Qwen3-VL-8B-Thinking es la edición densa 8B enfocada en razonamiento de la familia Qwen3-VL de Alibaba. Combina texto, imágenes y video en una tarea compartida y genera texto. Qwen publica las ediciones Thinking e Instruct por separado; esta ficha corresponde al modelo Thinking con nombre propio, cuyo propósito incluye analizar evidencia visual antes de producir una respuesta. El trabajo solo de texto también forma parte de la capacidad lingüística del modelo.
El fabricante presenta primero los agentes visuales: el modelo puede reconocer elementos de interfaces de escritorio o móviles, interpretar sus funciones y razonar sobre la siguiente interacción. En una aplicación, las capturas de pantalla proporcionan el estado actual y las herramientas ejecutan las acciones seleccionadas. Un encargo útil indica el objetivo del usuario, la pantalla visible y las acciones permitidas; después, pide el siguiente paso y el elemento que lo justifica. La interpretación generada es distinta de una acción ejecutada por la aplicación que rodea al modelo.
La programación visual conecta imágenes o video de referencia con código textual. Qwen documenta diagramas Draw.io y HTML, CSS y JavaScript como ejemplos de salida. Proporciona una captura de pantalla o un boceto junto con el comportamiento, el contenido y la disposición objetivo requeridos; solicita un artefacto editable de código o diagrama. Para trabajo espacial, la familia describe posición de objetos, punto de vista y oclusión, con localización en 2D y en 3D. Indica la convención de coordenadas si necesitas ubicaciones, para que una posición descrita y un recuadro solicitado usen la misma referencia.
El contexto nativo es de 256K tokens para texto y material visual intercalado. La ficha del modelo también describe una ampliación a un millón de tokens, que es una extensión configurada aparte, en lugar de la especificación de contexto nativo. Las aplicaciones de contexto largo incluyen referencias cruzadas entre páginas de documentos y localización de eventos en video. Conserva el orden de las páginas y las marcas de tiempo de video al preparar la entrada, y pide que la respuesta identifique la página o el momento usados para cada conclusión.
El razonamiento multimodal abarca tareas matemáticas y científicas que requieren tanto el material visible como su pregunta escrita. La familia también admite reconocimiento visual amplio de objetos, productos, lugares emblemáticos, plantas y animales. Su cobertura OCR abarca 32 idiomas e incluye imágenes difíciles con poca luz, desenfoque o inclinación, junto con interpretación de la estructura documental. Para un problema escaneado, pide primero una transcripción y después una solución; esto hace visible un signo o una etiqueta mal leídos antes de que cambien el razonamiento.
Tres actualizaciones de arquitectura respaldan este trabajo visual y temporal. Interleaved-MRoPE distribuye la información posicional entre tiempo, ancho y alto; DeepStack introduce en el modelo de lenguaje características visuales de varios niveles; las marcas de tiempo textuales explícitas representan la posición temporal de los grupos de fotogramas de video. Su relevancia práctica es conservar el detalle espacial y conectar la descripción de un evento con un momento de la fuente. No convierten un detalle pequeño o ilegible de la fuente en reconocimiento garantizado.
La ficha del modelo Thinking exacto proporciona recomendaciones de generación por separado para tareas visuales y textuales. Ambas usan muestreo con temperatura 1.0, top-p 0.95 y top-k 20; el ejemplo visual usa penalización por presencia 0.0, mientras que el ejemplo textual usa 1.5. Sus ajustes de ejemplo de longitud de salida son 40,960 para trabajo visual y 32,768 para texto, con 81,920 sugeridos para determinadas evaluaciones exigentes de texto. Son recomendaciones de ajuste, no una garantía universal de salida máxima ni parámetros que el servicio que rodea al modelo necesariamente exponga.
Para una tarea documental práctica, proporciona imágenes ordenadas de las páginas y pide: “Extrae los encabezados de sección, explica la relación entre el diagrama y el texto adyacente, y adjunta una referencia de página a cada hallazgo”. Para video, define el evento que deseas localizar y solicita su marca de tiempo junto con una explicación visual breve. Para una pregunta de razonamiento visual, indica el artefacto final requerido y los supuestos que pueden usarse. La salida sigue siendo una explicación textual, contenido extraído, código o un paso de herramienta propuesto; la entrada visual de esta edición no es un flujo de generación de video o voz.
