L’édition 8B Instruct de langage visuel
Qwen3-VL-8B-Instruct est l’édition dense 8B de Qwen3-VL axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, y compris du code. Elle reste distincte de l’édition Thinking au raisonnement renforcé et des modèles à experts parcimonieux de la même famille. Choisissez-la pour une instruction visuelle ciblée, une question documentaire ou un artefact modifiable dont le résultat peut être comparé aux éléments fournis.
Agents visuels et programmation visuelle
Le concepteur décrit la reconnaissance des éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’utilisation d’outils dans un flux d’agent visuel. Fournissez une capture d’écran et un objectif concret, puis demandez quelles commandes visibles correspondent à cet objectif et quels éléments justifient le choix. Le logiciel connecté effectue les actions ; reconnaître une interface ne donne pas indépendamment au modèle le contrôle d’un appareil.
La programmation visuelle comprend la production de contenus de schémas et de HTML, CSS ou JavaScript à partir d’images ou de vidéos. Fournissez la référence de mise en page avec les exigences fonctionnelles et la sortie modifiable requise. Demandez séparément la structure source et les styles lorsque cela facilite l’examen. Le code généré est un artefact textuel ; il nécessite toujours un flux de développement pour le rendre et évaluer son comportement.
Perception spatiale et contenus longs
Qwen documente le raisonnement sur les positions d’objets, les points de vue et les occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Nommez l’objet cible et indiquez la relation examinée. Un résultat sur la position relative est une déduction de l’image, et non une mesure physique calibrée.
Le contexte natif est de 262,144 tokens. La famille décrit les livres et les vidéos de plusieurs heures, avec une indexation des événements à la seconde et une extension à environ un million de tokens par configuration. La représentation, l’échantillonnage des images et la limite de séquence configurée déterminent les contenus traités. Un grand contexte ne garantit pas le rappel complet de chaque page ou image. Préservez le minutage en demandant un compte rendu d’événements vidéo.
Raisonnement multimodal, reconnaissance et OCR
La famille prend en charge les questions STEM et mathématiques, l’analyse causale et les explications visuelles fondées sur des éléments à l’appui. Fournissez l’énoncé complet avec un schéma et demandez les valeurs et relations utilisées avant la conclusion. La reconnaissance couvre un large éventail de personnes, produits, monuments, plantes, animaux et personnages de médias ; une étiquette plausible doit être vérifiée lorsque l’identification compte.
L’OCR couvre 32 langues et vise à améliorer la lecture sous faible luminosité, avec flou ou inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Fournissez une page lisible et demandez des champs nommés, des citations ou un tableau structuré vérifiable par rapport à celle-ci. Les compréhensions textuelle et visuelle sont combinées ; une question peut donc relier un paragraphe à une figure et aux instructions de l’utilisateur.
Mises à jour d’architecture
La configuration textuelle dense publiée possède 36 couches. Interleaved-MRoPE représente le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine des caractéristiques de plusieurs niveaux de l’encodeur visuel, et l’alignement texte–horodatage ancre les événements dans des références temporelles. Ces fonctions d’architecture décrivent la représentation du modèle ; elles n’établissent pas de temps de réponse fixe ou de précision physique exacte.
Préparer l’entrée
Les exemples de famille du concepteur couvrent les requêtes uniquement textuelles, les images uniques ou multiples et la vidéo. Étiquetez les entrées visuelles et précisez leur relation. Les budgets de pixels des images et des vidéos sont séparés : un budget d’image concerne une image, tandis qu’un budget vidéo concerne les pixels des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux pris en charge.
Le flux auxiliaire préserve les métadonnées vidéo et conseille d’éviter un redimensionnement répété lorsque les médias ont déjà été redimensionnés. Pour une tâche documentaire, conservez les identifiants des pages ; pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments visibles à l’appui. Ces exemples de préparation appliquent les capacités documentées plutôt que de garantir une extraction exacte ou une précision temporelle.
Conseils de génération et limites
Cette fiche exacte donne des préréglages de tâches distincts. Les tâches de langage visuel utilisent temperature 0.7, top_p 0.8, top_k 20, une pénalité de répétition de 1.0 et une pénalité de présence de 1.5, avec une capacité de sortie de 16,384 tokens. Les tâches textuelles utilisent temperature 1.0, top_p 1.0, top_k 40, une pénalité de répétition de 1.0 et une pénalité de présence de 2.0, avec une capacité de 32,768 tokens. Ce sont des budgets de recette du producteur, et non des plafonds stricts indépendamment établis ou des identités de modèles distinctes.
