La edición 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct es la edición de mezcla de expertos de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Conserva esta identidad Instruct exacta, en lugar de sustituirla por la edición Thinking mejorada para razonamiento u otro tamaño de la familia. Una solicitud útil define la evidencia visual, la pregunta y el artefacto concreto esperado en la respuesta.
Agentes visuales y programación visual
El fabricante describe el reconocimiento de elementos de interfaces de computadoras o móviles, la comprensión de sus funciones y la invocación de herramientas en un flujo de agente visual. Proporciona la captura de pantalla y el objetivo previsto; después, pregunta qué control visible corresponde a la tarea y qué respalda la elección. La aplicación conectada ejecuta las acciones y devuelve sus resultados; el reconocimiento visual por sí solo no controla el dispositivo.
La programación visual incluye contenido de diagramas y HTML, CSS o JavaScript generados a partir de imágenes o video. Proporciona una referencia de disposición con restricciones funcionales y solicita código fuente editable. Para un cambio en una interfaz existente, incluye el código pertinente y los estados de interacción esperados. Separa el artefacto de la explicación para que un flujo de desarrollo pueda renderizarlo e inspeccionarlo. El código fuente generado es una propuesta para revisión, no evidencia de una aplicación funcional.
Percepción espacial, contexto y video
Qwen documenta juicios sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Identifica el objetivo y pide los indicios visibles que respaldan la relación. Una relación basada en imágenes debe mantenerse distinta de 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 ampliación a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y el orden de los fotogramas al preguntar sobre una secuencia. El presupuesto configurado de representación determina qué material se procesa, así que la descripción amplia de video largo de la familia no debe convertirse en una promesa de recuerdo perfecto de cada fotograma.
Razonamiento multimodal, reconocimiento y OCR
El modelo admite preguntas visuales STEM y matemáticas, análisis causal y explicaciones basadas en evidencia. Proporciona el enunciado completo y las etiquetas del diagrama y solicita los valores usados antes de la conclusión final. La familia también amplía el reconocimiento de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. Verifica un resultado de identificación cuando importe la identidad exacta.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura documental. Proporciona páginas legibles y solicita campos, citas o una tabla que puedan verificarse contra la fuente. La comprensión textual y visual se combina, por lo que la pregunta puede conectar un pasaje con su figura y las instrucciones del usuario.
Arquitectura
La configuración publicada identifica un modelo de lenguaje visual de mezcla de expertos con 48 capas de texto, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto; DeepStack combina características de múltiples niveles del codificador visual; la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 30B-A3B Instruct al preparar tareas visuales y comparar sus resultados.
Preparación de entradas
Los ejemplos de la familia abarcan tareas solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales y conserva su relación. Los presupuestos de píxeles de imagen y video son independientes, y el video contabiliza píxeles a lo largo de los fotogramas muestreados. 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 en flujos compatibles.
El auxiliar de medios puede conservar los metadatos de video y aconseja evitar un segundo redimensionamiento cuando ya haya redimensionado el material. Para una comparación documental, organiza la respuesta por etiqueta de página. Para un clip, solicita el evento, el intervalo pertinente y la evidencia de respaldo. Compara los campos, pasajes y tiempos de eventos devueltos con las páginas o el clip originales.
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 máximo estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B Instruct no deben atribuirse automáticamente a esta edición.
El procedimiento de extensión de la familia usa YaRN y sugiere un factor de dos o tres al ampliar el esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para el resultado junto con el texto y las representaciones visuales, y verifica el OCR, las conclusiones calculadas y el código generado contra la evidencia original. Mantén separado el contrato de generación Instruct de los ajustes de un checkpoint Thinking; el nombre de la edición por sí solo no establece un interruptor híbrido específico de aplicación.
