Introducción: la edición multimodal Thinking
Qwen3-VL-235B-A22B-Thinking es la edición de Qwen3-VL con mezcla de expertos y enfoque en razonamiento. Combina texto con imágenes y video y produce respuestas textuales o código. El checkpoint fijo Thinking es independiente de Qwen3-VL-235B-A22B-Instruct y de las compilaciones FP8 con nombres separados. Elígelo para una pregunta que requiera conectar evidencia visual con una explicación más larga, en lugar de suponer que todas las ediciones Qwen3-VL tienen el mismo estilo de respuesta.
Agentes visuales y programación visual
Qwen describe un flujo de agente visual que reconoce elementos de interfaces de computadora o móvil, interpreta sus funciones y trabaja con herramientas para completar tareas. El modelo aporta percepción y razonamiento; una aplicación debe conectar y ejecutar las acciones. Para revisar una interfaz, proporciona la captura de pantalla actual y un objetivo específico, y después pide que identifique los controles pertinentes y explique la siguiente acción. La imagen por sí sola no confiere control del dispositivo.
La programación visual incluye generar contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes y videos. Proporciona una captura de pantalla con la disposición, el comportamiento y el formato de salida editable requeridos. Pide la estructura de la página y los estilos como entregables separados cuando eso facilite la revisión. El código generado es texto para un flujo de desarrollo; no es evidencia de que se haya renderizado un sitio web o de que la imagen fuente se haya convertido en una aplicación funcional.
Percepción espacial
El fabricante documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Haz una pregunta concreta sobre una relación e identifica el objeto de interés: por ejemplo, qué componente está oculto, qué hay delante de él y qué pistas visuales respaldan esa interpretación. La capacidad de localización no debe tratarse como una medición física calibrada a partir de una imagen arbitraria.
Contexto largo y video
El contexto nativo es de 262,144 tokens. Qwen describe su ampliación a aproximadamente un millón mediante configuración YaRN, y flujos de la familia con libros o videos de varias horas con indexación de eventos a nivel de segundos. Estas capacidades dependen de la representación, el muestreo de fotogramas y la configuración del contexto; la descripción amplia del fabricante no garantiza recordar perfectamente cada fotograma. En su repositorio, Qwen aconseja un factor de extrapolación de dos o tres para este esquema posicional intercalado al ampliar de 256K a alrededor de 1M, en lugar de copiar automáticamente un factor de cuatro de otro modelo.
Razonamiento y reconocimiento multimodal
La edición Thinking se orienta al razonamiento STEM y matemático basado en evidencia, el análisis causal y las respuestas lógicas que conectan texto con material visual. Proporciona juntos un diagrama y sus definiciones, o una gráfica y la pregunta numérica precisa. Pide las etiquetas y los valores utilizados antes de la conclusión. Qwen también describe un reconocimiento visual más amplio de personas, anime, productos, lugares emblemáticos, plantas y animales. Una respuesta de reconocimiento sigue siendo una inferencia a partir de la imagen proporcionada, no una garantía de que pueda nombrarse cada objeto o identidad.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluido vocabulario especializado y estructura de documentos largos. Conserva imágenes fuente legibles y pide campos, citas o una tabla estructurada que pueda comprobarse. La comprensión textual y visual se combinan en un solo modelo, así que una pregunta puede referirse conjuntamente a un pasaje documental, una figura y las instrucciones del usuario.
Cambios de arquitectura
Interleaved-MRoPE distribuye la representación posicional entre tiempo, anchura y altura para el razonamiento de video. DeepStack combina características visuales de varios niveles del codificador para captar detalles más finos y mejorar la alineación entre imagen y texto. La alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. La configuración de texto publicada tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Estos detalles de arquitectura explican la representación multimodal del modelo; no establecen una garantía de tiempo de respuesta.
Preparación de la entrada y salida visual
Los ejemplos del fabricante abarcan imágenes individuales o múltiples, video y solicitudes de solo texto. Etiqueta cada entrada visual para que la pregunta pueda referirse a ella claramente. Los procesadores de imágenes y video utilizan presupuestos de píxeles separados: un presupuesto de imagen limita sus píxeles, mientras que un presupuesto de video contabiliza los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se alinean a múltiplos de 32. El muestreo de video puede controlarse por tasa o cantidad de fotogramas; el valor predeterminado documentado es de dos fotogramas por segundo. Conserva las marcas de tiempo cuando pidas una cronología de eventos.
