Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschließlich Kombinationen im selben Gespräch, und erzeugt ein Textergebnis. Die genaue Thinking-Edition enthält die Thinker-Komponente und ist für Schlussfolgern ausgelegt; sie enthält nicht den Talker, den der Instruct-Checkpoint für gesprochene Ausgaben verwendet. Diese Unterscheidung ist bei der Auswahl eines Modells für einen Analysebericht statt für ein gesprochenes Gespräch relevant.
Der Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch erscheint in der veröffentlichten Liste der Spracheingabesprachen. Die genaue Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht ausgewählte Experten pro Token. Sie besitzt außerdem Komponenten für Audio- und Bildverarbeitung. Dies sind Merkmale des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.
Die Anwendungsanleitungen umfassen Spracherkennung und -übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Edition hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und fordern Sie anschließend eine Lösung an, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Teilen des Materials. Das erwartete Arbeitsergebnis kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.
Bereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeug des Herstellers verarbeitet ineinander eingefügte Texte, Bilder, Audio und Video. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionsdesigns der Familie und demonstriert gemischte Medien in Batch-Inferenz mit reiner Textausgabe. Der Hersteller empfiehlt in jeder Gesprächsrunde eine ausdrückliche Textanweisung neben den Medien. Ein Video allein lässt die Aufgabe unklar: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihre Beziehung, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.
Entscheiden Sie bei Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung konsistent; die Modellkarte warnt, dass ein Wechsel dieser Einstellung zwischen Gesprächsrunden zu unerwarteten Ergebnissen führen kann. Eine rein szenenbezogene und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie den relevanten Zeitraum aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung vom Gesagten oder Gehörten abhängt.
Die veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor repräsentiert; die Anfragegröße ist daher nicht nur die Zahl eingegebener Zeichen. Reservieren Sie Raum für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes, für die Frage relevantes Ereignis enthält.
Der Hersteller demonstriert Abläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, einschließlich einer getrennten Behandlung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den genauen Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel auf der Familienkarte dasselbe Ausgabeverhalten hat. Die dortigen Sprechstimmen und Talker-Einstellungen gelten für Instruct, nicht für dieses reine Thinker-Modell.
Fordern Sie für ein nützliches endgültiges Ergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung an. Bewahren Sie bei einem visuellen Problem Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer erschlossenen Quelle und bei Video beobachtete Aktionen von einer Interpretation ihrer Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unlesbare Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen; Werkzeugausführung, Faktenbestätigung oder Medienumwandlung bleiben jeweils separate Operationen, die eigene Eingaben und Ergebnisse benötigen.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschließlich Kombinationen im selben Gespräch, und erzeugt ein Textergebnis. Die genaue Thinking-Edition enthält die Thinker-Komponente und ist für Schlussfolgern ausgelegt; sie enthält nicht den Talker, den der Instruct-Checkpoint für gesprochene Ausgaben verwendet. Diese Unterscheidung ist bei der Auswahl eines Modells für einen Analysebericht statt für ein gesprochenes Gespräch relevant.\n\nDer Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch erscheint in der veröffentlichten Liste der Spracheingabesprachen. Die genaue Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht ausgewählte Experten pro Token. Sie besitzt außerdem Komponenten für Audio- und Bildverarbeitung. Dies sind Merkmale des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.\n\nDie Anwendungsanleitungen umfassen Spracherkennung und -übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Edition hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und fordern Sie anschließend eine Lösung an, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Teilen des Materials. Das erwartete Arbeitsergebnis kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.\n\nBereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeug des Herstellers verarbeitet ineinander eingefügte Texte, Bilder, Audio und Video. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionsdesigns der Familie und demonstriert gemischte Medien in Batch-Inferenz mit reiner Textausgabe. Der Hersteller empfiehlt in jeder Gesprächsrunde eine ausdrückliche Textanweisung neben den Medien. Ein Video allein lässt die Aufgabe unklar: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihre Beziehung, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.\n\nEntscheiden Sie bei Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung konsistent; die Modellkarte warnt, dass ein Wechsel dieser Einstellung zwischen Gesprächsrunden zu unerwarteten Ergebnissen führen kann. Eine rein szenenbezogene und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie den relevanten Zeitraum aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung vom Gesagten oder Gehörten abhängt.\n\nDie veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor repräsentiert; die Anfragegröße ist daher nicht nur die Zahl eingegebener Zeichen. Reservieren Sie Raum für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes, für die Frage relevantes Ereignis enthält.\n\nDer Hersteller demonstriert Abläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, einschließlich einer getrennten Behandlung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den genauen Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel auf der Familienkarte dasselbe Ausgabeverhalten hat. Die dortigen Sprechstimmen und Talker-Einstellungen gelten für Instruct, nicht für dieses reine Thinker-Modell.\n\nFordern Sie für ein nützliches endgültiges Ergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung an. Bewahren Sie bei einem visuellen Problem Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer erschlossenen Quelle und bei Video beobachtete Aktionen von einer Interpretation ihrer Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unlesbare Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen; Werkzeugausführung, Faktenbestätigung oder Medienumwandlung bleiben jeweils separate Operationen, die eigene Eingaben und Ergebnisse benötigen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking zieht Schlussfolgerungen aus Text, Bildern, Audio und Video und gibt Text zurück. Diese reine Thinker-Edition eignet sich für visuelle Mathematik, Audioanalyse und Fragen, die Belege aus mehreren Modalitäten benötigen; Spracherzeugung gehört zu einer anderen Omni-Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschließlich Kombinationen im selben Gespräch, und erzeugt ein Textergebnis. Die genaue Thinking-Edition enthält die Thinker-Komponente und ist für Schlussfolgern ausgelegt; sie enthält nicht den Talker, den der Instruct-Checkpoint für gesprochene Ausgaben verwendet. Diese Unterscheidung ist bei der Auswahl eines Modells für einen Analysebericht statt für ein gesprochenes Gespräch relevant.