", "aboutText": "La edición 30B-A3B Instruct\n\nQwen3-VL-30B-A3B-Instruct es la edición de mezcla de expertos de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Conserva esta identidad Instruct exacta, en lugar de sustituirla por la edición Thinking mejorada para razonamiento u otro tamaño de la familia. Una solicitud útil define la evidencia visual, la pregunta y el artefacto concreto esperado en la respuesta.\n\nAgentes visuales y programación visual\n\nEl fabricante describe el reconocimiento de elementos de interfaces de computadoras o móviles, la comprensión de sus funciones y la invocación de herramientas en un flujo de agente visual. Proporciona la captura de pantalla y el objetivo previsto; después, pregunta qué control visible corresponde a la tarea y qué respalda la elección. La aplicación conectada ejecuta las acciones y devuelve sus resultados; el reconocimiento visual por sí solo no controla el dispositivo.\n\nLa programación visual incluye contenido de diagramas y HTML, CSS o JavaScript generados a partir de imágenes o video. Proporciona una referencia de disposición con restricciones funcionales y solicita código fuente editable. Para un cambio en una interfaz existente, incluye el código pertinente y los estados de interacción esperados. Separa el artefacto de la explicación para que un flujo de desarrollo pueda renderizarlo e inspeccionarlo. El código fuente generado es una propuesta para revisión, no evidencia de una aplicación funcional.\n\nPercepción espacial, contexto y video\n\nQwen documenta juicios sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Identifica el objetivo y pide los indicios visibles que respaldan la relación. Una relación basada en imágenes debe mantenerse distinta de 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 ampliación a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y el orden de los fotogramas al preguntar sobre una secuencia. El presupuesto configurado de representación determina qué material se procesa, así que la descripción amplia de video largo de la familia no debe convertirse en una promesa de recuerdo perfecto de cada fotograma.\n\nRazonamiento multimodal, reconocimiento y OCR\n\nEl modelo admite preguntas visuales STEM y matemáticas, análisis causal y explicaciones basadas en evidencia. Proporciona el enunciado completo y las etiquetas del diagrama y solicita los valores usados antes de la conclusión final. La familia también amplía el reconocimiento de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. Verifica un resultado de identificación cuando importe la identidad exacta.\n\nEl OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura documental. Proporciona páginas legibles y solicita campos, citas o una tabla que puedan verificarse contra la fuente. La comprensión textual y visual se combina, por lo que la pregunta puede conectar un pasaje con su figura y las instrucciones del usuario.\n\nArquitectura\n\nLa configuración publicada identifica un modelo de lenguaje visual de mezcla de expertos con 48 capas de texto, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto; DeepStack combina características de múltiples niveles del codificador visual; la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 30B-A3B Instruct al preparar tareas visuales y comparar sus resultados.\n\nPreparación de entradas\n\nLos ejemplos de la familia abarcan tareas solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales y conserva su relación. Los presupuestos de píxeles de imagen y video son independientes, y el video contabiliza píxeles a lo largo de los fotogramas muestreados. 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 en flujos compatibles.\n\nEl auxiliar de medios puede conservar los metadatos de video y aconseja evitar un segundo redimensionamiento cuando ya haya redimensionado el material. Para una comparación documental, organiza la respuesta por etiqueta de página. Para un clip, solicita el evento, el intervalo pertinente y la evidencia de respaldo. Compara los campos, pasajes y tiempos de eventos devueltos con las páginas o el clip originales.\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 máximo estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B Instruct no deben atribuirse automáticamente a esta edición.\n\nEl procedimiento de extensión de la familia usa YaRN y sugiere un factor de dos o tres al ampliar el esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para el resultado junto con el texto y las representaciones visuales, y verifica el OCR, las conclusiones calculadas y el código generado contra la evidencia original. Mantén separado el contrato de generación Instruct de los ajustes de un checkpoint Thinking; el nombre de la edición por sí solo no establece un interruptor híbrido específico de aplicación.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct es la edición de lenguaje visual de Qwen de mezcla de expertos enfocada en instrucciones para texto, imágenes y video. Devuelve texto o código para flujos de agentes visuales, lectura de documentos, preguntas espaciales y programación visual, 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 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct es la edición de mezcla de expertos de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Conserva esta identidad Instruct exacta, en lugar de sustituirla por la edición Thinking mejorada para razonamiento u otro tamaño de la familia. Una solicitud útil define la evidencia visual, la pregunta y el artefacto concreto esperado en la respuesta.
