Qwen3-Omni-30B-A3B-Thinking es el integrante de Qwen3-Omni orientado al razonamiento. Comprende texto, imágenes, audio y video, incluidas combinaciones dentro de la misma conversación, y produce un resultado textual. La edición Thinking exacta contiene el componente Thinker y está equipada para razonar; no incluye el Talker usado para salida hablada en el checkpoint Instruct. Esta diferencia importa al seleccionar un modelo para un informe analítico, en lugar de una conversación por voz.
El fabricante describe Qwen3-Omni como una familia multilingüe de mezcla de expertos con 119 idiomas de texto y 19 idiomas de entrada de voz. El ruso aparece en la lista publicada de entrada de voz. La configuración Thinking exacta incluye 48 capas Transformer de texto, 128 expertos y ocho expertos seleccionados por token. También tiene componentes de procesamiento de audio y visión. Estas son características del checkpoint con nombre propio; su comprensión multimodal no debe reemplazarse por las capacidades de un modelo Qwen3 solo de texto con una etiqueta de tamaño similar.
Los recetarios de uso abarcan reconocimiento y traducción del habla, análisis de música y sonidos ambientales, audio mixto, preguntas de imagen, OCR, localización de objetos, descripciones de video y preguntas audiovisuales. Las matemáticas en imágenes destacan específicamente la edición Thinking. Para una tarea de geometría, proporciona el diagrama completo, etiquetas legibles y la pregunta; después, solicita una solución que distinga los datos visibles de los supuestos. Para una demostración grabada, identifica la acción o discrepancia que se debe investigar y pide observaciones vinculadas con las partes pertinentes del material. El artefacto esperado puede ser una solución escrita, una lista estructurada de observaciones o una explicación de lo que respalda la evidencia.
Prepara la entrada como una conversación multimodal usando el procesador y la plantilla de chat correspondientes. El conjunto de herramientas de procesamiento del fabricante maneja texto, imágenes, audio y video intercalados. Qwen describe respuestas textuales por streaming como parte del diseño de interacción de la familia y demuestra inferencia por lotes de medios mixtos con salida solo de texto. En cada ronda de diálogo, el fabricante recomienda una instrucción de texto explícita junto con los medios. Un video por sí solo deja ambigua la tarea: indica si se deben resumir acciones, comparar dos escenas, explicar un sonido o resolver el problema mostrado. Etiqueta las entradas múltiples y su relación para que el texto final pueda conectar la pregunta correcta con el material correcto.
Para video que contiene habla o sonidos de eventos, decide si su audio forma parte de la tarea. El flujo documentado usa use_audio_in_video de forma coherente durante el preprocesamiento y la generación, y la ficha advierte que cambiar este ajuste entre rondas de diálogo puede causar resultados inesperados. Por lo tanto, una pregunta solo de escena y una pregunta audiovisual necesitan preparaciones distintas. Mantén disponible el clip original, selecciona el intervalo pertinente y evita omitir la pista sonora cuando la conclusión solicitada dependa de lo que se dijo o escuchó.
La configuración textual publicada establece max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha usan un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens. Estos muestran un ejemplo configurado de inferencia, en lugar de un único límite universal máximo de salida. Los medios se representan mediante el procesador, así que el tamaño de la solicitud no es solo la cantidad de caracteres escritos. Reserva espacio para el resultado textual y usa un segmento fuente acotado cuando una grabación larga contenga solo un evento breve pertinente para la pregunta.
El fabricante demuestra flujos de Transformers y vLLM, con compatibilidad del procesador y decodificación de medios como dependencias explícitas. La ficha compartida también documenta diferencias de interfaz, incluido el manejo separado de video y audio en un ejemplo de servicio. Selecciona el checkpoint Thinking exacto y su ruta de procesamiento compatible, en lugar de suponer que todos los ejemplos de la ficha de familia tienen el mismo comportamiento de salida. Las voces y los controles Talker de esa página se aplican a Instruct, no a este modelo solo con Thinker.
