L’édition 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct est l’édition à mélange d’experts de Qwen3-VL axée sur les instructions. Elle associe le texte aux images ou à la vidéo et produit du texte, y compris du code. Préservez cette identité Instruct exacte plutôt que de substituer l’édition Thinking au raisonnement renforcé ou une autre taille de la famille. Une requête utile définit les éléments visuels, la question et le livrable concret attendu dans la réponse.
Agents visuels et programmation visuelle
Le concepteur décrit la reconnaissance d’éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux d’agent visuel. Fournissez la capture et l’objectif prévu, puis demandez quelle commande visible correspond à la tâche et ce qui étaye ce choix. L’application connectée exécute les actions et renvoie leurs résultats ; la reconnaissance visuelle seule ne contrôle pas l’appareil.
La programmation visuelle comprend du contenu de schéma et du HTML, CSS ou JavaScript générés à partir d’images ou de vidéos. Fournissez une référence de mise en page avec les contraintes fonctionnelles et demandez du code source modifiable. Pour modifier une interface existante, incluez le code pertinent et les états d’interaction attendus. Séparez le livrable de l’explication afin qu’un flux de développement puisse effectuer son rendu et l’inspecter. Le code source généré est une proposition à examiner, pas la preuve d’une application fonctionnelle.
Perception spatiale, contexte et vidéo
Qwen documente des appréciations des positions d’objets, points de vue et occlusions, avec ancrage bidimensionnel et prise en charge de l’ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles étayant la relation. Une relation issue d’une image doit rester distincte d’une mesure physique calibrée.
Le contexte natif est de 262 144 jetons. La famille décrit des livres et des vidéos de plusieurs heures, avec indexation d’événements à la seconde et extension à environ un million de jetons par configuration. Préservez le minutage et l’ordre des images pour une question sur une séquence. Le budget de représentation configuré détermine le contenu traité ; la description générale des vidéos longues ne doit donc pas devenir une promesse de rappel parfait de chaque image.
Raisonnement multimodal, reconnaissance et OCR
Le modèle prend en charge les questions visuelles STEM et mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés de schéma et demandez les valeurs utilisées avant la conclusion finale. La famille élargit aussi la reconnaissance aux personnes, produits, monuments, plantes, animaux et personnages médiatiques. Vérifiez un résultat d’identification lorsque l’identité exacte compte.
L’OCR couvre 32 langues et vise à améliorer la lecture en faible lumière, dans le flou ou en cas d’inclinaison, y compris le vocabulaire spécialisé et la structure documentaire. Fournissez des pages lisibles et demandez des champs, citations ou un tableau vérifiables par rapport à la source. La compréhension textuelle et visuelle est combinée ; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.
Architecture
La configuration publiée identifie un modèle vision-langage à mélange d’experts avec 48 couches textuelles, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE représente le temps, la largeur et la hauteur ; DeepStack combine les caractéristiques de plusieurs niveaux de l’encodeur visuel ; l’alignement texte–horodatage ancre les événements dans des références temporelles. Utilisez cette édition 30B-A3B Instruct de manière cohérente pour préparer les tâches visuelles et comparer leurs résultats.
Préparer les entrées
Les exemples de famille couvrent les tâches purement textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et préservez leur relation. Les budgets de pixels d’image et de vidéo sont séparés, celui de vidéo comptant les pixels des images échantillonnées. Les dimensions explicites d’image sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec contrôle de fréquence ou de nombre d’images dans les flux compatibles.
L’auxiliaire de médias peut conserver les métadonnées vidéo et conseille d’éviter un second redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour une comparaison documentaire, organisez la réponse par étiquette de page. Pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments d’appui. Comparez les champs, passages et heures d’événements renvoyés aux pages ou à l’extrait originaux.