La procédure de contexte long de la famille utilise YaRN, avec un facteur de deux ou trois suggéré pour étendre ses positions entrelacées de 256K à environ 1M. Ne copiez pas un facteur de quatre d’une autre famille Qwen. Réservez de la place pour la réponse à côté des entrées visuelles et textuelles et vérifiez l’OCR, les conclusions calculées et la source générée par rapport aux contenus d’origine. Conservez l’édition Instruct exacte plutôt que d’importer le contrat de génération ou de contrôle d’un checkpoint Thinking.
", "aboutText": "L’édition 8B Instruct de langage visuel\n\nQwen3-VL-8B-Instruct est l’édition dense 8B de Qwen3-VL axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, y compris du code. Elle reste distincte de l’édition Thinking au raisonnement renforcé et des modèles à experts parcimonieux de la même famille. Choisissez-la pour une instruction visuelle ciblée, une question documentaire ou un artefact modifiable dont le résultat peut être comparé aux éléments fournis.\n\nAgents visuels et programmation visuelle\n\nLe concepteur décrit la reconnaissance des éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’utilisation d’outils dans un flux d’agent visuel. Fournissez une capture d’écran et un objectif concret, puis demandez quelles commandes visibles correspondent à cet objectif et quels éléments justifient le choix. Le logiciel connecté effectue les actions ; reconnaître une interface ne donne pas indépendamment au modèle le contrôle d’un appareil.\n\nLa programmation visuelle comprend la production de contenus de schémas et de HTML, CSS ou JavaScript à partir d’images ou de vidéos. Fournissez la référence de mise en page avec les exigences fonctionnelles et la sortie modifiable requise. Demandez séparément la structure source et les styles lorsque cela facilite l’examen. Le code généré est un artefact textuel ; il nécessite toujours un flux de développement pour le rendre et évaluer son comportement.\n\nPerception spatiale et contenus longs\n\nQwen documente le raisonnement sur les positions d’objets, les points de vue et les occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Nommez l’objet cible et indiquez la relation examinée. Un résultat sur la position relative est une déduction de l’image, et non une mesure physique calibrée.\n\nLe contexte natif est de 262,144 tokens. La famille décrit les livres et les vidéos de plusieurs heures, avec une indexation des événements à la seconde et une extension à environ un million de tokens par configuration. La représentation, l’échantillonnage des images et la limite de séquence configurée déterminent les contenus traités. Un grand contexte ne garantit pas le rappel complet de chaque page ou image. Préservez le minutage en demandant un compte rendu d’événements vidéo.\n\nRaisonnement multimodal, reconnaissance et OCR\n\nLa famille prend en charge les questions STEM et mathématiques, l’analyse causale et les explications visuelles fondées sur des éléments à l’appui. Fournissez l’énoncé complet avec un schéma et demandez les valeurs et relations utilisées avant la conclusion. La reconnaissance couvre un large éventail de personnes, produits, monuments, plantes, animaux et personnages de médias ; une étiquette plausible doit être vérifiée lorsque l’identification compte.\n\nL’OCR couvre 32 langues et vise à améliorer la lecture sous faible luminosité, avec flou ou inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Fournissez une page lisible et demandez des champs nommés, des citations ou un tableau structuré vérifiable par rapport à celle-ci. Les compréhensions textuelle et visuelle sont combinées ; une question peut donc relier un paragraphe à une figure et aux instructions de l’utilisateur.\n\nMises à jour d’architecture\n\nLa configuration textuelle dense publiée possède 36 couches. Interleaved-MRoPE représente le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine des caractéristiques de plusieurs niveaux de l’encodeur visuel, et l’alignement texte–horodatage ancre les événements dans des références temporelles. Ces fonctions d’architecture décrivent la représentation du modèle ; elles n’établissent pas de temps de réponse fixe ou de précision physique exacte.\n\nPréparer l’entrée\n\nLes exemples de famille du concepteur couvrent les requêtes uniquement textuelles, les images uniques ou multiples et la vidéo. Étiquetez les entrées visuelles et précisez leur relation. Les budgets de pixels des images et des vidéos sont séparés : un budget d’image concerne une image, tandis qu’un budget vidéo concerne les pixels des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux pris en charge.