Para un clip largo, pide el evento, su intervalo temporal y la evidencia visible, en lugar de un resumen indiferenciado. Para varias páginas, pide un resultado organizado por identificador de página. Estos ejemplos de preparación aplican las capacidades documentadas y ayudan a hacer visibles las omisiones o los errores de extracción.
Guía de generación y límites
El archivo de generación del checkpoint utiliza de forma predeterminada temperatura 0.8, top_p 0.95 y top_k 20. La receta separada de evaluación Thinking de Qwen utiliza temperatura 0.6, penalización de presencia cero, penalización de repetición 1.0 y una asignación de salida de 40,960 tokens. Son preajustes distintos del productor, no un único límite estricto de salida. Deja espacio para el razonamiento y el texto final junto con los tokens visuales, y verifica el texto extraído, las respuestas calculadas y el código generado frente a la fuente antes de utilizarlos.
", "aboutText": "Introducción: la edición multimodal Thinking\n\nQwen3-VL-235B-A22B-Thinking es la edición de Qwen3-VL con mezcla de expertos y enfoque en razonamiento. Combina texto con imágenes y video y produce respuestas textuales o código. El checkpoint fijo Thinking es independiente de Qwen3-VL-235B-A22B-Instruct y de las compilaciones FP8 con nombres separados. Elígelo para una pregunta que requiera conectar evidencia visual con una explicación más larga, en lugar de suponer que todas las ediciones Qwen3-VL tienen el mismo estilo de respuesta.\n\nAgentes visuales y programación visual\n\nQwen describe un flujo de agente visual que reconoce elementos de interfaces de computadora o móvil, interpreta sus funciones y trabaja con herramientas para completar tareas. El modelo aporta percepción y razonamiento; una aplicación debe conectar y ejecutar las acciones. Para revisar una interfaz, proporciona la captura de pantalla actual y un objetivo específico, y después pide que identifique los controles pertinentes y explique la siguiente acción. La imagen por sí sola no confiere control del dispositivo.\n\nLa programación visual incluye generar contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes y videos. Proporciona una captura de pantalla con la disposición, el comportamiento y el formato de salida editable requeridos. Pide la estructura de la página y los estilos como entregables separados cuando eso facilite la revisión. El código generado es texto para un flujo de desarrollo; no es evidencia de que se haya renderizado un sitio web o de que la imagen fuente se haya convertido en una aplicación funcional.\n\nPercepción espacial\n\nEl fabricante documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Haz una pregunta concreta sobre una relación e identifica el objeto de interés: por ejemplo, qué componente está oculto, qué hay delante de él y qué pistas visuales respaldan esa interpretación. La capacidad de localización no debe tratarse como una medición física calibrada a partir de una imagen arbitraria.\n\nContexto largo y video\n\nEl contexto nativo es de 262,144 tokens. Qwen describe su ampliación a aproximadamente un millón mediante configuración YaRN, y flujos de la familia con libros o videos de varias horas con indexación de eventos a nivel de segundos. Estas capacidades dependen de la representación, el muestreo de fotogramas y la configuración del contexto; la descripción amplia del fabricante no garantiza recordar perfectamente cada fotograma. En su repositorio, Qwen aconseja un factor de extrapolación de dos o tres para este esquema posicional intercalado al ampliar de 256K a alrededor de 1M, en lugar de copiar automáticamente un factor de cuatro de otro modelo.\n\nRazonamiento y reconocimiento multimodal\n\nLa edición Thinking se orienta al razonamiento STEM y matemático basado en evidencia, el análisis causal y las respuestas lógicas que conectan texto con material visual. Proporciona juntos un diagrama y sus definiciones, o una gráfica y la pregunta numérica precisa. Pide las etiquetas y los valores utilizados antes de la conclusión. Qwen también describe un reconocimiento visual más amplio de personas, anime, productos, lugares emblemáticos, plantas y animales. Una respuesta de reconocimiento sigue siendo una inferencia a partir de la imagen proporcionada, no una garantía de que pueda nombrarse cada objeto o identidad.