Qwen3-VL-8B-Thinking ist die auf Schlussfolgern ausgerichtete dichte 8B-Ausgabe aus Alibabas Qwen3-VL-Familie. Sie verbindet Text, Bilder und Video in einer gemeinsamen Aufgabe und erzeugt Text. Qwen veröffentlicht Thinking- und Instruct-Ausgaben getrennt; diese Modellkarte betrifft das benannte Thinking-Modell, zu dessen Zweck die Analyse visueller Belege vor der Antworterstellung gehört. Reine Textarbeit ist ebenfalls Teil seiner Sprachfähigkeiten.
Der Hersteller stellt visuelle Agenten an den Anfang: Das Modell kann Elemente von Desktop- oder Mobiloberflächen erkennen, ihre Funktionen interpretieren und über die nächste Interaktion nachdenken. In einer Anwendung liefern Screenshots den aktuellen Zustand und Werkzeuge führen die ausgewählten Aktionen aus. Ein nützlicher Auftrag nennt das Nutzerziel, den sichtbaren Bildschirm und die erlaubten Aktionen und fragt anschliessend nach dem nächsten Schritt und dem Element, das ihn begründet. Die generierte Interpretation ist von einer durch die umgebende Anwendung ausgeführten Aktion getrennt.
Visuell gestützte Programmierung verbindet Referenzbilder oder Video mit textuellem Code. Qwen dokumentiert Draw.io-Diagramme sowie HTML, CSS und JavaScript als Beispielausgaben. Liefern Sie einen Screenshot oder eine Skizze zusammen mit dem erforderlichen Verhalten, Inhalt und Ziellayout; verlangen Sie ein bearbeitbares Code- oder Diagrammartefakt. Für räumliche Arbeit beschreibt die Familie Objektposition, Blickwinkel und Verdeckung, mit 2D-Grounding und 3D-Grounding. Geben Sie bei benötigten Positionen die Koordinatenkonvention an, damit eine beschriebene Position und eine angeforderte Box denselben Bezug verwenden.
Der native Kontext beträgt 256K Token für Text und verschachtelte visuelle Inhalte. Die Modellkarte beschreibt auch eine Erweiterung auf eine Million Token, die eine separate konfigurierte Erweiterung und nicht die native Kontextspezifikation ist. Zu Langkontextanwendungen gehören Querverweise zwischen Dokumentseiten und das Auffinden von Ereignissen in Video. Erhalten Sie beim Vorbereiten der Eingabe Seitenreihenfolge und Videozeitstempel und verlangen Sie, dass die Antwort für jede Schlussfolgerung die verwendete Seite oder den Zeitpunkt benennt.
Multimodales Schlussfolgern umfasst mathematische und wissenschaftliche Aufgaben, die sowohl sichtbares Material als auch die dazugehörige schriftliche Frage erfordern. Die Familie unterstützt zudem breite visuelle Erkennung von Objekten, Produkten, Wahrzeichen, Pflanzen und Tieren. Ihre OCR-Abdeckung umfasst 32 Sprachen und anspruchsvolle Bilder bei schwachem Licht, Unschärfe oder Neigung sowie die Interpretation von Dokumentstrukturen. Verlangen Sie bei einer gescannten Aufgabe zuerst eine Transkription und dann eine Lösung; so wird ein falsch gelesenes Zeichen oder eine Beschriftung sichtbar, bevor es das Schlussfolgern verändert.
Drei Architekturaktualisierungen unterstützen diese visuelle und zeitliche Arbeit. Interleaved-MRoPE verteilt Positionsinformationen über Zeit, Breite und Höhe; DeepStack führt visuelle Merkmale aus mehreren Ebenen in das Sprachmodell ein; ausdrückliche Textzeitstempel repräsentieren die zeitliche Position von Videobildgruppen. Ihre praktische Bedeutung liegt im Erhalten räumlicher Details und im Verbinden einer Ereignisbeschreibung mit einem Zeitpunkt in der Quelle. Sie machen ein kleines oder unlesbares Quelldetail nicht zu einer garantierten Erkennung.
