L’édition 30B-A3B Thinking
Qwen3-VL-30B-A3B-Thinking est l’édition de Qwen3-VL à mélange d’experts dont le raisonnement est renforcé. Elle accepte du texte, des images et de la vidéo et produit du texte, notamment du code ou une conclusion expliquée. Distinguez bien son identité Thinking de celle de Qwen3-VL-30B-A3B-Instruct et des autres tailles de la famille. La distinction entre les éditions établie par le fabricant décrit le comportement de raisonnement prévu, sans établir l’existence d’un commutateur de mode hybride propre à une application.
Agents visuels et programmation
Qwen documente un flux de travail d’agent visuel qui reconnaît les commandes d’un ordinateur ou d’un appareil mobile, comprend leurs fonctions et appelle des outils. Pour une tâche d’interface, fournissez la capture d’écran actuelle et l’objectif visé, puis demandez la commande pertinente et une explication fondée sur les éléments visibles. L’application connectée exécute les actions et retourne les résultats; le raisonnement visuel du modèle ne contrôle pas l’appareil de façon autonome.
La famille génère aussi le contenu de diagrammes ainsi que du HTML, du CSS et du JavaScript à partir d’images ou de vidéos. Fournissez la référence visuelle avec les exigences fonctionnelles et demandez du code source modifiable. Pour une interface existante, précisez la modification souhaitée et le code pertinent plutôt que de vous attendre à ce qu’une image sans explication définisse chaque interaction. Le code source généré est un livrable dont il faut effectuer le rendu et examiner le résultat, et non une preuve qu’une application fonctionne.
Espace, contexte long et vidéo
Le fabricant décrit 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. Demandez quelle relation est pertinente et quels indices appuient la conclusion. Une relation visuelle 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, l’ordre des images et les identifiants des sources lorsque vous demandez un compte rendu d’événements. Le contexte et l’échantillonnage déterminent le contenu représenté dans une requête; la description de la famille ne doit pas devenir une promesse inconditionnelle de rappel parfait.
Raisonnement multimodal, reconnaissance et reconnaissance optique de caractères
L’édition Thinking convient aux questions de STIM, de mathématiques et de logique qui relient des éléments visuels à une explication. Fournissez l’énoncé complet, les libellés du diagramme et les unités, puis demandez les valeurs et les relations utilisées avant la réponse définitive. Un livrable clair peut être un résultat délimité, un tableau d’éléments probants ou une courte conclusion appuyée par l’image et le texte.
La famille élargit la reconnaissance visuelle aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. La reconnaissance optique de caractères couvre 32 langues et vise la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Préservez la lisibilité et demandez des champs ou des citations qui peuvent être vérifiés. Ces cas d’utilisation mettent en pratique des capacités documentées; ils ne garantissent pas une identité, une transcription ou une conclusion mathématique correcte pour chaque entrée.
Architecture
La configuration exacte décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE répartit l’information de position dans le temps, la largeur et la hauteur. DeepStack combine des caractéristiques visuelles de plusieurs niveaux de l’encodeur, et l’alignement texte-horodatage aide à ancrer les événements dans des repères temporels. Utilisez systématiquement cette édition 30B-A3B Thinking pour préparer des tâches de raisonnement visuel et comparer leurs résultats.
Préparation des entrées
Les exemples de la famille prennent en charge les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Des budgets de pixels distincts pour les images et la vidéo permettent à un flux de travail de contrôler le niveau de détail; 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 d’échantillonnage ou de nombre d’images lorsqu’elles sont prises en charge. Conservez les métadonnées vidéo et évitez un deuxième redimensionnement lorsque l’utilitaire a déjà redimensionné le média.
Pour comparer des documents, organisez le résultat par identifiant de page. Pour un extrait vidéo, demandez l’événement pertinent, l’intervalle et les éléments probants. Réservez de l’espace dans la séquence pour le raisonnement et le texte définitif, en plus des jetons visuels.