\n\nEl OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluido vocabulario especializado y estructura de documentos largos. Conserva imágenes fuente legibles y pide campos, citas o una tabla estructurada que pueda comprobarse. La comprensión textual y visual se combinan en un solo modelo, así que una pregunta puede referirse conjuntamente a un pasaje documental, una figura y las instrucciones del usuario.\n\nCambios de arquitectura\n\nInterleaved-MRoPE distribuye la representación posicional entre tiempo, anchura y altura para el razonamiento de video. DeepStack combina características visuales de varios niveles del codificador para captar detalles más finos y mejorar la alineación entre imagen y texto. La alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. La configuración de texto publicada tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Estos detalles de arquitectura explican la representación multimodal del modelo; no establecen una garantía de tiempo de respuesta.\n\nPreparación de la entrada y salida visual\n\nLos ejemplos del fabricante abarcan imágenes individuales o múltiples, video y solicitudes de solo texto. Etiqueta cada entrada visual para que la pregunta pueda referirse a ella claramente. Los procesadores de imágenes y video utilizan presupuestos de píxeles separados: un presupuesto de imagen limita sus píxeles, mientras que un presupuesto de video contabiliza los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se alinean a múltiplos de 32. El muestreo de video puede controlarse por tasa o cantidad de fotogramas; el valor predeterminado documentado es de dos fotogramas por segundo. Conserva las marcas de tiempo cuando pidas una cronología de eventos.\n\nPara un clip largo, pide el evento, su intervalo temporal y la evidencia visible, en lugar de un resumen indiferenciado. Para varias páginas, pide un resultado organizado por identificador de página. Estos ejemplos de preparación aplican las capacidades documentadas y ayudan a hacer visibles las omisiones o los errores de extracción.\n\nGuía de generación y límites\n\nEl archivo de generación del checkpoint utiliza de forma predeterminada temperatura 0.8, top_p 0.95 y top_k 20. La receta separada de evaluación Thinking de Qwen utiliza temperatura 0.6, penalización de presencia cero, penalización de repetición 1.0 y una asignación de salida de 40,960 tokens. Son preajustes distintos del productor, no un único límite estricto de salida. Deja espacio para el razonamiento y el texto final junto con los tokens visuales, y verifica el texto extraído, las respuestas calculadas y el código generado frente a la fuente antes de utilizarlos.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking es el modelo de visión y lenguaje de Qwen con mezcla de expertos para razonamiento sobre texto, imágenes y video. Utiliza la edición Thinking para preguntas STEM, evidencia documental, relaciones espaciales, programación visual y análisis de video con marcas de tiempo, con 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.
Introducción: la edición multimodal Thinking
Qwen3-VL-235B-A22B-Thinking es la edición de Qwen3-VL con mezcla de expertos y enfoque en razonamiento. Combina texto con imágenes y video y produce respuestas textuales o código. El checkpoint fijo Thinking es independiente de Qwen3-VL-235B-A22B-Instruct y de las compilaciones FP8 con nombres separados. Elígelo para una pregunta que requiera conectar evidencia visual con una explicación más larga, en lugar de suponer que todas las ediciones Qwen3-VL tienen el mismo estilo de respuesta.
Agentes visuales y programación visual
Qwen describe un flujo de agente visual que reconoce elementos de interfaces de computadora o móvil, interpreta sus funciones y trabaja con herramientas para completar tareas. El modelo aporta percepción y razonamiento; una aplicación debe conectar y ejecutar las acciones. Para revisar una interfaz, proporciona la captura de pantalla actual y un objetivo específico, y después pide que identifique los controles pertinentes y explique la siguiente acción. La imagen por sí sola no confiere control del dispositivo.
La programación visual incluye generar contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes y videos. Proporciona una captura de pantalla con la disposición, el comportamiento y el formato de salida editable requeridos. Pide la estructura de la página y los estilos como entregables separados cuando eso facilite la revisión. El código generado es texto para un flujo de desarrollo; no es evidencia de que se haya renderizado un sitio web o de que la imagen fuente se haya convertido en una aplicación funcional.