Para un resultado final útil, solicita una explicación basada en evidencia y una conclusión claramente separada. En un problema visual, conserva unidades, símbolos y etiquetas; en audio, distingue el contenido audible de una fuente inferida; en video, distingue las acciones observadas de una interpretación de intención. Inspecciona el resultado contra el material suministrado e identifica explícitamente los detalles inciertos o ilegibles. La respuesta textual del modelo puede respaldar análisis o un paso posterior de aplicación, mientras que cualquier ejecución de herramientas, confirmación de hechos o transformación de medios sigue siendo una operación separada que necesita su propia entrada y resultado.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking es el integrante de Qwen3-Omni orientado al razonamiento. Comprende texto, imágenes, audio y video, incluidas combinaciones dentro de la misma conversación, y produce un resultado textual. La edición Thinking exacta contiene el componente Thinker y está equipada para razonar; no incluye el Talker usado para salida hablada en el checkpoint Instruct. Esta diferencia importa al seleccionar un modelo para un informe analítico, en lugar de una conversación por voz.\n\nEl fabricante describe Qwen3-Omni como una familia multilingüe de mezcla de expertos con 119 idiomas de texto y 19 idiomas de entrada de voz. El ruso aparece en la lista publicada de entrada de voz. La configuración Thinking exacta incluye 48 capas Transformer de texto, 128 expertos y ocho expertos seleccionados por token. También tiene componentes de procesamiento de audio y visión. Estas son características del checkpoint con nombre propio; su comprensión multimodal no debe reemplazarse por las capacidades de un modelo Qwen3 solo de texto con una etiqueta de tamaño similar.\n\nLos recetarios de uso abarcan reconocimiento y traducción del habla, análisis de música y sonidos ambientales, audio mixto, preguntas de imagen, OCR, localización de objetos, descripciones de video y preguntas audiovisuales. Las matemáticas en imágenes destacan específicamente la edición Thinking. Para una tarea de geometría, proporciona el diagrama completo, etiquetas legibles y la pregunta; después, solicita una solución que distinga los datos visibles de los supuestos. Para una demostración grabada, identifica la acción o discrepancia que se debe investigar y pide observaciones vinculadas con las partes pertinentes del material. El artefacto esperado puede ser una solución escrita, una lista estructurada de observaciones o una explicación de lo que respalda la evidencia.\n\nPrepara la entrada como una conversación multimodal usando el procesador y la plantilla de chat correspondientes. El conjunto de herramientas de procesamiento del fabricante maneja texto, imágenes, audio y video intercalados. Qwen describe respuestas textuales por streaming como parte del diseño de interacción de la familia y demuestra inferencia por lotes de medios mixtos con salida solo de texto. En cada ronda de diálogo, el fabricante recomienda una instrucción de texto explícita junto con los medios. Un video por sí solo deja ambigua la tarea: indica si se deben resumir acciones, comparar dos escenas, explicar un sonido o resolver el problema mostrado. Etiqueta las entradas múltiples y su relación para que el texto final pueda conectar la pregunta correcta con el material correcto.\n\nPara video que contiene habla o sonidos de eventos, decide si su audio forma parte de la tarea. El flujo documentado usa use_audio_in_video de forma coherente durante el preprocesamiento y la generación, y la ficha advierte que cambiar este ajuste entre rondas de diálogo puede causar resultados inesperados. Por lo tanto, una pregunta solo de escena y una pregunta audiovisual necesitan preparaciones distintas. Mantén disponible el clip original, selecciona el intervalo pertinente y evita omitir la pista sonora cuando la conclusión solicitada dependa de lo que se dijo o escuchó.\n\nLa configuración textual publicada establece max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha usan un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens. Estos muestran un ejemplo configurado de inferencia, en lugar de un único límite universal máximo de salida. Los medios se representan mediante el procesador, así que el tamaño de la solicitud no es solo la cantidad de caracteres escritos. Reserva espacio para el resultado textual y usa un segmento fuente acotado cuando una grabación larga contenga solo un evento breve pertinente para la pregunta.\n\nEl fabricante demuestra flujos de Transformers y vLLM, con compatibilidad del procesador y decodificación de medios como dependencias explícitas. La ficha compartida también documenta diferencias de interfaz, incluido el manejo separado de video y audio en un ejemplo de servicio. Selecciona el checkpoint Thinking exacto y su ruta de procesamiento compatible, en lugar de suponer que todos los ejemplos de la ficha de familia tienen el mismo comportamiento de salida. Las voces y los controles Talker de esa página se aplican a Instruct, no a este modelo solo con Thinker.\n\nPara un resultado final útil, solicita una explicación basada en evidencia y una conclusión claramente separada. En un problema visual, conserva unidades, símbolos y etiquetas; en audio, distingue el contenido audible de una fuente inferida; en video, distingue las acciones observadas de una interpretación de intención. Inspecciona el resultado contra el material suministrado e identifica explícitamente los detalles inciertos o ilegibles. La respuesta textual del modelo puede respaldar análisis o un paso posterior de aplicación, mientras que cualquier ejecución de herramientas, confirmación de hechos o transformación de medios sigue siendo una operación separada que necesita su propia entrada y resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 razona sobre texto, imágenes, audio y video y devuelve texto. Esta edición solo con Thinker es adecuada para matemáticas visuales, análisis de audio y preguntas que necesitan evidencia de varias modalidades; la generación de voz pertenece a otra versión de Omni.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-Omni-30B-A3B-Thinking es el integrante de Qwen3-Omni orientado al razonamiento. Comprende texto, imágenes, audio y video, incluidas combinaciones dentro de la misma conversación, y produce un resultado textual. La edición Thinking exacta contiene el componente Thinker y está equipada para razonar; no incluye el Talker usado para salida hablada en el checkpoint Instruct. Esta diferencia importa al seleccionar un modelo para un informe analítico, en lugar de una conversación por voz.
