Die 8B-Instruct-Vision-Language-Ausgabe
Qwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Video und erzeugt Text, einschliesslich Code. Sie bleibt von der um Schlussfolgern erweiterten Thinking-Ausgabe und von dünn besetzten Expertenmodellen derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den gelieferten Belegen vergleichen lässt.
Visuelle Agenten und visuell gestützte Programmierung
Der Hersteller beschreibt das Erkennen von Elementen von Computer- oder Mobiloberflächen, das Verstehen ihrer Funktionen und die Werkzeugnutzung in einem visuellen Agentenablauf. Liefern Sie einen Screenshot und ein konkretes Ziel und fragen Sie anschliessend, welche sichtbaren Steuerelemente diesem Ziel entsprechen und welche Belege die Wahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.
Visuell gestützte Programmierung umfasst das Erstellen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern oder Video. Liefern Sie die Layoutreferenz zusammen mit funktionalen Anforderungen und der erforderlichen bearbeitbaren Ausgabe. Verlangen Sie Quellstruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Erzeugter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und auf sein Verhalten geprüft zu werden.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen, mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und die untersuchte Beziehung. Ein Ergebnis zur relativen Position ist eine Schlussfolgerung aus dem Bild und keine kalibrierte physische Messung.
Der native Kontext beträgt 262,144 Token. Die Familie beschreibt Bücher und stundenlange Videos, mit Ereignisindexierung auf Sekundenebene und Erweiterung auf ungefähr eine Million Token per Konfiguration. Repräsentation, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein grosser Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.
Multimodales Schlussfolgern, Erkennung und OCR
Die Familie unterstützt MINT- und mathematische Fragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Liefern Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Beziehungen. Die Erkennung umfasst eine breite Palette von Personen, Produkten, Wahrzeichen, Pflanzen, Tieren und Medienfiguren; eine plausible Bezeichnung sollte geprüft werden, wenn die Identifikation wichtig ist.
OCR umfasst 32 Sprachen und ist darauf ausgelegt, das Lesen bei schwachem Licht, Unschärfe oder Neigung zu verbessern, einschliesslich Fachwortschatz und der Struktur langer Dokumente. Liefern Sie eine lesbare Seite und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lässt. Textverständnis und visuelles Verständnis werden verbunden, sodass eine Frage einen Absatz mit einer Abbildung und den Nutzeranweisungen verknüpfen kann.
Architekturaktualisierungen
Die veröffentlichte dichte Textkonfiguration besitzt 36 Schichten. Interleaved-MRoPE repräsentiert Zeit, Breite und Höhe für Schlussfolgern über Video. DeepStack verbindet Merkmale aus mehreren Ebenen des visuellen Encoders, und Text-Zeitstempel-Ausrichtung verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie belegen weder eine feste Antwortzeit noch exakte physische Genauigkeit.
Eingabe vorbereiten
Die Familienbeispiele des Herstellers umfassen reine Textanfragen, einzelne oder mehrere Bilder und Video. Kennzeichnen Sie visuelle Eingaben und geben Sie ihre Beziehung an. Bild- und Videopixelbudgets sind getrennt: Ein Bildbudget betrifft ein Bild, ein Videobudget dagegen die Pixel über abgetastete Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Optionen für Rate oder Bildanzahl in unterstützten Abläufen.
Der Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Grössenänderung zu vermeiden, wenn die Medien bereits skaliert wurden. Erhalten Sie bei einer Dokumentaufgabe Seitenkennungen; fragen Sie bei einem Clip nach Ereignis, relevantem Zeitabschnitt und sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und garantieren weder exakte Extraktion noch zeitliche Präzision.
Empfehlungen zur Generierung und Grenzen
Diese konkrete Modellkarte gibt getrennte Aufgabenvoreinstellungen an. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Repetition Penalty von 1.0 und eine Presence Penalty von 1.5, mit einem Ausgabebudget von 16,384 Token. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Repetition Penalty von 1.0 und eine Presence Penalty von 2.0, mit einem Budget von 32,768 Token. Dies sind Budgets aus den Herstelleranleitungen, keine unabhängig festgelegten harten Ausgabeobergrenzen oder getrennten Modellidentitäten.
Das Langkontextverfahren der Familie verwendet YaRN, mit einem empfohlenen Faktor von zwei oder drei bei der Erweiterung ihrer verschachtelten Positionen von 256K auf etwa 1M. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und erzeugten Quellcode anhand des Originalmaterials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt Generierungs- oder Steuerungsvorgaben eines Thinking-Checkpoints zu übernehmen.
