La edición 8B Instruct de lenguaje visual
Qwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Se mantiene separada de la edición Thinking mejorada para razonamiento y de los modelos de expertos dispersos de la misma familia. Elígela para una instrucción visual enfocada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con la evidencia suministrada.
Agentes visuales y programación visual
El fabricante describe reconocimiento de elementos de interfaces de computadoras o móviles, comprensión de sus funciones y uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto; después, pregunta qué controles visibles corresponden a ese objetivo y qué evidencia respalda la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo control de un dispositivo de manera independiente.
La programación visual incluye producir contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o video. Proporciona la referencia de disposición junto con los requisitos funcionales y la salida editable requerida. Pide la estructura fuente y los estilos por separado cuando esto facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo para renderizarlo y evaluar su comportamiento.
Percepción espacial y material largo
Qwen documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Nombra el objeto objetivo e indica la relación que se está examinando. Un resultado sobre posición relativa es una inferencia a partir de la imagen, no 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. La representación, el muestreo de fotogramas y el límite de secuencia configurado determinan qué material se procesa. Un contexto grande no garantiza recuerdo completo de cada página o fotograma. Conserva los tiempos al pedir un relato de eventos de video.
Razonamiento multimodal, reconocimiento y OCR
La familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en evidencia. Proporciona el enunciado completo junto con un diagrama y solicita los valores y las relaciones usados antes de la conclusión. El reconocimiento abarca una amplia variedad de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios; una etiqueta plausible debe verificarse cuando la identificación importe.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona una página legible y solicita campos nombrados, citas o una tabla estructurada que puedan verificarse contra ella. La comprensión textual y visual se combina, así que una pregunta puede conectar un párrafo con una figura y las instrucciones del usuario.
Actualizaciones de arquitectura
La configuración textual densa publicada tiene 36 capas. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características de múltiples niveles del codificador visual, y la alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. Estas características de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni precisión física exacta.
Preparación de entradas
Los ejemplos de familia del fabricante abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y video son independientes: uno de imagen se refiere a una imagen, mientras que uno de video se refiere a 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 flujo auxiliar conserva los metadatos de video y aconseja evitar el redimensionamiento duplicado cuando los medios ya se hayan redimensionado. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y la evidencia visible. Estos ejemplos de preparación aplican las capacidades documentadas, en lugar de garantizar extracción exacta o precisión temporal.
Orientación de generación y límites
Esta ficha exacta presenta ajustes predefinidos separados por tarea. Las tareas de lenguaje visual usan temperatura 0.7, top_p 0.8, top_k 20, penalización por repetición 1.0 y penalización por presencia 1.5, con una asignación de salida de 16,384 tokens. Las tareas de texto usan temperatura 1.0, top_p 1.0, top_k 40, penalización por repetición 1.0 y penalización por presencia 2.0, con una asignación de 32,768 tokens. Son presupuestos de la receta del productor, no límites estrictos de salida establecidos de manera independiente ni identidades de modelos separadas.
El procedimiento de contexto largo de la familia usa YaRN, con un factor de dos o tres sugerido al ampliar sus posiciones intercaladas de 256K a aproximadamente 1M. No copies un factor de cuatro de otra familia Qwen. Reserva espacio para la respuesta junto con la entrada visual y textual, y verifica el OCR, las conclusiones calculadas y el código fuente generado contra el material original. Conserva la edición Instruct exacta, en lugar de importar el contrato de generación o controles de un checkpoint Thinking.
", "aboutText": "La edición 8B Instruct de lenguaje visual\n\nQwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Se mantiene separada de la edición Thinking mejorada para razonamiento y de los modelos de expertos dispersos de la misma familia. Elígela para una instrucción visual enfocada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con la evidencia suministrada.\n\nAgentes visuales y programación visual\n\nEl fabricante describe reconocimiento de elementos de interfaces de computadoras o móviles, comprensión de sus funciones y uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto; después, pregunta qué controles visibles corresponden a ese objetivo y qué evidencia respalda la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo control de un dispositivo de manera independiente.\n\nLa programación visual incluye producir contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o video. Proporciona la referencia de disposición junto con los requisitos funcionales y la salida editable requerida. Pide la estructura fuente y los estilos por separado cuando esto facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo para renderizarlo y evaluar su comportamiento.\n\nPercepción espacial y material largo\n\nQwen documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Nombra el objeto objetivo e indica la relación que se está examinando. Un resultado sobre posición relativa es una inferencia a partir de la imagen, no 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. La representación, el muestreo de fotogramas y el límite de secuencia configurado determinan qué material se procesa. Un contexto grande no garantiza recuerdo completo de cada página o fotograma. Conserva los tiempos al pedir un relato de eventos de video.\n\nRazonamiento multimodal, reconocimiento y OCR\n\nLa familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en evidencia. Proporciona el enunciado completo junto con un diagrama y solicita los valores y las relaciones usados antes de la conclusión. El reconocimiento abarca una amplia variedad de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios; una etiqueta plausible debe verificarse cuando la identificación importe.