Introduction : l’édition multimodale Thinking
Qwen3-VL-235B-A22B-Thinking est l’édition à mélange d’experts de Qwen3-VL orientée raisonnement. Elle associe le texte aux images et à la vidéo et produit des réponses textuelles ou du code. Le modèle fixe Thinking est distinct de Qwen3-VL-235B-A22B-Instruct et des versions FP8 nommées séparément. Choisissez-le pour une question exigeant de relier des éléments visuels à une explication plus longue, plutôt que de supposer que toutes les éditions Qwen3-VL ont le même style de réponse.
Agents visuels et programmation visuelle
Qwen décrit un processus d’agent visuel qui reconnaît les éléments d’interfaces d’ordinateur ou de mobile, interprète leurs fonctions et travaille avec des outils pour accomplir des tâches. Le modèle fournit la perception et le raisonnement ; une application doit connecter et exécuter les actions. Pour examiner une interface, fournissez la capture actuelle et un objectif précis, puis demandez d’identifier les contrôles pertinents et d’expliquer l’action suivante. L’image seule ne donne pas le contrôle de l’appareil.
La programmation visuelle comprend la génération de contenu de schéma et de HTML, CSS ou JavaScript à partir d’images et de vidéos. Fournissez une capture d’écran avec la disposition, le comportement et le format de sortie modifiable requis. Demandez la structure de page et les styles comme livrables séparés lorsque cela facilite l’examen. Le code généré est du texte pour un processus de développement ; il ne prouve ni qu’un site a été rendu ni que l’image source est devenue une application fonctionnelle.
Perception spatiale
Le fabricant documente le raisonnement sur les positions des objets, les points de vue et les occultations, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Posez une question concrète sur une relation et identifiez l’objet d’intérêt : par exemple, quel composant est masqué, ce qui se trouve devant lui et les indices visuels qui étayent cette interprétation. La capacité d’ancrage ne doit pas être considérée comme une mesure physique étalonnée à partir d’une image quelconque.
Contexte long et vidéo
Le contexte natif est de 262 144 tokens. Qwen décrit son extension à environ un million via la configuration YaRN et des processus de famille portant sur des livres ou des vidéos de plusieurs heures, avec une indexation des événements à la seconde. Ces capacités dépendent de la représentation, de l’échantillonnage des images et de la configuration du contexte ; la description générale du fabricant ne garantit pas le rappel parfait de chaque image. Dans son dépôt, Qwen conseille un facteur d’extrapolation de deux ou trois pour ce schéma positionnel entrelacé lors de l’extension de 256K à environ 1M, plutôt que de copier automatiquement un facteur de quatre d’un autre modèle.
Raisonnement et reconnaissance multimodaux
L’édition Thinking vise le raisonnement STEM et mathématique fondé sur des preuves, l’analyse causale et les réponses logiques reliant le texte aux éléments visuels. Donnez ensemble un schéma et ses définitions, ou un graphique et la question numérique précise. Demandez les libellés et les valeurs utilisés avant la conclusion. Qwen décrit aussi une reconnaissance visuelle plus large des personnes, des anime, des produits, des monuments, des plantes et des animaux. Une réponse de reconnaissance reste une inférence à partir de l’image fournie, et non une garantie que chaque objet ou identité peut être nommé.
L’OCR couvre 32 langues et vise à améliorer la lecture en cas de faible luminosité, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Conservez des images sources lisibles et demandez des champs, des citations ou un tableau structuré vérifiables. La compréhension textuelle et visuelle est réunie dans un modèle ; une question peut donc renvoyer conjointement à un passage de document, à une figure et aux instructions de l’utilisateur.
Évolutions de l’architecture
Interleaved-MRoPE répartit la représentation positionnelle entre le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine les caractéristiques visuelles de plusieurs niveaux d’encodeur pour saisir les détails plus fins et améliorer l’alignement image–texte. L’alignement texte–horodatage ancre les événements dans des références temporelles. La configuration textuelle publiée comporte 94 couches, 128 experts et huit experts sélectionnés par token. Ces détails architecturaux expliquent la représentation multimodale du modèle ; ils n’établissent pas une garantie de délai de réponse.