Conseils de génération et limites
Le fichier de génération du point de contrôle définit par défaut une température de 0.8, top_p à 0.95, top_k à 20 et une pénalité de répétition de 1.0. La recette d’évaluation Thinking distincte de la famille utilise une température de 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et un budget de sortie de 40,960 jetons. Il s’agit de préréglages distincts du producteur; ce budget n’est pas un maximum strict de sortie établi indépendamment.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois pour le schéma positionnel entrelacé lors du passage de 256K à environ 1M. Elle ne doit pas hériter du facteur de quatre d’une autre famille. Vérifiez les libellés extraits, les calculs et le code généré par rapport aux éléments probants originaux, et gardez le livrable définitif distinct du raisonnement. Le résultat pratique est une conclusion visuelle ou une proposition de code pouvant être examinée, tout en préservant cette édition Thinking exacte.
", "aboutText": "L’édition 30B-A3B Thinking\n\nQwen3-VL-30B-A3B-Thinking est l’édition de Qwen3-VL à mélange d’experts dont le raisonnement est renforcé. Elle accepte du texte, des images et de la vidéo et produit du texte, notamment du code ou une conclusion expliquée. Distinguez bien son identité Thinking de celle de Qwen3-VL-30B-A3B-Instruct et des autres tailles de la famille. La distinction entre les éditions établie par le fabricant décrit le comportement de raisonnement prévu, sans établir l’existence d’un commutateur de mode hybride propre à une application.\n\nAgents visuels et programmation\n\nQwen documente un flux de travail d’agent visuel qui reconnaît les commandes d’un ordinateur ou d’un appareil mobile, comprend leurs fonctions et appelle des outils. Pour une tâche d’interface, fournissez la capture d’écran actuelle et l’objectif visé, puis demandez la commande pertinente et une explication fondée sur les éléments visibles. L’application connectée exécute les actions et retourne les résultats; le raisonnement visuel du modèle ne contrôle pas l’appareil de façon autonome.\n\nLa famille génère aussi le contenu de diagrammes ainsi que du HTML, du CSS et du JavaScript à partir d’images ou de vidéos. Fournissez la référence visuelle avec les exigences fonctionnelles et demandez du code source modifiable. Pour une interface existante, précisez la modification souhaitée et le code pertinent plutôt que de vous attendre à ce qu’une image sans explication définisse chaque interaction. Le code source généré est un livrable dont il faut effectuer le rendu et examiner le résultat, et non une preuve qu’une application fonctionne.\n\nEspace, contexte long et vidéo\n\nLe fabricant décrit 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. Demandez quelle relation est pertinente et quels indices appuient la conclusion. Une relation visuelle 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, l’ordre des images et les identifiants des sources lorsque vous demandez un compte rendu d’événements. Le contexte et l’échantillonnage déterminent le contenu représenté dans une requête; la description de la famille ne doit pas devenir une promesse inconditionnelle de rappel parfait.\n\nRaisonnement multimodal, reconnaissance et reconnaissance optique de caractères\n\nL’édition Thinking convient aux questions de STIM, de mathématiques et de logique qui relient des éléments visuels à une explication. Fournissez l’énoncé complet, les libellés du diagramme et les unités, puis demandez les valeurs et les relations utilisées avant la réponse définitive. Un livrable clair peut être un résultat délimité, un tableau d’éléments probants ou une courte conclusion appuyée par l’image et le texte.\n\nLa famille élargit la reconnaissance visuelle aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. La reconnaissance optique de caractères couvre 32 langues et vise la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Préservez la lisibilité et demandez des champs ou des citations qui peuvent être vérifiés. Ces cas d’utilisation mettent en pratique des capacités documentées; ils ne garantissent pas une identité, une transcription ou une conclusion mathématique correcte pour chaque entrée.\n\nArchitecture\n\nLa configuration exacte décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE répartit l’information de position dans le temps, la largeur et la hauteur. DeepStack combine des caractéristiques visuelles de plusieurs niveaux de l’encodeur, et l’alignement texte-horodatage aide à ancrer les événements dans des repères temporels. Utilisez systématiquement cette édition 30B-A3B Thinking pour préparer des tâches de raisonnement visuel et comparer leurs résultats.