La edición 235B-A22B Instruct
Qwen3-VL-235B-A22B-Instruct es el integrante de mezcla de expertos de Qwen3-VL enfocado en instrucciones. Acepta texto, imágenes y video y genera texto, incluido código o un artefacto documental solicitado. Conserva la edición Instruct exacta, en lugar de atribuirle el contrato de respuesta de un checkpoint Thinking o la receta de otro tamaño. Una tarea útil da al modelo una pregunta concreta y un resultado que pueda compararse con la evidencia suministrada.
Agentes visuales y programación
El fabricante describe flujos de agentes visuales que reconocen elementos de interfaces, comprenden sus funciones e invocan herramientas para tareas de computadoras o móviles. Proporciona una captura de pantalla y un objetivo; después, solicita el control pertinente y la evidencia que respalda la elección. La aplicación conectada realiza las acciones y proporciona resultados; reconocer una interfaz no controla por sí solo un dispositivo.
La programación visual incluye contenido de diagramas y HTML, CSS o JavaScript producidos a partir de imágenes o video. Proporciona la referencia de disposición, las restricciones funcionales y la salida editable requerida. Para un cambio en una página existente, incluye el código fuente pertinente y los estados de interacción. Solicita el artefacto por separado de la explicación para que un flujo de desarrollo pueda renderizarlo y revisarlo. El código fuente generado sigue siendo una propuesta, no evidencia de una aplicación funcional.
Percepción espacial y material largo
Qwen documenta juicios sobre posiciones, puntos de vista y oclusiones, incluidas la localización bidimensional y la compatibilidad con localización tridimensional. Identifica los objetos y la relación que importan; después, pregunta qué indicios visibles respaldan la conclusión. Una relación basada en imágenes no debe tratarse como una medida física calibrada.
El contexto nativo es de 262,144 tokens. La familia describe libros y videos de varias horas, con indexación de eventos a nivel de segundos y extensión a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y los identificadores de fuentes al solicitar un relato de eventos. La representación y el muestreo determinan qué material entra en la solicitud; un contexto grande no garantiza recuerdo perfecto de cada página o fotograma.
Razonamiento, reconocimiento y OCR
La familia admite preguntas visuales STEM, matemáticas, causales y lógicas. Proporciona el enunciado completo y las etiquetas del diagrama, y pide al modelo identificar los valores o las relaciones usados antes de la conclusión. El texto y la visión se combinan, por lo que una pregunta puede conectar un párrafo con su figura y las instrucciones del usuario.
El reconocimiento se extiende a personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. El OCR abarca 32 idiomas y se enfoca en poca luz, desenfoque e inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona páginas legibles y solicita campos nombrados, citas o una tabla que puedan verificarse contra la imagen. Estas aplicaciones reflejan el alcance documentado, en lugar de garantizar identificación, transcripción o cálculo exactos.
Actualizaciones de arquitectura
La configuración textual publicada de mezcla de expertos tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características visuales de múltiples niveles del codificador, y la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 235B-A22B Instruct al preparar tareas visuales y comparar sus resultados.
Preparación de entradas visuales
Los ejemplos de la familia abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica cómo se relacionan. Los presupuestos de píxeles de imagen y video son independientes, mientras que las dimensiones explícitas de imagen se alinean a múltiplos de 32. El valor predeterminado documentado para video es de dos fotogramas por segundo, con controles de frecuencia o cantidad de fotogramas cuando sean compatibles. Conserva los metadatos de video y evita redimensionar dos veces cuando el auxiliar ya haya redimensionado el material.
Para varias páginas de documentos, organiza la respuesta por etiqueta de página y pide campos o pasajes de respaldo. Para un clip, solicita el evento, el intervalo y la evidencia visible pertinentes. Compara el intervalo de evento devuelto y los detalles de respaldo con el clip original y sus tiempos.