\n\nLe flux auxiliaire préserve les métadonnées vidéo et conseille d’éviter un redimensionnement répété lorsque les médias ont déjà été redimensionnés. Pour une tâche documentaire, conservez les identifiants des pages ; pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments visibles à l’appui. Ces exemples de préparation appliquent les capacités documentées plutôt que de garantir une extraction exacte ou une précision temporelle.\n\nConseils de génération et limites\n\nCette fiche exacte donne des préréglages de tâches distincts. Les tâches de langage visuel utilisent temperature 0.7, top_p 0.8, top_k 20, une pénalité de répétition de 1.0 et une pénalité de présence de 1.5, avec une capacité de sortie de 16,384 tokens. Les tâches textuelles utilisent temperature 1.0, top_p 1.0, top_k 40, une pénalité de répétition de 1.0 et une pénalité de présence de 2.0, avec une capacité de 32,768 tokens. Ce sont des budgets de recette du producteur, et non des plafonds stricts indépendamment établis ou des identités de modèles distinctes.\n\nLa procédure de contexte long de la famille utilise YaRN, avec un facteur de deux ou trois suggéré pour étendre ses positions entrelacées de 256K à environ 1M. Ne copiez pas un facteur de quatre d’une autre famille Qwen. Réservez de la place pour la réponse à côté des entrées visuelles et textuelles et vérifiez l’OCR, les conclusions calculées et la source générée par rapport aux contenus d’origine. Conservez l’édition Instruct exacte plutôt que d’importer le contrat de génération ou de contrôle d’un checkpoint Thinking.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct est le modèle dense de langage visuel de Qwen axé sur les instructions, pour le texte, les images et la vidéo, renvoyant du texte ou du code. Il prend en charge la lecture documentaire, la programmation visuelle, les questions spatiales et l’analyse vidéo, avec un OCR en 32 langues et un contexte natif de 262,144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
L’édition 8B Instruct de langage visuel
Qwen3-VL-8B-Instruct est l’édition dense 8B de Qwen3-VL axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, y compris du code. Elle reste distincte de l’édition Thinking au raisonnement renforcé et des modèles à experts parcimonieux de la même famille. Choisissez-la pour une instruction visuelle ciblée, une question documentaire ou un artefact modifiable dont le résultat peut être comparé aux éléments fournis.
Agents visuels et programmation visuelle
Le concepteur décrit la reconnaissance des éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’utilisation d’outils dans un flux d’agent visuel. Fournissez une capture d’écran et un objectif concret, puis demandez quelles commandes visibles correspondent à cet objectif et quels éléments justifient le choix. Le logiciel connecté effectue les actions ; reconnaître une interface ne donne pas indépendamment au modèle le contrôle d’un appareil.
La programmation visuelle comprend la production de contenus de schémas et de HTML, CSS ou JavaScript à partir d’images ou de vidéos. Fournissez la référence de mise en page avec les exigences fonctionnelles et la sortie modifiable requise. Demandez séparément la structure source et les styles lorsque cela facilite l’examen. Le code généré est un artefact textuel ; il nécessite toujours un flux de développement pour le rendre et évaluer son comportement.
Perception spatiale et contenus longs
Qwen documente le raisonnement sur les positions d’objets, les points de vue et les occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Nommez l’objet cible et indiquez la relation examinée. Un résultat sur la position relative est une déduction de l’image, et non une mesure physique calibrée.
Le contexte natif est de 262,144 tokens. La famille décrit les livres et les vidéos de plusieurs heures, avec une indexation des événements à la seconde et une extension à environ un million de tokens par configuration. La représentation, l’échantillonnage des images et la limite de séquence configurée déterminent les contenus traités. Un grand contexte ne garantit pas le rappel complet de chaque page ou image. Préservez le minutage en demandant un compte rendu d’événements vidéo.
Raisonnement multimodal, reconnaissance et OCR
La famille prend en charge les questions STEM et mathématiques, l’analyse causale et les explications visuelles fondées sur des éléments à l’appui. Fournissez l’énoncé complet avec un schéma et demandez les valeurs et relations utilisées avant la conclusion. La reconnaissance couvre un large éventail de personnes, produits, monuments, plantes, animaux et personnages de médias ; une étiquette plausible doit être vérifiée lorsque l’identification compte.