Die konkrete Thinking-Modellkarte gibt getrennte Generierungsempfehlungen für visuelle und Textaufgaben. Beide verwenden Sampling mit temperature 1.0, top-p 0.95 und top-k 20; das visuelle Beispiel verwendet eine Presence Penalty von 0.0, das Textbeispiel dagegen 1.5. Die beispielhaften Ausgabelängeneinstellungen betragen 40,960 für visuelle Arbeit und 32,768 für Text, mit einem Vorschlag von 81,920 für ausgewählte anspruchsvolle Textauswertungen. Dies sind Abstimmungsempfehlungen, keine allgemeingültige Garantie für die maximale Ausgabe oder Parameter, die ein umgebender Dienst zwingend anbietet.
Liefern Sie für eine praktische Dokumentaufgabe geordnete Seitenbilder und fragen Sie: «Extrahiere die Abschnittsüberschriften, erkläre die Beziehung zwischen dem Diagramm und dem angrenzenden Text und füge jeder Erkenntnis einen Seitenverweis bei.» Definieren Sie bei Video das gesuchte Ereignis und verlangen Sie dessen Zeitstempel sowie eine kurze visuelle Erklärung. Geben Sie bei einer visuellen Schlussfolgerungsfrage das erforderliche Endartefakt und die zulässigen Annahmen an. Die Ausgabe bleibt eine textliche Erklärung, extrahierter Inhalt, Code oder ein vorgeschlagener Werkzeugschritt; die visuelle Eingabe dieser Ausgabe ist kein Ablauf zur Video- oder Sprachgenerierung.
", "aboutText": "Qwen3-VL-8B-Thinking ist die auf Schlussfolgern ausgerichtete dichte 8B-Ausgabe aus Alibabas Qwen3-VL-Familie. Sie verbindet Text, Bilder und Video in einer gemeinsamen Aufgabe und erzeugt Text. Qwen veröffentlicht Thinking- und Instruct-Ausgaben getrennt; diese Modellkarte betrifft das benannte Thinking-Modell, zu dessen Zweck die Analyse visueller Belege vor der Antworterstellung gehört. Reine Textarbeit ist ebenfalls Teil seiner Sprachfähigkeiten.\n\nDer Hersteller stellt visuelle Agenten an den Anfang: Das Modell kann Elemente von Desktop- oder Mobiloberflächen erkennen, ihre Funktionen interpretieren und über die nächste Interaktion nachdenken. In einer Anwendung liefern Screenshots den aktuellen Zustand und Werkzeuge führen die ausgewählten Aktionen aus. Ein nützlicher Auftrag nennt das Nutzerziel, den sichtbaren Bildschirm und die erlaubten Aktionen und fragt anschliessend nach dem nächsten Schritt und dem Element, das ihn begründet. Die generierte Interpretation ist von einer durch die umgebende Anwendung ausgeführten Aktion getrennt.\n\nVisuell gestützte Programmierung verbindet Referenzbilder oder Video mit textuellem Code. Qwen dokumentiert Draw.io-Diagramme sowie HTML, CSS und JavaScript als Beispielausgaben. Liefern Sie einen Screenshot oder eine Skizze zusammen mit dem erforderlichen Verhalten, Inhalt und Ziellayout; verlangen Sie ein bearbeitbares Code- oder Diagrammartefakt. Für räumliche Arbeit beschreibt die Familie Objektposition, Blickwinkel und Verdeckung, mit 2D-Grounding und 3D-Grounding. Geben Sie bei benötigten Positionen die Koordinatenkonvention an, damit eine beschriebene Position und eine angeforderte Box denselben Bezug verwenden.\n\nDer native Kontext beträgt 256K Token für Text und verschachtelte visuelle Inhalte. Die Modellkarte beschreibt auch eine Erweiterung auf eine Million Token, die eine separate konfigurierte Erweiterung und nicht die native Kontextspezifikation ist. Zu Langkontextanwendungen gehören Querverweise zwischen Dokumentseiten und das Auffinden von Ereignissen in Video. Erhalten Sie beim Vorbereiten der Eingabe Seitenreihenfolge und Videozeitstempel und verlangen Sie, dass die Antwort für jede Schlussfolgerung die verwendete Seite oder den Zeitpunkt benennt.