Johdanto: multimodaalinen Thinking-versio
Qwen3-VL-235B-A22B-Thinking on Qwen3-VL:n päättelyyn keskittyvä asiantuntijasekoitusversio. Se yhdistää tekstin kuviin ja videoon ja tuottaa tekstivastauksia tai koodia. Kiinteä Thinking-tarkistuspiste on erillinen Qwen3-VL-235B-A22B-Instruct-versiosta ja erikseen nimetyistä FP8-koosteista. Valitse se kysymykseen, joka edellyttää visuaalisen aineiston yhdistämistä pidempään selitykseen, sen sijaan että olettaisit jokaisella Qwen3-VL-versiolla olevan sama vastaustyyli.
Visuaaliset agentit ja visuaalinen ohjelmointi
Qwen kuvaa visuaalisen agentin työnkulun, joka tunnistaa tietokone- tai mobiilikäyttöliittymän elementit, tulkitsee niiden toiminnot ja käyttää työkaluja tehtävien suorittamiseen. Malli tarjoaa havainnoinnin ja päättelyn; sovelluksen tulee kytkeä ja suorittaa toiminnot. Anna käyttöliittymäarviointiin nykyinen kuvakaappaus ja täsmällinen tavoite, ja pyydä sitten tunnistamaan olennaiset ohjaimet ja selittämään seuraava toiminto. Pelkkä kuva ei anna laitteen hallintaa.
Visuaaliseen ohjelmointiin kuuluu kaaviosisällön sekä HTML:n, CSS:n tai JavaScriptin tuottaminen kuvista ja videoista. Anna kuvakaappaus sekä vaadittu asettelu, toiminta ja muokattava tulostemuoto. Pyydä sivurakenne ja tyylit erillisinä tuotoksina, kun se helpottaa tarkastamista. Tuotettu koodi on kehitystyönkulkuun tarkoitettua tekstiä; se ei osoita, että verkkosivusto on renderöity tai että lähdekuvasta on tullut toimiva sovellus.
Spatiaalinen havainnointi
Valmistaja dokumentoi objektien sijainteja, katselukulmia ja peittymisiä koskevan päättelyn sekä kaksiulotteisen kohdistamisen ja tuen kolmiulotteiselle kohdistamiselle. Esitä konkreettinen suhdekysymys ja yksilöi kiinnostava objekti: esimerkiksi mikä komponentti peittyy, mitä sen edessä on ja mitkä visuaaliset vihjeet tukevat tulkintaa. Kohdistamiskykyä ei tule käsitellä mielivaltaisesta kuvasta tehtynä kalibroituna fyysisenä mittauksena.
Pitkä konteksti ja video
Natiivi konteksti on 262,144 tokenia. Qwen kuvaa laajentamisen noin miljoonaan YaRN-konfiguraatiolla sekä perheen työnkulkuja, joissa käsitellään kirjoja tai tuntien videoita ja indeksoidaan tapahtumia sekuntitason tarkkuudella. Nämä kyvyt riippuvat esitystavasta, ruutujen näytteistyksestä ja kontekstikonfiguraatiosta; valmistajan yleiskuvaus ei takaa jokaisen ruudun täydellistä muistamista. Koodivarastossaan Qwen suosittelee tälle lomitetulle sijaintijärjestelmälle ekstrapolointikerrointa kaksi tai kolme, kun 256K laajennetaan noin 1M:ään, sen sijaan että toisesta mallista kopioitaisiin automaattisesti kerroin neljä.
Multimodaalinen päättely ja tunnistus
Thinking-versio tähtää näyttöön perustuvaan STEM- ja matemaattiseen päättelyyn, syy-seurausanalyysiin ja loogisiin vastauksiin, jotka yhdistävät tekstin visuaaliseen aineistoon. Anna kaavio määritelmineen tai kuvaaja ja täsmällinen numeerinen kysymys. Pyydä käytetyt nimikkeet ja arvot ennen johtopäätöstä. Qwen kuvaa myös laajempaa visuaalista tunnistusta, joka kattaa ihmiset, animen, tuotteet, maamerkit, kasvit ja eläimet. Tunnistusvastaus on edelleen annetusta kuvasta tehty päätelmä, ei tae siitä, että jokainen objekti tai henkilöllisyys voidaan nimetä.
OCR kattaa 32 kieltä ja on suunniteltu parantamaan lukemista hämärässä, epäterävyydessä tai kallistuksessa, mukaan lukien erikoissanasto ja pitkien dokumenttien rakenne. Säilytä luettavat lähdekuvat ja pyydä kenttiä, lainauksia tai tarkistettavaa rakenteista taulukkoa. Tekstin ja visuaalisen aineiston ymmärtäminen yhdistyvät samassa mallissa, joten kysymys voi viitata yhdessä dokumenttikatkelmaan, kuvaan ja käyttäjän ohjeisiin.
Arkkitehtuurimuutokset
Interleaved-MRoPE jakaa sijaintiesityksen ajan, leveyden ja korkeuden kesken videopäättelyä varten. DeepStack yhdistää visuaalisia piirteitä usealta enkooderitasolta hienompien yksityiskohtien tallentamiseksi ja kuvan ja tekstin kohdistuksen parantamiseksi. Tekstin ja aikaleimojen kohdistus sitoo tapahtumat ajallisiin viittauksiin. Julkaistussa tekstikonfiguraatiossa on 94 kerrosta, 128 asiantuntijaa ja kahdeksan valittua asiantuntijaa tokenia kohti. Nämä arkkitehtuuritiedot selittävät mallin multimodaalista esitystä; ne eivät takaa vastausaikaa.
Visuaalisen syötteen ja tulosteen valmistelu
Valmistajan esimerkit kattavat yhden tai useita kuvia, videon sekä pelkkää tekstiä sisältävät pyynnöt. Merkitse jokainen visuaalinen syöte niin, että kysymys voi viitata siihen selkeästi. Kuva- ja videoprosessorit käyttävät erillisiä pikselibudjetteja: kuvabudjetti rajoittaa kuvan pikseleitä, kun taas videobudjetti huomioi pikselit näytteistetyissä ruuduissa. Nimenomaiset kuvamitat kohdistetaan luvun 32 monikerroiksi. Videon näytteistystä voidaan ohjata taajuudella tai ruutumäärällä; dokumentoitu oletus on kaksi ruutua sekunnissa. Säilytä aikaleimat, kun pyydät tapahtuma-aikajanaa.
Pyydä pitkästä leikkeestä tapahtuma, sen aikaväli ja näkyvä näyttö erittelemättömän yhteenvedon sijaan. Pyydä useista sivuista sivutunnisteen mukaan jäsennetty tulos. Nämä valmisteluesimerkit soveltavat dokumentoituja kykyjä ja auttavat tekemään puutteet tai poimintavirheet näkyviksi.
