La edición 8B Instruct de visión y lenguaje
Qwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL centrada en instrucciones. Combina texto con imágenes o vídeo y produce texto, incluido código. Sigue siendo independiente de la edición Thinking de razonamiento mejorado y de los modelos de expertos dispersos de la misma familia. Elígelo para una instrucción visual centrada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con las pruebas proporcionadas.
Agentes visuales y programación visual
El desarrollador describe el reconocimiento de elementos de interfaces de ordenador o móvil, la comprensión de sus funciones y el uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto, y después pregunta qué controles visibles corresponden a ese objetivo y qué pruebas respaldan la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo, de forma independiente, control de un dispositivo.
La programación visual incluye la producción de contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o vídeo. Proporciona la referencia de diseño junto con los requisitos funcionales y la salida editable requerida. Pide la estructura del código fuente y los estilos por separado cuando eso facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo que lo renderice y evalúe 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 examina. Un resultado sobre posición relativa es una inferencia de la imagen, no una medida física calibrada.
El contexto nativo es de 262,144 tokens. La familia describe libros y vídeos 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 amplio no garantiza recordar por completo todas las páginas o fotogramas. Conserva los tiempos al pedir un relato de eventos de vídeo.
Razonamiento multimodal, reconocimiento y OCR
La familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en pruebas. Proporciona el enunciado completo junto con un diagrama y pide los valores y relaciones utilizados 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 comprobarse cuando importe la identificación.
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 pide campos identificados, citas o una tabla estructurada que se pueda contrastar con ella. La comprensión textual y visual se combinan, por lo 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, anchura y altura para razonamiento de vídeo. DeepStack combina características de varios niveles del codificador visual, y la alineación de texto y marcas de tiempo fundamenta los eventos en referencias temporales. Estas funciones de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni una precisión física exacta.
Preparación de la entrada
Los ejemplos de familia del desarrollador abarcan solicitudes solo de texto, una o varias imágenes y vídeo. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y vídeo son independientes: un presupuesto de imagen se refiere a una imagen, mientras que uno de vídeo se refiere a los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se ajustan a múltiplos de 32. El valor predeterminado documentado de vídeo es de dos fotogramas por segundo, con controles de frecuencia o recuento de fotogramas en flujos compatibles.
El flujo auxiliar conserva los metadatos de vídeo y aconseja evitar cambios de tamaño duplicados cuando ya se ha cambiado el tamaño del archivo multimedia. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y las pruebas visibles. 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 da preajustes independientes por tarea. Las tareas de visión y lenguaje utilizan temperatura 0.7, top_p 0.8, top_k 20, penalización de repetición 1.0 y penalización de presencia 1.5, con una capacidad de salida de 16,384 tokens. Las tareas textuales utilizan temperatura 1.0, top_p 1.0, top_k 40, penalización de repetición 1.0 y penalización de presencia 2.0, con una capacidad de 32,768 tokens. Son presupuestos de receta del productor, no límites estrictos de salida establecidos de forma independiente ni identidades de modelo separadas.
El procedimiento de contexto largo de la familia utiliza YaRN, con un factor sugerido de dos o tres 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 frente al material original. Mantén la edición Instruct exacta, en lugar de importar las condiciones de generación o control de un punto de control Thinking.
", "aboutText": "La edición 8B Instruct de visión y lenguaje\n\nQwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL centrada en instrucciones. Combina texto con imágenes o vídeo y produce texto, incluido código. Sigue siendo independiente de la edición Thinking de razonamiento mejorado y de los modelos de expertos dispersos de la misma familia. Elígelo para una instrucción visual centrada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con las pruebas proporcionadas.\n\nAgentes visuales y programación visual\n\nEl desarrollador describe el reconocimiento de elementos de interfaces de ordenador o móvil, la comprensión de sus funciones y el uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto, y después pregunta qué controles visibles corresponden a ese objetivo y qué pruebas respaldan la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo, de forma independiente, control de un dispositivo.\n\nLa programación visual incluye la producción de contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o vídeo. Proporciona la referencia de diseño junto con los requisitos funcionales y la salida editable requerida. Pide la estructura del código fuente y los estilos por separado cuando eso facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo que lo renderice y evalúe 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 examina. Un resultado sobre posición relativa es una inferencia de la imagen, no una medida física calibrada.\n\nEl contexto nativo es de 262,144 tokens. La familia describe libros y vídeos 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 amplio no garantiza recordar por completo todas las páginas o fotogramas. Conserva los tiempos al pedir un relato de eventos de vídeo.\n\nRazonamiento multimodal, reconocimiento y OCR\n\nLa familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en pruebas. Proporciona el enunciado completo junto con un diagrama y pide los valores y relaciones utilizados 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 comprobarse cuando importe la identificación.