L’OCR couvre 32 langues et vise à améliorer la lecture sous faible luminosité, avec flou ou inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Fournissez une page lisible et demandez des champs nommés, des citations ou un tableau structuré vérifiable par rapport à celle-ci. Les compréhensions textuelle et visuelle sont combinées ; une question peut donc relier un paragraphe à une figure et aux instructions de l’utilisateur.
Mises à jour d’architecture
La configuration textuelle dense publiée possède 36 couches. Interleaved-MRoPE représente le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine des caractéristiques de plusieurs niveaux de l’encodeur visuel, et l’alignement texte–horodatage ancre les événements dans des références temporelles. Ces fonctions d’architecture décrivent la représentation du modèle ; elles n’établissent pas de temps de réponse fixe ou de précision physique exacte.
Préparer l’entrée
Les exemples de famille du concepteur couvrent les requêtes uniquement textuelles, les images uniques ou multiples et la vidéo. Étiquetez les entrées visuelles et précisez leur relation. Les budgets de pixels des images et des vidéos sont séparés : un budget d’image concerne une image, tandis qu’un budget vidéo concerne les pixels des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux pris en charge.
Le flux auxiliaire préserve les métadonnées vidéo et conseille d’éviter un redimensionnement répété lorsque les médias ont déjà été redimensionnés. Pour une tâche documentaire, conservez les identifiants des pages ; pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments visibles à l’appui. Ces exemples de préparation appliquent les capacités documentées plutôt que de garantir une extraction exacte ou une précision temporelle.
Conseils de génération et limites
Cette fiche exacte donne des préréglages de tâches distincts. Les tâches de langage visuel utilisent temperature 0.7, top_p 0.8, top_k 20, une pénalité de répétition de 1.0 et une pénalité de présence de 1.5, avec une capacité de sortie de 16,384 tokens. Les tâches textuelles utilisent temperature 1.0, top_p 1.0, top_k 40, une pénalité de répétition de 1.0 et une pénalité de présence de 2.0, avec une capacité de 32,768 tokens. Ce sont des budgets de recette du producteur, et non des plafonds stricts indépendamment établis ou des identités de modèles distinctes.
La procédure de contexte long de la famille utilise YaRN, avec un facteur de deux ou trois suggéré pour étendre ses positions entrelacées de 256K à environ 1M. Ne copiez pas un facteur de quatre d’une autre famille Qwen. Réservez de la place pour la réponse à côté des entrées visuelles et textuelles et vérifiez l’OCR, les conclusions calculées et la source générée par rapport aux contenus d’origine. Conservez l’édition Instruct exacte plutôt que d’importer le contrat de génération ou de contrôle d’un checkpoint Thinking.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-8b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00024 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00024 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-vl-8b-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-8b-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-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct est le modèle dense de langage visuel de Qwen axé sur les instructions, pour le texte, les images et la vidéo, renvoyant du texte ou du code. Il prend en charge la lecture documentaire, la programmation visuelle, les questions spatiales et l’analyse vidéo, avec un OCR en 32 langues et un contexte natif de 262,144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
L’édition 8B Instruct de langage visuel
Qwen3-VL-8B-Instruct est l’édition dense 8B de Qwen3-VL axée sur les instructions. Elle combine du texte avec des images ou de la vidéo et produit du texte, y compris du code. Elle reste distincte de l’édition Thinking au raisonnement renforcé et des modèles à experts parcimonieux de la même famille. Choisissez-la pour une instruction visuelle ciblée, une question documentaire ou un artefact modifiable dont le résultat peut être comparé aux éléments fournis.
Agents visuels et programmation visuelle
Le concepteur décrit la reconnaissance des éléments d’interface d’ordinateur ou de mobile, la compréhension de leurs fonctions et l’utilisation d’outils dans un flux d’agent visuel. Fournissez une capture d’écran et un objectif concret, puis demandez quelles commandes visibles correspondent à cet objectif et quels éléments justifient le choix. Le logiciel connecté effectue les actions ; reconnaître une interface ne donne pas indépendamment au modèle le contrôle d’un appareil.
La programmation visuelle comprend la production de contenus de schémas et de HTML, CSS ou JavaScript à partir d’images ou de vidéos. Fournissez la référence de mise en page avec les exigences fonctionnelles et la sortie modifiable requise. Demandez séparément la structure source et les styles lorsque cela facilite l’examen. Le code généré est un artefact textuel ; il nécessite toujours un flux de développement pour le rendre et évaluer son comportement.
