Qwen3-Omni-30B-A3B-Thinking est le membre de Qwen3-Omni axé sur le 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 ne comprend pas le composant Talker utilisé pour la sortie vocale dans le point de contrôle Instruct. Cette distinction compte lorsqu’on choisit un modèle pour un rapport d’analyse plutôt que pour une conversation vocale.
Le fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts couvrant 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des langues d’entrée vocale. 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 point de contrôle nommé; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel dont l’indication de taille est semblable.
Les guides pratiques couvrent la reconnaissance et la traduction de la parole, l’analyse de la musique et des sons de l’environnement, l’audio mixte, les questions sur les images, la reconnaissance optique de caractères, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent particulièrement en valeur l’édition Thinking. Pour une tâche de géométrie, fournissez le diagramme complet, des libellés lisibles et la question, puis demandez une solution qui distingue 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 du contenu. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments probants permettent de conclure.
Préparez l’entrée sous forme de conversation multimodale en utilisant le processeur et le gabarit de conversation correspondants. La boîte à outils de traitement du fabricant prend en charge l’entrelacement de texte, d’images, d’audio et de vidéo. Qwen décrit les réponses textuelles diffusées en continu comme faisant partie de la conception des interactions de la famille et présente une inférence par lots de médias mixtes avec une sortie textuelle seulement. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite en plus des médias. Une vidéo seule laisse la tâche ambiguë: indiquez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leurs relations afin que le texte définitif puisse associer la bonne question au bon contenu.
Pour une vidéo qui contient de la parole ou des sons d’événements, déterminez si son audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de façon cohérente pendant le prétraitement et la génération, et la fiche avertit qu’un changement de ce réglage entre les tours de dialogue peut entraîner des résultats inattendus. Une question portant uniquement sur la scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait d’origine accessible, sélectionnez l’intervalle pertinent et évitez d’omettre la piste sonore lorsque la conclusion demandée dépend de ce qui a été dit ou entendu.
La configuration textuelle publiée définit max_position_embeddings à 65,536. Les exemples vLLM de la fiche utilisent séparément un réglage de longueur du modèle de 32,768 jetons et un réglage de génération de 16,384 jetons. Ils présentent un exemple d’inférence configurée plutôt qu’une limite maximale universelle unique de sortie. Les médias sont représentés par le processeur; la taille de la requête ne se résume donc pas au nombre de caractères saisis. Réservez de l’espace pour le résultat textuel et utilisez un segment source délimité lorsqu’un long enregistrement ne contient qu’un court événement pertinent pour la question.
Le fabricant présente des flux de travail Transformers et vLLM, où la prise en charge du processeur et le décodage des médias sont des dépendances explicites. La fiche commune documente aussi des différences entre les interfaces, notamment le traitement séparé de la vidéo et de l’audio dans un exemple de service d’inférence. Sélectionnez le point de contrôle Thinking exact et son chemin de traitement pris en charge plutôt que de supposer que tous les exemples de la fiche de la famille ont le même comportement de sortie. Les voix et les commandes Talker figurant sur cette page s’appliquent à Instruct, et non à ce modèle comprenant uniquement Thinker.