Der Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch erscheint in der veröffentlichten Liste der Spracheingabesprachen. Die genaue Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht ausgewählte Experten pro Token. Sie besitzt außerdem Komponenten für Audio- und Bildverarbeitung. Dies sind Merkmale des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.
Die Anwendungsanleitungen umfassen Spracherkennung und -übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Edition hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und fordern Sie anschließend eine Lösung an, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Teilen des Materials. Das erwartete Arbeitsergebnis kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.
Bereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeug des Herstellers verarbeitet ineinander eingefügte Texte, Bilder, Audio und Video. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionsdesigns der Familie und demonstriert gemischte Medien in Batch-Inferenz mit reiner Textausgabe. Der Hersteller empfiehlt in jeder Gesprächsrunde eine ausdrückliche Textanweisung neben den Medien. Ein Video allein lässt die Aufgabe unklar: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihre Beziehung, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.
Entscheiden Sie bei Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung konsistent; die Modellkarte warnt, dass ein Wechsel dieser Einstellung zwischen Gesprächsrunden zu unerwarteten Ergebnissen führen kann. Eine rein szenenbezogene und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie den relevanten Zeitraum aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung vom Gesagten oder Gehörten abhängt.
Die veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor repräsentiert; die Anfragegröße ist daher nicht nur die Zahl eingegebener Zeichen. Reservieren Sie Raum für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes, für die Frage relevantes Ereignis enthält.
Der Hersteller demonstriert Abläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, einschließlich einer getrennten Behandlung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den genauen Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel auf der Familienkarte dasselbe Ausgabeverhalten hat. Die dortigen Sprechstimmen und Talker-Einstellungen gelten für Instruct, nicht für dieses reine Thinker-Modell.
Fordern Sie für ein nützliches endgültiges Ergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung an. Bewahren Sie bei einem visuellen Problem Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer erschlossenen Quelle und bei Video beobachtete Aktionen von einer Interpretation ihrer Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unlesbare Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen; Werkzeugausführung, Faktenbestätigung oder Medienumwandlung bleiben jeweils separate Operationen, die eigene Eingaben und Ergebnisse benötigen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-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-Omni-30B-A3B-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-Omni-30B-A3B-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-Omni-30B-A3B-Thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking zieht Schlussfolgerungen aus Text, Bildern, Audio und Video und gibt Text zurück. Diese reine Thinker-Edition eignet sich für visuelle Mathematik, Audioanalyse und Fragen, die Belege aus mehreren Modalitäten benötigen; Spracherzeugung gehört zu einer anderen Omni-Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Omni-30B-A3B-Thinking ist das auf Schlussfolgern ausgerichtete Mitglied von Qwen3-Omni. Es versteht Text, Bilder, Audio und Video, einschließlich Kombinationen im selben Gespräch, und erzeugt ein Textergebnis. Die genaue Thinking-Edition enthält die Thinker-Komponente und ist für Schlussfolgern ausgelegt; sie enthält nicht den Talker, den der Instruct-Checkpoint für gesprochene Ausgaben verwendet. Diese Unterscheidung ist bei der Auswahl eines Modells für einen Analysebericht statt für ein gesprochenes Gespräch relevant.
Der Hersteller beschreibt Qwen3-Omni als mehrsprachige Mixture-of-Experts-Familie mit 119 Textsprachen und 19 Sprachen für Spracheingaben. Russisch erscheint in der veröffentlichten Liste der Spracheingabesprachen. Die genaue Thinking-Konfiguration umfasst 48 Text-Transformer-Schichten, 128 Experten und acht ausgewählte Experten pro Token. Sie besitzt außerdem Komponenten für Audio- und Bildverarbeitung. Dies sind Merkmale des benannten Checkpoints; sein multimodales Verständnis sollte nicht durch die Fähigkeiten eines reinen Textmodells Qwen3 mit ähnlicher Größenbezeichnung ersetzt werden.