\n\nMultimodales Schlussfolgern umfasst mathematische und wissenschaftliche Aufgaben, die sowohl sichtbares Material als auch die dazugehörige schriftliche Frage erfordern. Die Familie unterstützt zudem breite visuelle Erkennung von Objekten, Produkten, Wahrzeichen, Pflanzen und Tieren. Ihre OCR-Abdeckung umfasst 32 Sprachen und anspruchsvolle Bilder bei schwachem Licht, Unschärfe oder Neigung sowie die Interpretation von Dokumentstrukturen. Verlangen Sie bei einer gescannten Aufgabe zuerst eine Transkription und dann eine Lösung; so wird ein falsch gelesenes Zeichen oder eine Beschriftung sichtbar, bevor es das Schlussfolgern verändert.\n\nDrei Architekturaktualisierungen unterstützen diese visuelle und zeitliche Arbeit. Interleaved-MRoPE verteilt Positionsinformationen über Zeit, Breite und Höhe; DeepStack führt visuelle Merkmale aus mehreren Ebenen in das Sprachmodell ein; ausdrückliche Textzeitstempel repräsentieren die zeitliche Position von Videobildgruppen. Ihre praktische Bedeutung liegt im Erhalten räumlicher Details und im Verbinden einer Ereignisbeschreibung mit einem Zeitpunkt in der Quelle. Sie machen ein kleines oder unlesbares Quelldetail nicht zu einer garantierten Erkennung.\n\nDie konkrete Thinking-Modellkarte gibt getrennte Generierungsempfehlungen für visuelle und Textaufgaben. Beide verwenden Sampling mit temperature 1.0, top-p 0.95 und top-k 20; das visuelle Beispiel verwendet eine Presence Penalty von 0.0, das Textbeispiel dagegen 1.5. Die beispielhaften Ausgabelängeneinstellungen betragen 40,960 für visuelle Arbeit und 32,768 für Text, mit einem Vorschlag von 81,920 für ausgewählte anspruchsvolle Textauswertungen. Dies sind Abstimmungsempfehlungen, keine allgemeingültige Garantie für die maximale Ausgabe oder Parameter, die ein umgebender Dienst zwingend anbietet.\n\nLiefern Sie für eine praktische Dokumentaufgabe geordnete Seitenbilder und fragen Sie: «Extrahiere die Abschnittsüberschriften, erkläre die Beziehung zwischen dem Diagramm und dem angrenzenden Text und füge jeder Erkenntnis einen Seitenverweis bei.» Definieren Sie bei Video das gesuchte Ereignis und verlangen Sie dessen Zeitstempel sowie eine kurze visuelle Erklärung. Geben Sie bei einer visuellen Schlussfolgerungsfrage das erforderliche Endartefakt und die zulässigen Annahmen an. Die Ausgabe bleibt eine textliche Erklärung, extrahierter Inhalt, Code oder ein vorgeschlagener Werkzeugschritt; die visuelle Eingabe dieser Ausgabe ist kein Ablauf zur Video- oder Sprachgenerierung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking ist Qwens auf Schlussfolgern ausgerichtete 8B-Vision-Language-Ausgabe. Sie verbindet Text, Bilder und Video für visuelles Problemlösen, Dokumentinterpretation, räumliche Analyse und Codegenerierung anhand visueller Referenzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-VL-8B-Thinking ist die auf Schlussfolgern ausgerichtete dichte 8B-Ausgabe aus Alibabas Qwen3-VL-Familie. Sie verbindet Text, Bilder und Video in einer gemeinsamen Aufgabe und erzeugt Text. Qwen veröffentlicht Thinking- und Instruct-Ausgaben getrennt; diese Modellkarte betrifft das benannte Thinking-Modell, zu dessen Zweck die Analyse visueller Belege vor der Antworterstellung gehört. Reine Textarbeit ist ebenfalls Teil seiner Sprachfähigkeiten.