Generointiohjeet ja rajat
Tarkistuspisteen generointitiedoston oletukset ovat temperature 0.8, top_p 0.95 ja top_k 20. Qwenin erillinen Thinking-arviointiresepti käyttää temperature-arvoa 0.6, presence penalty -arvoa nolla, repetition penalty -arvoa 1.0 ja 40,960 tokenin tulostekiintiötä. Nämä ovat erillisiä valmistajan esiasetuksia, eivät yksi ehdoton tulosteraja. Varaa visuaalisten tokenien rinnalle tilaa päättelylle ja lopulliselle tekstille ja tarkista poimittu teksti, lasketut vastaukset ja tuotettu koodi lähdettä vasten ennen käyttöä.
", "aboutText": "Johdanto: multimodaalinen Thinking-versio\n\nQwen3-VL-235B-A22B-Thinking on Qwen3-VL:n päättelyyn keskittyvä asiantuntijasekoitusversio. Se yhdistää tekstin kuviin ja videoon ja tuottaa tekstivastauksia tai koodia. Kiinteä Thinking-tarkistuspiste on erillinen Qwen3-VL-235B-A22B-Instruct-versiosta ja erikseen nimetyistä FP8-koosteista. Valitse se kysymykseen, joka edellyttää visuaalisen aineiston yhdistämistä pidempään selitykseen, sen sijaan että olettaisit jokaisella Qwen3-VL-versiolla olevan sama vastaustyyli.\n\nVisuaaliset agentit ja visuaalinen ohjelmointi\n\nQwen kuvaa visuaalisen agentin työnkulun, joka tunnistaa tietokone- tai mobiilikäyttöliittymän elementit, tulkitsee niiden toiminnot ja käyttää työkaluja tehtävien suorittamiseen. Malli tarjoaa havainnoinnin ja päättelyn; sovelluksen tulee kytkeä ja suorittaa toiminnot. Anna käyttöliittymäarviointiin nykyinen kuvakaappaus ja täsmällinen tavoite, ja pyydä sitten tunnistamaan olennaiset ohjaimet ja selittämään seuraava toiminto. Pelkkä kuva ei anna laitteen hallintaa.\n\nVisuaaliseen ohjelmointiin kuuluu kaaviosisällön sekä HTML:n, CSS:n tai JavaScriptin tuottaminen kuvista ja videoista. Anna kuvakaappaus sekä vaadittu asettelu, toiminta ja muokattava tulostemuoto. Pyydä sivurakenne ja tyylit erillisinä tuotoksina, kun se helpottaa tarkastamista. Tuotettu koodi on kehitystyönkulkuun tarkoitettua tekstiä; se ei osoita, että verkkosivusto on renderöity tai että lähdekuvasta on tullut toimiva sovellus.\n\nSpatiaalinen havainnointi\n\nValmistaja dokumentoi objektien sijainteja, katselukulmia ja peittymisiä koskevan päättelyn sekä kaksiulotteisen kohdistamisen ja tuen kolmiulotteiselle kohdistamiselle. Esitä konkreettinen suhdekysymys ja yksilöi kiinnostava objekti: esimerkiksi mikä komponentti peittyy, mitä sen edessä on ja mitkä visuaaliset vihjeet tukevat tulkintaa. Kohdistamiskykyä ei tule käsitellä mielivaltaisesta kuvasta tehtynä kalibroituna fyysisenä mittauksena.\n\nPitkä konteksti ja video\n\nNatiivi konteksti on 262,144 tokenia. Qwen kuvaa laajentamisen noin miljoonaan YaRN-konfiguraatiolla sekä perheen työnkulkuja, joissa käsitellään kirjoja tai tuntien videoita ja indeksoidaan tapahtumia sekuntitason tarkkuudella. Nämä kyvyt riippuvat esitystavasta, ruutujen näytteistyksestä ja kontekstikonfiguraatiosta; valmistajan yleiskuvaus ei takaa jokaisen ruudun täydellistä muistamista. Koodivarastossaan Qwen suosittelee tälle lomitetulle sijaintijärjestelmälle ekstrapolointikerrointa kaksi tai kolme, kun 256K laajennetaan noin 1M:ään, sen sijaan että toisesta mallista kopioitaisiin automaattisesti kerroin neljä.\n\nMultimodaalinen päättely ja tunnistus\n\nThinking-versio tähtää näyttöön perustuvaan STEM- ja matemaattiseen päättelyyn, syy-seurausanalyysiin ja loogisiin vastauksiin, jotka yhdistävät tekstin visuaaliseen aineistoon. Anna kaavio määritelmineen tai kuvaaja ja täsmällinen numeerinen kysymys. Pyydä käytetyt nimikkeet ja arvot ennen johtopäätöstä. Qwen kuvaa myös laajempaa visuaalista tunnistusta, joka kattaa ihmiset, animen, tuotteet, maamerkit, kasvit ja eläimet. Tunnistusvastaus on edelleen annetusta kuvasta tehty päätelmä, ei tae siitä, että jokainen objekti tai henkilöllisyys voidaan nimetä.\n\nOCR kattaa 32 kieltä ja on suunniteltu parantamaan lukemista hämärässä, epäterävyydessä tai kallistuksessa, mukaan lukien erikoissanasto ja pitkien dokumenttien rakenne. Säilytä luettavat lähdekuvat ja pyydä kenttiä, lainauksia tai tarkistettavaa rakenteista taulukkoa. Tekstin ja visuaalisen aineiston ymmärtäminen yhdistyvät samassa mallissa, joten kysymys voi viitata yhdessä dokumenttikatkelmaan, kuvaan ja käyttäjän ohjeisiin.\n\nArkkitehtuurimuutokset\n\nInterleaved-MRoPE jakaa sijaintiesityksen ajan, leveyden ja korkeuden kesken videopäättelyä varten. DeepStack yhdistää visuaalisia piirteitä usealta enkooderitasolta hienompien yksityiskohtien tallentamiseksi ja kuvan ja tekstin kohdistuksen parantamiseksi. Tekstin ja aikaleimojen kohdistus sitoo tapahtumat ajallisiin viittauksiin. Julkaistussa tekstikonfiguraatiossa on 94 kerrosta, 128 asiantuntijaa ja kahdeksan valittua asiantuntijaa tokenia kohti. Nämä arkkitehtuuritiedot selittävät mallin multimodaalista esitystä; ne eivät takaa vastausaikaa.\n\nVisuaalisen syötteen ja tulosteen valmistelu\n\nValmistajan esimerkit kattavat yhden tai useita kuvia, videon sekä pelkkää tekstiä sisältävät pyynnöt. Merkitse jokainen visuaalinen syöte niin, että kysymys voi viitata siihen selkeästi. Kuva- ja videoprosessorit käyttävät erillisiä pikselibudjetteja: kuvabudjetti rajoittaa kuvan pikseleitä, kun taas videobudjetti huomioi pikselit näytteistetyissä ruuduissa. Nimenomaiset kuvamitat kohdistetaan luvun 32 monikerroiksi. Videon näytteistystä voidaan ohjata taajuudella tai ruutumäärällä; dokumentoitu oletus on kaksi ruutua sekunnissa. Säilytä aikaleimat, kun pyydät tapahtuma-aikajanaa.