Die Anwendungsanleitungen umfassen Spracherkennung und -übersetzung, Musik- und Umgebungsgeräuschanalyse, gemischtes Audio, Bildfragen, OCR, Objekt-Grounding, Videobeschreibungen und audiovisuelle Fragen. Bei Bildmathematik wird ausdrücklich die Thinking-Edition hervorgehoben. Stellen Sie für eine Geometrieaufgabe das vollständige Diagramm, lesbare Beschriftungen und die Frage bereit und fordern Sie anschließend eine Lösung an, die sichtbare Angaben von Annahmen unterscheidet. Benennen Sie bei einer aufgezeichneten Demonstration die zu untersuchende Aktion oder Abweichung und verlangen Sie Beobachtungen mit Bezug zu den relevanten Teilen des Materials. Das erwartete Arbeitsergebnis kann eine schriftliche Lösung, eine strukturierte Beobachtungsliste oder eine Erklärung dessen sein, was die Belege stützen.
Bereiten Sie die Eingabe als multimodales Gespräch mit dem passenden Prozessor und der passenden Chatvorlage vor. Das Verarbeitungswerkzeug des Herstellers verarbeitet ineinander eingefügte Texte, Bilder, Audio und Video. Qwen beschreibt gestreamte Textantworten als Teil des Interaktionsdesigns der Familie und demonstriert gemischte Medien in Batch-Inferenz mit reiner Textausgabe. Der Hersteller empfiehlt in jeder Gesprächsrunde eine ausdrückliche Textanweisung neben den Medien. Ein Video allein lässt die Aufgabe unklar: Geben Sie an, ob Aktionen zusammengefasst, zwei Szenen verglichen, ein Geräusch erklärt oder die gezeigte Aufgabe gelöst werden soll. Kennzeichnen Sie mehrere Eingaben und ihre Beziehung, damit der endgültige Text die richtige Frage mit dem richtigen Material verbinden kann.
Entscheiden Sie bei Video mit Sprache oder Ereignisgeräuschen, ob dessen Audio Teil der Aufgabe ist. Der dokumentierte Ablauf verwendet use_audio_in_video bei Vorverarbeitung und Generierung konsistent; die Modellkarte warnt, dass ein Wechsel dieser Einstellung zwischen Gesprächsrunden zu unerwarteten Ergebnissen führen kann. Eine rein szenenbezogene und eine audiovisuelle Frage benötigen daher unterschiedliche Vorbereitung. Halten Sie den ursprünglichen Clip verfügbar, wählen Sie den relevanten Zeitraum aus und lassen Sie die Tonspur nicht weg, wenn die angeforderte Schlussfolgerung vom Gesagten oder Gehörten abhängt.
Die veröffentlichte Textkonfiguration setzt max_position_embeddings auf 65,536. Die vLLM-Beispiele der Modellkarte verwenden gesondert eine Modelllängeneinstellung von 32,768 Token und eine Generierungseinstellung von 16,384 Token. Sie zeigen ein konfiguriertes Inferenzbeispiel und keine einzelne allgemeingültige maximale Ausgabegrenze. Medien werden durch den Prozessor repräsentiert; die Anfragegröße ist daher nicht nur die Zahl eingegebener Zeichen. Reservieren Sie Raum für das Textergebnis und verwenden Sie einen begrenzten Quellabschnitt, wenn eine lange Aufnahme nur ein kurzes, für die Frage relevantes Ereignis enthält.
Der Hersteller demonstriert Abläufe mit Transformers und vLLM, wobei Prozessorunterstützung und Mediendekodierung ausdrückliche Abhängigkeiten sind. Die gemeinsame Modellkarte dokumentiert außerdem Schnittstellenunterschiede, einschließlich einer getrennten Behandlung von Video und Audio in einem Bereitstellungsbeispiel. Wählen Sie den genauen Thinking-Checkpoint und seinen unterstützten Verarbeitungspfad, statt anzunehmen, dass jedes Beispiel auf der Familienkarte dasselbe Ausgabeverhalten hat. Die dortigen Sprechstimmen und Talker-Einstellungen gelten für Instruct, nicht für dieses reine Thinker-Modell.
Fordern Sie für ein nützliches endgültiges Ergebnis eine beleggestützte Erklärung und eine klar getrennte Schlussfolgerung an. Bewahren Sie bei einem visuellen Problem Einheiten, Symbole und Beschriftungen; unterscheiden Sie bei Audio hörbaren Inhalt von einer erschlossenen Quelle und bei Video beobachtete Aktionen von einer Interpretation ihrer Absicht. Prüfen Sie das Ergebnis anhand des bereitgestellten Materials und benennen Sie unsichere oder unlesbare Details ausdrücklich. Die Textantwort des Modells kann eine Analyse oder einen späteren Anwendungsschritt unterstützen; Werkzeugausführung, Faktenbestätigung oder Medienumwandlung bleiben jeweils separate Operationen, die eigene Eingaben und Ergebnisse benötigen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-Omni-30B-A3B-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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-30B-A3B-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-Omni-30B-A3B-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-Omni-30B-A3B-Thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.