\n\nEl OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona una página legible y solicita campos nombrados, citas o una tabla estructurada que puedan verificarse contra ella. La comprensión textual y visual se combina, así que una pregunta puede conectar un párrafo con una figura y las instrucciones del usuario.\n\nActualizaciones de arquitectura\n\nLa configuración textual densa publicada tiene 36 capas. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características de múltiples niveles del codificador visual, y la alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. Estas características de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni precisión física exacta.\n\nPreparación de entradas\n\nLos ejemplos de familia del fabricante abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y video son independientes: uno de imagen se refiere a una imagen, mientras que uno de video se refiere a 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 flujo auxiliar conserva los metadatos de video y aconseja evitar el redimensionamiento duplicado cuando los medios ya se hayan redimensionado. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y la evidencia visible. Estos ejemplos de preparación aplican las capacidades documentadas, en lugar de garantizar extracción exacta o precisión temporal.\n\nOrientación de generación y límites\n\nEsta ficha exacta presenta ajustes predefinidos separados por tarea. Las tareas de lenguaje visual usan temperatura 0.7, top_p 0.8, top_k 20, penalización por repetición 1.0 y penalización por presencia 1.5, con una asignación de salida de 16,384 tokens. Las tareas de texto usan temperatura 1.0, top_p 1.0, top_k 40, penalización por repetición 1.0 y penalización por presencia 2.0, con una asignación de 32,768 tokens. Son presupuestos de la receta del productor, no límites estrictos de salida establecidos de manera independiente ni identidades de modelos separadas.\n\nEl procedimiento de contexto largo de la familia usa YaRN, con un factor de dos o tres sugerido al ampliar sus posiciones intercaladas de 256K a aproximadamente 1M. No copies un factor de cuatro de otra familia Qwen. Reserva espacio para la respuesta junto con la entrada visual y textual, y verifica el OCR, las conclusiones calculadas y el código fuente generado contra el material original. Conserva la edición Instruct exacta, en lugar de importar el contrato de generación o controles de un checkpoint Thinking.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct es el modelo denso de lenguaje visual de Qwen enfocado en instrucciones para texto, imágenes y video, que devuelve texto o código. Admite lectura de documentos, programación visual, preguntas espaciales y análisis de video, 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 8B Instruct de lenguaje visual
Qwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Se mantiene separada de la edición Thinking mejorada para razonamiento y de los modelos de expertos dispersos de la misma familia. Elígela para una instrucción visual enfocada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con la evidencia suministrada.
Agentes visuales y programación visual
El fabricante describe reconocimiento de elementos de interfaces de computadoras o móviles, comprensión de sus funciones y uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto; después, pregunta qué controles visibles corresponden a ese objetivo y qué evidencia respalda la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo control de un dispositivo de manera independiente.
La programación visual incluye producir contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o video. Proporciona la referencia de disposición junto con los requisitos funcionales y la salida editable requerida. Pide la estructura fuente y los estilos por separado cuando esto facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo para renderizarlo y evaluar su comportamiento.
Percepción espacial y material largo
Qwen documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Nombra el objeto objetivo e indica la relación que se está examinando. Un resultado sobre posición relativa es una inferencia a partir de la imagen, no 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. La representación, el muestreo de fotogramas y el límite de secuencia configurado determinan qué material se procesa. Un contexto grande no garantiza recuerdo completo de cada página o fotograma. Conserva los tiempos al pedir un relato de eventos de video.
Razonamiento multimodal, reconocimiento y OCR
La familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en evidencia. Proporciona el enunciado completo junto con un diagrama y solicita los valores y las relaciones usados antes de la conclusión. El reconocimiento abarca una amplia variedad de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios; una etiqueta plausible debe verificarse cuando la identificación importe.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona una página legible y solicita campos nombrados, citas o una tabla estructurada que puedan verificarse contra ella. La comprensión textual y visual se combina, así que una pregunta puede conectar un párrafo con una figura y las instrucciones del usuario.
Actualizaciones de arquitectura
La configuración textual densa publicada tiene 36 capas. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características de múltiples niveles del codificador visual, y la alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. Estas características de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni precisión física exacta.
Preparación de entradas
Los ejemplos de familia del fabricante abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y video son independientes: uno de imagen se refiere a una imagen, mientras que uno de video se refiere a 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 flujo auxiliar conserva los metadatos de video y aconseja evitar el redimensionamiento duplicado cuando los medios ya se hayan redimensionado. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y la evidencia visible. Estos ejemplos de preparación aplican las capacidades documentadas, en lugar de garantizar extracción exacta o precisión temporal.
Orientación de generación y límites
Esta ficha exacta presenta ajustes predefinidos separados por tarea. Las tareas de lenguaje visual usan temperatura 0.7, top_p 0.8, top_k 20, penalización por repetición 1.0 y penalización por presencia 1.5, con una asignación de salida de 16,384 tokens. Las tareas de texto usan temperatura 1.0, top_p 1.0, top_k 40, penalización por repetición 1.0 y penalización por presencia 2.0, con una asignación de 32,768 tokens. Son presupuestos de la receta del productor, no límites estrictos de salida establecidos de manera independiente ni identidades de modelos separadas.