Percepción espacial
El fabricante documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Haz una pregunta concreta sobre una relación e identifica el objeto de interés: por ejemplo, qué componente está oculto, qué hay delante de él y qué pistas visuales respaldan esa interpretación. La capacidad de localización no debe tratarse como una medición física calibrada a partir de una imagen arbitraria.
Contexto largo y video
El contexto nativo es de 262,144 tokens. Qwen describe su ampliación a aproximadamente un millón mediante configuración YaRN, y flujos de la familia con libros o videos de varias horas con indexación de eventos a nivel de segundos. Estas capacidades dependen de la representación, el muestreo de fotogramas y la configuración del contexto; la descripción amplia del fabricante no garantiza recordar perfectamente cada fotograma. En su repositorio, Qwen aconseja un factor de extrapolación de dos o tres para este esquema posicional intercalado al ampliar de 256K a alrededor de 1M, en lugar de copiar automáticamente un factor de cuatro de otro modelo.
Razonamiento y reconocimiento multimodal
La edición Thinking se orienta al razonamiento STEM y matemático basado en evidencia, el análisis causal y las respuestas lógicas que conectan texto con material visual. Proporciona juntos un diagrama y sus definiciones, o una gráfica y la pregunta numérica precisa. Pide las etiquetas y los valores utilizados antes de la conclusión. Qwen también describe un reconocimiento visual más amplio de personas, anime, productos, lugares emblemáticos, plantas y animales. Una respuesta de reconocimiento sigue siendo una inferencia a partir de la imagen proporcionada, no una garantía de que pueda nombrarse cada objeto o identidad.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluido vocabulario especializado y estructura de documentos largos. Conserva imágenes fuente legibles y pide campos, citas o una tabla estructurada que pueda comprobarse. La comprensión textual y visual se combinan en un solo modelo, así que una pregunta puede referirse conjuntamente a un pasaje documental, una figura y las instrucciones del usuario.
Cambios de arquitectura
Interleaved-MRoPE distribuye la representación posicional entre tiempo, anchura y altura para el razonamiento de video. DeepStack combina características visuales de varios niveles del codificador para captar detalles más finos y mejorar la alineación entre imagen y texto. La alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. La configuración de texto publicada tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Estos detalles de arquitectura explican la representación multimodal del modelo; no establecen una garantía de tiempo de respuesta.
Preparación de la entrada y salida visual
Los ejemplos del fabricante abarcan imágenes individuales o múltiples, video y solicitudes de solo texto. Etiqueta cada entrada visual para que la pregunta pueda referirse a ella claramente. Los procesadores de imágenes y video utilizan presupuestos de píxeles separados: un presupuesto de imagen limita sus píxeles, mientras que un presupuesto de video contabiliza los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se alinean a múltiplos de 32. El muestreo de video puede controlarse por tasa o cantidad de fotogramas; el valor predeterminado documentado es de dos fotogramas por segundo. Conserva las marcas de tiempo cuando pidas una cronología de eventos.
Para un clip largo, pide el evento, su intervalo temporal y la evidencia visible, en lugar de un resumen indiferenciado. Para varias páginas, pide un resultado organizado por identificador de página. Estos ejemplos de preparación aplican las capacidades documentadas y ayudan a hacer visibles las omisiones o los errores de extracción.
Guía de generación y límites
El archivo de generación del checkpoint utiliza de forma predeterminada temperatura 0.8, top_p 0.95 y top_k 20. La receta separada de evaluación Thinking de Qwen utiliza temperatura 0.6, penalización de presencia cero, penalización de repetición 1.0 y una asignación de salida de 40,960 tokens. Son preajustes distintos del productor, no un único límite estricto de salida. Deja espacio para el razonamiento y el texto final junto con los tokens visuales, y verifica el texto extraído, las respuestas calculadas y el código generado frente a la fuente antes de utilizarlos.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-235b-a22b-thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00572 / 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-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking es el modelo de visión y lenguaje de Qwen con mezcla de expertos para razonamiento sobre texto, imágenes y video. Utiliza la edición Thinking para preguntas STEM, evidencia documental, relaciones espaciales, programación visual y análisis de video con marcas de tiempo, con 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.