Préparer les entrées visuelles et la sortie
Les exemples du fabricant couvrent les requêtes avec une ou plusieurs images, la vidéo et le texte seul. Identifiez chaque entrée visuelle afin que la question puisse y renvoyer clairement. Les processeurs d’images et de vidéos utilisent des budgets de pixels séparés : un budget d’image limite ses pixels, tandis qu’un budget vidéo comptabilise les pixels des images échantillonnées. Les dimensions d’image explicites sont alignées sur des multiples de 32. L’échantillonnage vidéo peut être contrôlé par le débit ou le nombre d’images ; la valeur par défaut documentée est de deux images par seconde. Conservez les horodatages lorsque vous demandez une chronologie d’événements.
Pour un extrait long, demandez l’événement, son intervalle temporel et les indices visibles plutôt qu’un résumé indifférencié. Pour plusieurs pages, demandez un résultat organisé par identifiant de page. Ces exemples de préparation appliquent les capacités documentées et aident à rendre visibles les omissions ou les erreurs d’extraction.
Recommandations de génération et limites
Le fichier de génération du modèle utilise par défaut temperature 0.8, top_p 0.95 et top_k 20. La recette d’évaluation Thinking distincte de Qwen utilise temperature 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et une capacité de sortie de 40 960 tokens. Ce sont des préréglages distincts du producteur, et non un unique plafond strict de sortie. Laissez de la place pour le raisonnement et le texte final aux côtés des tokens visuels, et vérifiez le texte extrait, les réponses calculées et le code généré dans la source avant de les utiliser.
", "aboutText": "Introduction : l’édition multimodale Thinking\n\nQwen3-VL-235B-A22B-Thinking est l’édition à mélange d’experts de Qwen3-VL orientée raisonnement. Elle associe le texte aux images et à la vidéo et produit des réponses textuelles ou du code. Le modèle fixe Thinking est distinct de Qwen3-VL-235B-A22B-Instruct et des versions FP8 nommées séparément. Choisissez-le pour une question exigeant de relier des éléments visuels à une explication plus longue, plutôt que de supposer que toutes les éditions Qwen3-VL ont le même style de réponse.\n\nAgents visuels et programmation visuelle\n\nQwen décrit un processus d’agent visuel qui reconnaît les éléments d’interfaces d’ordinateur ou de mobile, interprète leurs fonctions et travaille avec des outils pour accomplir des tâches. Le modèle fournit la perception et le raisonnement ; une application doit connecter et exécuter les actions. Pour examiner une interface, fournissez la capture actuelle et un objectif précis, puis demandez d’identifier les contrôles pertinents et d’expliquer l’action suivante. L’image seule ne donne pas le contrôle de l’appareil.\n\nLa programmation visuelle comprend la génération de contenu de schéma et de HTML, CSS ou JavaScript à partir d’images et de vidéos. Fournissez une capture d’écran avec la disposition, le comportement et le format de sortie modifiable requis. Demandez la structure de page et les styles comme livrables séparés lorsque cela facilite l’examen. Le code généré est du texte pour un processus de développement ; il ne prouve ni qu’un site a été rendu ni que l’image source est devenue une application fonctionnelle.\n\nPerception spatiale\n\nLe fabricant documente le raisonnement sur les positions des objets, les points de vue et les occultations, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Posez une question concrète sur une relation et identifiez l’objet d’intérêt : par exemple, quel composant est masqué, ce qui se trouve devant lui et les indices visuels qui étayent cette interprétation. La capacité d’ancrage ne doit pas être considérée comme une mesure physique étalonnée à partir d’une image quelconque.\n\nContexte long et vidéo\n\nLe contexte natif est de 262 144 tokens. Qwen décrit son extension à environ un million via la configuration YaRN et des processus de famille portant sur des livres ou des vidéos de plusieurs heures, avec une indexation des événements à la seconde. Ces capacités dépendent de la représentation, de l’échantillonnage des images et de la configuration du contexte ; la description générale du fabricant ne garantit pas le rappel parfait de chaque image. Dans son dépôt, Qwen conseille un facteur d’extrapolation de deux ou trois pour ce schéma positionnel entrelacé lors de l’extension de 256K à environ 1M, plutôt que de copier automatiquement un facteur de quatre d’un autre modèle.\n\nRaisonnement et reconnaissance multimodaux\n\nL’édition Thinking vise le raisonnement STEM et mathématique fondé sur des preuves, l’analyse causale et les réponses logiques reliant le texte aux éléments visuels. Donnez ensemble un schéma et ses définitions, ou un graphique et la question numérique précise. Demandez les libellés et les valeurs utilisés avant la conclusion. Qwen décrit aussi une reconnaissance visuelle plus large des personnes, des anime, des produits, des monuments, des plantes et des animaux. Une réponse de reconnaissance reste une inférence à partir de l’image fournie, et non une garantie que chaque objet ou identité peut être nommé.