Pour obtenir un résultat définitif utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez les unités, les symboles et les libellés; en audio, distinguez le contenu audible d’une source déduite; dans une vidéo, distinguez les actions observées d’une interprétation de l’intention. Examinez le résultat par rapport au contenu fourni et indiquez explicitement les détails incertains ou illisibles. La réponse textuelle du modèle peut appuyer une analyse ou une étape ultérieure de l’application, tandis que l’exécution d’outils, la confirmation de faits ou la transformation de médias demeurent des opérations distinctes qui nécessitent leurs propres entrées et résultats.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking est le membre de Qwen3-Omni axé sur le 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 ne comprend pas le composant Talker utilisé pour la sortie vocale dans le point de contrôle Instruct. Cette distinction compte lorsqu’on choisit un modèle pour un rapport d’analyse plutôt que pour une conversation vocale.\n\nLe fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts couvrant 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des langues d’entrée vocale. 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 point de contrôle nommé; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel dont l’indication de taille est semblable.\n\nLes guides pratiques couvrent la reconnaissance et la traduction de la parole, l’analyse de la musique et des sons de l’environnement, l’audio mixte, les questions sur les images, la reconnaissance optique de caractères, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent particulièrement en valeur l’édition Thinking. Pour une tâche de géométrie, fournissez le diagramme complet, des libellés lisibles et la question, puis demandez une solution qui distingue 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 du contenu. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments probants permettent de conclure.\n\nPréparez l’entrée sous forme de conversation multimodale en utilisant le processeur et le gabarit de conversation correspondants. La boîte à outils de traitement du fabricant prend en charge l’entrelacement de texte, d’images, d’audio et de vidéo. Qwen décrit les réponses textuelles diffusées en continu comme faisant partie de la conception des interactions de la famille et présente une inférence par lots de médias mixtes avec une sortie textuelle seulement. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite en plus des médias. Une vidéo seule laisse la tâche ambiguë: indiquez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leurs relations afin que le texte définitif puisse associer la bonne question au bon contenu.\n\nPour une vidéo qui contient de la parole ou des sons d’événements, déterminez si son audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de façon cohérente pendant le prétraitement et la génération, et la fiche avertit qu’un changement de ce réglage entre les tours de dialogue peut entraîner des résultats inattendus. Une question portant uniquement sur la scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait d’origine accessible, sélectionnez l’intervalle pertinent et évitez d’omettre la piste sonore lorsque la conclusion demandée dépend de ce qui a été dit ou entendu.\n\nLa configuration textuelle publiée définit max_position_embeddings à 65,536. Les exemples vLLM de la fiche utilisent séparément un réglage de longueur du modèle de 32,768 jetons et un réglage de génération de 16,384 jetons. Ils présentent un exemple d’inférence configurée plutôt qu’une limite maximale universelle unique de sortie. Les médias sont représentés par le processeur; la taille de la requête ne se résume donc pas au nombre de caractères saisis. Réservez de l’espace pour le résultat textuel et utilisez un segment source délimité lorsqu’un long enregistrement ne contient qu’un court événement pertinent pour la question.\n\nLe fabricant présente des flux de travail Transformers et vLLM, où la prise en charge du processeur et le décodage des médias sont des dépendances explicites. La fiche commune documente aussi des différences entre les interfaces, notamment le traitement séparé de la vidéo et de l’audio dans un exemple de service d’inférence. Sélectionnez le point de contrôle Thinking exact et son chemin de traitement pris en charge plutôt que de supposer que tous les exemples de la fiche de la famille ont le même comportement de sortie. Les voix et les commandes Talker figurant sur cette page s’appliquent à Instruct, et non à ce modèle comprenant uniquement Thinker.\n\nPour obtenir un résultat définitif utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez les unités, les symboles et les libellés; en audio, distinguez le contenu audible d’une source déduite; dans une vidéo, distinguez les actions observées d’une interprétation de l’intention. Examinez le résultat par rapport au contenu fourni et indiquez explicitement les détails incertains ou illisibles. La réponse textuelle du modèle peut appuyer une analyse ou une étape ultérieure de l’application, tandis que l’exécution d’outils, la confirmation de faits ou la transformation de médias demeurent des opérations distinctes qui nécessitent leurs propres entrées et résultats.", "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 du texte, des images, de l’audio et de la vidéo et produit du texte. Cette édition comprenant uniquement Thinker convient aux mathématiques visuelles, à l’analyse audio et aux questions qui nécessitent des éléments probants provenant de plusieurs modalités; la génération vocale appartient à une autre version d’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 axé sur le 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 ne comprend pas le composant Talker utilisé pour la sortie vocale dans le point de contrôle Instruct. Cette distinction compte lorsqu’on choisit un modèle pour un rapport d’analyse plutôt que pour une conversation vocale.
Le fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts couvrant 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des langues d’entrée vocale. 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 point de contrôle nommé; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel dont l’indication de taille est semblable.