\n\nPyydä pitkästä leikkeestä tapahtuma, sen aikaväli ja näkyvä näyttö erittelemättömän yhteenvedon sijaan. Pyydä useista sivuista sivutunnisteen mukaan jäsennetty tulos. Nämä valmisteluesimerkit soveltavat dokumentoituja kykyjä ja auttavat tekemään puutteet tai poimintavirheet näkyviksi.\n\nGenerointiohjeet ja rajat\n\nTarkistuspisteen generointitiedoston oletukset ovat temperature 0.8, top_p 0.95 ja top_k 20. Qwenin erillinen Thinking-arviointiresepti käyttää temperature-arvoa 0.6, presence penalty -arvoa nolla, repetition penalty -arvoa 1.0 ja 40,960 tokenin tulostekiintiötä. Nämä ovat erillisiä valmistajan esiasetuksia, eivät yksi ehdoton tulosteraja. Varaa visuaalisten tokenien rinnalle tilaa päättelylle ja lopulliselle tekstille ja tarkista poimittu teksti, lasketut vastaukset ja tuotettu koodi lähdettä vasten ennen käyttöä.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekninen esimerkki englanniksi
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking on Qwenin asiantuntijasekoitukseen perustuva näkö- ja kielimalli teksti-, kuva- ja videopäättelyyn. Käytä Thinking-versiota STEM-kysymyksiin, dokumenttiaineistoon, spatiaalisiin suhteisiin, visuaaliseen ohjelmointiin ja aikaleimattuun videoanalyysiin natiivissa 262,144 tokenin kontekstissa.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Johdanto: multimodaalinen Thinking-versio
Qwen3-VL-235B-A22B-Thinking on Qwen3-VL:n päättelyyn keskittyvä asiantuntijasekoitusversio. Se yhdistää tekstin kuviin ja videoon ja tuottaa tekstivastauksia tai koodia. Kiinteä Thinking-tarkistuspiste on erillinen Qwen3-VL-235B-A22B-Instruct-versiosta ja erikseen nimetyistä FP8-koosteista. Valitse se kysymykseen, joka edellyttää visuaalisen aineiston yhdistämistä pidempään selitykseen, sen sijaan että olettaisit jokaisella Qwen3-VL-versiolla olevan sama vastaustyyli.
Visuaaliset agentit ja visuaalinen ohjelmointi
Qwen kuvaa visuaalisen agentin työnkulun, joka tunnistaa tietokone- tai mobiilikäyttöliittymän elementit, tulkitsee niiden toiminnot ja käyttää työkaluja tehtävien suorittamiseen. Malli tarjoaa havainnoinnin ja päättelyn; sovelluksen tulee kytkeä ja suorittaa toiminnot. Anna käyttöliittymäarviointiin nykyinen kuvakaappaus ja täsmällinen tavoite, ja pyydä sitten tunnistamaan olennaiset ohjaimet ja selittämään seuraava toiminto. Pelkkä kuva ei anna laitteen hallintaa.
Visuaaliseen ohjelmointiin kuuluu kaaviosisällön sekä HTML:n, CSS:n tai JavaScriptin tuottaminen kuvista ja videoista. Anna kuvakaappaus sekä vaadittu asettelu, toiminta ja muokattava tulostemuoto. Pyydä sivurakenne ja tyylit erillisinä tuotoksina, kun se helpottaa tarkastamista. Tuotettu koodi on kehitystyönkulkuun tarkoitettua tekstiä; se ei osoita, että verkkosivusto on renderöity tai että lähdekuvasta on tullut toimiva sovellus.
Spatiaalinen havainnointi
Valmistaja dokumentoi objektien sijainteja, katselukulmia ja peittymisiä koskevan päättelyn sekä kaksiulotteisen kohdistamisen ja tuen kolmiulotteiselle kohdistamiselle. Esitä konkreettinen suhdekysymys ja yksilöi kiinnostava objekti: esimerkiksi mikä komponentti peittyy, mitä sen edessä on ja mitkä visuaaliset vihjeet tukevat tulkintaa. Kohdistamiskykyä ei tule käsitellä mielivaltaisesta kuvasta tehtynä kalibroituna fyysisenä mittauksena.
Pitkä konteksti ja video
Natiivi konteksti on 262,144 tokenia. Qwen kuvaa laajentamisen noin miljoonaan YaRN-konfiguraatiolla sekä perheen työnkulkuja, joissa käsitellään kirjoja tai tuntien videoita ja indeksoidaan tapahtumia sekuntitason tarkkuudella. Nämä kyvyt riippuvat esitystavasta, ruutujen näytteistyksestä ja kontekstikonfiguraatiosta; valmistajan yleiskuvaus ei takaa jokaisen ruudun täydellistä muistamista. Koodivarastossaan Qwen suosittelee tälle lomitetulle sijaintijärjestelmälle ekstrapolointikerrointa kaksi tai kolme, kun 256K laajennetaan noin 1M:ään, sen sijaan että toisesta mallista kopioitaisiin automaattisesti kerroin neljä.
Multimodaalinen päättely ja tunnistus
Thinking-versio tähtää näyttöön perustuvaan STEM- ja matemaattiseen päättelyyn, syy-seurausanalyysiin ja loogisiin vastauksiin, jotka yhdistävät tekstin visuaaliseen aineistoon. Anna kaavio määritelmineen tai kuvaaja ja täsmällinen numeerinen kysymys. Pyydä käytetyt nimikkeet ja arvot ennen johtopäätöstä. Qwen kuvaa myös laajempaa visuaalista tunnistusta, joka kattaa ihmiset, animen, tuotteet, maamerkit, kasvit ja eläimet. Tunnistusvastaus on edelleen annetusta kuvasta tehty päätelmä, ei tae siitä, että jokainen objekti tai henkilöllisyys voidaan nimetä.
OCR kattaa 32 kieltä ja on suunniteltu parantamaan lukemista hämärässä, epäterävyydessä tai kallistuksessa, mukaan lukien erikoissanasto ja pitkien dokumenttien rakenne. Säilytä luettavat lähdekuvat ja pyydä kenttiä, lainauksia tai tarkistettavaa rakenteista taulukkoa. Tekstin ja visuaalisen aineiston ymmärtäminen yhdistyvät samassa mallissa, joten kysymys voi viitata yhdessä dokumenttikatkelmaan, kuvaan ja käyttäjän ohjeisiin.