Der Hersteller stellt visuelle Agenten an den Anfang: Das Modell kann Elemente von Desktop- oder Mobiloberflächen erkennen, ihre Funktionen interpretieren und über die nächste Interaktion nachdenken. In einer Anwendung liefern Screenshots den aktuellen Zustand und Werkzeuge führen die ausgewählten Aktionen aus. Ein nützlicher Auftrag nennt das Nutzerziel, den sichtbaren Bildschirm und die erlaubten Aktionen und fragt anschliessend nach dem nächsten Schritt und dem Element, das ihn begründet. Die generierte Interpretation ist von einer durch die umgebende Anwendung ausgeführten Aktion getrennt.
Visuell gestützte Programmierung verbindet Referenzbilder oder Video mit textuellem Code. Qwen dokumentiert Draw.io-Diagramme sowie HTML, CSS und JavaScript als Beispielausgaben. Liefern Sie einen Screenshot oder eine Skizze zusammen mit dem erforderlichen Verhalten, Inhalt und Ziellayout; verlangen Sie ein bearbeitbares Code- oder Diagrammartefakt. Für räumliche Arbeit beschreibt die Familie Objektposition, Blickwinkel und Verdeckung, mit 2D-Grounding und 3D-Grounding. Geben Sie bei benötigten Positionen die Koordinatenkonvention an, damit eine beschriebene Position und eine angeforderte Box denselben Bezug verwenden.
Der native Kontext beträgt 256K Token für Text und verschachtelte visuelle Inhalte. Die Modellkarte beschreibt auch eine Erweiterung auf eine Million Token, die eine separate konfigurierte Erweiterung und nicht die native Kontextspezifikation ist. Zu Langkontextanwendungen gehören Querverweise zwischen Dokumentseiten und das Auffinden von Ereignissen in Video. Erhalten Sie beim Vorbereiten der Eingabe Seitenreihenfolge und Videozeitstempel und verlangen Sie, dass die Antwort für jede Schlussfolgerung die verwendete Seite oder den Zeitpunkt benennt.
Multimodales Schlussfolgern umfasst mathematische und wissenschaftliche Aufgaben, die sowohl sichtbares Material als auch die dazugehörige schriftliche Frage erfordern. Die Familie unterstützt zudem breite visuelle Erkennung von Objekten, Produkten, Wahrzeichen, Pflanzen und Tieren. Ihre OCR-Abdeckung umfasst 32 Sprachen und anspruchsvolle Bilder bei schwachem Licht, Unschärfe oder Neigung sowie die Interpretation von Dokumentstrukturen. Verlangen Sie bei einer gescannten Aufgabe zuerst eine Transkription und dann eine Lösung; so wird ein falsch gelesenes Zeichen oder eine Beschriftung sichtbar, bevor es das Schlussfolgern verändert.
Drei Architekturaktualisierungen unterstützen diese visuelle und zeitliche Arbeit. Interleaved-MRoPE verteilt Positionsinformationen über Zeit, Breite und Höhe; DeepStack führt visuelle Merkmale aus mehreren Ebenen in das Sprachmodell ein; ausdrückliche Textzeitstempel repräsentieren die zeitliche Position von Videobildgruppen. Ihre praktische Bedeutung liegt im Erhalten räumlicher Details und im Verbinden einer Ereignisbeschreibung mit einem Zeitpunkt in der Quelle. Sie machen ein kleines oder unlesbares Quelldetail nicht zu einer garantierten Erkennung.