\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 pide campos identificados, citas o una tabla estructurada que se pueda contrastar con ella. La comprensión textual y visual se combinan, por lo 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, anchura y altura para razonamiento de vídeo. DeepStack combina características de varios niveles del codificador visual, y la alineación de texto y marcas de tiempo fundamenta los eventos en referencias temporales. Estas funciones de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni una precisión física exacta.\n\nPreparación de la entrada\n\nLos ejemplos de familia del desarrollador abarcan solicitudes solo de texto, una o varias imágenes y vídeo. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y vídeo son independientes: un presupuesto de imagen se refiere a una imagen, mientras que uno de vídeo se refiere a los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se ajustan a múltiplos de 32. El valor predeterminado documentado de vídeo es de dos fotogramas por segundo, con controles de frecuencia o recuento de fotogramas en flujos compatibles.\n\nEl flujo auxiliar conserva los metadatos de vídeo y aconseja evitar cambios de tamaño duplicados cuando ya se ha cambiado el tamaño del archivo multimedia. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y las pruebas visibles. 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 da preajustes independientes por tarea. Las tareas de visión y lenguaje utilizan temperatura 0.7, top_p 0.8, top_k 20, penalización de repetición 1.0 y penalización de presencia 1.5, con una capacidad de salida de 16,384 tokens. Las tareas textuales utilizan temperatura 1.0, top_p 1.0, top_k 40, penalización de repetición 1.0 y penalización de presencia 2.0, con una capacidad de 32,768 tokens. Son presupuestos de receta del productor, no límites estrictos de salida establecidos de forma independiente ni identidades de modelo separadas.\n\nEl procedimiento de contexto largo de la familia utiliza YaRN, con un factor sugerido de dos o tres 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 frente al material original. Mantén la edición Instruct exacta, en lugar de importar las condiciones de generación o control de un punto de control 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 visión y lenguaje de Qwen centrado en instrucciones para texto, imágenes y vídeo, con salida de texto o código. Admite lectura documental, programación visual, preguntas espaciales y análisis de vídeo, 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 visión y lenguaje
Qwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL centrada en instrucciones. Combina texto con imágenes o vídeo y produce texto, incluido código. Sigue siendo independiente de la edición Thinking de razonamiento mejorado y de los modelos de expertos dispersos de la misma familia. Elígelo para una instrucción visual centrada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con las pruebas proporcionadas.
Agentes visuales y programación visual
El desarrollador describe el reconocimiento de elementos de interfaces de ordenador o móvil, la comprensión de sus funciones y el uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto, y después pregunta qué controles visibles corresponden a ese objetivo y qué pruebas respaldan la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo, de forma independiente, control de un dispositivo.
La programación visual incluye la producción de contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o vídeo. Proporciona la referencia de diseño junto con los requisitos funcionales y la salida editable requerida. Pide la estructura del código fuente y los estilos por separado cuando eso facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo que lo renderice y evalúe 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 examina. Un resultado sobre posición relativa es una inferencia de la imagen, no una medida física calibrada.
El contexto nativo es de 262,144 tokens. La familia describe libros y vídeos 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 amplio no garantiza recordar por completo todas las páginas o fotogramas. Conserva los tiempos al pedir un relato de eventos de vídeo.
Razonamiento multimodal, reconocimiento y OCR
La familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en pruebas. Proporciona el enunciado completo junto con un diagrama y pide los valores y relaciones utilizados 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 comprobarse cuando importe la identificación.
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 pide campos identificados, citas o una tabla estructurada que se pueda contrastar con ella. La comprensión textual y visual se combinan, por lo 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, anchura y altura para razonamiento de vídeo. DeepStack combina características de varios niveles del codificador visual, y la alineación de texto y marcas de tiempo fundamenta los eventos en referencias temporales. Estas funciones de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni una precisión física exacta.
Preparación de la entrada
Los ejemplos de familia del desarrollador abarcan solicitudes solo de texto, una o varias imágenes y vídeo. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y vídeo son independientes: un presupuesto de imagen se refiere a una imagen, mientras que uno de vídeo se refiere a los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se ajustan a múltiplos de 32. El valor predeterminado documentado de vídeo es de dos fotogramas por segundo, con controles de frecuencia o recuento de fotogramas en flujos compatibles.
El flujo auxiliar conserva los metadatos de vídeo y aconseja evitar cambios de tamaño duplicados cuando ya se ha cambiado el tamaño del archivo multimedia. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y las pruebas visibles. 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 da preajustes independientes por tarea. Las tareas de visión y lenguaje utilizan temperatura 0.7, top_p 0.8, top_k 20, penalización de repetición 1.0 y penalización de presencia 1.5, con una capacidad de salida de 16,384 tokens. Las tareas textuales utilizan temperatura 1.0, top_p 1.0, top_k 40, penalización de repetición 1.0 y penalización de presencia 2.0, con una capacidad de 32,768 tokens. Son presupuestos de receta del productor, no límites estrictos de salida establecidos de forma independiente ni identidades de modelo separadas.