Les guides pratiques couvrent la reconnaissance et la traduction de la parole, l’analyse de la musique et des sons de l’environnement, l’audio mixte, les questions sur les images, la reconnaissance optique de caractères, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent particulièrement en valeur l’édition Thinking. Pour une tâche de géométrie, fournissez le diagramme complet, des libellés lisibles et la question, puis demandez une solution qui distingue 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 du contenu. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments probants permettent de conclure.
Préparez l’entrée sous forme de conversation multimodale en utilisant le processeur et le gabarit de conversation correspondants. La boîte à outils de traitement du fabricant prend en charge l’entrelacement de texte, d’images, d’audio et de vidéo. Qwen décrit les réponses textuelles diffusées en continu comme faisant partie de la conception des interactions de la famille et présente une inférence par lots de médias mixtes avec une sortie textuelle seulement. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite en plus des médias. Une vidéo seule laisse la tâche ambiguë: indiquez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leurs relations afin que le texte définitif puisse associer la bonne question au bon contenu.
Pour une vidéo qui contient de la parole ou des sons d’événements, déterminez si son audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de façon cohérente pendant le prétraitement et la génération, et la fiche avertit qu’un changement de ce réglage entre les tours de dialogue peut entraîner des résultats inattendus. Une question portant uniquement sur la scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait d’origine accessible, sélectionnez l’intervalle pertinent et évitez d’omettre la piste sonore lorsque la conclusion demandée dépend de ce qui a été dit ou entendu.
La configuration textuelle publiée définit max_position_embeddings à 65,536. Les exemples vLLM de la fiche utilisent séparément un réglage de longueur du modèle de 32,768 jetons et un réglage de génération de 16,384 jetons. Ils présentent un exemple d’inférence configurée plutôt qu’une limite maximale universelle unique de sortie. Les médias sont représentés par le processeur; la taille de la requête ne se résume donc pas au nombre de caractères saisis. Réservez de l’espace pour le résultat textuel et utilisez un segment source délimité lorsqu’un long enregistrement ne contient qu’un court événement pertinent pour la question.
Le fabricant présente des flux de travail Transformers et vLLM, où la prise en charge du processeur et le décodage des médias sont des dépendances explicites. La fiche commune documente aussi des différences entre les interfaces, notamment le traitement séparé de la vidéo et de l’audio dans un exemple de service d’inférence. Sélectionnez le point de contrôle Thinking exact et son chemin de traitement pris en charge plutôt que de supposer que tous les exemples de la fiche de la famille ont le même comportement de sortie. Les voix et les commandes Talker figurant sur cette page s’appliquent à Instruct, et non à ce modèle comprenant uniquement Thinker.
Pour obtenir un résultat définitif utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez les unités, les symboles et les libellés; en audio, distinguez le contenu audible d’une source déduite; dans une vidéo, distinguez les actions observées d’une interprétation de l’intention. Examinez le résultat par rapport au contenu fourni et indiquez explicitement les détails incertains ou illisibles. La réponse textuelle du modèle peut appuyer une analyse ou une étape ultérieure de l’application, tandis que l’exécution d’outils, la confirmation de faits ou la transformation de médias demeurent des opérations distinctes qui nécessitent leurs propres entrées et résultats.
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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0008 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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 du texte, des images, de l’audio et de la vidéo et produit du texte. Cette édition comprenant uniquement Thinker convient aux mathématiques visuelles, à l’analyse audio et aux questions qui nécessitent des éléments probants provenant de plusieurs modalités; la génération vocale appartient à une autre version d’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 axé sur le 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 ne comprend pas le composant Talker utilisé pour la sortie vocale dans le point de contrôle Instruct. Cette distinction compte lorsqu’on choisit un modèle pour un rapport d’analyse plutôt que pour une conversation vocale.
Le fabricant décrit Qwen3-Omni comme une famille multilingue à mélange d’experts couvrant 119 langues textuelles et 19 langues d’entrée vocale. Le russe figure dans la liste publiée des langues d’entrée vocale. 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 point de contrôle nommé; sa compréhension multimodale ne doit pas être remplacée par les capacités d’un modèle Qwen3 purement textuel dont l’indication de taille est semblable.