\n\nPréparation des entrées\n\nLes exemples de la famille prennent en charge les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Des budgets de pixels distincts pour les images et la vidéo permettent à un flux de travail de contrôler le niveau de détail; 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 d’échantillonnage ou de nombre d’images lorsqu’elles sont prises en charge. Conservez les métadonnées vidéo et évitez un deuxième redimensionnement lorsque l’utilitaire a déjà redimensionné le média.\n\nPour comparer des documents, organisez le résultat par identifiant de page. Pour un extrait vidéo, demandez l’événement pertinent, l’intervalle et les éléments probants. Réservez de l’espace dans la séquence pour le raisonnement et le texte définitif, en plus des jetons visuels.\n\nConseils de génération et limites\n\nLe fichier de génération du point de contrôle définit par défaut une température de 0.8, top_p à 0.95, top_k à 20 et une pénalité de répétition de 1.0. La recette d’évaluation Thinking distincte de la famille utilise une température de 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et un budget de sortie de 40,960 jetons. Il s’agit de préréglages distincts du producteur; ce budget n’est pas un maximum strict de sortie établi indépendamment.\n\nLa procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois pour le schéma positionnel entrelacé lors du passage de 256K à environ 1M. Elle ne doit pas hériter du facteur de quatre d’une autre famille. Vérifiez les libellés extraits, les calculs et le code généré par rapport aux éléments probants originaux, et gardez le livrable définitif distinct du raisonnement. Le résultat pratique est une conclusion visuelle ou une proposition de code pouvant être examinée, tout en préservant cette édition Thinking exacte.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking est l’édition vision-langage à mélange d’experts de Qwen conçue pour un raisonnement approfondi sur le texte, les images et la vidéo. Elle produit du texte ou du code pour les questions de STIM, les documents, l’analyse spatiale et les flux de travail visuels, 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 Thinking
Qwen3-VL-30B-A3B-Thinking est l’édition de Qwen3-VL à mélange d’experts dont le raisonnement est renforcé. Elle accepte du texte, des images et de la vidéo et produit du texte, notamment du code ou une conclusion expliquée. Distinguez bien son identité Thinking de celle de Qwen3-VL-30B-A3B-Instruct et des autres tailles de la famille. La distinction entre les éditions établie par le fabricant décrit le comportement de raisonnement prévu, sans établir l’existence d’un commutateur de mode hybride propre à une application.
Agents visuels et programmation
Qwen documente un flux de travail d’agent visuel qui reconnaît les commandes d’un ordinateur ou d’un appareil mobile, comprend leurs fonctions et appelle des outils. Pour une tâche d’interface, fournissez la capture d’écran actuelle et l’objectif visé, puis demandez la commande pertinente et une explication fondée sur les éléments visibles. L’application connectée exécute les actions et retourne les résultats; le raisonnement visuel du modèle ne contrôle pas l’appareil de façon autonome.
La famille génère aussi le contenu de diagrammes ainsi que du HTML, du CSS et du JavaScript à partir d’images ou de vidéos. Fournissez la référence visuelle avec les exigences fonctionnelles et demandez du code source modifiable. Pour une interface existante, précisez la modification souhaitée et le code pertinent plutôt que de vous attendre à ce qu’une image sans explication définisse chaque interaction. Le code source généré est un livrable dont il faut effectuer le rendu et examiner le résultat, et non une preuve qu’une application fonctionne.
Espace, contexte long et vidéo
Le fabricant décrit 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. Demandez quelle relation est pertinente et quels indices appuient la conclusion. Une relation visuelle 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, l’ordre des images et les identifiants des sources lorsque vous demandez un compte rendu d’événements. Le contexte et l’échantillonnage déterminent le contenu représenté dans une requête; la description de la famille ne doit pas devenir une promesse inconditionnelle de rappel parfait.
Raisonnement multimodal, reconnaissance et reconnaissance optique de caractères
L’édition Thinking convient aux questions de STIM, de mathématiques et de logique qui relient des éléments visuels à une explication. Fournissez l’énoncé complet, les libellés du diagramme et les unités, puis demandez les valeurs et les relations utilisées avant la réponse définitive. Un livrable clair peut être un résultat délimité, un tableau d’éléments probants ou une courte conclusion appuyée par l’image et le texte.