Arkkitehtuurimuutokset
Interleaved-MRoPE jakaa sijaintiesityksen ajan, leveyden ja korkeuden kesken videopäättelyä varten. DeepStack yhdistää visuaalisia piirteitä usealta enkooderitasolta hienompien yksityiskohtien tallentamiseksi ja kuvan ja tekstin kohdistuksen parantamiseksi. Tekstin ja aikaleimojen kohdistus sitoo tapahtumat ajallisiin viittauksiin. Julkaistussa tekstikonfiguraatiossa on 94 kerrosta, 128 asiantuntijaa ja kahdeksan valittua asiantuntijaa tokenia kohti. Nämä arkkitehtuuritiedot selittävät mallin multimodaalista esitystä; ne eivät takaa vastausaikaa.
Visuaalisen syötteen ja tulosteen valmistelu
Valmistajan esimerkit kattavat yhden tai useita kuvia, videon sekä pelkkää tekstiä sisältävät pyynnöt. Merkitse jokainen visuaalinen syöte niin, että kysymys voi viitata siihen selkeästi. Kuva- ja videoprosessorit käyttävät erillisiä pikselibudjetteja: kuvabudjetti rajoittaa kuvan pikseleitä, kun taas videobudjetti huomioi pikselit näytteistetyissä ruuduissa. Nimenomaiset kuvamitat kohdistetaan luvun 32 monikerroiksi. Videon näytteistystä voidaan ohjata taajuudella tai ruutumäärällä; dokumentoitu oletus on kaksi ruutua sekunnissa. Säilytä aikaleimat, kun pyydät tapahtuma-aikajanaa.
Pyydä pitkästä leikkeestä tapahtuma, sen aikaväli ja näkyvä näyttö erittelemättömän yhteenvedon sijaan. Pyydä useista sivuista sivutunnisteen mukaan jäsennetty tulos. Nämä valmisteluesimerkit soveltavat dokumentoituja kykyjä ja auttavat tekemään puutteet tai poimintavirheet näkyviksi.
Generointiohjeet ja rajat
Tarkistuspisteen generointitiedoston oletukset ovat temperature 0.8, top_p 0.95 ja top_k 20. Qwenin erillinen Thinking-arviointiresepti käyttää temperature-arvoa 0.6, presence penalty -arvoa nolla, repetition penalty -arvoa 1.0 ja 40,960 tokenin tulostekiintiötä. Nämä ovat erillisiä valmistajan esiasetuksia, eivät yksi ehdoton tulosteraja. Varaa visuaalisten tokenien rinnalle tilaa päättelylle ja lopulliselle tekstille ja tarkista poimittu teksti, lasketut vastaukset ja tuotettu koodi lähdettä vasten ennen käyttöä.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat qwen/qwen3-vl-235b-a22b-thinking | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat Kohteiden vähimmäismäärä: 1 | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: Tekstikeskustelu | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF8-teksti
messages[].content
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages |
Parametrimaterial_types | Sopimustext |
Parametrimessages | Sopimusviestitaulukko role/content-rakenteella |
Parametrifile_material | Sopimusvarsinainen UTF-8-asiakirja lisätään sellaisenaan tekstinä; tiedoston ID:tä ei päätellä |
Parametrioptional_controls | Sopimusstream |
Parametricontrol_scope | SopimusTekstikeskustelu; stream on totuusarvo, jonka oletus on false. |
Parametrioutput_modalities | Sopimustext |
Parametrihosted_operations | Sopimusfalse |
Parametrimultimodal_input_binding | Sopimusnull |
Menetelmien aliakset: /chat/completions
Elinkaari: synchronous_or_streamed
Lähetä mallin täsmällinen ID yhdessä messages-kentän kanssa.
Kontekstin pituus ei ole tuloksen yläraja.
Tekstitiedosto voi antaa tekstiä sellaisenaan; kuva-, ääni- ja tiedosto-objektisyötteet tarvitsevat täsmällisen sidonnan.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000572 / 1K tokenia Tuloste · Tulostokenit $0.00572 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen/qwen3-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen/qwen3-vl-235b-a22b-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä jokainen vastausvaihtoehto sisältöineen, työkalukutsuineen ja päättelyineen. Kokoa SSE:ssä muutokset vastausvaihtoehdon ja työkalun indeksin mukaan ja säilytä lopullinen päättymissyy sekä käyttötiedot.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttächoices[].index | Tyyppiinteger |
Kenttächoices[].message.content | Tyyppistring|null |
Kenttächoices[].message.tool_calls | Tyyppitool_call[] |
Kenttächoices[].message.reasoning_content | Tyyppistring |
Kenttächoices[].message.reasoning_details | Tyyppiobject|array |
Kenttächoices[].finish_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking on Qwenin asiantuntijasekoitukseen perustuva näkö- ja kielimalli teksti-, kuva- ja videopäättelyyn. Käytä Thinking-versiota STEM-kysymyksiin, dokumenttiaineistoon, spatiaalisiin suhteisiin, visuaaliseen ohjelmointiin ja aikaleimattuun videoanalyysiin natiivissa 262,144 tokenin kontekstissa.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Johdanto: multimodaalinen Thinking-versio
Qwen3-VL-235B-A22B-Thinking on Qwen3-VL:n päättelyyn keskittyvä asiantuntijasekoitusversio. Se yhdistää tekstin kuviin ja videoon ja tuottaa tekstivastauksia tai koodia. Kiinteä Thinking-tarkistuspiste on erillinen Qwen3-VL-235B-A22B-Instruct-versiosta ja erikseen nimetyistä FP8-koosteista. Valitse se kysymykseen, joka edellyttää visuaalisen aineiston yhdistämistä pidempään selitykseen, sen sijaan että olettaisit jokaisella Qwen3-VL-versiolla olevan sama vastaustyyli.
Visuaaliset agentit ja visuaalinen ohjelmointi
Qwen kuvaa visuaalisen agentin työnkulun, joka tunnistaa tietokone- tai mobiilikäyttöliittymän elementit, tulkitsee niiden toiminnot ja käyttää työkaluja tehtävien suorittamiseen. Malli tarjoaa havainnoinnin ja päättelyn; sovelluksen tulee kytkeä ja suorittaa toiminnot. Anna käyttöliittymäarviointiin nykyinen kuvakaappaus ja täsmällinen tavoite, ja pyydä sitten tunnistamaan olennaiset ohjaimet ja selittämään seuraava toiminto. Pelkkä kuva ei anna laitteen hallintaa.
Visuaaliseen ohjelmointiin kuuluu kaaviosisällön sekä HTML:n, CSS:n tai JavaScriptin tuottaminen kuvista ja videoista. Anna kuvakaappaus sekä vaadittu asettelu, toiminta ja muokattava tulostemuoto. Pyydä sivurakenne ja tyylit erillisinä tuotoksina, kun se helpottaa tarkastamista. Tuotettu koodi on kehitystyönkulkuun tarkoitettua tekstiä; se ei osoita, että verkkosivusto on renderöity tai että lähdekuvasta on tullut toimiva sovellus.
