Qwen3-VL-8B-Thinking on Alibaban Qwen3-VL-perheen päättelyyn painottuva tiheä 8B-versio. Se yhdistää tekstin, kuvat ja videon yhteiseen tehtävään ja generoi tekstiä. Qwen julkaisee Thinking- ja Instruct-versiot erikseen; tämä kortti käsittelee nimettyä Thinking-mallia, jonka käyttötarkoitukseen kuuluu visuaalisen näytön analysointi ennen vastauksen tuottamista. Myös pelkkää tekstiä käsittelevä työ kuuluu mallin kielikykyihin.
Valmistaja esittelee ensin visuaaliset agentit: malli voi tunnistaa työpöytä- tai mobiilikäyttöliittymän elementtejä, tulkita niiden toimintoja ja päätellä seuraavan vuorovaikutuksen. Sovelluksessa kuvakaappaukset antavat nykyisen tilan ja työkalut suorittavat valitut toimet. Hyödyllinen tehtävänanto antaa käyttäjän tavoitteen, näkyvän näytön ja sallitut toimet ja pyytää sitten seuraavaa vaihetta sekä sen perustelevaa elementtiä. Generoitu tulkinta on erillinen ympäröivän sovelluksen suorittamasta toimesta.
Visuaalinen ohjelmointi yhdistää viitekuvat tai videon tekstimuotoiseen koodiin. Qwen dokumentoi Draw.io-kaaviot sekä HTML:n, CSS:n ja JavaScriptin esimerkkitulosteina. Anna kuvakaappaus tai luonnos yhdessä vaaditun toiminnan, sisällön ja tavoiteasettelun kanssa; pyydä muokattavaa koodi- tai kaaviotuotosta. Tilallisessa työssä perhe kuvaa kohteen sijaintia, näkökulmaa ja peittymistä sekä 2D-paikannusta ja 3D-paikannusta. Ilmoita koordinaattikäytäntö, jos tarvitset sijainteja, jotta kuvattu sijainti ja pyydetty rajauslaatikko käyttävät samaa viitekehystä.
Natiivi konteksti on 256K tokenia tekstille ja lomitetulle visuaaliselle aineistolle. Mallikortti kuvaa myös laajennuksen miljoonaan tokeniin; se on erillinen asetettu laajennus eikä natiivin kontekstin määritys. Pitkän kontekstin sovelluksiin kuuluvat asiakirjasivujen ristiviittaukset ja tapahtumien paikantaminen videosta. Säilytä sivujärjestys ja videon aikaleimat syötettä valmistellessasi ja pyydä vastausta yksilöimään kunkin johtopäätöksen käyttämä sivu tai hetki.
Multimodaalinen päättely kattaa matemaattiset ja tieteelliset tehtävät, jotka edellyttävät sekä näkyvää aineistoa että sen kirjallista kysymystä. Perhe tukee myös laajaa visuaalista tunnistusta kohteissa, tuotteissa, maamerkeissä, kasveissa ja eläimissä. Sen OCR-kattavuus on 32 kieltä, ja se sisältää haastavia hämärässä kuvattuja, sumeita tai kallistuneita kuvia sekä asiakirjarakenteen tulkinnan. Pyydä skannatusta tehtävästä ensin tekstin tunnistusta ja vasta sitten ratkaisua; näin väärin luettu merkki tai merkintä näkyy ennen kuin se muuttaa päättelyä.
Kolme arkkitehtuuripäivitystä tukee tätä visuaalista ja ajallista työtä. Interleaved-MRoPE jakaa positiotietoa ajan, leveyden ja korkeuden kesken; DeepStack tuo kielimalliin visuaalisia piirteitä useilta tasoilta; nimenomaiset tekstiaikaleimat esittävät videoruuturyhmien ajallisen sijainnin. Niiden käytännön merkitys on tilallisten yksityiskohtien säilyttämisessä ja tapahtumakuvauksen yhdistämisessä lähteen hetkeen. Ne eivät takaa pienen tai lukukelvottoman lähdeyksityiskohdan tunnistamista.