Orientación de generación y límites
El archivo de generación del checkpoint tiene como valores predeterminados temperatura 0.7, top_p 0.8, top_k 20 y penalización por repetición 1.0. La receta Instruct de la familia usa además penalización por presencia 1.5 y una asignación de salida de 32,768 tokens. Esa asignación es un presupuesto de la receta del productor, no un límite estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B y los ajustes predefinidos de la edición Thinking permanecen separados.
La extensión de contexto de la familia usa YaRN y sugiere un factor de dos o tres al pasar su esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para la respuesta junto con el texto y las representaciones visuales, y verifica las citas, los números extraídos y el código generado contra la fuente. El resultado útil es un artefacto textual concreto con su evidencia visual de respaldo y su identidad Instruct exacta preservadas.
", "aboutText": "La edición 235B-A22B Instruct\n\nQwen3-VL-235B-A22B-Instruct es el integrante de mezcla de expertos de Qwen3-VL enfocado en instrucciones. Acepta texto, imágenes y video y genera texto, incluido código o un artefacto documental solicitado. Conserva la edición Instruct exacta, en lugar de atribuirle el contrato de respuesta de un checkpoint Thinking o la receta de otro tamaño. Una tarea útil da al modelo una pregunta concreta y un resultado que pueda compararse con la evidencia suministrada.\n\nAgentes visuales y programación\n\nEl fabricante describe flujos de agentes visuales que reconocen elementos de interfaces, comprenden sus funciones e invocan herramientas para tareas de computadoras o móviles. Proporciona una captura de pantalla y un objetivo; después, solicita el control pertinente y la evidencia que respalda la elección. La aplicación conectada realiza las acciones y proporciona resultados; reconocer una interfaz no controla por sí solo un dispositivo.\n\nLa programación visual incluye contenido de diagramas y HTML, CSS o JavaScript producidos a partir de imágenes o video. Proporciona la referencia de disposición, las restricciones funcionales y la salida editable requerida. Para un cambio en una página existente, incluye el código fuente pertinente y los estados de interacción. Solicita el artefacto por separado de la explicación para que un flujo de desarrollo pueda renderizarlo y revisarlo. El código fuente generado sigue siendo una propuesta, no evidencia de una aplicación funcional.\n\nPercepción espacial y material largo\n\nQwen documenta juicios sobre posiciones, puntos de vista y oclusiones, incluidas la localización bidimensional y la compatibilidad con localización tridimensional. Identifica los objetos y la relación que importan; después, pregunta qué indicios visibles respaldan la conclusión. Una relación basada en imágenes no debe tratarse como una medida física calibrada.\n\nEl contexto nativo es de 262,144 tokens. La familia describe libros y videos de varias horas, con indexación de eventos a nivel de segundos y extensión a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y los identificadores de fuentes al solicitar un relato de eventos. La representación y el muestreo determinan qué material entra en la solicitud; un contexto grande no garantiza recuerdo perfecto de cada página o fotograma.\n\nRazonamiento, reconocimiento y OCR\n\nLa familia admite preguntas visuales STEM, matemáticas, causales y lógicas. Proporciona el enunciado completo y las etiquetas del diagrama, y pide al modelo identificar los valores o las relaciones usados antes de la conclusión. El texto y la visión se combinan, por lo que una pregunta puede conectar un párrafo con su figura y las instrucciones del usuario.\n\nEl reconocimiento se extiende a personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. El OCR abarca 32 idiomas y se enfoca en poca luz, desenfoque e inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona páginas legibles y solicita campos nombrados, citas o una tabla que puedan verificarse contra la imagen. Estas aplicaciones reflejan el alcance documentado, en lugar de garantizar identificación, transcripción o cálculo exactos.\n\nActualizaciones de arquitectura\n\nLa configuración textual publicada de mezcla de expertos tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características visuales de múltiples niveles del codificador, y la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 235B-A22B Instruct al preparar tareas visuales y comparar sus resultados.