Spatiaalinen havainnointi
Valmistaja dokumentoi objektien sijainteja, katselukulmia ja peittymisiä koskevan päättelyn sekä kaksiulotteisen kohdistamisen ja tuen kolmiulotteiselle kohdistamiselle. Esitä konkreettinen suhdekysymys ja yksilöi kiinnostava objekti: esimerkiksi mikä komponentti peittyy, mitä sen edessä on ja mitkä visuaaliset vihjeet tukevat tulkintaa. Kohdistamiskykyä ei tule käsitellä mielivaltaisesta kuvasta tehtynä kalibroituna fyysisenä mittauksena.
Pitkä konteksti ja video
Natiivi konteksti on 262,144 tokenia. Qwen kuvaa laajentamisen noin miljoonaan YaRN-konfiguraatiolla sekä perheen työnkulkuja, joissa käsitellään kirjoja tai tuntien videoita ja indeksoidaan tapahtumia sekuntitason tarkkuudella. Nämä kyvyt riippuvat esitystavasta, ruutujen näytteistyksestä ja kontekstikonfiguraatiosta; valmistajan yleiskuvaus ei takaa jokaisen ruudun täydellistä muistamista. Koodivarastossaan Qwen suosittelee tälle lomitetulle sijaintijärjestelmälle ekstrapolointikerrointa kaksi tai kolme, kun 256K laajennetaan noin 1M:ään, sen sijaan että toisesta mallista kopioitaisiin automaattisesti kerroin neljä.
Multimodaalinen päättely ja tunnistus
Thinking-versio tähtää näyttöön perustuvaan STEM- ja matemaattiseen päättelyyn, syy-seurausanalyysiin ja loogisiin vastauksiin, jotka yhdistävät tekstin visuaaliseen aineistoon. Anna kaavio määritelmineen tai kuvaaja ja täsmällinen numeerinen kysymys. Pyydä käytetyt nimikkeet ja arvot ennen johtopäätöstä. Qwen kuvaa myös laajempaa visuaalista tunnistusta, joka kattaa ihmiset, animen, tuotteet, maamerkit, kasvit ja eläimet. Tunnistusvastaus on edelleen annetusta kuvasta tehty päätelmä, ei tae siitä, että jokainen objekti tai henkilöllisyys voidaan nimetä.
OCR kattaa 32 kieltä ja on suunniteltu parantamaan lukemista hämärässä, epäterävyydessä tai kallistuksessa, mukaan lukien erikoissanasto ja pitkien dokumenttien rakenne. Säilytä luettavat lähdekuvat ja pyydä kenttiä, lainauksia tai tarkistettavaa rakenteista taulukkoa. Tekstin ja visuaalisen aineiston ymmärtäminen yhdistyvät samassa mallissa, joten kysymys voi viitata yhdessä dokumenttikatkelmaan, kuvaan ja käyttäjän ohjeisiin.
Arkkitehtuurimuutokset
Interleaved-MRoPE jakaa sijaintiesityksen ajan, leveyden ja korkeuden kesken videopäättelyä varten. DeepStack yhdistää visuaalisia piirteitä usealta enkooderitasolta hienompien yksityiskohtien tallentamiseksi ja kuvan ja tekstin kohdistuksen parantamiseksi. Tekstin ja aikaleimojen kohdistus sitoo tapahtumat ajallisiin viittauksiin. Julkaistussa tekstikonfiguraatiossa on 94 kerrosta, 128 asiantuntijaa ja kahdeksan valittua asiantuntijaa tokenia kohti. Nämä arkkitehtuuritiedot selittävät mallin multimodaalista esitystä; ne eivät takaa vastausaikaa.
Visuaalisen syötteen ja tulosteen valmistelu
Valmistajan esimerkit kattavat yhden tai useita kuvia, videon sekä pelkkää tekstiä sisältävät pyynnöt. Merkitse jokainen visuaalinen syöte niin, että kysymys voi viitata siihen selkeästi. Kuva- ja videoprosessorit käyttävät erillisiä pikselibudjetteja: kuvabudjetti rajoittaa kuvan pikseleitä, kun taas videobudjetti huomioi pikselit näytteistetyissä ruuduissa. Nimenomaiset kuvamitat kohdistetaan luvun 32 monikerroiksi. Videon näytteistystä voidaan ohjata taajuudella tai ruutumäärällä; dokumentoitu oletus on kaksi ruutua sekunnissa. Säilytä aikaleimat, kun pyydät tapahtuma-aikajanaa.
Pyydä pitkästä leikkeestä tapahtuma, sen aikaväli ja näkyvä näyttö erittelemättömän yhteenvedon sijaan. Pyydä useista sivuista sivutunnisteen mukaan jäsennetty tulos. Nämä valmisteluesimerkit soveltavat dokumentoituja kykyjä ja auttavat tekemään puutteet tai poimintavirheet näkyviksi.
Generointiohjeet ja rajat
Tarkistuspisteen generointitiedoston oletukset ovat temperature 0.8, top_p 0.95 ja top_k 20. Qwenin erillinen Thinking-arviointiresepti käyttää temperature-arvoa 0.6, presence penalty -arvoa nolla, repetition penalty -arvoa 1.0 ja 40,960 tokenin tulostekiintiötä. Nämä ovat erillisiä valmistajan esiasetuksia, eivät yksi ehdoton tulosteraja. Varaa visuaalisten tokenien rinnalle tilaa päättelylle ja lopulliselle tekstille ja tarkista poimittu teksti, lasketut vastaukset ja tuotettu koodi lähdettä vasten ennen käyttöä.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat qwen/qwen3-vl-235b-a22b-thinking | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat user, assistant | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF-8-teksti
messages[].content-merkkijono
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages, max_tokens |
Parametrioptional_controls | Sopimusstream |
Parametrimaterial_types | Sopimustext |
Parametritext_file_material | SopimusLue varsinainen UTF-8-asiakirja ja sijoita sen teksti ilmoitettuun syöte- tai viestisisällön merkkijonoon. |
Elinkaari: synchronous_or_streamed
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000572 / 1K tokenia Tuloste · Tulostokenit $0.00572 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä kaikki sisältölohkot, päättelyallekirjoitukset ja todelliset työkalukäytön ID:t. Kokoa kaikki SSE-lohkomuutokset; ensimmäinen tekstilohko ei ole koko tulos.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttäid | Tyyppistring |
Kenttämodel | Tyyppistring |
Kenttäcontent[] | Tyyppitext|thinking|tool_use|other content block |
Kenttästop_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking on Qwenin asiantuntijasekoitukseen perustuva näkö- ja kielimalli teksti-, kuva- ja videopäättelyyn. Käytä Thinking-versiota STEM-kysymyksiin, dokumenttiaineistoon, spatiaalisiin suhteisiin, visuaaliseen ohjelmointiin ja aikaleimattuun videoanalyysiin natiivissa 262,144 tokenin kontekstissa.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Johdanto: multimodaalinen Thinking-versio
Qwen3-VL-235B-A22B-Thinking on Qwen3-VL:n päättelyyn keskittyvä asiantuntijasekoitusversio. Se yhdistää tekstin kuviin ja videoon ja tuottaa tekstivastauksia tai koodia. Kiinteä Thinking-tarkistuspiste on erillinen Qwen3-VL-235B-A22B-Instruct-versiosta ja erikseen nimetyistä FP8-koosteista. Valitse se kysymykseen, joka edellyttää visuaalisen aineiston yhdistämistä pidempään selitykseen, sen sijaan että olettaisit jokaisella Qwen3-VL-versiolla olevan sama vastaustyyli.