Täsmällinen Thinking-mallikortti antaa generointisuositukset erikseen kuva- ja tekstitehtäville. Molemmat käyttävät näytteenottoa arvoilla temperature 1.0, top-p 0.95 ja top-k 20; kuvaesimerkki käyttää arvoa presence penalty 0.0, kun taas tekstiesimerkki käyttää arvoa 1.5. Esimerkkien tulostepituusasetukset ovat 40,960 visuaaliselle työlle ja 32,768 tekstille, ja 81,920 on suositus valittuihin vaativiin tekstiarviointeihin. Nämä ovat säätösuosituksia, eivät yleispätevä enimmäistulostetakuu tai parametreja, jotka ympäröivä palvelu välttämättä tarjoaa.
Anna käytännön asiakirjatehtävään järjestetyt sivukuvat ja pyydä: ”Poimi osioiden otsikot, selitä kaavion ja viereisen tekstin suhde ja liitä jokaiseen havaintoon sivuviite.” Määritä videota varten paikannettava tapahtuma ja pyydä sen aikaleima sekä lyhyt visuaalinen selitys. Ilmoita visuaaliseen päättelykysymykseen vaadittu lopputuotos ja sallitut oletukset. Tuloste pysyy tekstimuotoisena selityksenä, poimittuna sisältönä, koodina tai ehdotettuna työkaluvaiheena; tämän version visuaalinen syöte ei ole videon- tai puheengenerointityönkulku.
", "aboutText": "Qwen3-VL-8B-Thinking on Alibaban Qwen3-VL-perheen päättelyyn painottuva tiheä 8B-versio. Se yhdistää tekstin, kuvat ja videon yhteiseen tehtävään ja generoi tekstiä. Qwen julkaisee Thinking- ja Instruct-versiot erikseen; tämä kortti käsittelee nimettyä Thinking-mallia, jonka käyttötarkoitukseen kuuluu visuaalisen näytön analysointi ennen vastauksen tuottamista. Myös pelkkää tekstiä käsittelevä työ kuuluu mallin kielikykyihin.\n\nValmistaja esittelee ensin visuaaliset agentit: malli voi tunnistaa työpöytä- tai mobiilikäyttöliittymän elementtejä, tulkita niiden toimintoja ja päätellä seuraavan vuorovaikutuksen. Sovelluksessa kuvakaappaukset antavat nykyisen tilan ja työkalut suorittavat valitut toimet. Hyödyllinen tehtävänanto antaa käyttäjän tavoitteen, näkyvän näytön ja sallitut toimet ja pyytää sitten seuraavaa vaihetta sekä sen perustelevaa elementtiä. Generoitu tulkinta on erillinen ympäröivän sovelluksen suorittamasta toimesta.\n\nVisuaalinen ohjelmointi yhdistää viitekuvat tai videon tekstimuotoiseen koodiin. Qwen dokumentoi Draw.io-kaaviot sekä HTML:n, CSS:n ja JavaScriptin esimerkkitulosteina. Anna kuvakaappaus tai luonnos yhdessä vaaditun toiminnan, sisällön ja tavoiteasettelun kanssa; pyydä muokattavaa koodi- tai kaaviotuotosta. Tilallisessa työssä perhe kuvaa kohteen sijaintia, näkökulmaa ja peittymistä sekä 2D-paikannusta ja 3D-paikannusta. Ilmoita koordinaattikäytäntö, jos tarvitset sijainteja, jotta kuvattu sijainti ja pyydetty rajauslaatikko käyttävät samaa viitekehystä.\n\nNatiivi konteksti on 256K tokenia tekstille ja lomitetulle visuaaliselle aineistolle. Mallikortti kuvaa myös laajennuksen miljoonaan tokeniin; se on erillinen asetettu laajennus eikä natiivin kontekstin määritys. Pitkän kontekstin sovelluksiin kuuluvat asiakirjasivujen ristiviittaukset ja tapahtumien paikantaminen videosta. Säilytä sivujärjestys ja videon aikaleimat syötettä valmistellessasi ja pyydä vastausta yksilöimään kunkin johtopäätöksen käyttämä sivu tai hetki.