Recommandations de génération et limites
Le fichier de génération du checkpoint utilise par défaut temperature 0.7, top_p 0.8, top_k 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise aussi une pénalité de présence de 1.5 et une allocation de sortie de 32 768 jetons. Cette allocation est un budget de recette du producteur, pas un maximum strict de sortie établi indépendamment. Les allocations distinctes par tâche de la fiche 8B Instruct ne doivent pas être automatiquement attribuées à cette édition.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou trois pour étendre le schéma positionnel entrelacé de 256K à environ 1M. Réservez de la place au résultat à côté du texte et des visuels représentés, et vérifiez l’OCR, les conclusions calculées et le code généré par rapport aux éléments originaux. Distinguez le contrat de génération Instruct des réglages d’un checkpoint Thinking ; le nom d’édition seul n’établit pas un commutateur hybride propre à l’application.
", "aboutText": "L’édition 30B-A3B Instruct\n\nQwen3-VL-30B-A3B-Instruct est l’édition à mélange d’experts de Qwen3-VL axée sur les instructions. Elle associe le texte aux images ou à la vidéo et produit du texte, y compris du code. Préservez cette identité Instruct exacte plutôt que de substituer l’édition Thinking au raisonnement renforcé ou une autre taille de la famille. Une requête utile définit les éléments visuels, la question et le livrable concret attendu dans la réponse.\n\nAgents visuels et programmation visuelle\n\nLe concepteur décrit la reconnaissance d’éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux d’agent visuel. Fournissez la capture et l’objectif prévu, puis demandez quelle commande visible correspond à la tâche et ce qui étaye ce choix. L’application connectée exécute les actions et renvoie leurs résultats ; la reconnaissance visuelle seule ne contrôle pas l’appareil.\n\nLa programmation visuelle comprend du contenu de schéma et du HTML, CSS ou JavaScript générés à partir d’images ou de vidéos. Fournissez une référence de mise en page avec les contraintes fonctionnelles et demandez du code source modifiable. Pour modifier une interface existante, incluez le code pertinent et les états d’interaction attendus. Séparez le livrable de l’explication afin qu’un flux de développement puisse effectuer son rendu et l’inspecter. Le code source généré est une proposition à examiner, pas la preuve d’une application fonctionnelle.\n\nPerception spatiale, contexte et vidéo\n\nQwen documente des appréciations des positions d’objets, points de vue et occlusions, avec ancrage bidimensionnel et prise en charge de l’ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles étayant la relation. Une relation issue d’une image doit rester distincte d’une mesure physique calibrée.\n\nLe contexte natif est de 262 144 jetons. La famille décrit des livres et des vidéos de plusieurs heures, avec indexation d’événements à la seconde et extension à environ un million de jetons par configuration. Préservez le minutage et l’ordre des images pour une question sur une séquence. Le budget de représentation configuré détermine le contenu traité ; la description générale des vidéos longues ne doit donc pas devenir une promesse de rappel parfait de chaque image.\n\nRaisonnement multimodal, reconnaissance et OCR\n\nLe modèle prend en charge les questions visuelles STEM et mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés de schéma et demandez les valeurs utilisées avant la conclusion finale. La famille élargit aussi la reconnaissance aux personnes, produits, monuments, plantes, animaux et personnages médiatiques. Vérifiez un résultat d’identification lorsque l’identité exacte compte.\n\nL’OCR couvre 32 langues et vise à améliorer la lecture en faible lumière, dans le flou ou en cas d’inclinaison, y compris le vocabulaire spécialisé et la structure documentaire. Fournissez des pages lisibles et demandez des champs, citations ou un tableau vérifiables par rapport à la source. La compréhension textuelle et visuelle est combinée ; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.\n\nArchitecture\n\nLa configuration publiée identifie un modèle vision-langage à mélange d’experts avec 48 couches textuelles, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE représente le temps, la largeur et la hauteur ; DeepStack combine les caractéristiques de plusieurs niveaux de l’encodeur visuel ; l’alignement texte–horodatage ancre les événements dans des références temporelles. Utilisez cette édition 30B-A3B Instruct de manière cohérente pour préparer les tâches visuelles et comparer leurs résultats.