Agentes visuales y programación visual
El fabricante describe el reconocimiento de elementos de interfaces de computadoras o móviles, la comprensión de sus funciones y la invocación de herramientas en un flujo de agente visual. Proporciona la captura de pantalla y el objetivo previsto; después, pregunta qué control visible corresponde a la tarea y qué respalda la elección. La aplicación conectada ejecuta las acciones y devuelve sus resultados; el reconocimiento visual por sí solo no controla el dispositivo.
La programación visual incluye contenido de diagramas y HTML, CSS o JavaScript generados a partir de imágenes o video. Proporciona una referencia de disposición con restricciones funcionales y solicita código fuente editable. Para un cambio en una interfaz existente, incluye el código pertinente y los estados de interacción esperados. Separa el artefacto de la explicación para que un flujo de desarrollo pueda renderizarlo e inspeccionarlo. El código fuente generado es una propuesta para revisión, no evidencia de una aplicación funcional.
Percepción espacial, contexto y video
Qwen documenta juicios sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Identifica el objetivo y pide los indicios visibles que respaldan la relación. Una relación basada en imágenes debe mantenerse distinta de 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 ampliación a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y el orden de los fotogramas al preguntar sobre una secuencia. El presupuesto configurado de representación determina qué material se procesa, así que la descripción amplia de video largo de la familia no debe convertirse en una promesa de recuerdo perfecto de cada fotograma.
Razonamiento multimodal, reconocimiento y OCR
El modelo admite preguntas visuales STEM y matemáticas, análisis causal y explicaciones basadas en evidencia. Proporciona el enunciado completo y las etiquetas del diagrama y solicita los valores usados antes de la conclusión final. La familia también amplía el reconocimiento de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. Verifica un resultado de identificación cuando importe la identidad exacta.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura documental. Proporciona páginas legibles y solicita campos, citas o una tabla que puedan verificarse contra la fuente. La comprensión textual y visual se combina, por lo que la pregunta puede conectar un pasaje con su figura y las instrucciones del usuario.
Arquitectura
La configuración publicada identifica un modelo de lenguaje visual de mezcla de expertos con 48 capas de texto, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto; DeepStack combina características de múltiples niveles del codificador visual; la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 30B-A3B Instruct al preparar tareas visuales y comparar sus resultados.
Preparación de entradas
Los ejemplos de la familia abarcan tareas solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales y conserva su relación. Los presupuestos de píxeles de imagen y video son independientes, y el video contabiliza píxeles a lo largo de los fotogramas muestreados. 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 en flujos compatibles.
El auxiliar de medios puede conservar los metadatos de video y aconseja evitar un segundo redimensionamiento cuando ya haya redimensionado el material. Para una comparación documental, organiza la respuesta por etiqueta de página. Para un clip, solicita el evento, el intervalo pertinente y la evidencia de respaldo. Compara los campos, pasajes y tiempos de eventos devueltos con las páginas o el clip originales.
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 máximo estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B Instruct no deben atribuirse automáticamente a esta edición.
El procedimiento de extensión de la familia usa YaRN y sugiere un factor de dos o tres al ampliar el esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para el resultado junto con el texto y las representaciones visuales, y verifica el OCR, las conclusiones calculadas y el código generado contra la evidencia original. Mantén separado el contrato de generación Instruct de los ajustes de un checkpoint Thinking; el nombre de la edición por sí solo no establece un interruptor híbrido específico de aplicación.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-30b-a3b-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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 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-30b-a3b-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-30b-a3b-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-30b-a3b-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-30b-a3b-instruct
Usa las rutas de método indicadas arriba.
qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct es la edición de lenguaje visual de Qwen de mezcla de expertos enfocada en instrucciones para texto, imágenes y video. Devuelve texto o código para flujos de agentes visuales, lectura de documentos, preguntas espaciales y programación visual, 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 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct es la edición de mezcla de expertos de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Conserva esta identidad Instruct exacta, en lugar de sustituirla por la edición Thinking mejorada para razonamiento u otro tamaño de la familia. Una solicitud útil define la evidencia visual, la pregunta y el artefacto concreto esperado en la respuesta.
