und benennen Sie das relevante Objekt: etwa, welche Komponente verdeckt ist, was davor liegt und welche visuellen Hinweise diese Interpretation stützen. Die Fähigkeit zur Verortung darf nicht als kalibrierte physikalische Messung aus einem beliebigen Bild behandelt werden.
Langer Kontext und Video
Der native Kontext beträgt 262,144 Tokens. Qwen beschreibt eine Erweiterung auf ungefähr eine Million mittels YaRN-Konfiguration sowie Familienworkflows mit Büchern oder stundenlangen Videos und Ereignisindexierung mit sekundengenauer Auflösung. Diese Fähigkeiten hängen von Darstellung, Frame-Abtastung und Kontextkonfiguration ab; die allgemeine Herstellerbeschreibung garantiert keine perfekte Erinnerung an jedes Einzelbild. In seinem Repository empfiehlt Qwen für dieses verschachtelte Positionsschema bei der Erweiterung von 256K auf etwa 1M einen Extrapolationsfaktor von zwei oder drei, statt automatisch einen Faktor von vier aus einem anderen Modell zu übernehmen.
Multimodales Schlussfolgern und Erkennen
Die Thinking-Ausgabe richtet sich auf beleggestütztes MINT- und mathematisches Schlussfolgern, Kausalanalyse und logische Antworten, die Text mit visuellem Material verbinden. Geben Sie ein Diagramm zusammen mit seinen Definitionen oder ein Schaubild mit der genauen numerischen Frage an. Verlangen Sie vor der Schlussfolgerung die verwendeten Beschriftungen und Werte. Qwen beschreibt ausserdem eine breitere visuelle Erkennung von Menschen, Anime, Produkten, Wahrzeichen, Pflanzen und Tieren. Eine Erkennungsantwort bleibt eine Schlussfolgerung aus dem bereitgestellten Bild und garantiert nicht, dass jedes Objekt oder jede Identität benannt werden kann.
OCR deckt 32 Sprachen ab und soll das Lesen bei schwachem Licht, Unschärfe oder Schräglage verbessern, einschliesslich Fachvokabular und der Struktur langer Dokumente. Bewahren Sie lesbare Quellbilder und verlangen Sie Felder, Zitate oder eine strukturierte Tabelle, die überprüft werden kann. Text- und Bildverständnis sind in einem Modell vereint; eine Frage kann sich daher gemeinsam auf eine Dokumentpassage, eine Abbildung und die Anweisungen der nutzenden Person beziehen.
Architekturänderungen
Interleaved-MRoPE verteilt die Positionsdarstellung für das Schlussfolgern über Videos auf Zeit, Breite und Höhe. DeepStack kombiniert visuelle Merkmale aus mehreren Encoder-Ebenen, um feinere Details zu erfassen und die Bild-Text-Ausrichtung zu verbessern. Die Text-Zeitstempel-Ausrichtung verortet Ereignisse anhand zeitlicher Referenzen. Die veröffentlichte Textkonfiguration hat 94 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Diese Architekturdetails erklären die multimodale Darstellung des Modells; sie begründen keine Garantie für die Antwortzeit.
Visuelle Eingaben und Ausgaben vorbereiten
Die Beispiele des Herstellers decken einzelne oder mehrere Bilder, Video und reine Textanfragen ab. Kennzeichnen Sie jede visuelle Eingabe, damit die Frage eindeutig darauf verweisen kann. Bild- und Videoprozessoren verwenden separate Pixelbudgets: Ein Bildbudget begrenzt die Bildpixel, während ein Videobudget die Pixel aller abgetasteten Frames berücksichtigt. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Die Videoabtastung lässt sich über die Rate oder die Frame-Anzahl steuern; der dokumentierte Standard beträgt zwei Frames pro Sekunde. Bewahren Sie Zeitstempel, wenn Sie nach einer Ereigniszeitleiste fragen.
Verlangen Sie bei einem langen Clip das Ereignis, sein Zeitintervall und die sichtbaren Belege statt einer undifferenzierten Zusammenfassung. Fordern Sie bei mehreren Seiten ein nach Seitenkennung gegliedertes Ergebnis an. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und helfen, Auslassungen oder Extraktionsfehler sichtbar zu machen.
Generierungshinweise und Grenzen
Die Generierungsdatei des Checkpoints verwendet standardmässig temperature 0.8, top_p 0.95 und top_k 20. Qwens separates Evaluierungsrezept für Thinking verwendet temperature 0.6, eine Präsenzstrafe von null, eine Wiederholungsstrafe von 1.0 und ein Ausgabekontingent von 40,960 Tokens. Dies sind unterschiedliche Herstellervoreinstellungen und keine einheitliche harte Ausgabegrenze. Planen Sie neben den visuellen Tokens Platz für Denkverlauf und endgültigen Text ein und prüfen Sie extrahierte Texte, berechnete Antworten und generierten Code vor der Verwendung anhand der Quelle.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-vl-235b-a22b-thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00572 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Technisches Beispiel auf Englisch
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.