", "aboutText": "Die 8B-Instruct-Vision-Language-Ausgabe\n\nQwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Video und erzeugt Text, einschliesslich Code. Sie bleibt von der um Schlussfolgern erweiterten Thinking-Ausgabe und von dünn besetzten Expertenmodellen derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den gelieferten Belegen vergleichen lässt.\n\nVisuelle Agenten und visuell gestützte Programmierung\n\nDer Hersteller beschreibt das Erkennen von Elementen von Computer- oder Mobiloberflächen, das Verstehen ihrer Funktionen und die Werkzeugnutzung in einem visuellen Agentenablauf. Liefern Sie einen Screenshot und ein konkretes Ziel und fragen Sie anschliessend, welche sichtbaren Steuerelemente diesem Ziel entsprechen und welche Belege die Wahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.\n\nVisuell gestützte Programmierung umfasst das Erstellen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern oder Video. Liefern Sie die Layoutreferenz zusammen mit funktionalen Anforderungen und der erforderlichen bearbeitbaren Ausgabe. Verlangen Sie Quellstruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Erzeugter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und auf sein Verhalten geprüft zu werden.\n\nRäumliche Wahrnehmung und umfangreiches Material\n\nQwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen, mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und die untersuchte Beziehung. Ein Ergebnis zur relativen Position ist eine Schlussfolgerung aus dem Bild und keine kalibrierte physische Messung.\n\nDer native Kontext beträgt 262,144 Token. Die Familie beschreibt Bücher und stundenlange Videos, mit Ereignisindexierung auf Sekundenebene und Erweiterung auf ungefähr eine Million Token per Konfiguration. Repräsentation, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein grosser Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.\n\nMultimodales Schlussfolgern, Erkennung und OCR\n\nDie Familie unterstützt MINT- und mathematische Fragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Liefern Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Beziehungen. Die Erkennung umfasst eine breite Palette von Personen, Produkten, Wahrzeichen, Pflanzen, Tieren und Medienfiguren; eine plausible Bezeichnung sollte geprüft werden, wenn die Identifikation wichtig ist.\n\nOCR umfasst 32 Sprachen und ist darauf ausgelegt, das Lesen bei schwachem Licht, Unschärfe oder Neigung zu verbessern, einschliesslich Fachwortschatz und der Struktur langer Dokumente. Liefern Sie eine lesbare Seite und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lässt. Textverständnis und visuelles Verständnis werden verbunden, sodass eine Frage einen Absatz mit einer Abbildung und den Nutzeranweisungen verknüpfen kann.\n\nArchitekturaktualisierungen\n\nDie veröffentlichte dichte Textkonfiguration besitzt 36 Schichten. Interleaved-MRoPE repräsentiert Zeit, Breite und Höhe für Schlussfolgern über Video. DeepStack verbindet Merkmale aus mehreren Ebenen des visuellen Encoders, und Text-Zeitstempel-Ausrichtung verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie belegen weder eine feste Antwortzeit noch exakte physische Genauigkeit.\n\nEingabe vorbereiten\n\nDie Familienbeispiele des Herstellers umfassen reine Textanfragen, einzelne oder mehrere Bilder und Video. Kennzeichnen Sie visuelle Eingaben und geben Sie ihre Beziehung an. Bild- und Videopixelbudgets sind getrennt: Ein Bildbudget betrifft ein Bild, ein Videobudget dagegen die Pixel über abgetastete Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Optionen für Rate oder Bildanzahl in unterstützten Abläufen.\n\nDer Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Grössenänderung zu vermeiden, wenn die Medien bereits skaliert wurden. Erhalten Sie bei einer Dokumentaufgabe Seitenkennungen; fragen Sie bei einem Clip nach Ereignis, relevantem Zeitabschnitt und sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und garantieren weder exakte Extraktion noch zeitliche Präzision.\n\nEmpfehlungen zur Generierung und Grenzen\n\nDiese konkrete Modellkarte gibt getrennte Aufgabenvoreinstellungen an. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Repetition Penalty von 1.0 und eine Presence Penalty von 1.5, mit einem Ausgabebudget von 16,384 Token. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Repetition Penalty von 1.0 und eine Presence Penalty von 2.0, mit einem Budget von 32,768 Token. Dies sind Budgets aus den Herstelleranleitungen, keine unabhängig festgelegten harten Ausgabeobergrenzen oder getrennten Modellidentitäten.\n\nDas Langkontextverfahren der Familie verwendet YaRN, mit einem empfohlenen Faktor von zwei oder drei bei der Erweiterung ihrer verschachtelten Positionen von 256K auf etwa 1M. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und erzeugten Quellcode anhand des Originalmaterials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt Generierungs- oder Steuerungsvorgaben eines Thinking-Checkpoints zu übernehmen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct ist Qwens dichtes, auf Anweisungen ausgerichtetes Vision-Language-Modell für Text, Bilder und Video mit Text- oder Codeausgabe. Es unterstützt Dokumentlesen, visuell gestützte Programmierung, räumliche Fragen und Videoanalyse, mit OCR für 32 Sprachen und einem nativen Kontext von 262,144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die 8B-Instruct-Vision-Language-Ausgabe
Qwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Video und erzeugt Text, einschliesslich Code. Sie bleibt von der um Schlussfolgern erweiterten Thinking-Ausgabe und von dünn besetzten Expertenmodellen derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den gelieferten Belegen vergleichen lässt.