\n\nPréparer les entrées\n\nLes exemples de famille couvrent les tâches purement textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et préservez leur relation. Les budgets de pixels d’image et de vidéo sont séparés, celui de vidéo comptant les pixels des images échantillonnées. Les dimensions explicites d’image sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec contrôle de fréquence ou de nombre d’images dans les flux compatibles.\n\nL’auxiliaire de médias peut conserver les métadonnées vidéo et conseille d’éviter un second redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour une comparaison documentaire, organisez la réponse par étiquette de page. Pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments d’appui. Comparez les champs, passages et heures d’événements renvoyés aux pages ou à l’extrait originaux.\n\nRecommandations de génération et limites\n\nLe fichier de génération du checkpoint utilise par défaut temperature 0.7, top_p 0.8, top_k 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise aussi une pénalité de présence de 1.5 et une allocation de sortie de 32 768 jetons. Cette allocation est un budget de recette du producteur, pas un maximum strict de sortie établi indépendamment. Les allocations distinctes par tâche de la fiche 8B Instruct ne doivent pas être automatiquement attribuées à cette édition.\n\nLa procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou trois pour étendre le schéma positionnel entrelacé de 256K à environ 1M. Réservez de la place au résultat à côté du texte et des visuels représentés, et vérifiez l’OCR, les conclusions calculées et le code généré par rapport aux éléments originaux. Distinguez le contrat de génération Instruct des réglages d’un checkpoint Thinking ; le nom d’édition seul n’établit pas un commutateur hybride propre à l’application.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct est l’édition vision-langage de Qwen à mélange d’experts axée sur les instructions, pour le texte, les images et la vidéo. Elle renvoie du texte ou du code pour les flux d’agent visuel, la lecture documentaire, les questions spatiales et la programmation visuelle, avec OCR en 32 langues et un contexte natif de 262 144 jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
L’édition 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct est l’édition à mélange d’experts de Qwen3-VL axée sur les instructions. Elle associe le texte aux images ou à la vidéo et produit du texte, y compris du code. Préservez cette identité Instruct exacte plutôt que de substituer l’édition Thinking au raisonnement renforcé ou une autre taille de la famille. Une requête utile définit les éléments visuels, la question et le livrable concret attendu dans la réponse.
Agents visuels et programmation visuelle
Le concepteur décrit la reconnaissance d’éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux d’agent visuel. Fournissez la capture et l’objectif prévu, puis demandez quelle commande visible correspond à la tâche et ce qui étaye ce choix. L’application connectée exécute les actions et renvoie leurs résultats ; la reconnaissance visuelle seule ne contrôle pas l’appareil.
La programmation visuelle comprend du contenu de schéma et du HTML, CSS ou JavaScript générés à partir d’images ou de vidéos. Fournissez une référence de mise en page avec les contraintes fonctionnelles et demandez du code source modifiable. Pour modifier une interface existante, incluez le code pertinent et les états d’interaction attendus. Séparez le livrable de l’explication afin qu’un flux de développement puisse effectuer son rendu et l’inspecter. Le code source généré est une proposition à examiner, pas la preuve d’une application fonctionnelle.
Perception spatiale, contexte et vidéo
Qwen documente des appréciations des positions d’objets, points de vue et occlusions, avec ancrage bidimensionnel et prise en charge de l’ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles étayant la relation. Une relation issue d’une image doit rester distincte d’une mesure physique calibrée.
Le contexte natif est de 262 144 jetons. La famille décrit des livres et des vidéos de plusieurs heures, avec indexation d’événements à la seconde et extension à environ un million de jetons par configuration. Préservez le minutage et l’ordre des images pour une question sur une séquence. Le budget de représentation configuré détermine le contenu traité ; la description générale des vidéos longues ne doit donc pas devenir une promesse de rappel parfait de chaque image.