Perception spatiale et contenus longs
Qwen documente le raisonnement sur les positions d’objets, les points de vue et les occlusions, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Nommez l’objet cible et indiquez la relation examinée. Un résultat sur la position relative est une déduction de l’image, et non une mesure physique calibrée.
Le contexte natif est de 262,144 tokens. La famille décrit les livres et les vidéos de plusieurs heures, avec une indexation des événements à la seconde et une extension à environ un million de tokens par configuration. La représentation, l’échantillonnage des images et la limite de séquence configurée déterminent les contenus traités. Un grand contexte ne garantit pas le rappel complet de chaque page ou image. Préservez le minutage en demandant un compte rendu d’événements vidéo.
Raisonnement multimodal, reconnaissance et OCR
La famille prend en charge les questions STEM et mathématiques, l’analyse causale et les explications visuelles fondées sur des éléments à l’appui. Fournissez l’énoncé complet avec un schéma et demandez les valeurs et relations utilisées avant la conclusion. La reconnaissance couvre un large éventail de personnes, produits, monuments, plantes, animaux et personnages de médias ; une étiquette plausible doit être vérifiée lorsque l’identification compte.
L’OCR couvre 32 langues et vise à améliorer la lecture sous faible luminosité, avec flou ou inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Fournissez une page lisible et demandez des champs nommés, des citations ou un tableau structuré vérifiable par rapport à celle-ci. Les compréhensions textuelle et visuelle sont combinées ; une question peut donc relier un paragraphe à une figure et aux instructions de l’utilisateur.
Mises à jour d’architecture
La configuration textuelle dense publiée possède 36 couches. Interleaved-MRoPE représente le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine des caractéristiques de plusieurs niveaux de l’encodeur visuel, et l’alignement texte–horodatage ancre les événements dans des références temporelles. Ces fonctions d’architecture décrivent la représentation du modèle ; elles n’établissent pas de temps de réponse fixe ou de précision physique exacte.
Préparer l’entrée
Les exemples de famille du concepteur couvrent les requêtes uniquement textuelles, les images uniques ou multiples et la vidéo. Étiquetez les entrées visuelles et précisez leur relation. Les budgets de pixels des images et des vidéos sont séparés : un budget d’image concerne une image, tandis qu’un budget vidéo concerne les pixels des images échantillonnées. Les dimensions explicites des images sont alignées sur des multiples de 32. La valeur vidéo par défaut documentée est de deux images par seconde, avec des commandes de fréquence ou de nombre d’images dans les flux pris en charge.
Le flux auxiliaire préserve les métadonnées vidéo et conseille d’éviter un redimensionnement répété lorsque les médias ont déjà été redimensionnés. Pour une tâche documentaire, conservez les identifiants des pages ; pour un extrait, demandez l’événement, l’intervalle pertinent et les éléments visibles à l’appui. Ces exemples de préparation appliquent les capacités documentées plutôt que de garantir une extraction exacte ou une précision temporelle.
Conseils de génération et limites
Cette fiche exacte donne des préréglages de tâches distincts. Les tâches de langage visuel utilisent temperature 0.7, top_p 0.8, top_k 20, une pénalité de répétition de 1.0 et une pénalité de présence de 1.5, avec une capacité de sortie de 16,384 tokens. Les tâches textuelles utilisent temperature 1.0, top_p 1.0, top_k 40, une pénalité de répétition de 1.0 et une pénalité de présence de 2.0, avec une capacité de 32,768 tokens. Ce sont des budgets de recette du producteur, et non des plafonds stricts indépendamment établis ou des identités de modèles distinctes.
La procédure de contexte long de la famille utilise YaRN, avec un facteur de deux ou trois suggéré pour étendre ses positions entrelacées de 256K à environ 1M. Ne copiez pas un facteur de quatre d’une autre famille Qwen. Réservez de la place pour la réponse à côté des entrées visuelles et textuelles et vérifiez l’OCR, les conclusions calculées et la source générée par rapport aux contenus d’origine. Conservez l’édition Instruct exacte plutôt que d’importer le contrat de génération ou de contrôle d’un checkpoint Thinking.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-8b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00024 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00024 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.