\n\nPreparación de entradas visuales\n\nLos ejemplos de la familia abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica cómo se relacionan. Los presupuestos de píxeles de imagen y video son independientes, mientras que las dimensiones explícitas de imagen se alinean a múltiplos de 32. El valor predeterminado documentado para video es de dos fotogramas por segundo, con controles de frecuencia o cantidad de fotogramas cuando sean compatibles. Conserva los metadatos de video y evita redimensionar dos veces cuando el auxiliar ya haya redimensionado el material.\n\nPara varias páginas de documentos, organiza la respuesta por etiqueta de página y pide campos o pasajes de respaldo. Para un clip, solicita el evento, el intervalo y la evidencia visible pertinentes. Compara el intervalo de evento devuelto y los detalles de respaldo con el clip original y sus tiempos.\n\nOrientación de generación y límites\n\nEl archivo de generación del checkpoint tiene como valores predeterminados temperatura 0.7, top_p 0.8, top_k 20 y penalización por repetición 1.0. La receta Instruct de la familia usa además penalización por presencia 1.5 y una asignación de salida de 32,768 tokens. Esa asignación es un presupuesto de la receta del productor, no un límite estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B y los ajustes predefinidos de la edición Thinking permanecen separados.\n\nLa extensión de contexto de la familia usa YaRN y sugiere un factor de dos o tres al pasar su esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para la respuesta junto con el texto y las representaciones visuales, y verifica las citas, los números extraídos y el código generado contra la fuente. El resultado útil es un artefacto textual concreto con su evidencia visual de respaldo y su identidad Instruct exacta preservadas.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct es la edición de visión y lenguaje de Qwen basada en mezcla de expertos y centrada en instrucciones, para texto, imágenes y video. Devuelve texto o código para flujos visuales, documentos, preguntas espaciales y tareas STEM, con OCR en 32 idiomas y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
La edición 235B-A22B Instruct
Qwen3-VL-235B-A22B-Instruct es el integrante de mezcla de expertos de Qwen3-VL enfocado en instrucciones. Acepta texto, imágenes y video y genera texto, incluido código o un artefacto documental solicitado. Conserva la edición Instruct exacta, en lugar de atribuirle el contrato de respuesta de un checkpoint Thinking o la receta de otro tamaño. Una tarea útil da al modelo una pregunta concreta y un resultado que pueda compararse con la evidencia suministrada.
Agentes visuales y programación
El fabricante describe flujos de agentes visuales que reconocen elementos de interfaces, comprenden sus funciones e invocan herramientas para tareas de computadoras o móviles. Proporciona una captura de pantalla y un objetivo; después, solicita el control pertinente y la evidencia que respalda la elección. La aplicación conectada realiza las acciones y proporciona resultados; reconocer una interfaz no controla por sí solo un dispositivo.
La programación visual incluye contenido de diagramas y HTML, CSS o JavaScript producidos a partir de imágenes o video. Proporciona la referencia de disposición, las restricciones funcionales y la salida editable requerida. Para un cambio en una página existente, incluye el código fuente pertinente y los estados de interacción. Solicita el artefacto por separado de la explicación para que un flujo de desarrollo pueda renderizarlo y revisarlo. El código fuente generado sigue siendo una propuesta, no evidencia de una aplicación funcional.
Percepción espacial y material largo
Qwen documenta juicios sobre posiciones, puntos de vista y oclusiones, incluidas la localización bidimensional y la compatibilidad con localización tridimensional. Identifica los objetos y la relación que importan; después, pregunta qué indicios visibles respaldan la conclusión. Una relación basada en imágenes no debe tratarse como una medida física calibrada.
El contexto nativo es de 262,144 tokens. La familia describe libros y videos de varias horas, con indexación de eventos a nivel de segundos y extensión a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y los identificadores de fuentes al solicitar un relato de eventos. La representación y el muestreo determinan qué material entra en la solicitud; un contexto grande no garantiza recuerdo perfecto de cada página o fotograma.