Raisonnement multimodal, reconnaissance et OCR
Le modèle prend en charge les questions visuelles STEM et mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés de schéma et demandez les valeurs utilisées avant la conclusion finale. La famille élargit aussi la reconnaissance aux personnes, produits, monuments, plantes, animaux et personnages médiatiques. Vérifiez un résultat d’identification lorsque l’identité exacte compte.
L’OCR couvre 32 langues et vise à améliorer la lecture en faible lumière, dans le flou ou en cas d’inclinaison, y compris le vocabulaire spécialisé et la structure documentaire. Fournissez des pages lisibles et demandez des champs, citations ou un tableau vérifiables par rapport à la source. La compréhension textuelle et visuelle est combinée ; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.
Architecture
La configuration publiée identifie un modèle vision-langage à mélange d’experts avec 48 couches textuelles, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE représente le temps, la largeur et la hauteur ; DeepStack combine les caractéristiques de plusieurs niveaux de l’encodeur visuel ; l’alignement texte–horodatage ancre les événements dans des références temporelles. Utilisez cette édition 30B-A3B Instruct de manière cohérente pour préparer les tâches visuelles et comparer leurs résultats.
Préparer les entrées
Les exemples de famille couvrent les tâches purement textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et préservez leur relation. Les budgets de pixels d’image et de vidéo sont séparés, celui de vidéo comptant les pixels des images échantillonnées. Les dimensions explicites d’image sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec contrôle de fréquence ou de nombre d’images dans les flux compatibles.
L’auxiliaire de médias peut conserver les métadonnées vidéo et conseille d’éviter un second redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour une comparaison documentaire, organisez la réponse par étiquette de page. Pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments d’appui. Comparez les champs, passages et heures d’événements renvoyés aux pages ou à l’extrait originaux.
Recommandations de génération et limites
Le fichier de génération du checkpoint utilise par défaut temperature 0.7, top_p 0.8, top_k 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise aussi une pénalité de présence de 1.5 et une allocation de sortie de 32 768 jetons. Cette allocation est un budget de recette du producteur, pas un maximum strict de sortie établi indépendamment. Les allocations distinctes par tâche de la fiche 8B Instruct ne doivent pas être automatiquement attribuées à cette édition.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou trois pour étendre le schéma positionnel entrelacé de 256K à environ 1M. Réservez de la place au résultat à côté du texte et des visuels représentés, et vérifiez l’OCR, les conclusions calculées et le code généré par rapport aux éléments originaux. Distinguez le contrat de génération Instruct des réglages d’un checkpoint Thinking ; le nom d’édition seul n’établit pas un commutateur hybride propre à l’application.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-30b-a3b-instruct | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 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 |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 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-vl-30b-a3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-30b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-30b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-vl-30b-a3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct est l’édition vision-langage de Qwen à mélange d’experts axée sur les instructions, pour le texte, les images et la vidéo. Elle renvoie du texte ou du code pour les flux d’agent visuel, la lecture documentaire, les questions spatiales et la programmation visuelle, avec OCR en 32 langues et un contexte natif de 262 144 jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
L’édition 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct est l’édition à mélange d’experts de Qwen3-VL axée sur les instructions. Elle associe le texte aux images ou à la vidéo et produit du texte, y compris du code. Préservez cette identité Instruct exacte plutôt que de substituer l’édition Thinking au raisonnement renforcé ou une autre taille de la famille. Une requête utile définit les éléments visuels, la question et le livrable concret attendu dans la réponse.
Agents visuels et programmation visuelle
Le concepteur décrit la reconnaissance d’éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux d’agent visuel. Fournissez la capture et l’objectif prévu, puis demandez quelle commande visible correspond à la tâche et ce qui étaye ce choix. L’application connectée exécute les actions et renvoie leurs résultats ; la reconnaissance visuelle seule ne contrôle pas l’appareil.