\n\nMultimodaalinen päättely kattaa matemaattiset ja tieteelliset tehtävät, jotka edellyttävät sekä näkyvää aineistoa että sen kirjallista kysymystä. Perhe tukee myös laajaa visuaalista tunnistusta kohteissa, tuotteissa, maamerkeissä, kasveissa ja eläimissä. Sen OCR-kattavuus on 32 kieltä, ja se sisältää haastavia hämärässä kuvattuja, sumeita tai kallistuneita kuvia sekä asiakirjarakenteen tulkinnan. Pyydä skannatusta tehtävästä ensin tekstin tunnistusta ja vasta sitten ratkaisua; näin väärin luettu merkki tai merkintä näkyy ennen kuin se muuttaa päättelyä.\n\nKolme arkkitehtuuripäivitystä tukee tätä visuaalista ja ajallista työtä. Interleaved-MRoPE jakaa positiotietoa ajan, leveyden ja korkeuden kesken; DeepStack tuo kielimalliin visuaalisia piirteitä useilta tasoilta; nimenomaiset tekstiaikaleimat esittävät videoruuturyhmien ajallisen sijainnin. Niiden käytännön merkitys on tilallisten yksityiskohtien säilyttämisessä ja tapahtumakuvauksen yhdistämisessä lähteen hetkeen. Ne eivät takaa pienen tai lukukelvottoman lähdeyksityiskohdan tunnistamista.\n\nTäsmällinen Thinking-mallikortti antaa generointisuositukset erikseen kuva- ja tekstitehtäville. Molemmat käyttävät näytteenottoa arvoilla temperature 1.0, top-p 0.95 ja top-k 20; kuvaesimerkki käyttää arvoa presence penalty 0.0, kun taas tekstiesimerkki käyttää arvoa 1.5. Esimerkkien tulostepituusasetukset ovat 40,960 visuaaliselle työlle ja 32,768 tekstille, ja 81,920 on suositus valittuihin vaativiin tekstiarviointeihin. Nämä ovat säätösuosituksia, eivät yleispätevä enimmäistulostetakuu tai parametreja, jotka ympäröivä palvelu välttämättä tarjoaa.\n\nAnna käytännön asiakirjatehtävään järjestetyt sivukuvat ja pyydä: ”Poimi osioiden otsikot, selitä kaavion ja viereisen tekstin suhde ja liitä jokaiseen havaintoon sivuviite.” Määritä videota varten paikannettava tapahtuma ja pyydä sen aikaleima sekä lyhyt visuaalinen selitys. Ilmoita visuaaliseen päättelykysymykseen vaadittu lopputuotos ja sallitut oletukset. Tuloste pysyy tekstimuotoisena selityksenä, poimittuna sisältönä, koodina tai ehdotettuna työkaluvaiheena; tämän version visuaalinen syöte ei ole videon- tai puheengenerointityönkulku.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekninen esimerkki englanniksi
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking on Qwenin päättelyyn painottuva 8B-näkö-kielimalliversio. Se yhdistää tekstin, kuvat ja videon visuaaliseen ongelmanratkaisuun, asiakirjojen tulkintaan, tilalliseen analyysiin sekä visuaalisten viitteiden pohjalta tehtävään koodin generointiin.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Qwen3-VL-8B-Thinking on Alibaban Qwen3-VL-perheen päättelyyn painottuva tiheä 8B-versio. Se yhdistää tekstin, kuvat ja videon yhteiseen tehtävään ja generoi tekstiä. Qwen julkaisee Thinking- ja Instruct-versiot erikseen; tämä kortti käsittelee nimettyä Thinking-mallia, jonka käyttötarkoitukseen kuuluu visuaalisen näytön analysointi ennen vastauksen tuottamista. Myös pelkkää tekstiä käsittelevä työ kuuluu mallin kielikykyihin.
