L’édition 30B-A3B Instruct
Qwen3-VL-30B-A3B-Instruct est l’édition de Qwen3-VL à mélange d’experts axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, notamment du code. Préservez cette identité Instruct exacte plutôt que de lui 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 à partir de références visuelles
Le fabricant décrit la reconnaissance des éléments d’interface d’un ordinateur ou d’un appareil mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux de travail d’agent visuel. Fournissez la capture d’écran et l’objectif visé, puis demandez quelle commande visible correspond à la tâche et quels éléments appuient ce choix. L’application connectée exécute les actions et retourne leurs résultats; la reconnaissance visuelle à elle seule ne contrôle pas l’appareil.
La programmation à partir de références visuelles comprend le contenu de diagrammes et le HTML, le CSS ou le 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 en effectuer le rendu et l’inspecter. Le code source généré est une proposition à examiner, et non une preuve qu’une application fonctionne.
Perception spatiale, contexte et vidéo
Qwen documente des évaluations de la position des objets, des points de vue et des occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles qui appuient la relation. Une relation fondée sur une image doit demeurer distincte d’une mesure physique étalonnée.
Le contexte natif est de 262,144 jetons. La famille est décrite comme pouvant traiter des livres et des vidéos de plusieurs heures, avec une indexation des événements à la seconde près et une extension à environ un million de jetons par configuration. Conservez les repères temporels et l’ordre des images lorsque vous posez une question sur une séquence. Le budget de représentation configuré détermine le contenu traité; la description générale des longues vidéos de la famille ne doit donc pas devenir une promesse de rappel parfait de chaque image.
Raisonnement multimodal, reconnaissance et reconnaissance optique de caractères
Le modèle prend en charge les questions visuelles de STIM et de mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés du diagramme, puis demandez les valeurs utilisées avant la conclusion définitive. La famille élargit aussi la reconnaissance aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. Vérifiez le résultat d’identification lorsque l’identité exacte est importante.
La reconnaissance optique de caractères couvre 32 langues et vise à améliorer la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Fournissez des pages lisibles et demandez des champs, des citations ou un tableau qui peuvent être vérifiés par rapport à la source. La compréhension du texte et des éléments visuels est combinée; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.
Architecture
La configuration publiée décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 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 repères temporels. Utilisez systématiquement cette édition 30B-A3B Instruct pour préparer des tâches visuelles et comparer leurs résultats.
Préparation des entrées
Les exemples de la famille couvrent les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Les budgets de pixels pour les images et la vidéo sont distincts, le budget vidéo comptabilisant les pixels de l’ensemble des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur par défaut documentée pour la vidéo est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux de travail pris en charge.
L’utilitaire média peut conserver les métadonnées vidéo et recommande d’éviter un deuxième redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour comparer des documents, organisez la réponse par libellé de page. Pour un extrait vidéo, demandez l’événement, l’intervalle pertinent et les éléments probants qui l’appuient. Comparez les champs, les passages et les moments des événements retournés avec les pages ou l’extrait d’origine.
Conseils de génération et limites
Le fichier de génération du point de contrôle définit par défaut une température de 0.7, top_p à 0.8, top_k à 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise en plus une pénalité de présence de 1.5 et un budget de sortie de 32,768 jetons. Ce budget est celui d’une recette du producteur, et non un maximum strict de sortie établi indépendamment. Les budgets distincts par tâche de la fiche Instruct 8B ne doivent pas être attribués automatiquement à cette édition.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois lors de l’extension du schéma positionnel entrelacé de 256K à environ 1M. Réservez de l’espace pour le résultat en plus du texte et des éléments visuels représentés, et vérifiez la reconnaissance optique de caractères, les conclusions calculées et le code généré par rapport aux éléments probants originaux. Gardez le contrat de génération Instruct distinct des réglages d’un point de contrôle Thinking; le nom de l’édition ne suffit pas à établir l’existence d’un commutateur de mode hybride propre à une application.