Agentes visuales y programación visual
El fabricante describe el reconocimiento de elementos de interfaces de computadoras o móviles, la comprensión de sus funciones y la invocación de herramientas en un flujo de agente visual. Proporciona la captura de pantalla y el objetivo previsto; después, pregunta qué control visible corresponde a la tarea y qué respalda la elección. La aplicación conectada ejecuta las acciones y devuelve sus resultados; el reconocimiento visual por sí solo no controla el dispositivo.
La programación visual incluye contenido de diagramas y HTML, CSS o JavaScript generados a partir de imágenes o video. Proporciona una referencia de disposición con restricciones funcionales y solicita código fuente editable. Para un cambio en una interfaz existente, incluye el código pertinente y los estados de interacción esperados. Separa el artefacto de la explicación para que un flujo de desarrollo pueda renderizarlo e inspeccionarlo. El código fuente generado es una propuesta para revisión, no evidencia de una aplicación funcional.
Percepción espacial, contexto y video
Qwen documenta juicios sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Identifica el objetivo y pide los indicios visibles que respaldan la relación. Una relación basada en imágenes debe mantenerse distinta de 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 ampliación a aproximadamente un millón de tokens mediante configuración. Conserva los tiempos y el orden de los fotogramas al preguntar sobre una secuencia. El presupuesto configurado de representación determina qué material se procesa, así que la descripción amplia de video largo de la familia no debe convertirse en una promesa de recuerdo perfecto de cada fotograma.
Razonamiento multimodal, reconocimiento y OCR
El modelo admite preguntas visuales STEM y matemáticas, análisis causal y explicaciones basadas en evidencia. Proporciona el enunciado completo y las etiquetas del diagrama y solicita los valores usados antes de la conclusión final. La familia también amplía el reconocimiento de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios. Verifica un resultado de identificación cuando importe la identidad exacta.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura documental. Proporciona páginas legibles y solicita campos, citas o una tabla que puedan verificarse contra la fuente. La comprensión textual y visual se combina, por lo que la pregunta puede conectar un pasaje con su figura y las instrucciones del usuario.
Arquitectura
La configuración publicada identifica un modelo de lenguaje visual de mezcla de expertos con 48 capas de texto, 128 expertos y ocho expertos seleccionados por token. Interleaved-MRoPE representa tiempo, ancho y alto; DeepStack combina características de múltiples niveles del codificador visual; la alineación entre texto y marcas de tiempo vincula eventos con referencias temporales. Usa de forma coherente esta edición 30B-A3B Instruct al preparar tareas visuales y comparar sus resultados.
Preparación de entradas
Los ejemplos de la familia abarcan tareas solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales y conserva su relación. Los presupuestos de píxeles de imagen y video son independientes, y el video contabiliza píxeles a lo largo de los fotogramas muestreados. 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 en flujos compatibles.
El auxiliar de medios puede conservar los metadatos de video y aconseja evitar un segundo redimensionamiento cuando ya haya redimensionado el material. Para una comparación documental, organiza la respuesta por etiqueta de página. Para un clip, solicita el evento, el intervalo pertinente y la evidencia de respaldo. Compara los campos, pasajes y tiempos de eventos devueltos con las páginas o el clip originales.
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 máximo estricto de salida establecido de manera independiente. Las asignaciones por tarea de la ficha 8B Instruct no deben atribuirse automáticamente a esta edición.
El procedimiento de extensión de la familia usa YaRN y sugiere un factor de dos o tres al ampliar el esquema posicional intercalado de 256K a aproximadamente 1M. Reserva espacio para el resultado junto con el texto y las representaciones visuales, y verifica el OCR, las conclusiones calculadas y el código generado contra la evidencia original. Mantén separado el contrato de generación Instruct de los ajustes de un checkpoint Thinking; el nombre de la edición por sí solo no establece un interruptor híbrido específico de aplicación.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-30b-a3b-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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 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 $0.0003 / 1K tokens Salida · Tokens de salida $0.0012 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-vl-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-30b-a3b-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-30b-a3b-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-30b-a3b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.