Introducción: la edición multimodal Thinking
Qwen3-VL-235B-A22B-Thinking es la edición de Qwen3-VL con mezcla de expertos y enfoque en razonamiento. Combina texto con imágenes y video y produce respuestas textuales o código. El checkpoint fijo Thinking es independiente de Qwen3-VL-235B-A22B-Instruct y de las compilaciones FP8 con nombres separados. Elígelo para una pregunta que requiera conectar evidencia visual con una explicación más larga, en lugar de suponer que todas las ediciones Qwen3-VL tienen el mismo estilo de respuesta.
Agentes visuales y programación visual
Qwen describe un flujo de agente visual que reconoce elementos de interfaces de computadora o móvil, interpreta sus funciones y trabaja con herramientas para completar tareas. El modelo aporta percepción y razonamiento; una aplicación debe conectar y ejecutar las acciones. Para revisar una interfaz, proporciona la captura de pantalla actual y un objetivo específico, y después pide que identifique los controles pertinentes y explique la siguiente acción. La imagen por sí sola no confiere control del dispositivo.
La programación visual incluye generar contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes y videos. Proporciona una captura de pantalla con la disposición, el comportamiento y el formato de salida editable requeridos. Pide la estructura de la página y los estilos como entregables separados cuando eso facilite la revisión. El código generado es texto para un flujo de desarrollo; no es evidencia de que se haya renderizado un sitio web o de que la imagen fuente se haya convertido en una aplicación funcional.
Percepción espacial
El fabricante documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Haz una pregunta concreta sobre una relación e identifica el objeto de interés: por ejemplo, qué componente está oculto, qué hay delante de él y qué pistas visuales respaldan esa interpretación. La capacidad de localización no debe tratarse como una medición física calibrada a partir de una imagen arbitraria.
Contexto largo y video
El contexto nativo es de 262,144 tokens. Qwen describe su ampliación a aproximadamente un millón mediante configuración YaRN, y flujos de la familia con libros o videos de varias horas con indexación de eventos a nivel de segundos. Estas capacidades dependen de la representación, el muestreo de fotogramas y la configuración del contexto; la descripción amplia del fabricante no garantiza recordar perfectamente cada fotograma. En su repositorio, Qwen aconseja un factor de extrapolación de dos o tres para este esquema posicional intercalado al ampliar de 256K a alrededor de 1M, en lugar de copiar automáticamente un factor de cuatro de otro modelo.
Razonamiento y reconocimiento multimodal
La edición Thinking se orienta al razonamiento STEM y matemático basado en evidencia, el análisis causal y las respuestas lógicas que conectan texto con material visual. Proporciona juntos un diagrama y sus definiciones, o una gráfica y la pregunta numérica precisa. Pide las etiquetas y los valores utilizados antes de la conclusión. Qwen también describe un reconocimiento visual más amplio de personas, anime, productos, lugares emblemáticos, plantas y animales. Una respuesta de reconocimiento sigue siendo una inferencia a partir de la imagen proporcionada, no una garantía de que pueda nombrarse cada objeto o identidad.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluido vocabulario especializado y estructura de documentos largos. Conserva imágenes fuente legibles y pide campos, citas o una tabla estructurada que pueda comprobarse. La comprensión textual y visual se combinan en un solo modelo, así que una pregunta puede referirse conjuntamente a un pasaje documental, una figura y las instrucciones del usuario.
Cambios de arquitectura
Interleaved-MRoPE distribuye la representación posicional entre tiempo, anchura y altura para el razonamiento de video. DeepStack combina características visuales de varios niveles del codificador para captar detalles más finos y mejorar la alineación entre imagen y texto. La alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. La configuración de texto publicada tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Estos detalles de arquitectura explican la representación multimodal del modelo; no establecen una garantía de tiempo de respuesta.
Preparación de la entrada y salida visual
Los ejemplos del fabricante abarcan imágenes individuales o múltiples, video y solicitudes de solo texto. Etiqueta cada entrada visual para que la pregunta pueda referirse a ella claramente. Los procesadores de imágenes y video utilizan presupuestos de píxeles separados: un presupuesto de imagen limita sus píxeles, mientras que un presupuesto de video contabiliza los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se alinean a múltiplos de 32. El muestreo de video puede controlarse por tasa o cantidad de fotogramas; el valor predeterminado documentado es de dos fotogramas por segundo. Conserva las marcas de tiempo cuando pidas una cronología de eventos.