", "aboutText": "L’édition 30B-A3B Instruct\n\nQwen3-VL-30B-A3B-Instruct est l’édition de Qwen3-VL à mélange d’experts axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, notamment du code. Préservez cette identité Instruct exacte plutôt que de lui 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 à partir de références visuelles\n\nLe fabricant décrit la reconnaissance des éléments d’interface d’un ordinateur ou d’un appareil mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux de travail d’agent visuel. Fournissez la capture d’écran et l’objectif visé, puis demandez quelle commande visible correspond à la tâche et quels éléments appuient ce choix. L’application connectée exécute les actions et retourne leurs résultats; la reconnaissance visuelle à elle seule ne contrôle pas l’appareil.\n\nLa programmation à partir de références visuelles comprend le contenu de diagrammes et le HTML, le CSS ou le 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 en effectuer le rendu et l’inspecter. Le code source généré est une proposition à examiner, et non une preuve qu’une application fonctionne.\n\nPerception spatiale, contexte et vidéo\n\nQwen documente des évaluations de la position des objets, des points de vue et des occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles qui appuient la relation. Une relation fondée sur une image doit demeurer distincte d’une mesure physique étalonnée.\n\nLe contexte natif est de 262,144 jetons. La famille est décrite comme pouvant traiter des livres et des vidéos de plusieurs heures, avec une indexation des événements à la seconde près et une extension à environ un million de jetons par configuration. Conservez les repères temporels et l’ordre des images lorsque vous posez une question sur une séquence. Le budget de représentation configuré détermine le contenu traité; la description générale des longues vidéos de la famille ne doit donc pas devenir une promesse de rappel parfait de chaque image.\n\nRaisonnement multimodal, reconnaissance et reconnaissance optique de caractères\n\nLe modèle prend en charge les questions visuelles de STIM et de mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés du diagramme, puis demandez les valeurs utilisées avant la conclusion définitive. La famille élargit aussi la reconnaissance aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. Vérifiez le résultat d’identification lorsque l’identité exacte est importante.\n\nLa reconnaissance optique de caractères couvre 32 langues et vise à améliorer la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Fournissez des pages lisibles et demandez des champs, des citations ou un tableau qui peuvent être vérifiés par rapport à la source. La compréhension du texte et des éléments visuels est combinée; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.\n\nArchitecture\n\nLa configuration publiée décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 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 repères temporels. Utilisez systématiquement cette édition 30B-A3B Instruct pour préparer des tâches visuelles et comparer leurs résultats.\n\nPréparation des entrées\n\nLes exemples de la famille couvrent les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Les budgets de pixels pour les images et la vidéo sont distincts, le budget vidéo comptabilisant les pixels de l’ensemble des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur par défaut documentée pour la vidéo est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux de travail pris en charge.\n\nL’utilitaire média peut conserver les métadonnées vidéo et recommande d’éviter un deuxième redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour comparer des documents, organisez la réponse par libellé de page. Pour un extrait vidéo, demandez l’événement, l’intervalle pertinent et les éléments probants qui l’appuient. Comparez les champs, les passages et les moments des événements retournés avec les pages ou l’extrait d’origine.\n\nConseils de génération et limites\n\nLe fichier de génération du point de contrôle définit par défaut une température de 0.7, top_p à 0.8, top_k à 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise en plus une pénalité de présence de 1.5 et un budget de sortie de 32,768 jetons. Ce budget est celui d’une recette du producteur, et non un maximum strict de sortie établi indépendamment. Les budgets distincts par tâche de la fiche Instruct 8B ne doivent pas être attribués automatiquement à cette édition.\n\nLa procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois lors de l’extension du schéma positionnel entrelacé de 256K à environ 1M. Réservez de l’espace pour le résultat en plus du texte et des éléments visuels représentés, et vérifiez la reconnaissance optique de caractères, les conclusions calculées et le code généré par rapport aux éléments probants originaux. Gardez le contrat de génération Instruct distinct des réglages d’un point de contrôle Thinking; le nom de l’édition ne suffit pas à établir l’existence d’un commutateur de mode hybride propre à une 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 à mélange d’experts de Qwen axée sur les instructions pour le texte, les images et la vidéo. Elle produit du texte ou du code pour les flux de travail d’agents visuels, la lecture de documents, les questions spatiales et la programmation à partir de références visuelles, avec une reconnaissance optique de caractères 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 de Qwen3-VL à mélange d’experts axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, notamment du code. Préservez cette identité Instruct exacte plutôt que de lui 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 à partir de références visuelles
Le fabricant décrit la reconnaissance des éléments d’interface d’un ordinateur ou d’un appareil mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux de travail d’agent visuel. Fournissez la capture d’écran et l’objectif visé, puis demandez quelle commande visible correspond à la tâche et quels éléments appuient ce choix. L’application connectée exécute les actions et retourne leurs résultats; la reconnaissance visuelle à elle seule ne contrôle pas l’appareil.
