Qwen3-Omni-30B-A3B-Thinking est le membre de Qwen3-Omni orienté raisonnement. Il comprend le texte, les images, l’audio et la vidéo, y compris leurs combinaisons dans une même conversation, et produit un résultat textuel. L’édition Thinking exacte contient le composant Thinker et est équipée pour le raisonnement ; elle n’inclut pas Talker, utilisé pour la sortie parlée dans le checkpoint Instruct. Cette distinction compte pour sélectionner un modèle destiné à un rapport analytique plutôt qu’à une conversation vocale.
Le fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts avec 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des entrées vocales. La configuration Thinking exacte comprend 48 couches de transformeur textuel, 128 experts et huit experts sélectionnés par jeton. Elle comporte aussi des composants de traitement audio et visuel. Ce sont des caractéristiques du checkpoint nommé ; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel de taille similaire.
Les guides pratiques couvrent la reconnaissance et la traduction vocales, l’analyse de musique et de sons environnementaux, l’audio mixte, les questions d’image, l’OCR, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent expressément en avant l’édition Thinking. Pour une tâche de géométrie, fournissez le schéma complet, des libellés lisibles et la question, puis demandez une solution distinguant les données visibles des hypothèses. Pour une démonstration enregistrée, identifiez l’action ou l’écart à examiner et demandez des observations liées aux parties pertinentes. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments étayent.
Préparez l’entrée comme une conversation multimodale avec le processeur et le modèle de conversation correspondants. La boîte à outils du concepteur traite le texte, les images, l’audio et la vidéo entrelacés. Qwen décrit les réponses textuelles en continu comme faisant partie de la conception des échanges de la famille et montre l’inférence par lots à médias mixtes avec sortie textuelle seule. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite avec les médias. Une vidéo seule laisse la tâche ambiguë : précisez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leur relation pour relier la bonne question au bon contenu dans le texte final.
Pour une vidéo contenant de la parole ou des sons d’événements, décidez si l’audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de manière cohérente au prétraitement et à la génération, et la fiche avertit que modifier ce réglage entre tours peut produire des résultats inattendus. Une question sur la seule scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait original disponible, sélectionnez l’intervalle pertinent et évitez d’omettre la bande sonore lorsque la conclusion dépend de ce qui a été dit ou entendu.
La configuration textuelle publiée fixe max_position_embeddings à 65 536. Les exemples vLLM de la fiche utilisent séparément une longueur de modèle de 32 768 jetons et une génération de 16 384 jetons. Ils illustrent une inférence configurée plutôt qu’une limite universelle unique de sortie maximale. Les médias sont représentés par le processeur ; la taille de requête n’est donc pas simplement le nombre de caractères saisis. Réservez de la place au résultat textuel et utilisez un segment source borné lorsqu’un long enregistrement ne contient qu’un bref événement pertinent.
Le concepteur montre des flux Transformers et vLLM, avec la prise en charge du processeur et le décodage des médias comme dépendances explicites. La fiche partagée documente aussi les différences d’interface, dont un traitement séparé de la vidéo et de l’audio dans un exemple de service. Sélectionnez le checkpoint Thinking exact et son chemin de traitement compatible plutôt que de supposer que chaque exemple de la fiche de famille a le même comportement de sortie. Les voix et contrôles Talker de cette page s’appliquent à Instruct, pas à ce modèle limité à Thinker.