La programmation visuelle comprend du contenu de schéma et du HTML, CSS ou JavaScript générés à partir d’images ou de vidéos. Fournissez une référence de mise en page avec les contraintes fonctionnelles et demandez du code source modifiable. Pour modifier une interface existante, incluez le code pertinent et les états d’interaction attendus. Séparez le livrable de l’explication afin qu’un flux de développement puisse effectuer son rendu et l’inspecter. Le code source généré est une proposition à examiner, pas la preuve d’une application fonctionnelle.
Perception spatiale, contexte et vidéo
Qwen documente des appréciations des positions d’objets, points de vue et occlusions, avec ancrage bidimensionnel et prise en charge de l’ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles étayant la relation. Une relation issue d’une image doit rester distincte d’une mesure physique calibrée.
Le contexte natif est de 262 144 jetons. La famille décrit des livres et des vidéos de plusieurs heures, avec indexation d’événements à la seconde et extension à environ un million de jetons par configuration. Préservez le minutage et l’ordre des images pour une question sur une séquence. Le budget de représentation configuré détermine le contenu traité ; la description générale des vidéos longues ne doit donc pas devenir une promesse de rappel parfait de chaque image.
Raisonnement multimodal, reconnaissance et OCR
Le modèle prend en charge les questions visuelles STEM et mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés de schéma et demandez les valeurs utilisées avant la conclusion finale. La famille élargit aussi la reconnaissance aux personnes, produits, monuments, plantes, animaux et personnages médiatiques. Vérifiez un résultat d’identification lorsque l’identité exacte compte.
L’OCR couvre 32 langues et vise à améliorer la lecture en faible lumière, dans le flou ou en cas d’inclinaison, y compris le vocabulaire spécialisé et la structure documentaire. Fournissez des pages lisibles et demandez des champs, citations ou un tableau vérifiables par rapport à la source. La compréhension textuelle et visuelle est combinée ; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.
Architecture
La configuration publiée identifie un modèle vision-langage à mélange d’experts avec 48 couches textuelles, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE représente le temps, la largeur et la hauteur ; DeepStack combine les caractéristiques de plusieurs niveaux de l’encodeur visuel ; l’alignement texte–horodatage ancre les événements dans des références temporelles. Utilisez cette édition 30B-A3B Instruct de manière cohérente pour préparer les tâches visuelles et comparer leurs résultats.
Préparer les entrées
Les exemples de famille couvrent les tâches purement textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et préservez leur relation. Les budgets de pixels d’image et de vidéo sont séparés, celui de vidéo comptant les pixels des images échantillonnées. Les dimensions explicites d’image sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec contrôle de fréquence ou de nombre d’images dans les flux compatibles.
L’auxiliaire de médias peut conserver les métadonnées vidéo et conseille d’éviter un second redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour une comparaison documentaire, organisez la réponse par étiquette de page. Pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments d’appui. Comparez les champs, passages et heures d’événements renvoyés aux pages ou à l’extrait originaux.
Recommandations de génération et limites
Le fichier de génération du checkpoint utilise par défaut temperature 0.7, top_p 0.8, top_k 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise aussi une pénalité de présence de 1.5 et une allocation de sortie de 32 768 jetons. Cette allocation est un budget de recette du producteur, pas un maximum strict de sortie établi indépendamment. Les allocations distinctes par tâche de la fiche 8B Instruct ne doivent pas être automatiquement attribuées à cette édition.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou trois pour étendre le schéma positionnel entrelacé de 256K à environ 1M. Réservez de la place au résultat à côté du texte et des visuels représentés, et vérifiez l’OCR, les conclusions calculées et le code généré par rapport aux éléments originaux. Distinguez le contrat de génération Instruct des réglages d’un checkpoint Thinking ; le nom d’édition seul n’établit pas un commutateur hybride propre à l’application.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-30b-a3b-instruct | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 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 |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-vl-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-30b-a3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-30b-a3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-vl-30b-a3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.