El fabricante describe Qwen3-Omni como una familia multilingüe de mezcla de expertos con 119 idiomas de texto y 19 idiomas de entrada de voz. El ruso aparece en la lista publicada de entrada de voz. La configuración Thinking exacta incluye 48 capas Transformer de texto, 128 expertos y ocho expertos seleccionados por token. También tiene componentes de procesamiento de audio y visión. Estas son características del checkpoint con nombre propio; su comprensión multimodal no debe reemplazarse por las capacidades de un modelo Qwen3 solo de texto con una etiqueta de tamaño similar.
Los recetarios de uso abarcan reconocimiento y traducción del habla, análisis de música y sonidos ambientales, audio mixto, preguntas de imagen, OCR, localización de objetos, descripciones de video y preguntas audiovisuales. Las matemáticas en imágenes destacan específicamente la edición Thinking. Para una tarea de geometría, proporciona el diagrama completo, etiquetas legibles y la pregunta; después, solicita una solución que distinga los datos visibles de los supuestos. Para una demostración grabada, identifica la acción o discrepancia que se debe investigar y pide observaciones vinculadas con las partes pertinentes del material. El artefacto esperado puede ser una solución escrita, una lista estructurada de observaciones o una explicación de lo que respalda la evidencia.
Prepara la entrada como una conversación multimodal usando el procesador y la plantilla de chat correspondientes. El conjunto de herramientas de procesamiento del fabricante maneja texto, imágenes, audio y video intercalados. Qwen describe respuestas textuales por streaming como parte del diseño de interacción de la familia y demuestra inferencia por lotes de medios mixtos con salida solo de texto. En cada ronda de diálogo, el fabricante recomienda una instrucción de texto explícita junto con los medios. Un video por sí solo deja ambigua la tarea: indica si se deben resumir acciones, comparar dos escenas, explicar un sonido o resolver el problema mostrado. Etiqueta las entradas múltiples y su relación para que el texto final pueda conectar la pregunta correcta con el material correcto.
Para video que contiene habla o sonidos de eventos, decide si su audio forma parte de la tarea. El flujo documentado usa use_audio_in_video de forma coherente durante el preprocesamiento y la generación, y la ficha advierte que cambiar este ajuste entre rondas de diálogo puede causar resultados inesperados. Por lo tanto, una pregunta solo de escena y una pregunta audiovisual necesitan preparaciones distintas. Mantén disponible el clip original, selecciona el intervalo pertinente y evita omitir la pista sonora cuando la conclusión solicitada dependa de lo que se dijo o escuchó.
La configuración textual publicada establece max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha usan un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens. Estos muestran un ejemplo configurado de inferencia, en lugar de un único límite universal máximo de salida. Los medios se representan mediante el procesador, así que el tamaño de la solicitud no es solo la cantidad de caracteres escritos. Reserva espacio para el resultado textual y usa un segmento fuente acotado cuando una grabación larga contenga solo un evento breve pertinente para la pregunta.
El fabricante demuestra flujos de Transformers y vLLM, con compatibilidad del procesador y decodificación de medios como dependencias explícitas. La ficha compartida también documenta diferencias de interfaz, incluido el manejo separado de video y audio en un ejemplo de servicio. Selecciona el checkpoint Thinking exacto y su ruta de procesamiento compatible, en lugar de suponer que todos los ejemplos de la ficha de familia tienen el mismo comportamiento de salida. Las voces y los controles Talker de esa página se aplican a Instruct, no a este modelo solo con Thinker.
Para un resultado final útil, solicita una explicación basada en evidencia y una conclusión claramente separada. En un problema visual, conserva unidades, símbolos y etiquetas; en audio, distingue el contenido audible de una fuente inferida; en video, distingue las acciones observadas de una interpretación de intención. Inspecciona el resultado contra el material suministrado e identifica explícitamente los detalles inciertos o ilegibles. La respuesta textual del modelo puede respaldar análisis o un paso posterior de aplicación, mientras que cualquier ejecución de herramientas, confirmación de hechos o transformación de medios sigue siendo una operación separada que necesita su propia entrada y resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Usa las rutas de método indicadas arriba.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking razona sobre texto, imágenes, audio y video y devuelve texto. Esta edición solo con Thinker es adecuada para matemáticas visuales, análisis de audio y preguntas que necesitan evidencia de varias modalidades; la generación de voz pertenece a otra versión de Omni.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-Omni-30B-A3B-Thinking es el integrante de Qwen3-Omni orientado al razonamiento. Comprende texto, imágenes, audio y video, incluidas combinaciones dentro de la misma conversación, y produce un resultado textual. La edición Thinking exacta contiene el componente Thinker y está equipada para razonar; no incluye el Talker usado para salida hablada en el checkpoint Instruct. Esta diferencia importa al seleccionar un modelo para un informe analítico, en lugar de una conversación por voz.