Valmistaja esittelee ensin visuaaliset agentit: malli voi tunnistaa työpöytä- tai mobiilikäyttöliittymän elementtejä, tulkita niiden toimintoja ja päätellä seuraavan vuorovaikutuksen. Sovelluksessa kuvakaappaukset antavat nykyisen tilan ja työkalut suorittavat valitut toimet. Hyödyllinen tehtävänanto antaa käyttäjän tavoitteen, näkyvän näytön ja sallitut toimet ja pyytää sitten seuraavaa vaihetta sekä sen perustelevaa elementtiä. Generoitu tulkinta on erillinen ympäröivän sovelluksen suorittamasta toimesta.
Visuaalinen ohjelmointi yhdistää viitekuvat tai videon tekstimuotoiseen koodiin. Qwen dokumentoi Draw.io-kaaviot sekä HTML:n, CSS:n ja JavaScriptin esimerkkitulosteina. Anna kuvakaappaus tai luonnos yhdessä vaaditun toiminnan, sisällön ja tavoiteasettelun kanssa; pyydä muokattavaa koodi- tai kaaviotuotosta. Tilallisessa työssä perhe kuvaa kohteen sijaintia, näkökulmaa ja peittymistä sekä 2D-paikannusta ja 3D-paikannusta. Ilmoita koordinaattikäytäntö, jos tarvitset sijainteja, jotta kuvattu sijainti ja pyydetty rajauslaatikko käyttävät samaa viitekehystä.
Natiivi konteksti on 256K tokenia tekstille ja lomitetulle visuaaliselle aineistolle. Mallikortti kuvaa myös laajennuksen miljoonaan tokeniin; se on erillinen asetettu laajennus eikä natiivin kontekstin määritys. Pitkän kontekstin sovelluksiin kuuluvat asiakirjasivujen ristiviittaukset ja tapahtumien paikantaminen videosta. Säilytä sivujärjestys ja videon aikaleimat syötettä valmistellessasi ja pyydä vastausta yksilöimään kunkin johtopäätöksen käyttämä sivu tai hetki.
Multimodaalinen päättely kattaa matemaattiset ja tieteelliset tehtävät, jotka edellyttävät sekä näkyvää aineistoa että sen kirjallista kysymystä. Perhe tukee myös laajaa visuaalista tunnistusta kohteissa, tuotteissa, maamerkeissä, kasveissa ja eläimissä. Sen OCR-kattavuus on 32 kieltä, ja se sisältää haastavia hämärässä kuvattuja, sumeita tai kallistuneita kuvia sekä asiakirjarakenteen tulkinnan. Pyydä skannatusta tehtävästä ensin tekstin tunnistusta ja vasta sitten ratkaisua; näin väärin luettu merkki tai merkintä näkyy ennen kuin se muuttaa päättelyä.
Kolme arkkitehtuuripäivitystä tukee tätä visuaalista ja ajallista työtä. Interleaved-MRoPE jakaa positiotietoa ajan, leveyden ja korkeuden kesken; DeepStack tuo kielimalliin visuaalisia piirteitä useilta tasoilta; nimenomaiset tekstiaikaleimat esittävät videoruuturyhmien ajallisen sijainnin. Niiden käytännön merkitys on tilallisten yksityiskohtien säilyttämisessä ja tapahtumakuvauksen yhdistämisessä lähteen hetkeen. Ne eivät takaa pienen tai lukukelvottoman lähdeyksityiskohdan tunnistamista.