La famille élargit la reconnaissance visuelle aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. La reconnaissance optique de caractères couvre 32 langues et vise la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Préservez la lisibilité et demandez des champs ou des citations qui peuvent être vérifiés. Ces cas d’utilisation mettent en pratique des capacités documentées; ils ne garantissent pas une identité, une transcription ou une conclusion mathématique correcte pour chaque entrée.
Architecture
La configuration exacte décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE répartit l’information de position dans le temps, la largeur et la hauteur. DeepStack combine des caractéristiques visuelles de plusieurs niveaux de l’encodeur, et l’alignement texte-horodatage aide à ancrer les événements dans des repères temporels. Utilisez systématiquement cette édition 30B-A3B Thinking pour préparer des tâches de raisonnement visuel et comparer leurs résultats.
Préparation des entrées
Les exemples de la famille prennent en charge les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Des budgets de pixels distincts pour les images et la vidéo permettent à un flux de travail de contrôler le niveau de détail; 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 d’échantillonnage ou de nombre d’images lorsqu’elles sont prises en charge. Conservez les métadonnées vidéo et évitez un deuxième redimensionnement lorsque l’utilitaire a déjà redimensionné le média.
Pour comparer des documents, organisez le résultat par identifiant de page. Pour un extrait vidéo, demandez l’événement pertinent, l’intervalle et les éléments probants. Réservez de l’espace dans la séquence pour le raisonnement et le texte définitif, en plus des jetons visuels.
Conseils de génération et limites
Le fichier de génération du point de contrôle définit par défaut une température de 0.8, top_p à 0.95, top_k à 20 et une pénalité de répétition de 1.0. La recette d’évaluation Thinking distincte de la famille utilise une température de 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et un budget de sortie de 40,960 jetons. Il s’agit de préréglages distincts du producteur; ce budget n’est pas un maximum strict de sortie établi indépendamment.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois pour le schéma positionnel entrelacé lors du passage de 256K à environ 1M. Elle ne doit pas hériter du facteur de quatre d’une autre famille. Vérifiez les libellés extraits, les calculs et le code généré par rapport aux éléments probants originaux, et gardez le livrable définitif distinct du raisonnement. Le résultat pratique est une conclusion visuelle ou une proposition de code pouvant être examinée, tout en préservant cette édition Thinking exacte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-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.
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 $0.00058 / 1K jetons Sortie · Jetons en sortie $0.002 / 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 $0.00058 / 1K jetons Sortie · Jetons en sortie $0.002 / 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-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-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-vl-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-vl-30b-a3b-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking est l’édition vision-langage à mélange d’experts de Qwen conçue pour un raisonnement approfondi sur le texte, les images et la vidéo. Elle produit du texte ou du code pour les questions de STIM, les documents, l’analyse spatiale et les flux de travail visuels, 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 Thinking
Qwen3-VL-30B-A3B-Thinking est l’édition de Qwen3-VL à mélange d’experts dont le raisonnement est renforcé. Elle accepte du texte, des images et de la vidéo et produit du texte, notamment du code ou une conclusion expliquée. Distinguez bien son identité Thinking de celle de Qwen3-VL-30B-A3B-Instruct et des autres tailles de la famille. La distinction entre les éditions établie par le fabricant décrit le comportement de raisonnement prévu, sans établir l’existence d’un commutateur de mode hybride propre à une application.
Agents visuels et programmation
Qwen documente un flux de travail d’agent visuel qui reconnaît les commandes d’un ordinateur ou d’un appareil mobile, comprend leurs fonctions et appelle des outils. Pour une tâche d’interface, fournissez la capture d’écran actuelle et l’objectif visé, puis demandez la commande pertinente et une explication fondée sur les éléments visibles. L’application connectée exécute les actions et retourne les résultats; le raisonnement visuel du modèle ne contrôle pas l’appareil de façon autonome.
La famille génère aussi le contenu de diagrammes ainsi que du HTML, du CSS et du JavaScript à partir d’images ou de vidéos. Fournissez la référence visuelle avec les exigences fonctionnelles et demandez du code source modifiable. Pour une interface existante, précisez la modification souhaitée et le code pertinent plutôt que de vous attendre à ce qu’une image sans explication définisse chaque interaction. Le code source généré est un livrable dont il faut effectuer le rendu et examiner le résultat, et non une preuve qu’une application fonctionne.