Pour un résultat final utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez unités, symboles et libellés ; dans l’audio, distinguez le contenu audible de la source déduite ; dans une vidéo, distinguez les actions observées d’une interprétation d’intention. Inspectez le résultat par rapport au contenu fourni et identifiez explicitement les détails incertains ou illisibles. La réponse textuelle peut soutenir une analyse ou une étape applicative ultérieure, tandis que toute exécution d’outil, confirmation factuelle ou transformation de média reste une opération distincte nécessitant une entrée et un résultat qui lui sont propres.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking est le membre de Qwen3-Omni orienté raisonnement. Il comprend le texte, les images, l’audio et la vidéo, y compris leurs combinaisons dans une même conversation, et produit un résultat textuel. L’édition Thinking exacte contient le composant Thinker et est équipée pour le raisonnement ; elle n’inclut pas Talker, utilisé pour la sortie parlée dans le checkpoint Instruct. Cette distinction compte pour sélectionner un modèle destiné à un rapport analytique plutôt qu’à une conversation vocale.\n\nLe fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts avec 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des entrées vocales. La configuration Thinking exacte comprend 48 couches de transformeur textuel, 128 experts et huit experts sélectionnés par jeton. Elle comporte aussi des composants de traitement audio et visuel. Ce sont des caractéristiques du checkpoint nommé ; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel de taille similaire.\n\nLes guides pratiques couvrent la reconnaissance et la traduction vocales, l’analyse de musique et de sons environnementaux, l’audio mixte, les questions d’image, l’OCR, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent expressément en avant l’édition Thinking. Pour une tâche de géométrie, fournissez le schéma complet, des libellés lisibles et la question, puis demandez une solution distinguant les données visibles des hypothèses. Pour une démonstration enregistrée, identifiez l’action ou l’écart à examiner et demandez des observations liées aux parties pertinentes. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments étayent.\n\nPréparez l’entrée comme une conversation multimodale avec le processeur et le modèle de conversation correspondants. La boîte à outils du concepteur traite le texte, les images, l’audio et la vidéo entrelacés. Qwen décrit les réponses textuelles en continu comme faisant partie de la conception des échanges de la famille et montre l’inférence par lots à médias mixtes avec sortie textuelle seule. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite avec les médias. Une vidéo seule laisse la tâche ambiguë : précisez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leur relation pour relier la bonne question au bon contenu dans le texte final.\n\nPour une vidéo contenant de la parole ou des sons d’événements, décidez si l’audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de manière cohérente au prétraitement et à la génération, et la fiche avertit que modifier ce réglage entre tours peut produire des résultats inattendus. Une question sur la seule scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait original disponible, sélectionnez l’intervalle pertinent et évitez d’omettre la bande sonore lorsque la conclusion dépend de ce qui a été dit ou entendu.\n\nLa configuration textuelle publiée fixe max_position_embeddings à 65 536. Les exemples vLLM de la fiche utilisent séparément une longueur de modèle de 32 768 jetons et une génération de 16 384 jetons. Ils illustrent une inférence configurée plutôt qu’une limite universelle unique de sortie maximale. Les médias sont représentés par le processeur ; la taille de requête n’est donc pas simplement le nombre de caractères saisis. Réservez de la place au résultat textuel et utilisez un segment source borné lorsqu’un long enregistrement ne contient qu’un bref événement pertinent.\n\nLe concepteur montre des flux Transformers et vLLM, avec la prise en charge du processeur et le décodage des médias comme dépendances explicites. La fiche partagée documente aussi les différences d’interface, dont un traitement séparé de la vidéo et de l’audio dans un exemple de service. Sélectionnez le checkpoint Thinking exact et son chemin de traitement compatible plutôt que de supposer que chaque exemple de la fiche de famille a le même comportement de sortie. Les voix et contrôles Talker de cette page s’appliquent à Instruct, pas à ce modèle limité à Thinker.\n\nPour un résultat final utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez unités, symboles et libellés ; dans l’audio, distinguez le contenu audible de la source déduite ; dans une vidéo, distinguez les actions observées d’une interprétation d’intention. Inspectez le résultat par rapport au contenu fourni et identifiez explicitement les détails incertains ou illisibles. La réponse textuelle peut soutenir une analyse ou une étape applicative ultérieure, tandis que toute exécution d’outil, confirmation factuelle ou transformation de média reste une opération distincte nécessitant une entrée et un résultat qui lui sont propres.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking raisonne sur le texte, les images, l’audio et la vidéo et renvoie du texte. Cette édition limitée à Thinker convient aux mathématiques visuelles, à l’analyse audio et aux questions nécessitant des éléments de plusieurs modalités ; la génération vocale appartient à une autre version Omni.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-Omni-30B-A3B-Thinking est le membre de Qwen3-Omni orienté raisonnement. Il comprend le texte, les images, l’audio et la vidéo, y compris leurs combinaisons dans une même conversation, et produit un résultat textuel. L’édition Thinking exacte contient le composant Thinker et est équipée pour le raisonnement ; elle n’inclut pas Talker, utilisé pour la sortie parlée dans le checkpoint Instruct. Cette distinction compte pour sélectionner un modèle destiné à un rapport analytique plutôt qu’à une conversation vocale.