Täsmällinen Thinking-mallikortti antaa generointisuositukset erikseen kuva- ja tekstitehtäville. Molemmat käyttävät näytteenottoa arvoilla temperature 1.0, top-p 0.95 ja top-k 20; kuvaesimerkki käyttää arvoa presence penalty 0.0, kun taas tekstiesimerkki käyttää arvoa 1.5. Esimerkkien tulostepituusasetukset ovat 40,960 visuaaliselle työlle ja 32,768 tekstille, ja 81,920 on suositus valittuihin vaativiin tekstiarviointeihin. Nämä ovat säätösuosituksia, eivät yleispätevä enimmäistulostetakuu tai parametreja, jotka ympäröivä palvelu välttämättä tarjoaa.
Anna käytännön asiakirjatehtävään järjestetyt sivukuvat ja pyydä: ”Poimi osioiden otsikot, selitä kaavion ja viereisen tekstin suhde ja liitä jokaiseen havaintoon sivuviite.” Määritä videota varten paikannettava tapahtuma ja pyydä sen aikaleima sekä lyhyt visuaalinen selitys. Ilmoita visuaaliseen päättelykysymykseen vaadittu lopputuotos ja sallitut oletukset. Tuloste pysyy tekstimuotoisena selityksenä, poimittuna sisältönä, koodina tai ehdotettuna työkaluvaiheena; tämän version visuaalinen syöte ei ole videon- tai puheengenerointityönkulku.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat Qwen/Qwen3-VL-8B-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 $0.000144 / 1K tokenia Tuloste · Tulostokenit $0.00143 / 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-8B-Thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-8B-Thinking
Käytä yllä näytettyjä menetelmäpolkuja.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking on Qwenin päättelyyn painottuva 8B-näkö-kielimalliversio. Se yhdistää tekstin, kuvat ja videon visuaaliseen ongelmanratkaisuun, asiakirjojen tulkintaan, tilalliseen analyysiin sekä visuaalisten viitteiden pohjalta tehtävään koodin generointiin.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Qwen3-VL-8B-Thinking on Alibaban Qwen3-VL-perheen päättelyyn painottuva tiheä 8B-versio. Se yhdistää tekstin, kuvat ja videon yhteiseen tehtävään ja generoi tekstiä. Qwen julkaisee Thinking- ja Instruct-versiot erikseen; tämä kortti käsittelee nimettyä Thinking-mallia, jonka käyttötarkoitukseen kuuluu visuaalisen näytön analysointi ennen vastauksen tuottamista. Myös pelkkää tekstiä käsittelevä työ kuuluu mallin kielikykyihin.
Valmistaja esittelee ensin visuaaliset agentit: malli voi tunnistaa työpöytä- tai mobiilikäyttöliittymän elementtejä, tulkita niiden toimintoja ja päätellä seuraavan vuorovaikutuksen. Sovelluksessa kuvakaappaukset antavat nykyisen tilan ja työkalut suorittavat valitut toimet. Hyödyllinen tehtävänanto antaa käyttäjän tavoitteen, näkyvän näytön ja sallitut toimet ja pyytää sitten seuraavaa vaihetta sekä sen perustelevaa elementtiä. Generoitu tulkinta on erillinen ympäröivän sovelluksen suorittamasta toimesta.
Visuaalinen ohjelmointi yhdistää viitekuvat tai videon tekstimuotoiseen koodiin. Qwen dokumentoi Draw.io-kaaviot sekä HTML:n, CSS:n ja JavaScriptin esimerkkitulosteina. Anna kuvakaappaus tai luonnos yhdessä vaaditun toiminnan, sisällön ja tavoiteasettelun kanssa; pyydä muokattavaa koodi- tai kaaviotuotosta. Tilallisessa työssä perhe kuvaa kohteen sijaintia, näkökulmaa ja peittymistä sekä 2D-paikannusta ja 3D-paikannusta. Ilmoita koordinaattikäytäntö, jos tarvitset sijainteja, jotta kuvattu sijainti ja pyydetty rajauslaatikko käyttävät samaa viitekehystä.