La programmation à partir de références visuelles comprend le contenu de diagrammes et le HTML, le CSS ou le 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 en effectuer le rendu et l’inspecter. Le code source généré est une proposition à examiner, et non une preuve qu’une application fonctionne.
Perception spatiale, contexte et vidéo
Qwen documente des évaluations de la position des objets, des points de vue et des occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles qui appuient la relation. Une relation fondée sur une image doit demeurer distincte d’une mesure physique étalonnée.
Le contexte natif est de 262,144 jetons. La famille est décrite comme pouvant traiter des livres et des vidéos de plusieurs heures, avec une indexation des événements à la seconde près et une extension à environ un million de jetons par configuration. Conservez les repères temporels et l’ordre des images lorsque vous posez une question sur une séquence. Le budget de représentation configuré détermine le contenu traité; la description générale des longues vidéos de la famille ne doit donc pas devenir une promesse de rappel parfait de chaque image.
Raisonnement multimodal, reconnaissance et reconnaissance optique de caractères
Le modèle prend en charge les questions visuelles de STIM et de mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés du diagramme, puis demandez les valeurs utilisées avant la conclusion définitive. La famille élargit aussi la reconnaissance aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. Vérifiez le résultat d’identification lorsque l’identité exacte est importante.
La reconnaissance optique de caractères couvre 32 langues et vise à améliorer la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Fournissez des pages lisibles et demandez des champs, des citations ou un tableau qui peuvent être vérifiés par rapport à la source. La compréhension du texte et des éléments visuels est combinée; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.
Architecture
La configuration publiée décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 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 repères temporels. Utilisez systématiquement cette édition 30B-A3B Instruct pour préparer des tâches visuelles et comparer leurs résultats.
Préparation des entrées
Les exemples de la famille couvrent les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Les budgets de pixels pour les images et la vidéo sont distincts, le budget vidéo comptabilisant les pixels de l’ensemble des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur par défaut documentée pour la vidéo est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux de travail pris en charge.
L’utilitaire média peut conserver les métadonnées vidéo et recommande d’éviter un deuxième redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour comparer des documents, organisez la réponse par libellé de page. Pour un extrait vidéo, demandez l’événement, l’intervalle pertinent et les éléments probants qui l’appuient. Comparez les champs, les passages et les moments des événements retournés avec les pages ou l’extrait d’origine.
Conseils de génération et limites
Le fichier de génération du point de contrôle définit par défaut une température de 0.7, top_p à 0.8, top_k à 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise en plus une pénalité de présence de 1.5 et un budget de sortie de 32,768 jetons. Ce budget est celui d’une recette du producteur, et non un maximum strict de sortie établi indépendamment. Les budgets distincts par tâche de la fiche Instruct 8B ne doivent pas être attribués automatiquement à cette édition.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois lors de l’extension du schéma positionnel entrelacé de 256K à environ 1M. Réservez de l’espace pour le résultat en plus du texte et des éléments visuels représentés, et vérifiez la reconnaissance optique de caractères, les conclusions calculées et le code généré par rapport aux éléments probants originaux. Gardez le contrat de génération Instruct distinct des réglages d’un point de contrôle Thinking; le nom de l’édition ne suffit pas à établir l’existence d’un commutateur de mode hybride propre à une 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’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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0012 / 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 |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0012 / 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-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, 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-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 à mélange d’experts de Qwen axée sur les instructions pour le texte, les images et la vidéo. Elle produit du texte ou du code pour les flux de travail d’agents visuels, la lecture de documents, les questions spatiales et la programmation à partir de références visuelles, avec une reconnaissance optique de caractères 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 de Qwen3-VL à mélange d’experts axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, notamment du code. Préservez cette identité Instruct exacte plutôt que de lui 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 à partir de références visuelles
Le fabricant décrit la reconnaissance des éléments d’interface d’un ordinateur ou d’un appareil mobile, la compréhension de leurs fonctions et l’appel d’outils dans un flux de travail d’agent visuel. Fournissez la capture d’écran et l’objectif visé, puis demandez quelle commande visible correspond à la tâche et quels éléments appuient ce choix. L’application connectée exécute les actions et retourne leurs résultats; la reconnaissance visuelle à elle seule ne contrôle pas l’appareil.