", "aboutText": "Qwen3-VL-8B-Thinking es la edición densa 8B enfocada en razonamiento de la familia Qwen3-VL de Alibaba. Combina texto, imágenes y video en una tarea compartida y genera texto. Qwen publica las ediciones Thinking e Instruct por separado; esta ficha corresponde al modelo Thinking con nombre propio, cuyo propósito incluye analizar evidencia visual antes de producir una respuesta. El trabajo solo de texto también forma parte de la capacidad lingüística del modelo.\n\nEl fabricante presenta primero los agentes visuales: el modelo puede reconocer elementos de interfaces de escritorio o móviles, interpretar sus funciones y razonar sobre la siguiente interacción. En una aplicación, las capturas de pantalla proporcionan el estado actual y las herramientas ejecutan las acciones seleccionadas. Un encargo útil indica el objetivo del usuario, la pantalla visible y las acciones permitidas; después, pide el siguiente paso y el elemento que lo justifica. La interpretación generada es distinta de una acción ejecutada por la aplicación que rodea al modelo.\n\nLa programación visual conecta imágenes o video de referencia con código textual. Qwen documenta diagramas Draw.io y HTML, CSS y JavaScript como ejemplos de salida. Proporciona una captura de pantalla o un boceto junto con el comportamiento, el contenido y la disposición objetivo requeridos; solicita un artefacto editable de código o diagrama. Para trabajo espacial, la familia describe posición de objetos, punto de vista y oclusión, con localización en 2D y en 3D. Indica la convención de coordenadas si necesitas ubicaciones, para que una posición descrita y un recuadro solicitado usen la misma referencia.\n\nEl contexto nativo es de 256K tokens para texto y material visual intercalado. La ficha del modelo también describe una ampliación a un millón de tokens, que es una extensión configurada aparte, en lugar de la especificación de contexto nativo. Las aplicaciones de contexto largo incluyen referencias cruzadas entre páginas de documentos y localización de eventos en video. Conserva el orden de las páginas y las marcas de tiempo de video al preparar la entrada, y pide que la respuesta identifique la página o el momento usados para cada conclusión.\n\nEl razonamiento multimodal abarca tareas matemáticas y científicas que requieren tanto el material visible como su pregunta escrita. La familia también admite reconocimiento visual amplio de objetos, productos, lugares emblemáticos, plantas y animales. Su cobertura OCR abarca 32 idiomas e incluye imágenes difíciles con poca luz, desenfoque o inclinación, junto con interpretación de la estructura documental. Para un problema escaneado, pide primero una transcripción y después una solución; esto hace visible un signo o una etiqueta mal leídos antes de que cambien el razonamiento.\n\nTres actualizaciones de arquitectura respaldan este trabajo visual y temporal. Interleaved-MRoPE distribuye la información posicional entre tiempo, ancho y alto; DeepStack introduce en el modelo de lenguaje características visuales de varios niveles; las marcas de tiempo textuales explícitas representan la posición temporal de los grupos de fotogramas de video. Su relevancia práctica es conservar el detalle espacial y conectar la descripción de un evento con un momento de la fuente. No convierten un detalle pequeño o ilegible de la fuente en reconocimiento garantizado.\n\nLa ficha del modelo Thinking exacto proporciona recomendaciones de generación por separado para tareas visuales y textuales. Ambas usan muestreo con temperatura 1.0, top-p 0.95 y top-k 20; el ejemplo visual usa penalización por presencia 0.0, mientras que el ejemplo textual usa 1.5. Sus ajustes de ejemplo de longitud de salida son 40,960 para trabajo visual y 32,768 para texto, con 81,920 sugeridos para determinadas evaluaciones exigentes de texto. Son recomendaciones de ajuste, no una garantía universal de salida máxima ni parámetros que el servicio que rodea al modelo necesariamente exponga.\n\nPara una tarea documental práctica, proporciona imágenes ordenadas de las páginas y pide: “Extrae los encabezados de sección, explica la relación entre el diagrama y el texto adyacente, y adjunta una referencia de página a cada hallazgo”. Para video, define el evento que deseas localizar y solicita su marca de tiempo junto con una explicación visual breve. Para una pregunta de razonamiento visual, indica el artefacto final requerido y los supuestos que pueden usarse. La salida sigue siendo una explicación textual, contenido extraído, código o un paso de herramienta propuesto; la entrada visual de esta edición no es un flujo de generación de video o voz.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking es la edición 8B de lenguaje visual de Qwen enfocada en razonamiento. Combina texto, imágenes y video para resolver problemas visuales, interpretar documentos, analizar el espacio y generar código a partir de referencias visuales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-VL-8B-Thinking es la edición densa 8B enfocada en razonamiento de la familia Qwen3-VL de Alibaba. Combina texto, imágenes y video en una tarea compartida y genera texto. Qwen publica las ediciones Thinking e Instruct por separado; esta ficha corresponde al modelo Thinking con nombre propio, cuyo propósito incluye analizar evidencia visual antes de producir una respuesta. El trabajo solo de texto también forma parte de la capacidad lingüística del modelo.