Visuelle Agenten und visuell gestützte Programmierung
Der Hersteller beschreibt das Erkennen von Elementen von Computer- oder Mobiloberflächen, das Verstehen ihrer Funktionen und die Werkzeugnutzung in einem visuellen Agentenablauf. Liefern Sie einen Screenshot und ein konkretes Ziel und fragen Sie anschliessend, welche sichtbaren Steuerelemente diesem Ziel entsprechen und welche Belege die Wahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.
Visuell gestützte Programmierung umfasst das Erstellen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern oder Video. Liefern Sie die Layoutreferenz zusammen mit funktionalen Anforderungen und der erforderlichen bearbeitbaren Ausgabe. Verlangen Sie Quellstruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Erzeugter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und auf sein Verhalten geprüft zu werden.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen, mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und die untersuchte Beziehung. Ein Ergebnis zur relativen Position ist eine Schlussfolgerung aus dem Bild und keine kalibrierte physische Messung.
Der native Kontext beträgt 262,144 Token. Die Familie beschreibt Bücher und stundenlange Videos, mit Ereignisindexierung auf Sekundenebene und Erweiterung auf ungefähr eine Million Token per Konfiguration. Repräsentation, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein grosser Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.
Multimodales Schlussfolgern, Erkennung und OCR
Die Familie unterstützt MINT- und mathematische Fragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Liefern Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Beziehungen. Die Erkennung umfasst eine breite Palette von Personen, Produkten, Wahrzeichen, Pflanzen, Tieren und Medienfiguren; eine plausible Bezeichnung sollte geprüft werden, wenn die Identifikation wichtig ist.
OCR umfasst 32 Sprachen und ist darauf ausgelegt, das Lesen bei schwachem Licht, Unschärfe oder Neigung zu verbessern, einschliesslich Fachwortschatz und der Struktur langer Dokumente. Liefern Sie eine lesbare Seite und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lässt. Textverständnis und visuelles Verständnis werden verbunden, sodass eine Frage einen Absatz mit einer Abbildung und den Nutzeranweisungen verknüpfen kann.
Architekturaktualisierungen
Die veröffentlichte dichte Textkonfiguration besitzt 36 Schichten. Interleaved-MRoPE repräsentiert Zeit, Breite und Höhe für Schlussfolgern über Video. DeepStack verbindet Merkmale aus mehreren Ebenen des visuellen Encoders, und Text-Zeitstempel-Ausrichtung verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie belegen weder eine feste Antwortzeit noch exakte physische Genauigkeit.
Eingabe vorbereiten
Die Familienbeispiele des Herstellers umfassen reine Textanfragen, einzelne oder mehrere Bilder und Video. Kennzeichnen Sie visuelle Eingaben und geben Sie ihre Beziehung an. Bild- und Videopixelbudgets sind getrennt: Ein Bildbudget betrifft ein Bild, ein Videobudget dagegen die Pixel über abgetastete Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Optionen für Rate oder Bildanzahl in unterstützten Abläufen.
Der Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Grössenänderung zu vermeiden, wenn die Medien bereits skaliert wurden. Erhalten Sie bei einer Dokumentaufgabe Seitenkennungen; fragen Sie bei einem Clip nach Ereignis, relevantem Zeitabschnitt und sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und garantieren weder exakte Extraktion noch zeitliche Präzision.