Die konkrete Thinking-Modellkarte gibt getrennte Generierungsempfehlungen für visuelle und Textaufgaben. Beide verwenden Sampling mit temperature 1.0, top-p 0.95 und top-k 20; das visuelle Beispiel verwendet eine Presence Penalty von 0.0, das Textbeispiel dagegen 1.5. Die beispielhaften Ausgabelängeneinstellungen betragen 40,960 für visuelle Arbeit und 32,768 für Text, mit einem Vorschlag von 81,920 für ausgewählte anspruchsvolle Textauswertungen. Dies sind Abstimmungsempfehlungen, keine allgemeingültige Garantie für die maximale Ausgabe oder Parameter, die ein umgebender Dienst zwingend anbietet.
Liefern Sie für eine praktische Dokumentaufgabe geordnete Seitenbilder und fragen Sie: «Extrahiere die Abschnittsüberschriften, erkläre die Beziehung zwischen dem Diagramm und dem angrenzenden Text und füge jeder Erkenntnis einen Seitenverweis bei.» Definieren Sie bei Video das gesuchte Ereignis und verlangen Sie dessen Zeitstempel sowie eine kurze visuelle Erklärung. Geben Sie bei einer visuellen Schlussfolgerungsfrage das erforderliche Endartefakt und die zulässigen Annahmen an. Die Ausgabe bleibt eine textliche Erklärung, extrahierter Inhalt, Code oder ein vorgeschlagener Werkzeugschritt; die visuelle Eingabe dieser Ausgabe ist kein Ablauf zur Video- oder Sprachgenerierung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-VL-8B-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 $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.00143 / 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-8B-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='Qwen/Qwen3-VL-8B-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='Qwen/Qwen3-VL-8B-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-8B-Thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking ist Qwens auf Schlussfolgern ausgerichtete 8B-Vision-Language-Ausgabe. Sie verbindet Text, Bilder und Video für visuelles Problemlösen, Dokumentinterpretation, räumliche Analyse und Codegenerierung anhand visueller Referenzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-VL-8B-Thinking ist die auf Schlussfolgern ausgerichtete dichte 8B-Ausgabe aus Alibabas Qwen3-VL-Familie. Sie verbindet Text, Bilder und Video in einer gemeinsamen Aufgabe und erzeugt Text. Qwen veröffentlicht Thinking- und Instruct-Ausgaben getrennt; diese Modellkarte betrifft das benannte Thinking-Modell, zu dessen Zweck die Analyse visueller Belege vor der Antworterstellung gehört. Reine Textarbeit ist ebenfalls Teil seiner Sprachfähigkeiten.
Der Hersteller stellt visuelle Agenten an den Anfang: Das Modell kann Elemente von Desktop- oder Mobiloberflächen erkennen, ihre Funktionen interpretieren und über die nächste Interaktion nachdenken. In einer Anwendung liefern Screenshots den aktuellen Zustand und Werkzeuge führen die ausgewählten Aktionen aus. Ein nützlicher Auftrag nennt das Nutzerziel, den sichtbaren Bildschirm und die erlaubten Aktionen und fragt anschliessend nach dem nächsten Schritt und dem Element, das ihn begründet. Die generierte Interpretation ist von einer durch die umgebende Anwendung ausgeführten Aktion getrennt.
Visuell gestützte Programmierung verbindet Referenzbilder oder Video mit textuellem Code. Qwen dokumentiert Draw.io-Diagramme sowie HTML, CSS und JavaScript als Beispielausgaben. Liefern Sie einen Screenshot oder eine Skizze zusammen mit dem erforderlichen Verhalten, Inhalt und Ziellayout; verlangen Sie ein bearbeitbares Code- oder Diagrammartefakt. Für räumliche Arbeit beschreibt die Familie Objektposition, Blickwinkel und Verdeckung, mit 2D-Grounding und 3D-Grounding. Geben Sie bei benötigten Positionen die Koordinatenkonvention an, damit eine beschriebene Position und eine angeforderte Box denselben Bezug verwenden.