Razonamiento, reconocimiento y OCR
La familia admite preguntas visuales STEM, matemáticas, causales y lógicas. Proporciona el enunciado completo y las etiquetas del diagrama, y pide al modelo identificar los valores o las relaciones usados antes de la conclusión. El texto y la visión se combinan, por lo que una pregunta puede conectar un párrafo con su figura y las instrucciones del usuario.
El reconocimiento se extiende a personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. El OCR abarca 32 idiomas y se enfoca en poca luz, desenfoque e inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona páginas legibles y solicita campos nombrados, citas o una tabla que puedan verificarse contra la imagen. Estas aplicaciones reflejan el alcance documentado, en lugar de garantizar identificación, transcripción o cálculo exactos.
Actualizaciones de arquitectura
La configuración textual publicada de mezcla de expertos tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características visuales de múltiples niveles del codificador, y la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 235B-A22B Instruct al preparar tareas visuales y comparar sus resultados.
Preparación de entradas visuales
Los ejemplos de la familia abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica cómo se relacionan. Los presupuestos de píxeles de imagen y video son independientes, mientras que las dimensiones explícitas de imagen se alinean a múltiplos de 32. El valor predeterminado documentado para video es de dos fotogramas por segundo, con controles de frecuencia o cantidad de fotogramas cuando sean compatibles. Conserva los metadatos de video y evita redimensionar dos veces cuando el auxiliar ya haya redimensionado el material.
Para varias páginas de documentos, organiza la respuesta por etiqueta de página y pide campos o pasajes de respaldo. Para un clip, solicita el evento, el intervalo y la evidencia visible pertinentes. Compara el intervalo de evento devuelto y los detalles de respaldo con el clip original y sus tiempos.
Orientación de generación y límites
El archivo de generación del checkpoint tiene como valores predeterminados temperatura 0.7, top_p 0.8, top_k 20 y penalización por repetición 1.0. La receta Instruct de la familia usa además penalización por presencia 1.5 y una asignación de salida de 32,768 tokens. Esa asignación es un presupuesto de la receta del productor, no un límite estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B y los ajustes predefinidos de la edición Thinking permanecen separados.
La extensión de contexto de la familia usa YaRN y sugiere un factor de dos o tres al pasar su esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para la respuesta junto con el texto y las representaciones visuales, y verifica las citas, los números extraídos y el código generado contra la fuente. El resultado útil es un artefacto textual concreto con su evidencia visual de respaldo y su identidad Instruct exacta preservadas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-235b-a22b-instruct | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.0038 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.0038 / 1K tokens Entrada · Lectura de caché $0.0002 / 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-vl-235b-a22b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-235b-a22b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-235b-a22b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-vl-235b-a22b-instruct
Usa las rutas de método indicadas arriba.
qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct es la edición de visión y lenguaje de Qwen basada en mezcla de expertos y centrada en instrucciones, para texto, imágenes y video. Devuelve texto o código para flujos visuales, documentos, preguntas espaciales y tareas STEM, con OCR en 32 idiomas y un contexto nativo de 262,144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
La edición 235B-A22B Instruct
Qwen3-VL-235B-A22B-Instruct es el integrante de mezcla de expertos de Qwen3-VL enfocado en instrucciones. Acepta texto, imágenes y video y genera texto, incluido código o un artefacto documental solicitado. Conserva la edición Instruct exacta, en lugar de atribuirle el contrato de respuesta de un checkpoint Thinking o la receta de otro tamaño. Una tarea útil da al modelo una pregunta concreta y un resultado que pueda compararse con la evidencia suministrada.
Agentes visuales y programación
El fabricante describe flujos de agentes visuales que reconocen elementos de interfaces, comprenden sus funciones e invocan herramientas para tareas de computadoras o móviles. Proporciona una captura de pantalla y un objetivo; después, solicita el control pertinente y la evidencia que respalda la elección. La aplicación conectada realiza las acciones y proporciona resultados; reconocer una interfaz no controla por sí solo un dispositivo.