\n\nL’OCR couvre 32 langues et vise à améliorer la lecture en cas de faible luminosité, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Conservez des images sources lisibles et demandez des champs, des citations ou un tableau structuré vérifiables. La compréhension textuelle et visuelle est réunie dans un modèle ; une question peut donc renvoyer conjointement à un passage de document, à une figure et aux instructions de l’utilisateur.\n\nÉvolutions de l’architecture\n\nInterleaved-MRoPE répartit la représentation positionnelle entre le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine les caractéristiques visuelles de plusieurs niveaux d’encodeur pour saisir les détails plus fins et améliorer l’alignement image–texte. L’alignement texte–horodatage ancre les événements dans des références temporelles. La configuration textuelle publiée comporte 94 couches, 128 experts et huit experts sélectionnés par token. Ces détails architecturaux expliquent la représentation multimodale du modèle ; ils n’établissent pas une garantie de délai de réponse.\n\nPréparer les entrées visuelles et la sortie\n\nLes exemples du fabricant couvrent les requêtes avec une ou plusieurs images, la vidéo et le texte seul. Identifiez chaque entrée visuelle afin que la question puisse y renvoyer clairement. Les processeurs d’images et de vidéos utilisent des budgets de pixels séparés : un budget d’image limite ses pixels, tandis qu’un budget vidéo comptabilise les pixels des images échantillonnées. Les dimensions d’image explicites sont alignées sur des multiples de 32. L’échantillonnage vidéo peut être contrôlé par le débit ou le nombre d’images ; la valeur par défaut documentée est de deux images par seconde. Conservez les horodatages lorsque vous demandez une chronologie d’événements.\n\nPour un extrait long, demandez l’événement, son intervalle temporel et les indices visibles plutôt qu’un résumé indifférencié. Pour plusieurs pages, demandez un résultat organisé par identifiant de page. Ces exemples de préparation appliquent les capacités documentées et aident à rendre visibles les omissions ou les erreurs d’extraction.\n\nRecommandations de génération et limites\n\nLe fichier de génération du modèle utilise par défaut temperature 0.8, top_p 0.95 et top_k 20. La recette d’évaluation Thinking distincte de Qwen utilise temperature 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et une capacité de sortie de 40 960 tokens. Ce sont des préréglages distincts du producteur, et non un unique plafond strict de sortie. Laissez de la place pour le raisonnement et le texte final aux côtés des tokens visuels, et vérifiez le texte extrait, les réponses calculées et le code généré dans la source avant de les utiliser.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking est le modèle vision-langage à mélange d’experts de Qwen pour raisonner sur le texte, les images et la vidéo. Utilisez l’édition Thinking pour les questions STEM, les preuves documentaires, les relations spatiales, la programmation visuelle et l’analyse vidéo horodatée, avec 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.
Introduction : l’édition multimodale Thinking
Qwen3-VL-235B-A22B-Thinking est l’édition à mélange d’experts de Qwen3-VL orientée raisonnement. Elle associe le texte aux images et à la vidéo et produit des réponses textuelles ou du code. Le modèle fixe Thinking est distinct de Qwen3-VL-235B-A22B-Instruct et des versions FP8 nommées séparément. Choisissez-le pour une question exigeant de relier des éléments visuels à une explication plus longue, plutôt que de supposer que toutes les éditions Qwen3-VL ont le même style de réponse.
Agents visuels et programmation visuelle
Qwen décrit un processus d’agent visuel qui reconnaît les éléments d’interfaces d’ordinateur ou de mobile, interprète leurs fonctions et travaille avec des outils pour accomplir des tâches. Le modèle fournit la perception et le raisonnement ; une application doit connecter et exécuter les actions. Pour examiner une interface, fournissez la capture actuelle et un objectif précis, puis demandez d’identifier les contrôles pertinents et d’expliquer l’action suivante. L’image seule ne donne pas le contrôle de l’appareil.
La programmation visuelle comprend la génération de contenu de schéma et de HTML, CSS ou JavaScript à partir d’images et de vidéos. Fournissez une capture d’écran avec la disposition, le comportement et le format de sortie modifiable requis. Demandez la structure de page et les styles comme livrables séparés lorsque cela facilite l’examen. Le code généré est du texte pour un processus de développement ; il ne prouve ni qu’un site a été rendu ni que l’image source est devenue une application fonctionnelle.