Empfehlungen zur Generierung und Grenzen
Diese konkrete Modellkarte gibt getrennte Aufgabenvoreinstellungen an. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Repetition Penalty von 1.0 und eine Presence Penalty von 1.5, mit einem Ausgabebudget von 16,384 Token. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Repetition Penalty von 1.0 und eine Presence Penalty von 2.0, mit einem Budget von 32,768 Token. Dies sind Budgets aus den Herstelleranleitungen, keine unabhängig festgelegten harten Ausgabeobergrenzen oder getrennten Modellidentitäten.
Das Langkontextverfahren der Familie verwendet YaRN, mit einem empfohlenen Faktor von zwei oder drei bei der Erweiterung ihrer verschachtelten Positionen von 256K auf etwa 1M. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und erzeugten Quellcode anhand des Originalmaterials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt Generierungs- oder Steuerungsvorgaben eines Thinking-Checkpoints zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-8b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-8b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct ist Qwens dichtes, auf Anweisungen ausgerichtetes Vision-Language-Modell für Text, Bilder und Video mit Text- oder Codeausgabe. Es unterstützt Dokumentlesen, visuell gestützte Programmierung, räumliche Fragen und Videoanalyse, mit OCR für 32 Sprachen und einem nativen Kontext von 262,144 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die 8B-Instruct-Vision-Language-Ausgabe
Qwen3-VL-8B-Instruct ist die dichte, auf Anweisungen ausgerichtete 8B-Ausgabe von Qwen3-VL. Sie verbindet Text mit Bildern oder Video und erzeugt Text, einschliesslich Code. Sie bleibt von der um Schlussfolgern erweiterten Thinking-Ausgabe und von dünn besetzten Expertenmodellen derselben Familie getrennt. Wählen Sie sie für eine gezielte visuelle Anweisung, Dokumentfrage oder ein bearbeitbares Artefakt, dessen Ergebnis sich mit den gelieferten Belegen vergleichen lässt.
Visuelle Agenten und visuell gestützte Programmierung
Der Hersteller beschreibt das Erkennen von Elementen von Computer- oder Mobiloberflächen, das Verstehen ihrer Funktionen und die Werkzeugnutzung in einem visuellen Agentenablauf. Liefern Sie einen Screenshot und ein konkretes Ziel und fragen Sie anschliessend, welche sichtbaren Steuerelemente diesem Ziel entsprechen und welche Belege die Wahl stützen. Angebundene Software führt Aktionen aus; das Erkennen einer Oberfläche gibt dem Modell nicht eigenständig die Kontrolle über ein Gerät.
Visuell gestützte Programmierung umfasst das Erstellen von Diagramminhalten sowie HTML, CSS oder JavaScript aus Bildern oder Video. Liefern Sie die Layoutreferenz zusammen mit funktionalen Anforderungen und der erforderlichen bearbeitbaren Ausgabe. Verlangen Sie Quellstruktur und Stile getrennt, wenn dies die Prüfung erleichtert. Erzeugter Code ist ein Textartefakt; er benötigt weiterhin einen Entwicklungsablauf, um gerendert und auf sein Verhalten geprüft zu werden.
Räumliche Wahrnehmung und umfangreiches Material
Qwen dokumentiert Schlussfolgern über Objektpositionen, Blickwinkel und Verdeckungen, mit zweidimensionalem Grounding und Unterstützung für dreidimensionales Grounding. Benennen Sie das Zielobjekt und die untersuchte Beziehung. Ein Ergebnis zur relativen Position ist eine Schlussfolgerung aus dem Bild und keine kalibrierte physische Messung.
Der native Kontext beträgt 262,144 Token. Die Familie beschreibt Bücher und stundenlange Videos, mit Ereignisindexierung auf Sekundenebene und Erweiterung auf ungefähr eine Million Token per Konfiguration. Repräsentation, Bildabtastung und die konfigurierte Sequenzgrenze bestimmen, welches Material verarbeitet wird. Ein grosser Kontext garantiert keine vollständige Erinnerung an jede Seite oder jedes Bild. Erhalten Sie Zeitangaben, wenn Sie eine Darstellung von Videoereignissen verlangen.