La programación visual incluye contenido de diagramas y HTML, CSS o JavaScript producidos a partir de imágenes o video. Proporciona la referencia de disposición, las restricciones funcionales y la salida editable requerida. Para un cambio en una página existente, incluye el código fuente pertinente y los estados de interacción. Solicita el artefacto por separado de la explicación para que un flujo de desarrollo pueda renderizarlo y revisarlo. El código fuente generado sigue siendo una propuesta, no evidencia de una aplicación funcional.
Percepción espacial y material largo
Qwen documenta juicios sobre posiciones, puntos de vista y oclusiones, incluidas la localización bidimensional y la compatibilidad con localización tridimensional. Identifica los objetos y la relación que importan; después, pregunta qué indicios visibles respaldan la conclusión. Una relación basada en imágenes no debe tratarse como una medida física calibrada.
El contexto nativo es de 262,144 tokens. La familia describe libros y videos de varias horas, con indexación de eventos a nivel de segundos y extensión a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y los identificadores de fuentes al solicitar un relato de eventos. La representación y el muestreo determinan qué material entra en la solicitud; un contexto grande no garantiza recuerdo perfecto de cada página o fotograma.
Razonamiento, reconocimiento y OCR
La familia admite preguntas visuales STEM, matemáticas, causales y lógicas. Proporciona el enunciado completo y las etiquetas del diagrama, y pide al modelo identificar los valores o las relaciones usados antes de la conclusión. El texto y la visión se combinan, por lo que una pregunta puede conectar un párrafo con su figura y las instrucciones del usuario.
El reconocimiento se extiende a personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. El OCR abarca 32 idiomas y se enfoca en poca luz, desenfoque e inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona páginas legibles y solicita campos nombrados, citas o una tabla que puedan verificarse contra la imagen. Estas aplicaciones reflejan el alcance documentado, en lugar de garantizar identificación, transcripción o cálculo exactos.
Actualizaciones de arquitectura
La configuración textual publicada de mezcla de expertos tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características visuales de múltiples niveles del codificador, y la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 235B-A22B Instruct al preparar tareas visuales y comparar sus resultados.
Preparación de entradas visuales
Los ejemplos de la familia abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica cómo se relacionan. Los presupuestos de píxeles de imagen y video son independientes, mientras que las dimensiones explícitas de imagen se alinean a múltiplos de 32. El valor predeterminado documentado para video es de dos fotogramas por segundo, con controles de frecuencia o cantidad de fotogramas cuando sean compatibles. Conserva los metadatos de video y evita redimensionar dos veces cuando el auxiliar ya haya redimensionado el material.
Para varias páginas de documentos, organiza la respuesta por etiqueta de página y pide campos o pasajes de respaldo. Para un clip, solicita el evento, el intervalo y la evidencia visible pertinentes. Compara el intervalo de evento devuelto y los detalles de respaldo con el clip original y sus tiempos.
Orientación de generación y límites
El archivo de generación del checkpoint tiene como valores predeterminados temperatura 0.7, top_p 0.8, top_k 20 y penalización por repetición 1.0. La receta Instruct de la familia usa además penalización por presencia 1.5 y una asignación de salida de 32,768 tokens. Esa asignación es un presupuesto de la receta del productor, no un límite estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B y los ajustes predefinidos de la edición Thinking permanecen separados.
La extensión de contexto de la familia usa YaRN y sugiere un factor de dos o tres al pasar su esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para la respuesta junto con el texto y las representaciones visuales, y verifica las citas, los números extraídos y el código generado contra la fuente. El resultado útil es un artefacto textual concreto con su evidencia visual de respaldo y su identidad Instruct exacta preservadas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-235b-a22b-instruct | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.0038 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.0038 / 1K tokens Entrada · Lectura de caché $0.0002 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-vl-235b-a22b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-vl-235b-a22b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.