La programmation à partir de références visuelles comprend le contenu de diagrammes et le HTML, le CSS ou le 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 en effectuer le rendu et l’inspecter. Le code source généré est une proposition à examiner, et non une preuve qu’une application fonctionne.
Perception spatiale, contexte et vidéo
Qwen documente des évaluations de la position des objets, des points de vue et des occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Identifiez la cible et demandez les indices visibles qui appuient la relation. Une relation fondée sur une image doit demeurer distincte d’une mesure physique étalonnée.
Le contexte natif est de 262,144 jetons. La famille est décrite comme pouvant traiter des livres et des vidéos de plusieurs heures, avec une indexation des événements à la seconde près et une extension à environ un million de jetons par configuration. Conservez les repères temporels et l’ordre des images lorsque vous posez une question sur une séquence. Le budget de représentation configuré détermine le contenu traité; la description générale des longues vidéos de la famille ne doit donc pas devenir une promesse de rappel parfait de chaque image.
Raisonnement multimodal, reconnaissance et reconnaissance optique de caractères
Le modèle prend en charge les questions visuelles de STIM et de mathématiques, l’analyse causale et les explications fondées sur des éléments probants. Fournissez l’énoncé complet et les libellés du diagramme, puis demandez les valeurs utilisées avant la conclusion définitive. La famille élargit aussi la reconnaissance aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. Vérifiez le résultat d’identification lorsque l’identité exacte est importante.
La reconnaissance optique de caractères couvre 32 langues et vise à améliorer la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Fournissez des pages lisibles et demandez des champs, des citations ou un tableau qui peuvent être vérifiés par rapport à la source. La compréhension du texte et des éléments visuels est combinée; la question peut donc relier un passage à sa figure et aux instructions de l’utilisateur.
Architecture
La configuration publiée décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 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 repères temporels. Utilisez systématiquement cette édition 30B-A3B Instruct pour préparer des tâches visuelles et comparer leurs résultats.
Préparation des entrées
Les exemples de la famille couvrent les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Les budgets de pixels pour les images et la vidéo sont distincts, le budget vidéo comptabilisant les pixels de l’ensemble des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur par défaut documentée pour la vidéo est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux de travail pris en charge.
L’utilitaire média peut conserver les métadonnées vidéo et recommande d’éviter un deuxième redimensionnement lorsqu’il a déjà redimensionné le contenu. Pour comparer des documents, organisez la réponse par libellé de page. Pour un extrait vidéo, demandez l’événement, l’intervalle pertinent et les éléments probants qui l’appuient. Comparez les champs, les passages et les moments des événements retournés avec les pages ou l’extrait d’origine.
Conseils de génération et limites
Le fichier de génération du point de contrôle définit par défaut une température de 0.7, top_p à 0.8, top_k à 20 et une pénalité de répétition de 1.0. La recette Instruct de la famille utilise en plus une pénalité de présence de 1.5 et un budget de sortie de 32,768 jetons. Ce budget est celui d’une recette du producteur, et non un maximum strict de sortie établi indépendamment. Les budgets distincts par tâche de la fiche Instruct 8B ne doivent pas être attribués automatiquement à cette édition.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois lors de l’extension du schéma positionnel entrelacé de 256K à environ 1M. Réservez de l’espace pour le résultat en plus du texte et des éléments visuels représentés, et vérifiez la reconnaissance optique de caractères, les conclusions calculées et le code généré par rapport aux éléments probants originaux. Gardez le contrat de génération Instruct distinct des réglages d’un point de contrôle Thinking; le nom de l’édition ne suffit pas à établir l’existence d’un commutateur de mode hybride propre à une 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0012 / 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 |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0012 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-vl-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-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.