Para un clip largo, pide el evento, su intervalo temporal y la evidencia visible, en lugar de un resumen indiferenciado. Para varias páginas, pide un resultado organizado por identificador de página. Estos ejemplos de preparación aplican las capacidades documentadas y ayudan a hacer visibles las omisiones o los errores de extracción.
Guía de generación y límites
El archivo de generación del checkpoint utiliza de forma predeterminada temperatura 0.8, top_p 0.95 y top_k 20. La receta separada de evaluación Thinking de Qwen utiliza temperatura 0.6, penalización de presencia cero, penalización de repetición 1.0 y una asignación de salida de 40,960 tokens. Son preajustes distintos del productor, no un único límite estricto de salida. Deja espacio para el razonamiento y el texto final junto con los tokens visuales, y verifica el texto extraído, las respuestas calculadas y el código generado frente a la fuente antes de utilizarlos.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-235b-a22b-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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00572 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking es el modelo de visión y lenguaje de Qwen con mezcla de expertos para razonamiento sobre texto, imágenes y video. Utiliza la edición Thinking para preguntas STEM, evidencia documental, relaciones espaciales, programación visual y análisis de video con marcas de tiempo, con 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.
Introducción: la edición multimodal Thinking
Qwen3-VL-235B-A22B-Thinking es la edición de Qwen3-VL con mezcla de expertos y enfoque en razonamiento. Combina texto con imágenes y video y produce respuestas textuales o código. El checkpoint fijo Thinking es independiente de Qwen3-VL-235B-A22B-Instruct y de las compilaciones FP8 con nombres separados. Elígelo para una pregunta que requiera conectar evidencia visual con una explicación más larga, en lugar de suponer que todas las ediciones Qwen3-VL tienen el mismo estilo de respuesta.
Agentes visuales y programación visual
Qwen describe un flujo de agente visual que reconoce elementos de interfaces de computadora o móvil, interpreta sus funciones y trabaja con herramientas para completar tareas. El modelo aporta percepción y razonamiento; una aplicación debe conectar y ejecutar las acciones. Para revisar una interfaz, proporciona la captura de pantalla actual y un objetivo específico, y después pide que identifique los controles pertinentes y explique la siguiente acción. La imagen por sí sola no confiere control del dispositivo.
La programación visual incluye generar contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes y videos. Proporciona una captura de pantalla con la disposición, el comportamiento y el formato de salida editable requeridos. Pide la estructura de la página y los estilos como entregables separados cuando eso facilite la revisión. El código generado es texto para un flujo de desarrollo; no es evidencia de que se haya renderizado un sitio web o de que la imagen fuente se haya convertido en una aplicación funcional.
Percepción espacial
El fabricante documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Haz una pregunta concreta sobre una relación e identifica el objeto de interés: por ejemplo, qué componente está oculto, qué hay delante de él y qué pistas visuales respaldan esa interpretación. La capacidad de localización no debe tratarse como una medición física calibrada a partir de una imagen arbitraria.
Contexto largo y video
El contexto nativo es de 262,144 tokens. Qwen describe su ampliación a aproximadamente un millón mediante configuración YaRN, y flujos de la familia con libros o videos de varias horas con indexación de eventos a nivel de segundos. Estas capacidades dependen de la representación, el muestreo de fotogramas y la configuración del contexto; la descripción amplia del fabricante no garantiza recordar perfectamente cada fotograma. En su repositorio, Qwen aconseja un factor de extrapolación de dos o tres para este esquema posicional intercalado al ampliar de 256K a alrededor de 1M, en lugar de copiar automáticamente un factor de cuatro de otro modelo.
Razonamiento y reconocimiento multimodal
La edición Thinking se orienta al razonamiento STEM y matemático basado en evidencia, el análisis causal y las respuestas lógicas que conectan texto con material visual. Proporciona juntos un diagrama y sus definiciones, o una gráfica y la pregunta numérica precisa. Pide las etiquetas y los valores utilizados antes de la conclusión. Qwen también describe un reconocimiento visual más amplio de personas, anime, productos, lugares emblemáticos, plantas y animales. Una respuesta de reconocimiento sigue siendo una inferencia a partir de la imagen proporcionada, no una garantía de que pueda nombrarse cada objeto o identidad.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluido vocabulario especializado y estructura de documentos largos. Conserva imágenes fuente legibles y pide campos, citas o una tabla estructurada que pueda comprobarse. La comprensión textual y visual se combinan en un solo modelo, así que una pregunta puede referirse conjuntamente a un pasaje documental, una figura y las instrucciones del usuario.