Perception spatiale
Le fabricant documente le raisonnement sur les positions des objets, les points de vue et les occultations, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Posez une question concrète sur une relation et identifiez l’objet d’intérêt : par exemple, quel composant est masqué, ce qui se trouve devant lui et les indices visuels qui étayent cette interprétation. La capacité d’ancrage ne doit pas être considérée comme une mesure physique étalonnée à partir d’une image quelconque.
Contexte long et vidéo
Le contexte natif est de 262 144 tokens. Qwen décrit son extension à environ un million via la configuration YaRN et des processus de famille portant sur des livres ou des vidéos de plusieurs heures, avec une indexation des événements à la seconde. Ces capacités dépendent de la représentation, de l’échantillonnage des images et de la configuration du contexte ; la description générale du fabricant ne garantit pas le rappel parfait de chaque image. Dans son dépôt, Qwen conseille un facteur d’extrapolation de deux ou trois pour ce schéma positionnel entrelacé lors de l’extension de 256K à environ 1M, plutôt que de copier automatiquement un facteur de quatre d’un autre modèle.
Raisonnement et reconnaissance multimodaux
L’édition Thinking vise le raisonnement STEM et mathématique fondé sur des preuves, l’analyse causale et les réponses logiques reliant le texte aux éléments visuels. Donnez ensemble un schéma et ses définitions, ou un graphique et la question numérique précise. Demandez les libellés et les valeurs utilisés avant la conclusion. Qwen décrit aussi une reconnaissance visuelle plus large des personnes, des anime, des produits, des monuments, des plantes et des animaux. Une réponse de reconnaissance reste une inférence à partir de l’image fournie, et non une garantie que chaque objet ou identité peut être nommé.
L’OCR couvre 32 langues et vise à améliorer la lecture en cas de faible luminosité, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Conservez des images sources lisibles et demandez des champs, des citations ou un tableau structuré vérifiables. La compréhension textuelle et visuelle est réunie dans un modèle ; une question peut donc renvoyer conjointement à un passage de document, à une figure et aux instructions de l’utilisateur.
Évolutions de l’architecture
Interleaved-MRoPE répartit la représentation positionnelle entre le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine les caractéristiques visuelles de plusieurs niveaux d’encodeur pour saisir les détails plus fins et améliorer l’alignement image–texte. L’alignement texte–horodatage ancre les événements dans des références temporelles. La configuration textuelle publiée comporte 94 couches, 128 experts et huit experts sélectionnés par token. Ces détails architecturaux expliquent la représentation multimodale du modèle ; ils n’établissent pas une garantie de délai de réponse.
Préparer les entrées visuelles et la sortie
Les exemples du fabricant couvrent les requêtes avec une ou plusieurs images, la vidéo et le texte seul. Identifiez chaque entrée visuelle afin que la question puisse y renvoyer clairement. Les processeurs d’images et de vidéos utilisent des budgets de pixels séparés : un budget d’image limite ses pixels, tandis qu’un budget vidéo comptabilise les pixels des images échantillonnées. Les dimensions d’image explicites sont alignées sur des multiples de 32. L’échantillonnage vidéo peut être contrôlé par le débit ou le nombre d’images ; la valeur par défaut documentée est de deux images par seconde. Conservez les horodatages lorsque vous demandez une chronologie d’événements.
Pour un extrait long, demandez l’événement, son intervalle temporel et les indices visibles plutôt qu’un résumé indifférencié. Pour plusieurs pages, demandez un résultat organisé par identifiant de page. Ces exemples de préparation appliquent les capacités documentées et aident à rendre visibles les omissions ou les erreurs d’extraction.
Recommandations de génération et limites
Le fichier de génération du modèle utilise par défaut temperature 0.8, top_p 0.95 et top_k 20. La recette d’évaluation Thinking distincte de Qwen utilise temperature 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et une capacité de sortie de 40 960 tokens. Ce sont des préréglages distincts du producteur, et non un unique plafond strict de sortie. Laissez de la place pour le raisonnement et le texte final aux côtés des tokens visuels, et vérifiez le texte extrait, les réponses calculées et le code généré dans la source avant de les utiliser.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-235b-a22b-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen/qwen3-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-235b-a22b-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking est le modèle vision-langage à mélange d’experts de Qwen pour raisonner sur le texte, les images et la vidéo. Utilisez l’édition Thinking pour les questions STEM, les preuves documentaires, les relations spatiales, la programmation visuelle et l’analyse vidéo horodatée, avec 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.