Visuaaliset agentit ja visuaalinen ohjelmointi
Qwen kuvaa visuaalisen agentin työnkulun, joka tunnistaa tietokone- tai mobiilikäyttöliittymän elementit, tulkitsee niiden toiminnot ja käyttää työkaluja tehtävien suorittamiseen. Malli tarjoaa havainnoinnin ja päättelyn; sovelluksen tulee kytkeä ja suorittaa toiminnot. Anna käyttöliittymäarviointiin nykyinen kuvakaappaus ja täsmällinen tavoite, ja pyydä sitten tunnistamaan olennaiset ohjaimet ja selittämään seuraava toiminto. Pelkkä kuva ei anna laitteen hallintaa.
Visuaaliseen ohjelmointiin kuuluu kaaviosisällön sekä HTML:n, CSS:n tai JavaScriptin tuottaminen kuvista ja videoista. Anna kuvakaappaus sekä vaadittu asettelu, toiminta ja muokattava tulostemuoto. Pyydä sivurakenne ja tyylit erillisinä tuotoksina, kun se helpottaa tarkastamista. Tuotettu koodi on kehitystyönkulkuun tarkoitettua tekstiä; se ei osoita, että verkkosivusto on renderöity tai että lähdekuvasta on tullut toimiva sovellus.
Spatiaalinen havainnointi
Valmistaja dokumentoi objektien sijainteja, katselukulmia ja peittymisiä koskevan päättelyn sekä kaksiulotteisen kohdistamisen ja tuen kolmiulotteiselle kohdistamiselle. Esitä konkreettinen suhdekysymys ja yksilöi kiinnostava objekti: esimerkiksi mikä komponentti peittyy, mitä sen edessä on ja mitkä visuaaliset vihjeet tukevat tulkintaa. Kohdistamiskykyä ei tule käsitellä mielivaltaisesta kuvasta tehtynä kalibroituna fyysisenä mittauksena.
Pitkä konteksti ja video
Natiivi konteksti on 262,144 tokenia. Qwen kuvaa laajentamisen noin miljoonaan YaRN-konfiguraatiolla sekä perheen työnkulkuja, joissa käsitellään kirjoja tai tuntien videoita ja indeksoidaan tapahtumia sekuntitason tarkkuudella. Nämä kyvyt riippuvat esitystavasta, ruutujen näytteistyksestä ja kontekstikonfiguraatiosta; valmistajan yleiskuvaus ei takaa jokaisen ruudun täydellistä muistamista. Koodivarastossaan Qwen suosittelee tälle lomitetulle sijaintijärjestelmälle ekstrapolointikerrointa kaksi tai kolme, kun 256K laajennetaan noin 1M:ään, sen sijaan että toisesta mallista kopioitaisiin automaattisesti kerroin neljä.
Multimodaalinen päättely ja tunnistus
Thinking-versio tähtää näyttöön perustuvaan STEM- ja matemaattiseen päättelyyn, syy-seurausanalyysiin ja loogisiin vastauksiin, jotka yhdistävät tekstin visuaaliseen aineistoon. Anna kaavio määritelmineen tai kuvaaja ja täsmällinen numeerinen kysymys. Pyydä käytetyt nimikkeet ja arvot ennen johtopäätöstä. Qwen kuvaa myös laajempaa visuaalista tunnistusta, joka kattaa ihmiset, animen, tuotteet, maamerkit, kasvit ja eläimet. Tunnistusvastaus on edelleen annetusta kuvasta tehty päätelmä, ei tae siitä, että jokainen objekti tai henkilöllisyys voidaan nimetä.
OCR kattaa 32 kieltä ja on suunniteltu parantamaan lukemista hämärässä, epäterävyydessä tai kallistuksessa, mukaan lukien erikoissanasto ja pitkien dokumenttien rakenne. Säilytä luettavat lähdekuvat ja pyydä kenttiä, lainauksia tai tarkistettavaa rakenteista taulukkoa. Tekstin ja visuaalisen aineiston ymmärtäminen yhdistyvät samassa mallissa, joten kysymys voi viitata yhdessä dokumenttikatkelmaan, kuvaan ja käyttäjän ohjeisiin.
Arkkitehtuurimuutokset
Interleaved-MRoPE jakaa sijaintiesityksen ajan, leveyden ja korkeuden kesken videopäättelyä varten. DeepStack yhdistää visuaalisia piirteitä usealta enkooderitasolta hienompien yksityiskohtien tallentamiseksi ja kuvan ja tekstin kohdistuksen parantamiseksi. Tekstin ja aikaleimojen kohdistus sitoo tapahtumat ajallisiin viittauksiin. Julkaistussa tekstikonfiguraatiossa on 94 kerrosta, 128 asiantuntijaa ja kahdeksan valittua asiantuntijaa tokenia kohti. Nämä arkkitehtuuritiedot selittävät mallin multimodaalista esitystä; ne eivät takaa vastausaikaa.
Visuaalisen syötteen ja tulosteen valmistelu
Valmistajan esimerkit kattavat yhden tai useita kuvia, videon sekä pelkkää tekstiä sisältävät pyynnöt. Merkitse jokainen visuaalinen syöte niin, että kysymys voi viitata siihen selkeästi. Kuva- ja videoprosessorit käyttävät erillisiä pikselibudjetteja: kuvabudjetti rajoittaa kuvan pikseleitä, kun taas videobudjetti huomioi pikselit näytteistetyissä ruuduissa. Nimenomaiset kuvamitat kohdistetaan luvun 32 monikerroiksi. Videon näytteistystä voidaan ohjata taajuudella tai ruutumäärällä; dokumentoitu oletus on kaksi ruutua sekunnissa. Säilytä aikaleimat, kun pyydät tapahtuma-aikajanaa.
Pyydä pitkästä leikkeestä tapahtuma, sen aikaväli ja näkyvä näyttö erittelemättömän yhteenvedon sijaan. Pyydä useista sivuista sivutunnisteen mukaan jäsennetty tulos. Nämä valmisteluesimerkit soveltavat dokumentoituja kykyjä ja auttavat tekemään puutteet tai poimintavirheet näkyviksi.