El fabricante describe Qwen3-Omni como una familia multilingüe de mezcla de expertos con 119 idiomas de texto y 19 idiomas de entrada de voz. El ruso aparece en la lista publicada de entrada de voz. La configuración Thinking exacta incluye 48 capas Transformer de texto, 128 expertos y ocho expertos seleccionados por token. También tiene componentes de procesamiento de audio y visión. Estas son características del checkpoint con nombre propio; su comprensión multimodal no debe reemplazarse por las capacidades de un modelo Qwen3 solo de texto con una etiqueta de tamaño similar.
Los recetarios de uso abarcan reconocimiento y traducción del habla, análisis de música y sonidos ambientales, audio mixto, preguntas de imagen, OCR, localización de objetos, descripciones de video y preguntas audiovisuales. Las matemáticas en imágenes destacan específicamente la edición Thinking. Para una tarea de geometría, proporciona el diagrama completo, etiquetas legibles y la pregunta; después, solicita una solución que distinga los datos visibles de los supuestos. Para una demostración grabada, identifica la acción o discrepancia que se debe investigar y pide observaciones vinculadas con las partes pertinentes del material. El artefacto esperado puede ser una solución escrita, una lista estructurada de observaciones o una explicación de lo que respalda la evidencia.
Prepara la entrada como una conversación multimodal usando el procesador y la plantilla de chat correspondientes. El conjunto de herramientas de procesamiento del fabricante maneja texto, imágenes, audio y video intercalados. Qwen describe respuestas textuales por streaming como parte del diseño de interacción de la familia y demuestra inferencia por lotes de medios mixtos con salida solo de texto. En cada ronda de diálogo, el fabricante recomienda una instrucción de texto explícita junto con los medios. Un video por sí solo deja ambigua la tarea: indica si se deben resumir acciones, comparar dos escenas, explicar un sonido o resolver el problema mostrado. Etiqueta las entradas múltiples y su relación para que el texto final pueda conectar la pregunta correcta con el material correcto.
Para video que contiene habla o sonidos de eventos, decide si su audio forma parte de la tarea. El flujo documentado usa use_audio_in_video de forma coherente durante el preprocesamiento y la generación, y la ficha advierte que cambiar este ajuste entre rondas de diálogo puede causar resultados inesperados. Por lo tanto, una pregunta solo de escena y una pregunta audiovisual necesitan preparaciones distintas. Mantén disponible el clip original, selecciona el intervalo pertinente y evita omitir la pista sonora cuando la conclusión solicitada dependa de lo que se dijo o escuchó.
La configuración textual publicada establece max_position_embeddings en 65,536. Por separado, los ejemplos vLLM de la ficha usan un ajuste de longitud del modelo de 32,768 tokens y uno de generación de 16,384 tokens. Estos muestran un ejemplo configurado de inferencia, en lugar de un único límite universal máximo de salida. Los medios se representan mediante el procesador, así que el tamaño de la solicitud no es solo la cantidad de caracteres escritos. Reserva espacio para el resultado textual y usa un segmento fuente acotado cuando una grabación larga contenga solo un evento breve pertinente para la pregunta.
El fabricante demuestra flujos de Transformers y vLLM, con compatibilidad del procesador y decodificación de medios como dependencias explícitas. La ficha compartida también documenta diferencias de interfaz, incluido el manejo separado de video y audio en un ejemplo de servicio. Selecciona el checkpoint Thinking exacto y su ruta de procesamiento compatible, en lugar de suponer que todos los ejemplos de la ficha de familia tienen el mismo comportamiento de salida. Las voces y los controles Talker de esa página se aplican a Instruct, no a este modelo solo con Thinker.
Para un resultado final útil, solicita una explicación basada en evidencia y una conclusión claramente separada. En un problema visual, conserva unidades, símbolos y etiquetas; en audio, distingue el contenido audible de una fuente inferida; en video, distingue las acciones observadas de una interpretación de intención. Inspecciona el resultado contra el material suministrado e identifica explícitamente los detalles inciertos o ilegibles. La respuesta textual del modelo puede respaldar análisis o un paso posterior de aplicación, mientras que cualquier ejecución de herramientas, confirmación de hechos o transformación de medios sigue siendo una operación separada que necesita su propia entrada y resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-Omni-30B-A3B-Thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.