El fabricante presenta primero los agentes visuales: el modelo puede reconocer elementos de interfaces de escritorio o móviles, interpretar sus funciones y razonar sobre la siguiente interacción. En una aplicación, las capturas de pantalla proporcionan el estado actual y las herramientas ejecutan las acciones seleccionadas. Un encargo útil indica el objetivo del usuario, la pantalla visible y las acciones permitidas; después, pide el siguiente paso y el elemento que lo justifica. La interpretación generada es distinta de una acción ejecutada por la aplicación que rodea al modelo.
La programación visual conecta imágenes o video de referencia con código textual. Qwen documenta diagramas Draw.io y HTML, CSS y JavaScript como ejemplos de salida. Proporciona una captura de pantalla o un boceto junto con el comportamiento, el contenido y la disposición objetivo requeridos; solicita un artefacto editable de código o diagrama. Para trabajo espacial, la familia describe posición de objetos, punto de vista y oclusión, con localización en 2D y en 3D. Indica la convención de coordenadas si necesitas ubicaciones, para que una posición descrita y un recuadro solicitado usen la misma referencia.
El contexto nativo es de 256K tokens para texto y material visual intercalado. La ficha del modelo también describe una ampliación a un millón de tokens, que es una extensión configurada aparte, en lugar de la especificación de contexto nativo. Las aplicaciones de contexto largo incluyen referencias cruzadas entre páginas de documentos y localización de eventos en video. Conserva el orden de las páginas y las marcas de tiempo de video al preparar la entrada, y pide que la respuesta identifique la página o el momento usados para cada conclusión.
El razonamiento multimodal abarca tareas matemáticas y científicas que requieren tanto el material visible como su pregunta escrita. La familia también admite reconocimiento visual amplio de objetos, productos, lugares emblemáticos, plantas y animales. Su cobertura OCR abarca 32 idiomas e incluye imágenes difíciles con poca luz, desenfoque o inclinación, junto con interpretación de la estructura documental. Para un problema escaneado, pide primero una transcripción y después una solución; esto hace visible un signo o una etiqueta mal leídos antes de que cambien el razonamiento.
Tres actualizaciones de arquitectura respaldan este trabajo visual y temporal. Interleaved-MRoPE distribuye la información posicional entre tiempo, ancho y alto; DeepStack introduce en el modelo de lenguaje características visuales de varios niveles; las marcas de tiempo textuales explícitas representan la posición temporal de los grupos de fotogramas de video. Su relevancia práctica es conservar el detalle espacial y conectar la descripción de un evento con un momento de la fuente. No convierten un detalle pequeño o ilegible de la fuente en reconocimiento garantizado.
La ficha del modelo Thinking exacto proporciona recomendaciones de generación por separado para tareas visuales y textuales. Ambas usan muestreo con temperatura 1.0, top-p 0.95 y top-k 20; el ejemplo visual usa penalización por presencia 0.0, mientras que el ejemplo textual usa 1.5. Sus ajustes de ejemplo de longitud de salida son 40,960 para trabajo visual y 32,768 para texto, con 81,920 sugeridos para determinadas evaluaciones exigentes de texto. Son recomendaciones de ajuste, no una garantía universal de salida máxima ni parámetros que el servicio que rodea al modelo necesariamente exponga.
Para una tarea documental práctica, proporciona imágenes ordenadas de las páginas y pide: “Extrae los encabezados de sección, explica la relación entre el diagrama y el texto adyacente, y adjunta una referencia de página a cada hallazgo”. Para video, define el evento que deseas localizar y solicita su marca de tiempo junto con una explicación visual breve. Para una pregunta de razonamiento visual, indica el artefacto final requerido y los supuestos que pueden usarse. La salida sigue siendo una explicación textual, contenido extraído, código o un paso de herramienta propuesto; la entrada visual de esta edición no es un flujo de generación de video o voz.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-VL-8B-Thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000144 / 1K tokens Salida · Tokens de salida $0.00143 / 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-8B-Thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-VL-8B-Thinking
Usa las rutas de método indicadas arriba.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking es la edición 8B de lenguaje visual de Qwen enfocada en razonamiento. Combina texto, imágenes y video para resolver problemas visuales, interpretar documentos, analizar el espacio y generar código a partir de referencias visuales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-VL-8B-Thinking es la edición densa 8B enfocada en razonamiento de la familia Qwen3-VL de Alibaba. Combina texto, imágenes y video en una tarea compartida y genera texto. Qwen publica las ediciones Thinking e Instruct por separado; esta ficha corresponde al modelo Thinking con nombre propio, cuyo propósito incluye analizar evidencia visual antes de producir una respuesta. El trabajo solo de texto también forma parte de la capacidad lingüística del modelo.