Le fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts avec 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des entrées vocales. La configuration Thinking exacte comprend 48 couches de transformeur textuel, 128 experts et huit experts sélectionnés par jeton. Elle comporte aussi des composants de traitement audio et visuel. Ce sont des caractéristiques du checkpoint nommé ; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel de taille similaire.
Les guides pratiques couvrent la reconnaissance et la traduction vocales, l’analyse de musique et de sons environnementaux, l’audio mixte, les questions d’image, l’OCR, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent expressément en avant l’édition Thinking. Pour une tâche de géométrie, fournissez le schéma complet, des libellés lisibles et la question, puis demandez une solution distinguant les données visibles des hypothèses. Pour une démonstration enregistrée, identifiez l’action ou l’écart à examiner et demandez des observations liées aux parties pertinentes. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments étayent.
Préparez l’entrée comme une conversation multimodale avec le processeur et le modèle de conversation correspondants. La boîte à outils du concepteur traite le texte, les images, l’audio et la vidéo entrelacés. Qwen décrit les réponses textuelles en continu comme faisant partie de la conception des échanges de la famille et montre l’inférence par lots à médias mixtes avec sortie textuelle seule. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite avec les médias. Une vidéo seule laisse la tâche ambiguë : précisez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leur relation pour relier la bonne question au bon contenu dans le texte final.
Pour une vidéo contenant de la parole ou des sons d’événements, décidez si l’audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de manière cohérente au prétraitement et à la génération, et la fiche avertit que modifier ce réglage entre tours peut produire des résultats inattendus. Une question sur la seule scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait original disponible, sélectionnez l’intervalle pertinent et évitez d’omettre la bande sonore lorsque la conclusion dépend de ce qui a été dit ou entendu.
La configuration textuelle publiée fixe max_position_embeddings à 65 536. Les exemples vLLM de la fiche utilisent séparément une longueur de modèle de 32 768 jetons et une génération de 16 384 jetons. Ils illustrent une inférence configurée plutôt qu’une limite universelle unique de sortie maximale. Les médias sont représentés par le processeur ; la taille de requête n’est donc pas simplement le nombre de caractères saisis. Réservez de la place au résultat textuel et utilisez un segment source borné lorsqu’un long enregistrement ne contient qu’un bref événement pertinent.
Le concepteur montre des flux Transformers et vLLM, avec la prise en charge du processeur et le décodage des médias comme dépendances explicites. La fiche partagée documente aussi les différences d’interface, dont un traitement séparé de la vidéo et de l’audio dans un exemple de service. Sélectionnez le checkpoint Thinking exact et son chemin de traitement compatible plutôt que de supposer que chaque exemple de la fiche de famille a le même comportement de sortie. Les voix et contrôles Talker de cette page s’appliquent à Instruct, pas à ce modèle limité à Thinker.
Pour un résultat final utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez unités, symboles et libellés ; dans l’audio, distinguez le contenu audible de la source déduite ; dans une vidéo, distinguez les actions observées d’une interprétation d’intention. Inspectez le résultat par rapport au contenu fourni et identifiez explicitement les détails incertains ou illisibles. La réponse textuelle peut soutenir une analyse ou une étape applicative ultérieure, tandis que toute exécution d’outil, confirmation factuelle ou transformation de média reste une opération distincte nécessitant une entrée et un résultat qui lui sont propres.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen3-Omni-30B-A3B-Thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-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-Omni-30B-A3B-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-Omni-30B-A3B-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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking raisonne sur le texte, les images, l’audio et la vidéo et renvoie du texte. Cette édition limitée à Thinker convient aux mathématiques visuelles, à l’analyse audio et aux questions nécessitant des éléments de plusieurs modalités ; la génération vocale appartient à une autre version Omni.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-Omni-30B-A3B-Thinking est le membre de Qwen3-Omni orienté raisonnement. Il comprend le texte, les images, l’audio et la vidéo, y compris leurs combinaisons dans une même conversation, et produit un résultat textuel. L’édition Thinking exacte contient le composant Thinker et est équipée pour le raisonnement ; elle n’inclut pas Talker, utilisé pour la sortie parlée dans le checkpoint Instruct. Cette distinction compte pour sélectionner un modèle destiné à un rapport analytique plutôt qu’à une conversation vocale.