Multimodales Schlussfolgern, Erkennung und OCR
Die Familie unterstützt MINT- und mathematische Fragen, Kausalanalyse und beleggestützte visuelle Erklärungen. Liefern Sie die vollständige Aufgabenstellung zusammen mit einem Diagramm und verlangen Sie vor der Schlussfolgerung die verwendeten Werte und Beziehungen. Die Erkennung umfasst eine breite Palette von Personen, Produkten, Wahrzeichen, Pflanzen, Tieren und Medienfiguren; eine plausible Bezeichnung sollte geprüft werden, wenn die Identifikation wichtig ist.
OCR umfasst 32 Sprachen und ist darauf ausgelegt, das Lesen bei schwachem Licht, Unschärfe oder Neigung zu verbessern, einschliesslich Fachwortschatz und der Struktur langer Dokumente. Liefern Sie eine lesbare Seite und verlangen Sie benannte Felder, Zitate oder eine strukturierte Tabelle, die sich damit abgleichen lässt. Textverständnis und visuelles Verständnis werden verbunden, sodass eine Frage einen Absatz mit einer Abbildung und den Nutzeranweisungen verknüpfen kann.
Architekturaktualisierungen
Die veröffentlichte dichte Textkonfiguration besitzt 36 Schichten. Interleaved-MRoPE repräsentiert Zeit, Breite und Höhe für Schlussfolgern über Video. DeepStack verbindet Merkmale aus mehreren Ebenen des visuellen Encoders, und Text-Zeitstempel-Ausrichtung verankert Ereignisse in zeitlichen Referenzen. Diese Architekturmerkmale beschreiben die Repräsentation des Modells; sie belegen weder eine feste Antwortzeit noch exakte physische Genauigkeit.
Eingabe vorbereiten
Die Familienbeispiele des Herstellers umfassen reine Textanfragen, einzelne oder mehrere Bilder und Video. Kennzeichnen Sie visuelle Eingaben und geben Sie ihre Beziehung an. Bild- und Videopixelbudgets sind getrennt: Ein Bildbudget betrifft ein Bild, ein Videobudget dagegen die Pixel über abgetastete Bilder hinweg. Explizite Bildabmessungen werden an Vielfachen von 32 ausgerichtet. Der dokumentierte Videostandard beträgt zwei Bilder pro Sekunde, mit Optionen für Rate oder Bildanzahl in unterstützten Abläufen.
Der Hilfsablauf erhält Videometadaten und empfiehlt, doppelte Grössenänderung zu vermeiden, wenn die Medien bereits skaliert wurden. Erhalten Sie bei einer Dokumentaufgabe Seitenkennungen; fragen Sie bei einem Clip nach Ereignis, relevantem Zeitabschnitt und sichtbaren Belegen. Diese Vorbereitungsbeispiele wenden die dokumentierten Fähigkeiten an und garantieren weder exakte Extraktion noch zeitliche Präzision.
Empfehlungen zur Generierung und Grenzen
Diese konkrete Modellkarte gibt getrennte Aufgabenvoreinstellungen an. Vision-Language-Aufgaben verwenden temperature 0.7, top_p 0.8, top_k 20, eine Repetition Penalty von 1.0 und eine Presence Penalty von 1.5, mit einem Ausgabebudget von 16,384 Token. Textaufgaben verwenden temperature 1.0, top_p 1.0, top_k 40, eine Repetition Penalty von 1.0 und eine Presence Penalty von 2.0, mit einem Budget von 32,768 Token. Dies sind Budgets aus den Herstelleranleitungen, keine unabhängig festgelegten harten Ausgabeobergrenzen oder getrennten Modellidentitäten.
Das Langkontextverfahren der Familie verwendet YaRN, mit einem empfohlenen Faktor von zwei oder drei bei der Erweiterung ihrer verschachtelten Positionen von 256K auf etwa 1M. Übernehmen Sie keinen Faktor von vier aus einer anderen Qwen-Familie. Reservieren Sie neben visuellen und textlichen Eingaben Platz für die Antwort und prüfen Sie OCR, berechnete Schlussfolgerungen und erzeugten Quellcode anhand des Originalmaterials. Behalten Sie die konkrete Instruct-Ausgabe bei, statt Generierungs- oder Steuerungsvorgaben eines Thinking-Checkpoints zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-vl-8b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0005 / 1K Tokens Ausgabe · Ausgabetoken $0.0015 / 1K Tokens Eingabe · Cache lesen $0.00024 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.