Generointiohjeet ja rajat
Tarkistuspisteen generointitiedoston oletukset ovat temperature 0.8, top_p 0.95 ja top_k 20. Qwenin erillinen Thinking-arviointiresepti käyttää temperature-arvoa 0.6, presence penalty -arvoa nolla, repetition penalty -arvoa 1.0 ja 40,960 tokenin tulostekiintiötä. Nämä ovat erillisiä valmistajan esiasetuksia, eivät yksi ehdoton tulosteraja. Varaa visuaalisten tokenien rinnalle tilaa päättelylle ja lopulliselle tekstille ja tarkista poimittu teksti, lasketut vastaukset ja tuotettu koodi lähdettä vasten ennen käyttöä.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat qwen3-vl-235b-a22b-thinking | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat Kohteiden vähimmäismäärä: 1 | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat Esimerkit: system, user, assistant, tool, function Ehdot: Nämä roolit esitetään nimenomaisesti lähdekoodin yhteensopivuustyypeissä; mallin täsmällinen roolijoukko pysyy mallikohtaisena. Riippuu mallista | Oletus— |
Kenttämessages[].content | Tyyppistring|content_part[]|null | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_calls | Tyyppitool_call[] | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_call_id | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: role=tool; käytä todella palautettua ID:tä | Oletus— |
Kenttämessages[].name | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].reasoning_content | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: Palauta todella saatu päättely takaisin mallille, kun kyseinen malli käyttää sitä | Oletus— |
Kenttämessages[].reasoning_details | Tyyppiobject|array | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttämax_completion_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Kenttästream_options.include_usage | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätop_p | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttästop | Tyyppistring|string[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools | Tyyppifunction_tool[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools[].type | Tyyppistring | VaatimusValinnainen | Arvot & rajat function Riippuu mallista | Oletus— |
Kenttätools[].function.name | Tyyppistring | VaatimusPakollinen | Arvot & rajat Sovelletaan, kun: funktiotyökalu annettu | Oletus— |
Kenttätools[].function.description | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätools[].function.parameters | TyyppiJSON_schema | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätool_choice | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäparallel_tool_calls | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäresponse_format | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning_effort | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäservice_tier | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäinstructions | Tyyppistring | VaatimusValinnainen | Arvot & rajat Yhteensopivuuskenttä | Oletus— |
Kenttäfunctions | Tyyppifunction[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäfunction_call | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäprompt_cache_options | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämodalities | Tyyppistring[] | VaatimusValinnainen | Arvot & rajat text | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Ehdot: provider.options hylätään tällä Ultran tekstireitillä | Oletus— |
Kenttäcache_control.ttl | Tyyppistring | VaatimusValinnainen | Arvot & rajat Ehdot: 1h hylätään varsinaisissa kehotevälimuistin kohdissa | Oletus— |
Teksti · UTF8-teksti
messages[].content
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages |
Parametrimaterial_types | Sopimustext |
Parametrimessages | Sopimusviestitaulukko role/content-rakenteella |
Parametrifile_material | Sopimusvarsinainen UTF-8-asiakirja lisätään sellaisenaan tekstinä; tiedoston ID:tä ei päätellä |
Parametrioptional_controls | Sopimusstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametricontrol_scope | Sopimusmallikohtainen; käyttäjän funktiotyökalut eroavat palvelun isännöimistä työkaluista |
Parametrioutput_modalities | Sopimustext |
Parametrihosted_operations | Sopimusfalse |
Parametrimultimodal_input_binding | Sopimusnull |
Elinkaari: synchronous_or_streamed
Lähetä mallin täsmällinen ID yhdessä messages-kentän kanssa.
Kontekstin pituus ei ole tuloksen yläraja.
Tekstitiedosto voi antaa tekstiä sellaisenaan; kuva-, ääni- ja tiedosto-objektisyötteet tarvitsevat täsmällisen sidonnan.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000572 / 1K tokenia Tuloste · Tulostokenit $0.00572 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-vl-235b-a22b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä jokainen vastausvaihtoehto sisältöineen, työkalukutsuineen ja päättelyineen. Kokoa SSE:ssä muutokset vastausvaihtoehdon ja työkalun indeksin mukaan ja säilytä lopullinen päättymissyy sekä käyttötiedot.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttächoices[].index | Tyyppiinteger |
Kenttächoices[].message.content | Tyyppistring|null |
Kenttächoices[].message.tool_calls | Tyyppitool_call[] |
Kenttächoices[].message.reasoning_content | Tyyppistring |
Kenttächoices[].message.reasoning_details | Tyyppiobject|array |
Kenttächoices[].finish_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking on Qwenin asiantuntijasekoitukseen perustuva näkö- ja kielimalli teksti-, kuva- ja videopäättelyyn. Käytä Thinking-versiota STEM-kysymyksiin, dokumenttiaineistoon, spatiaalisiin suhteisiin, visuaaliseen ohjelmointiin ja aikaleimattuun videoanalyysiin natiivissa 262,144 tokenin kontekstissa.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Johdanto: multimodaalinen Thinking-versio
Qwen3-VL-235B-A22B-Thinking on Qwen3-VL:n päättelyyn keskittyvä asiantuntijasekoitusversio. Se yhdistää tekstin kuviin ja videoon ja tuottaa tekstivastauksia tai koodia. Kiinteä Thinking-tarkistuspiste on erillinen Qwen3-VL-235B-A22B-Instruct-versiosta ja erikseen nimetyistä FP8-koosteista. Valitse se kysymykseen, joka edellyttää visuaalisen aineiston yhdistämistä pidempään selitykseen, sen sijaan että olettaisit jokaisella Qwen3-VL-versiolla olevan sama vastaustyyli.
Visuaaliset agentit ja visuaalinen ohjelmointi
Qwen kuvaa visuaalisen agentin työnkulun, joka tunnistaa tietokone- tai mobiilikäyttöliittymän elementit, tulkitsee niiden toiminnot ja käyttää työkaluja tehtävien suorittamiseen. Malli tarjoaa havainnoinnin ja päättelyn; sovelluksen tulee kytkeä ja suorittaa toiminnot. Anna käyttöliittymäarviointiin nykyinen kuvakaappaus ja täsmällinen tavoite, ja pyydä sitten tunnistamaan olennaiset ohjaimet ja selittämään seuraava toiminto. Pelkkä kuva ei anna laitteen hallintaa.