Le fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts avec 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des entrées vocales. La configuration Thinking exacte comprend 48 couches de transformeur textuel, 128 experts et huit experts sélectionnés par jeton. Elle comporte aussi des composants de traitement audio et visuel. Ce sont des caractéristiques du checkpoint nommé ; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel de taille similaire.
Les guides pratiques couvrent la reconnaissance et la traduction vocales, l’analyse de musique et de sons environnementaux, l’audio mixte, les questions d’image, l’OCR, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent expressément en avant l’édition Thinking. Pour une tâche de géométrie, fournissez le schéma complet, des libellés lisibles et la question, puis demandez une solution distinguant les données visibles des hypothèses. Pour une démonstration enregistrée, identifiez l’action ou l’écart à examiner et demandez des observations liées aux parties pertinentes. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments étayent.
Préparez l’entrée comme une conversation multimodale avec le processeur et le modèle de conversation correspondants. La boîte à outils du concepteur traite le texte, les images, l’audio et la vidéo entrelacés. Qwen décrit les réponses textuelles en continu comme faisant partie de la conception des échanges de la famille et montre l’inférence par lots à médias mixtes avec sortie textuelle seule. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite avec les médias. Une vidéo seule laisse la tâche ambiguë : précisez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leur relation pour relier la bonne question au bon contenu dans le texte final.
Pour une vidéo contenant de la parole ou des sons d’événements, décidez si l’audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de manière cohérente au prétraitement et à la génération, et la fiche avertit que modifier ce réglage entre tours peut produire des résultats inattendus. Une question sur la seule scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait original disponible, sélectionnez l’intervalle pertinent et évitez d’omettre la bande sonore lorsque la conclusion dépend de ce qui a été dit ou entendu.
La configuration textuelle publiée fixe max_position_embeddings à 65 536. Les exemples vLLM de la fiche utilisent séparément une longueur de modèle de 32 768 jetons et une génération de 16 384 jetons. Ils illustrent une inférence configurée plutôt qu’une limite universelle unique de sortie maximale. Les médias sont représentés par le processeur ; la taille de requête n’est donc pas simplement le nombre de caractères saisis. Réservez de la place au résultat textuel et utilisez un segment source borné lorsqu’un long enregistrement ne contient qu’un bref événement pertinent.
Le concepteur montre des flux Transformers et vLLM, avec la prise en charge du processeur et le décodage des médias comme dépendances explicites. La fiche partagée documente aussi les différences d’interface, dont un traitement séparé de la vidéo et de l’audio dans un exemple de service. Sélectionnez le checkpoint Thinking exact et son chemin de traitement compatible plutôt que de supposer que chaque exemple de la fiche de famille a le même comportement de sortie. Les voix et contrôles Talker de cette page s’appliquent à Instruct, pas à ce modèle limité à Thinker.
Pour un résultat final utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez unités, symboles et libellés ; dans l’audio, distinguez le contenu audible de la source déduite ; dans une vidéo, distinguez les actions observées d’une interprétation d’intention. Inspectez le résultat par rapport au contenu fourni et identifiez explicitement les détails incertains ou illisibles. La réponse textuelle peut soutenir une analyse ou une étape applicative ultérieure, tandis que toute exécution d’outil, confirmation factuelle ou transformation de média reste une opération distincte nécessitant une entrée et un résultat qui lui sont propres.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites Qwen/Qwen3-Omni-30B-A3B-Thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-30B-A3B-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-Omni-30B-A3B-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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.