El fabricante presenta primero los agentes visuales: el modelo puede reconocer elementos de interfaces de escritorio o móviles, interpretar sus funciones y razonar sobre la siguiente interacción. En una aplicación, las capturas de pantalla proporcionan el estado actual y las herramientas ejecutan las acciones seleccionadas. Un encargo útil indica el objetivo del usuario, la pantalla visible y las acciones permitidas; después, pide el siguiente paso y el elemento que lo justifica. La interpretación generada es distinta de una acción ejecutada por la aplicación que rodea al modelo.
La programación visual conecta imágenes o video de referencia con código textual. Qwen documenta diagramas Draw.io y HTML, CSS y JavaScript como ejemplos de salida. Proporciona una captura de pantalla o un boceto junto con el comportamiento, el contenido y la disposición objetivo requeridos; solicita un artefacto editable de código o diagrama. Para trabajo espacial, la familia describe posición de objetos, punto de vista y oclusión, con localización en 2D y en 3D. Indica la convención de coordenadas si necesitas ubicaciones, para que una posición descrita y un recuadro solicitado usen la misma referencia.
El contexto nativo es de 256K tokens para texto y material visual intercalado. La ficha del modelo también describe una ampliación a un millón de tokens, que es una extensión configurada aparte, en lugar de la especificación de contexto nativo. Las aplicaciones de contexto largo incluyen referencias cruzadas entre páginas de documentos y localización de eventos en video. Conserva el orden de las páginas y las marcas de tiempo de video al preparar la entrada, y pide que la respuesta identifique la página o el momento usados para cada conclusión.
El razonamiento multimodal abarca tareas matemáticas y científicas que requieren tanto el material visible como su pregunta escrita. La familia también admite reconocimiento visual amplio de objetos, productos, lugares emblemáticos, plantas y animales. Su cobertura OCR abarca 32 idiomas e incluye imágenes difíciles con poca luz, desenfoque o inclinación, junto con interpretación de la estructura documental. Para un problema escaneado, pide primero una transcripción y después una solución; esto hace visible un signo o una etiqueta mal leídos antes de que cambien el razonamiento.
Tres actualizaciones de arquitectura respaldan este trabajo visual y temporal. Interleaved-MRoPE distribuye la información posicional entre tiempo, ancho y alto; DeepStack introduce en el modelo de lenguaje características visuales de varios niveles; las marcas de tiempo textuales explícitas representan la posición temporal de los grupos de fotogramas de video. Su relevancia práctica es conservar el detalle espacial y conectar la descripción de un evento con un momento de la fuente. No convierten un detalle pequeño o ilegible de la fuente en reconocimiento garantizado.
La ficha del modelo Thinking exacto proporciona recomendaciones de generación por separado para tareas visuales y textuales. Ambas usan muestreo con temperatura 1.0, top-p 0.95 y top-k 20; el ejemplo visual usa penalización por presencia 0.0, mientras que el ejemplo textual usa 1.5. Sus ajustes de ejemplo de longitud de salida son 40,960 para trabajo visual y 32,768 para texto, con 81,920 sugeridos para determinadas evaluaciones exigentes de texto. Son recomendaciones de ajuste, no una garantía universal de salida máxima ni parámetros que el servicio que rodea al modelo necesariamente exponga.
Para una tarea documental práctica, proporciona imágenes ordenadas de las páginas y pide: “Extrae los encabezados de sección, explica la relación entre el diagrama y el texto adyacente, y adjunta una referencia de página a cada hallazgo”. Para video, define el evento que deseas localizar y solicita su marca de tiempo junto con una explicación visual breve. Para una pregunta de razonamiento visual, indica el artefacto final requerido y los supuestos que pueden usarse. La salida sigue siendo una explicación textual, contenido extraído, código o un paso de herramienta propuesto; la entrada visual de esta edición no es un flujo de generación de video o voz.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Qwen/Qwen3-VL-8B-Thinking | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000144 / 1K tokens Salida · Tokens de salida $0.00143 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-VL-8B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-VL-8B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra Qwen/Qwen3-VL-8B-Thinking
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.