Visuaaliseen ohjelmointiin kuuluu kaaviosisällön sekä HTML:n, CSS:n tai JavaScriptin tuottaminen kuvista ja videoista. Anna kuvakaappaus sekä vaadittu asettelu, toiminta ja muokattava tulostemuoto. Pyydä sivurakenne ja tyylit erillisinä tuotoksina, kun se helpottaa tarkastamista. Tuotettu koodi on kehitystyönkulkuun tarkoitettua tekstiä; se ei osoita, että verkkosivusto on renderöity tai että lähdekuvasta on tullut toimiva sovellus.
Spatiaalinen havainnointi
Valmistaja dokumentoi objektien sijainteja, katselukulmia ja peittymisiä koskevan päättelyn sekä kaksiulotteisen kohdistamisen ja tuen kolmiulotteiselle kohdistamiselle. Esitä konkreettinen suhdekysymys ja yksilöi kiinnostava objekti: esimerkiksi mikä komponentti peittyy, mitä sen edessä on ja mitkä visuaaliset vihjeet tukevat tulkintaa. Kohdistamiskykyä ei tule käsitellä mielivaltaisesta kuvasta tehtynä kalibroituna fyysisenä mittauksena.
Pitkä konteksti ja video
Natiivi konteksti on 262,144 tokenia. Qwen kuvaa laajentamisen noin miljoonaan YaRN-konfiguraatiolla sekä perheen työnkulkuja, joissa käsitellään kirjoja tai tuntien videoita ja indeksoidaan tapahtumia sekuntitason tarkkuudella. Nämä kyvyt riippuvat esitystavasta, ruutujen näytteistyksestä ja kontekstikonfiguraatiosta; valmistajan yleiskuvaus ei takaa jokaisen ruudun täydellistä muistamista. Koodivarastossaan Qwen suosittelee tälle lomitetulle sijaintijärjestelmälle ekstrapolointikerrointa kaksi tai kolme, kun 256K laajennetaan noin 1M:ään, sen sijaan että toisesta mallista kopioitaisiin automaattisesti kerroin neljä.
Multimodaalinen päättely ja tunnistus
Thinking-versio tähtää näyttöön perustuvaan STEM- ja matemaattiseen päättelyyn, syy-seurausanalyysiin ja loogisiin vastauksiin, jotka yhdistävät tekstin visuaaliseen aineistoon. Anna kaavio määritelmineen tai kuvaaja ja täsmällinen numeerinen kysymys. Pyydä käytetyt nimikkeet ja arvot ennen johtopäätöstä. Qwen kuvaa myös laajempaa visuaalista tunnistusta, joka kattaa ihmiset, animen, tuotteet, maamerkit, kasvit ja eläimet. Tunnistusvastaus on edelleen annetusta kuvasta tehty päätelmä, ei tae siitä, että jokainen objekti tai henkilöllisyys voidaan nimetä.
OCR kattaa 32 kieltä ja on suunniteltu parantamaan lukemista hämärässä, epäterävyydessä tai kallistuksessa, mukaan lukien erikoissanasto ja pitkien dokumenttien rakenne. Säilytä luettavat lähdekuvat ja pyydä kenttiä, lainauksia tai tarkistettavaa rakenteista taulukkoa. Tekstin ja visuaalisen aineiston ymmärtäminen yhdistyvät samassa mallissa, joten kysymys voi viitata yhdessä dokumenttikatkelmaan, kuvaan ja käyttäjän ohjeisiin.
Arkkitehtuurimuutokset
Interleaved-MRoPE jakaa sijaintiesityksen ajan, leveyden ja korkeuden kesken videopäättelyä varten. DeepStack yhdistää visuaalisia piirteitä usealta enkooderitasolta hienompien yksityiskohtien tallentamiseksi ja kuvan ja tekstin kohdistuksen parantamiseksi. Tekstin ja aikaleimojen kohdistus sitoo tapahtumat ajallisiin viittauksiin. Julkaistussa tekstikonfiguraatiossa on 94 kerrosta, 128 asiantuntijaa ja kahdeksan valittua asiantuntijaa tokenia kohti. Nämä arkkitehtuuritiedot selittävät mallin multimodaalista esitystä; ne eivät takaa vastausaikaa.
Visuaalisen syötteen ja tulosteen valmistelu
Valmistajan esimerkit kattavat yhden tai useita kuvia, videon sekä pelkkää tekstiä sisältävät pyynnöt. Merkitse jokainen visuaalinen syöte niin, että kysymys voi viitata siihen selkeästi. Kuva- ja videoprosessorit käyttävät erillisiä pikselibudjetteja: kuvabudjetti rajoittaa kuvan pikseleitä, kun taas videobudjetti huomioi pikselit näytteistetyissä ruuduissa. Nimenomaiset kuvamitat kohdistetaan luvun 32 monikerroiksi. Videon näytteistystä voidaan ohjata taajuudella tai ruutumäärällä; dokumentoitu oletus on kaksi ruutua sekunnissa. Säilytä aikaleimat, kun pyydät tapahtuma-aikajanaa.
Pyydä pitkästä leikkeestä tapahtuma, sen aikaväli ja näkyvä näyttö erittelemättömän yhteenvedon sijaan. Pyydä useista sivuista sivutunnisteen mukaan jäsennetty tulos. Nämä valmisteluesimerkit soveltavat dokumentoituja kykyjä ja auttavat tekemään puutteet tai poimintavirheet näkyviksi.
Generointiohjeet ja rajat
Tarkistuspisteen generointitiedoston oletukset ovat temperature 0.8, top_p 0.95 ja top_k 20. Qwenin erillinen Thinking-arviointiresepti käyttää temperature-arvoa 0.6, presence penalty -arvoa nolla, repetition penalty -arvoa 1.0 ja 40,960 tokenin tulostekiintiötä. Nämä ovat erillisiä valmistajan esiasetuksia, eivät yksi ehdoton tulosteraja. Varaa visuaalisten tokenien rinnalle tilaa päättelylle ja lopulliselle tekstille ja tarkista poimittu teksti, lasketut vastaukset ja tuotettu koodi lähdettä vasten ennen käyttöä.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat qwen3-vl-235b-a22b-thinking | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat user, assistant | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF-8-teksti
messages[].content-merkkijono
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages, max_tokens |
Parametrioptional_controls | Sopimusstream |
Parametrimaterial_types | Sopimustext |
Parametritext_file_material | SopimusLue varsinainen UTF-8-asiakirja ja sijoita sen teksti ilmoitettuun syöte- tai viestisisällön merkkijonoon. |
Elinkaari: synchronous_or_streamed
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000572 / 1K tokenia Tuloste · Tulostokenit $0.00572 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä kaikki sisältölohkot, päättelyallekirjoitukset ja todelliset työkalukäytön ID:t. Kokoa kaikki SSE-lohkomuutokset; ensimmäinen tekstilohko ei ole koko tulos.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttäid | Tyyppistring |
Kenttämodel | Tyyppistring |
Kenttäcontent[] | Tyyppitext|thinking|tool_use|other content block |
Kenttästop_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Tekninen esimerkki englanniksi
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.