El procedimiento de contexto largo de la familia usa YaRN, con un factor de dos o tres sugerido al ampliar sus posiciones intercaladas de 256K a aproximadamente 1M. No copies un factor de cuatro de otra familia Qwen. Reserva espacio para la respuesta junto con la entrada visual y textual, y verifica el OCR, las conclusiones calculadas y el código fuente generado contra el material original. Conserva la edición Instruct exacta, en lugar de importar el contrato de generación o controles de un checkpoint Thinking.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-8b-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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00024 / 1K tokens Entrada · Escritura en caché — / 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-8b-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-8b-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-8b-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-8b-instruct
Usa las rutas de método indicadas arriba.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct es el modelo denso de lenguaje visual de Qwen enfocado en instrucciones para texto, imágenes y video, que devuelve texto o código. Admite lectura de documentos, programación visual, preguntas espaciales y análisis de video, 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 8B Instruct de lenguaje visual
Qwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL enfocada en instrucciones. Combina texto con imágenes o video y produce texto, incluido código. Se mantiene separada de la edición Thinking mejorada para razonamiento y de los modelos de expertos dispersos de la misma familia. Elígela para una instrucción visual enfocada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con la evidencia suministrada.
Agentes visuales y programación visual
El fabricante describe reconocimiento de elementos de interfaces de computadoras o móviles, comprensión de sus funciones y uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto; después, pregunta qué controles visibles corresponden a ese objetivo y qué evidencia respalda la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo control de un dispositivo de manera independiente.
La programación visual incluye producir contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o video. Proporciona la referencia de disposición junto con los requisitos funcionales y la salida editable requerida. Pide la estructura fuente y los estilos por separado cuando esto facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo para renderizarlo y evaluar su comportamiento.
Percepción espacial y material largo
Qwen documenta razonamiento sobre posiciones de objetos, puntos de vista y oclusiones, con localización bidimensional y compatibilidad con localización tridimensional. Nombra el objeto objetivo e indica la relación que se está examinando. Un resultado sobre posición relativa es una inferencia a partir de la imagen, no 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. La representación, el muestreo de fotogramas y el límite de secuencia configurado determinan qué material se procesa. Un contexto grande no garantiza recuerdo completo de cada página o fotograma. Conserva los tiempos al pedir un relato de eventos de video.
Razonamiento multimodal, reconocimiento y OCR
La familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en evidencia. Proporciona el enunciado completo junto con un diagrama y solicita los valores y las relaciones usados antes de la conclusión. El reconocimiento abarca una amplia variedad de personas, productos, lugares emblemáticos, plantas, animales y personajes de medios; una etiqueta plausible debe verificarse cuando la identificación importe.
El OCR abarca 32 idiomas y está diseñado para mejorar la lectura con poca luz, desenfoque o inclinación, incluidos vocabulario especializado y estructura de documentos largos. Proporciona una página legible y solicita campos nombrados, citas o una tabla estructurada que puedan verificarse contra ella. La comprensión textual y visual se combina, así que una pregunta puede conectar un párrafo con una figura y las instrucciones del usuario.
Actualizaciones de arquitectura
La configuración textual densa publicada tiene 36 capas. Interleaved-MRoPE representa tiempo, ancho y alto para razonamiento sobre video. DeepStack combina características de múltiples niveles del codificador visual, y la alineación entre texto y marcas de tiempo vincula los eventos con referencias temporales. Estas características de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni precisión física exacta.
Preparación de entradas
Los ejemplos de familia del fabricante abarcan solicitudes solo de texto, una o varias imágenes y video. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y video son independientes: uno de imagen se refiere a una imagen, mientras que uno de video se refiere a 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 flujo auxiliar conserva los metadatos de video y aconseja evitar el redimensionamiento duplicado cuando los medios ya se hayan redimensionado. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y la evidencia visible. Estos ejemplos de preparación aplican las capacidades documentadas, en lugar de garantizar extracción exacta o precisión temporal.
Orientación de generación y límites
Esta ficha exacta presenta ajustes predefinidos separados por tarea. Las tareas de lenguaje visual usan temperatura 0.7, top_p 0.8, top_k 20, penalización por repetición 1.0 y penalización por presencia 1.5, con una asignación de salida de 16,384 tokens. Las tareas de texto usan temperatura 1.0, top_p 1.0, top_k 40, penalización por repetición 1.0 y penalización por presencia 2.0, con una asignación de 32,768 tokens. Son presupuestos de la receta del productor, no límites estrictos de salida establecidos de manera independiente ni identidades de modelos separadas.
El procedimiento de contexto largo de la familia usa YaRN, con un factor de dos o tres sugerido al ampliar sus posiciones intercaladas de 256K a aproximadamente 1M. No copies un factor de cuatro de otra familia Qwen. Reserva espacio para la respuesta junto con la entrada visual y textual, y verifica el OCR, las conclusiones calculadas y el código fuente generado contra el material original. Conserva la edición Instruct exacta, en lugar de importar el contrato de generación o controles de un checkpoint Thinking.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-vl-8b-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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00024 / 1K tokens Entrada · Escritura en caché — / 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.