Cambios de arquitectura
Interleaved-MRoPE distribuye la representación posicional entre tiempo, anchura y altura para el razonamiento de video. DeepStack combina características visuales de varios niveles del codificador para captar detalles más finos y mejorar la alineación entre imagen y texto. La alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. La configuración de texto publicada tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Estos detalles de arquitectura explican la representación multimodal del modelo; no establecen una garantía de tiempo de respuesta.
Preparación de la entrada y salida visual
Los ejemplos del fabricante abarcan imágenes individuales o múltiples, video y solicitudes de solo texto. Etiqueta cada entrada visual para que la pregunta pueda referirse a ella claramente. Los procesadores de imágenes y video utilizan presupuestos de píxeles separados: un presupuesto de imagen limita sus píxeles, mientras que un presupuesto de video contabiliza los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se alinean a múltiplos de 32. El muestreo de video puede controlarse por tasa o cantidad de fotogramas; el valor predeterminado documentado es de dos fotogramas por segundo. Conserva las marcas de tiempo cuando pidas una cronología de eventos.
Para un clip largo, pide el evento, su intervalo temporal y la evidencia visible, en lugar de un resumen indiferenciado. Para varias páginas, pide un resultado organizado por identificador de página. Estos ejemplos de preparación aplican las capacidades documentadas y ayudan a hacer visibles las omisiones o los errores de extracción.
Guía de generación y límites
El archivo de generación del checkpoint utiliza de forma predeterminada temperatura 0.8, top_p 0.95 y top_k 20. La receta separada de evaluación Thinking de Qwen utiliza temperatura 0.6, penalización de presencia cero, penalización de repetición 1.0 y una asignación de salida de 40,960 tokens. Son preajustes distintos del productor, no un único límite estricto de salida. Deja espacio para el razonamiento y el texto final junto con los tokens visuales, y verifica el texto extraído, las respuestas calculadas y el código generado frente a la fuente antes de utilizarlos.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-vl-235b-a22b-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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00572 / 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": "qwen3-vl-235b-a22b-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='qwen3-vl-235b-a22b-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='qwen3-vl-235b-a22b-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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking es el modelo de visión y lenguaje de Qwen con mezcla de expertos para razonamiento sobre texto, imágenes y video. Utiliza la edición Thinking para preguntas STEM, evidencia documental, relaciones espaciales, programación visual y análisis de video con marcas de tiempo, con 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.
Introducción: la edición multimodal Thinking
Qwen3-VL-235B-A22B-Thinking es la edición de Qwen3-VL con mezcla de expertos y enfoque en razonamiento. Combina texto con imágenes y video y produce respuestas textuales o código. El checkpoint fijo Thinking es independiente de Qwen3-VL-235B-A22B-Instruct y de las compilaciones FP8 con nombres separados. Elígelo para una pregunta que requiera conectar evidencia visual con una explicación más larga, en lugar de suponer que todas las ediciones Qwen3-VL tienen el mismo estilo de respuesta.
Agentes visuales y programación visual
Qwen describe un flujo de agente visual que reconoce elementos de interfaces de computadora o móvil, interpreta sus funciones y trabaja con herramientas para completar tareas. El modelo aporta percepción y razonamiento; una aplicación debe conectar y ejecutar las acciones. Para revisar una interfaz, proporciona la captura de pantalla actual y un objetivo específico, y después pide que identifique los controles pertinentes y explique la siguiente acción. La imagen por sí sola no confiere control del dispositivo.
La programación visual incluye generar contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes y videos. Proporciona una captura de pantalla con la disposición, el comportamiento y el formato de salida editable requeridos. Pide la estructura de la página y los estilos como entregables separados cuando eso facilite la revisión. El código generado es texto para un flujo de desarrollo; no es evidencia de que se haya renderizado un sitio web o de que la imagen fuente se haya convertido en una aplicación funcional.