Der native Kontext beträgt 256K Token für Text und verschachtelte visuelle Inhalte. Die Modellkarte beschreibt auch eine Erweiterung auf eine Million Token, die eine separate konfigurierte Erweiterung und nicht die native Kontextspezifikation ist. Zu Langkontextanwendungen gehören Querverweise zwischen Dokumentseiten und das Auffinden von Ereignissen in Video. Erhalten Sie beim Vorbereiten der Eingabe Seitenreihenfolge und Videozeitstempel und verlangen Sie, dass die Antwort für jede Schlussfolgerung die verwendete Seite oder den Zeitpunkt benennt.
Multimodales Schlussfolgern umfasst mathematische und wissenschaftliche Aufgaben, die sowohl sichtbares Material als auch die dazugehörige schriftliche Frage erfordern. Die Familie unterstützt zudem breite visuelle Erkennung von Objekten, Produkten, Wahrzeichen, Pflanzen und Tieren. Ihre OCR-Abdeckung umfasst 32 Sprachen und anspruchsvolle Bilder bei schwachem Licht, Unschärfe oder Neigung sowie die Interpretation von Dokumentstrukturen. Verlangen Sie bei einer gescannten Aufgabe zuerst eine Transkription und dann eine Lösung; so wird ein falsch gelesenes Zeichen oder eine Beschriftung sichtbar, bevor es das Schlussfolgern verändert.
Drei Architekturaktualisierungen unterstützen diese visuelle und zeitliche Arbeit. Interleaved-MRoPE verteilt Positionsinformationen über Zeit, Breite und Höhe; DeepStack führt visuelle Merkmale aus mehreren Ebenen in das Sprachmodell ein; ausdrückliche Textzeitstempel repräsentieren die zeitliche Position von Videobildgruppen. Ihre praktische Bedeutung liegt im Erhalten räumlicher Details und im Verbinden einer Ereignisbeschreibung mit einem Zeitpunkt in der Quelle. Sie machen ein kleines oder unlesbares Quelldetail nicht zu einer garantierten Erkennung.
Die konkrete Thinking-Modellkarte gibt getrennte Generierungsempfehlungen für visuelle und Textaufgaben. Beide verwenden Sampling mit temperature 1.0, top-p 0.95 und top-k 20; das visuelle Beispiel verwendet eine Presence Penalty von 0.0, das Textbeispiel dagegen 1.5. Die beispielhaften Ausgabelängeneinstellungen betragen 40,960 für visuelle Arbeit und 32,768 für Text, mit einem Vorschlag von 81,920 für ausgewählte anspruchsvolle Textauswertungen. Dies sind Abstimmungsempfehlungen, keine allgemeingültige Garantie für die maximale Ausgabe oder Parameter, die ein umgebender Dienst zwingend anbietet.
Liefern Sie für eine praktische Dokumentaufgabe geordnete Seitenbilder und fragen Sie: «Extrahiere die Abschnittsüberschriften, erkläre die Beziehung zwischen dem Diagramm und dem angrenzenden Text und füge jeder Erkenntnis einen Seitenverweis bei.» Definieren Sie bei Video das gesuchte Ereignis und verlangen Sie dessen Zeitstempel sowie eine kurze visuelle Erklärung. Geben Sie bei einer visuellen Schlussfolgerungsfrage das erforderliche Endartefakt und die zulässigen Annahmen an. Die Ausgabe bleibt eine textliche Erklärung, extrahierter Inhalt, Code oder ein vorgeschlagener Werkzeugschritt; die visuelle Eingabe dieser Ausgabe ist kein Ablauf zur Video- oder Sprachgenerierung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-VL-8B-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 $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.00143 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8B-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-8B-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-8B-Thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.