El procedimiento de contexto largo de la familia utiliza YaRN, con un factor sugerido de dos o tres 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 frente al material original. Mantén la edición Instruct exacta, en lugar de importar las condiciones de generación o control de un punto de control 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 |
| ConfiguraciónTramo 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 $0.00024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 las cabeceras. 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 visión y lenguaje de Qwen centrado en instrucciones para texto, imágenes y vídeo, con salida de texto o código. Admite lectura documental, programación visual, preguntas espaciales y análisis de vídeo, 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 visión y lenguaje
Qwen3-VL-8B-Instruct es la edición densa 8B de Qwen3-VL centrada en instrucciones. Combina texto con imágenes o vídeo y produce texto, incluido código. Sigue siendo independiente de la edición Thinking de razonamiento mejorado y de los modelos de expertos dispersos de la misma familia. Elígelo para una instrucción visual centrada, una pregunta documental o un artefacto editable cuyo resultado pueda compararse con las pruebas proporcionadas.
Agentes visuales y programación visual
El desarrollador describe el reconocimiento de elementos de interfaces de ordenador o móvil, la comprensión de sus funciones y el uso de herramientas en un flujo de agente visual. Proporciona una captura de pantalla y un objetivo concreto, y después pregunta qué controles visibles corresponden a ese objetivo y qué pruebas respaldan la elección. El software conectado realiza las acciones; reconocer una interfaz no da al modelo, de forma independiente, control de un dispositivo.
La programación visual incluye la producción de contenido de diagramas y HTML, CSS o JavaScript a partir de imágenes o vídeo. Proporciona la referencia de diseño junto con los requisitos funcionales y la salida editable requerida. Pide la estructura del código fuente y los estilos por separado cuando eso facilite la revisión. El código generado es un artefacto textual; sigue necesitando un flujo de desarrollo que lo renderice y evalúe 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 examina. Un resultado sobre posición relativa es una inferencia de la imagen, no una medida física calibrada.
El contexto nativo es de 262,144 tokens. La familia describe libros y vídeos 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 amplio no garantiza recordar por completo todas las páginas o fotogramas. Conserva los tiempos al pedir un relato de eventos de vídeo.
Razonamiento multimodal, reconocimiento y OCR
La familia admite preguntas STEM y matemáticas, análisis causal y explicaciones visuales basadas en pruebas. Proporciona el enunciado completo junto con un diagrama y pide los valores y relaciones utilizados 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 comprobarse cuando importe la identificación.
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 pide campos identificados, citas o una tabla estructurada que se pueda contrastar con ella. La comprensión textual y visual se combinan, por lo 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, anchura y altura para razonamiento de vídeo. DeepStack combina características de varios niveles del codificador visual, y la alineación de texto y marcas de tiempo fundamenta los eventos en referencias temporales. Estas funciones de arquitectura describen la representación del modelo; no establecen un tiempo de respuesta fijo ni una precisión física exacta.
Preparación de la entrada
Los ejemplos de familia del desarrollador abarcan solicitudes solo de texto, una o varias imágenes y vídeo. Etiqueta las entradas visuales e indica su relación. Los presupuestos de píxeles de imagen y vídeo son independientes: un presupuesto de imagen se refiere a una imagen, mientras que uno de vídeo se refiere a los píxeles de los fotogramas muestreados. Las dimensiones explícitas de imagen se ajustan a múltiplos de 32. El valor predeterminado documentado de vídeo es de dos fotogramas por segundo, con controles de frecuencia o recuento de fotogramas en flujos compatibles.
El flujo auxiliar conserva los metadatos de vídeo y aconseja evitar cambios de tamaño duplicados cuando ya se ha cambiado el tamaño del archivo multimedia. Para una tarea documental, conserva los identificadores de página; para un clip, pide el evento, el intervalo pertinente y las pruebas visibles. 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 da preajustes independientes por tarea. Las tareas de visión y lenguaje utilizan temperatura 0.7, top_p 0.8, top_k 20, penalización de repetición 1.0 y penalización de presencia 1.5, con una capacidad de salida de 16,384 tokens. Las tareas textuales utilizan temperatura 1.0, top_p 1.0, top_k 40, penalización de repetición 1.0 y penalización de presencia 2.0, con una capacidad de 32,768 tokens. Son presupuestos de receta del productor, no límites estrictos de salida establecidos de forma independiente ni identidades de modelo separadas.
El procedimiento de contexto largo de la familia utiliza YaRN, con un factor sugerido de dos o tres 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 frente al material original. Mantén la edición Instruct exacta, en lugar de importar las condiciones de generación o control de un punto de control 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 |
| ConfiguraciónTramo 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 $0.00024 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 las cabeceras. 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.