Percepción espacial
El fabricante documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Haz una pregunta concreta sobre una relación e identifica el objeto de interés: por ejemplo, qué componente está oculto, qué hay delante de él y qué pistas visuales respaldan esa interpretación. La capacidad de localización no debe tratarse como una medición física calibrada a partir de una imagen arbitraria.
Contexto largo y video
El contexto nativo es de 262,144 tokens. Qwen describe su ampliación a aproximadamente un millón mediante configuración YaRN, y flujos de la familia con libros o videos de varias horas con indexación de eventos a nivel de segundos. Estas capacidades dependen de la representación, el muestreo de fotogramas y la configuración del contexto; la descripción amplia del fabricante no garantiza recordar perfectamente cada fotograma. En su repositorio, Qwen aconseja un factor de extrapolación de dos o tres para este esquema posicional intercalado al ampliar de 256K a alrededor de 1M, en lugar de copiar automáticamente un factor de cuatro de otro modelo.
Razonamiento y reconocimiento multimodal
La edición Thinking se orienta al razonamiento STEM y matemático basado en evidencia, el análisis causal y las respuestas lógicas que conectan texto con material visual. Proporciona juntos un diagrama y sus definiciones, o una gráfica y la pregunta numérica precisa. Pide las etiquetas y los valores utilizados antes de la conclusión. Qwen también describe un reconocimiento visual más amplio de personas, anime, productos, lugares emblemáticos, plantas y animales. Una respuesta de reconocimiento sigue siendo una inferencia a partir de la imagen proporcionada, no una garantía de que pueda nombrarse cada objeto o identidad.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluido vocabulario especializado y estructura de documentos largos. Conserva imágenes fuente legibles y pide campos, citas o una tabla estructurada que pueda comprobarse. La comprensión textual y visual se combinan en un solo modelo, así que una pregunta puede referirse conjuntamente a un pasaje documental, una figura y las instrucciones del usuario.
Cambios de arquitectura
Interleaved-MRoPE distribuye la representación posicional entre tiempo, anchura y altura para el razonamiento de video. DeepStack combina características visuales de varios niveles del codificador para captar detalles más finos y mejorar la alineación entre imagen y texto. La alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. La configuración de texto publicada tiene 94 capas, 128 expertos y ocho expertos seleccionados por token. Estos detalles de arquitectura explican la representación multimodal del modelo; no establecen una garantía de tiempo de respuesta.
Preparación de la entrada y salida visual
Los ejemplos del fabricante abarcan imágenes individuales o múltiples, video y solicitudes de solo texto. Etiqueta cada entrada visual para que la pregunta pueda referirse a ella claramente. Los procesadores de imágenes y video utilizan presupuestos de píxeles separados: un presupuesto de imagen limita sus píxeles, mientras que un presupuesto de video contabiliza los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se alinean a múltiplos de 32. El muestreo de video puede controlarse por tasa o cantidad de fotogramas; el valor predeterminado documentado es de dos fotogramas por segundo. Conserva las marcas de tiempo cuando pidas una cronología de eventos.
Para un clip largo, pide el evento, su intervalo temporal y la evidencia visible, en lugar de un resumen indiferenciado. Para varias páginas, pide un resultado organizado por identificador de página. Estos ejemplos de preparación aplican las capacidades documentadas y ayudan a hacer visibles las omisiones o los errores de extracción.
Guía de generación y límites
El archivo de generación del checkpoint utiliza de forma predeterminada temperatura 0.8, top_p 0.95 y top_k 20. La receta separada de evaluación Thinking de Qwen utiliza temperatura 0.6, penalización de presencia cero, penalización de repetición 1.0 y una asignación de salida de 40,960 tokens. Son preajustes distintos del productor, no un único límite estricto de salida. Deja espacio para el razonamiento y el texto final junto con los tokens visuales, y verifica el texto extraído, las respuestas calculadas y el código generado frente a la fuente antes de utilizarlos.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-vl-235b-a22b-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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00572 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-vl-235b-a22b-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': 'qwen3-vl-235b-a22b-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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Ejemplo técnico en inglés
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.