Les guides pratiques couvrent la reconnaissance et la traduction de la parole, l’analyse de la musique et des sons de l’environnement, l’audio mixte, les questions sur les images, la reconnaissance optique de caractères, l’ancrage d’objets, les descriptions vidéo et les questions audiovisuelles. Les mathématiques à partir d’images mettent particulièrement en valeur l’édition Thinking. Pour une tâche de géométrie, fournissez le diagramme complet, des libellés lisibles et la question, puis demandez une solution qui distingue 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 du contenu. Le livrable attendu peut être une solution écrite, une liste structurée d’observations ou une explication de ce que les éléments probants permettent de conclure.
Préparez l’entrée sous forme de conversation multimodale en utilisant le processeur et le gabarit de conversation correspondants. La boîte à outils de traitement du fabricant prend en charge l’entrelacement de texte, d’images, d’audio et de vidéo. Qwen décrit les réponses textuelles diffusées en continu comme faisant partie de la conception des interactions de la famille et présente une inférence par lots de médias mixtes avec une sortie textuelle seulement. À chaque tour de dialogue, le fabricant recommande une instruction textuelle explicite en plus des médias. Une vidéo seule laisse la tâche ambiguë: indiquez s’il faut résumer les actions, comparer deux scènes, expliquer un son ou résoudre le problème affiché. Étiquetez les entrées multiples et leurs relations afin que le texte définitif puisse associer la bonne question au bon contenu.
Pour une vidéo qui contient de la parole ou des sons d’événements, déterminez si son audio fait partie de la tâche. Le flux documenté utilise use_audio_in_video de façon cohérente pendant le prétraitement et la génération, et la fiche avertit qu’un changement de ce réglage entre les tours de dialogue peut entraîner des résultats inattendus. Une question portant uniquement sur la scène et une question audiovisuelle nécessitent donc des préparations différentes. Gardez l’extrait d’origine accessible, sélectionnez l’intervalle pertinent et évitez d’omettre la piste sonore lorsque la conclusion demandée dépend de ce qui a été dit ou entendu.
La configuration textuelle publiée définit max_position_embeddings à 65,536. Les exemples vLLM de la fiche utilisent séparément un réglage de longueur du modèle de 32,768 jetons et un réglage de génération de 16,384 jetons. Ils présentent un exemple d’inférence configurée plutôt qu’une limite maximale universelle unique de sortie. Les médias sont représentés par le processeur; la taille de la requête ne se résume donc pas au nombre de caractères saisis. Réservez de l’espace pour le résultat textuel et utilisez un segment source délimité lorsqu’un long enregistrement ne contient qu’un court événement pertinent pour la question.
Le fabricant présente des flux de travail Transformers et vLLM, où la prise en charge du processeur et le décodage des médias sont des dépendances explicites. La fiche commune documente aussi des différences entre les interfaces, notamment le traitement séparé de la vidéo et de l’audio dans un exemple de service d’inférence. Sélectionnez le point de contrôle Thinking exact et son chemin de traitement pris en charge plutôt que de supposer que tous les exemples de la fiche de la famille ont le même comportement de sortie. Les voix et les commandes Talker figurant sur cette page s’appliquent à Instruct, et non à ce modèle comprenant uniquement Thinker.
Pour obtenir un résultat définitif utile, demandez une explication fondée sur des éléments probants et une conclusion clairement séparée. Dans un problème visuel, conservez les unités, les symboles et les libellés; en audio, distinguez le contenu audible d’une source déduite; dans une vidéo, distinguez les actions observées d’une interprétation de l’intention. Examinez le résultat par rapport au contenu fourni et indiquez explicitement les détails incertains ou illisibles. La réponse textuelle du modèle peut appuyer une analyse ou une étape ultérieure de l’application, tandis que l’exécution d’outils, la confirmation de faits ou la transformation de médias demeurent des opérations distinctes qui nécessitent leurs propres entrées et résultats.
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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0008 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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.