Espace, contexte long et vidéo
Le fabricant décrit 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. Demandez quelle relation est pertinente et quels indices appuient la conclusion. Une relation visuelle 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, l’ordre des images et les identifiants des sources lorsque vous demandez un compte rendu d’événements. Le contexte et l’échantillonnage déterminent le contenu représenté dans une requête; la description de la famille ne doit pas devenir une promesse inconditionnelle de rappel parfait.
Raisonnement multimodal, reconnaissance et reconnaissance optique de caractères
L’édition Thinking convient aux questions de STIM, de mathématiques et de logique qui relient des éléments visuels à une explication. Fournissez l’énoncé complet, les libellés du diagramme et les unités, puis demandez les valeurs et les relations utilisées avant la réponse définitive. Un livrable clair peut être un résultat délimité, un tableau d’éléments probants ou une courte conclusion appuyée par l’image et le texte.
La famille élargit la reconnaissance visuelle aux personnes, aux produits, aux points d’intérêt, aux plantes, aux animaux et aux personnages de médias. La reconnaissance optique de caractères couvre 32 langues et vise la lecture dans des conditions de faible éclairage, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents. Préservez la lisibilité et demandez des champs ou des citations qui peuvent être vérifiés. Ces cas d’utilisation mettent en pratique des capacités documentées; ils ne garantissent pas une identité, une transcription ou une conclusion mathématique correcte pour chaque entrée.
Architecture
La configuration exacte décrit un modèle vision-langage à mélange d’experts comportant 48 couches de texte, 128 experts et huit experts sélectionnés par jeton. Interleaved-MRoPE répartit l’information de position dans le temps, la largeur et la hauteur. DeepStack combine des caractéristiques visuelles de plusieurs niveaux de l’encodeur, et l’alignement texte-horodatage aide à ancrer les événements dans des repères temporels. Utilisez systématiquement cette édition 30B-A3B Thinking pour préparer des tâches de raisonnement visuel et comparer leurs résultats.
Préparation des entrées
Les exemples de la famille prennent en charge les tâches textuelles, une ou plusieurs images et la vidéo. Étiquetez les entrées visuelles et conservez les relations entre elles. Des budgets de pixels distincts pour les images et la vidéo permettent à un flux de travail de contrôler le niveau de détail; 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 d’échantillonnage ou de nombre d’images lorsqu’elles sont prises en charge. Conservez les métadonnées vidéo et évitez un deuxième redimensionnement lorsque l’utilitaire a déjà redimensionné le média.
Pour comparer des documents, organisez le résultat par identifiant de page. Pour un extrait vidéo, demandez l’événement pertinent, l’intervalle et les éléments probants. Réservez de l’espace dans la séquence pour le raisonnement et le texte définitif, en plus des jetons visuels.
Conseils de génération et limites
Le fichier de génération du point de contrôle définit par défaut une température de 0.8, top_p à 0.95, top_k à 20 et une pénalité de répétition de 1.0. La recette d’évaluation Thinking distincte de la famille utilise une température de 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et un budget de sortie de 40,960 jetons. Il s’agit de préréglages distincts du producteur; ce budget n’est pas un maximum strict de sortie établi indépendamment.
La procédure d’extension de la famille utilise YaRN et suggère un facteur de deux ou de trois pour le schéma positionnel entrelacé lors du passage de 256K à environ 1M. Elle ne doit pas hériter du facteur de quatre d’une autre famille. Vérifiez les libellés extraits, les calculs et le code généré par rapport aux éléments probants originaux, et gardez le livrable définitif distinct du raisonnement. Le résultat pratique est une conclusion visuelle ou une proposition de code pouvant être examinée, tout en préservant cette édition Thinking exacte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-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.
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 $0.00058 / 1K jetons Sortie · Jetons en sortie $0.002 / 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 $0.00058 / 1K jetons Sortie · Jetons en sortie $0.002 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-vl-30b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-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-vl-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-vl-30b-a3b-thinking
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.