Natiivi konteksti on 256K tokenia tekstille ja lomitetulle visuaaliselle aineistolle. Mallikortti kuvaa myös laajennuksen miljoonaan tokeniin; se on erillinen asetettu laajennus eikä natiivin kontekstin määritys. Pitkän kontekstin sovelluksiin kuuluvat asiakirjasivujen ristiviittaukset ja tapahtumien paikantaminen videosta. Säilytä sivujärjestys ja videon aikaleimat syötettä valmistellessasi ja pyydä vastausta yksilöimään kunkin johtopäätöksen käyttämä sivu tai hetki.
Multimodaalinen päättely kattaa matemaattiset ja tieteelliset tehtävät, jotka edellyttävät sekä näkyvää aineistoa että sen kirjallista kysymystä. Perhe tukee myös laajaa visuaalista tunnistusta kohteissa, tuotteissa, maamerkeissä, kasveissa ja eläimissä. Sen OCR-kattavuus on 32 kieltä, ja se sisältää haastavia hämärässä kuvattuja, sumeita tai kallistuneita kuvia sekä asiakirjarakenteen tulkinnan. Pyydä skannatusta tehtävästä ensin tekstin tunnistusta ja vasta sitten ratkaisua; näin väärin luettu merkki tai merkintä näkyy ennen kuin se muuttaa päättelyä.
Kolme arkkitehtuuripäivitystä tukee tätä visuaalista ja ajallista työtä. Interleaved-MRoPE jakaa positiotietoa ajan, leveyden ja korkeuden kesken; DeepStack tuo kielimalliin visuaalisia piirteitä useilta tasoilta; nimenomaiset tekstiaikaleimat esittävät videoruuturyhmien ajallisen sijainnin. Niiden käytännön merkitys on tilallisten yksityiskohtien säilyttämisessä ja tapahtumakuvauksen yhdistämisessä lähteen hetkeen. Ne eivät takaa pienen tai lukukelvottoman lähdeyksityiskohdan tunnistamista.
Täsmällinen Thinking-mallikortti antaa generointisuositukset erikseen kuva- ja tekstitehtäville. Molemmat käyttävät näytteenottoa arvoilla temperature 1.0, top-p 0.95 ja top-k 20; kuvaesimerkki käyttää arvoa presence penalty 0.0, kun taas tekstiesimerkki käyttää arvoa 1.5. Esimerkkien tulostepituusasetukset ovat 40,960 visuaaliselle työlle ja 32,768 tekstille, ja 81,920 on suositus valittuihin vaativiin tekstiarviointeihin. Nämä ovat säätösuosituksia, eivät yleispätevä enimmäistulostetakuu tai parametreja, jotka ympäröivä palvelu välttämättä tarjoaa.
Anna käytännön asiakirjatehtävään järjestetyt sivukuvat ja pyydä: ”Poimi osioiden otsikot, selitä kaavion ja viereisen tekstin suhde ja liitä jokaiseen havaintoon sivuviite.” Määritä videota varten paikannettava tapahtuma ja pyydä sen aikaleima sekä lyhyt visuaalinen selitys. Ilmoita visuaaliseen päättelykysymykseen vaadittu lopputuotos ja sallitut oletukset. Tuloste pysyy tekstimuotoisena selityksenä, poimittuna sisältönä, koodina tai ehdotettuna työkaluvaiheena; tämän version visuaalinen syöte ei ole videon- tai puheengenerointityönkulku.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat Qwen/Qwen3-VL-8B-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 $0.000144 / 1K tokenia Tuloste · Tulostokenit $0.00143 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-VL-8B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-VL-8B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-8B-Thinking
Käytä yllä näytettyjä menetelmäpolkuja.
Tekninen esimerkki englanniksi
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.