Introduction : l’édition multimodale Thinking
Qwen3-VL-235B-A22B-Thinking est l’édition à mélange d’experts de Qwen3-VL orientée raisonnement. Elle associe le texte aux images et à la vidéo et produit des réponses textuelles ou du code. Le modèle fixe Thinking est distinct de Qwen3-VL-235B-A22B-Instruct et des versions FP8 nommées séparément. Choisissez-le pour une question exigeant de relier des éléments visuels à une explication plus longue, plutôt que de supposer que toutes les éditions Qwen3-VL ont le même style de réponse.
Agents visuels et programmation visuelle
Qwen décrit un processus d’agent visuel qui reconnaît les éléments d’interfaces d’ordinateur ou de mobile, interprète leurs fonctions et travaille avec des outils pour accomplir des tâches. Le modèle fournit la perception et le raisonnement ; une application doit connecter et exécuter les actions. Pour examiner une interface, fournissez la capture actuelle et un objectif précis, puis demandez d’identifier les contrôles pertinents et d’expliquer l’action suivante. L’image seule ne donne pas le contrôle de l’appareil.
La programmation visuelle comprend la génération de contenu de schéma et de HTML, CSS ou JavaScript à partir d’images et de vidéos. Fournissez une capture d’écran avec la disposition, le comportement et le format de sortie modifiable requis. Demandez la structure de page et les styles comme livrables séparés lorsque cela facilite l’examen. Le code généré est du texte pour un processus de développement ; il ne prouve ni qu’un site a été rendu ni que l’image source est devenue une application fonctionnelle.
Perception spatiale
Le fabricant documente le raisonnement sur les positions des objets, les points de vue et les occultations, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Posez une question concrète sur une relation et identifiez l’objet d’intérêt : par exemple, quel composant est masqué, ce qui se trouve devant lui et les indices visuels qui étayent cette interprétation. La capacité d’ancrage ne doit pas être considérée comme une mesure physique étalonnée à partir d’une image quelconque.
Contexte long et vidéo
Le contexte natif est de 262 144 tokens. Qwen décrit son extension à environ un million via la configuration YaRN et des processus de famille portant sur des livres ou des vidéos de plusieurs heures, avec une indexation des événements à la seconde. Ces capacités dépendent de la représentation, de l’échantillonnage des images et de la configuration du contexte ; la description générale du fabricant ne garantit pas le rappel parfait de chaque image. Dans son dépôt, Qwen conseille un facteur d’extrapolation de deux ou trois pour ce schéma positionnel entrelacé lors de l’extension de 256K à environ 1M, plutôt que de copier automatiquement un facteur de quatre d’un autre modèle.
Raisonnement et reconnaissance multimodaux
L’édition Thinking vise le raisonnement STEM et mathématique fondé sur des preuves, l’analyse causale et les réponses logiques reliant le texte aux éléments visuels. Donnez ensemble un schéma et ses définitions, ou un graphique et la question numérique précise. Demandez les libellés et les valeurs utilisés avant la conclusion. Qwen décrit aussi une reconnaissance visuelle plus large des personnes, des anime, des produits, des monuments, des plantes et des animaux. Une réponse de reconnaissance reste une inférence à partir de l’image fournie, et non une garantie que chaque objet ou identité peut être nommé.
L’OCR couvre 32 langues et vise à améliorer la lecture en cas de faible luminosité, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Conservez des images sources lisibles et demandez des champs, des citations ou un tableau structuré vérifiables. La compréhension textuelle et visuelle est réunie dans un modèle ; une question peut donc renvoyer conjointement à un passage de document, à une figure et aux instructions de l’utilisateur.
Évolutions de l’architecture
Interleaved-MRoPE répartit la représentation positionnelle entre le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine les caractéristiques visuelles de plusieurs niveaux d’encodeur pour saisir les détails plus fins et améliorer l’alignement image–texte. L’alignement texte–horodatage ancre les événements dans des références temporelles. La configuration textuelle publiée comporte 94 couches, 128 experts et huit experts sélectionnés par token. Ces détails architecturaux expliquent la représentation multimodale du modèle ; ils n’établissent pas une garantie de délai de réponse.
Préparer les entrées visuelles et la sortie
Les exemples du fabricant couvrent les requêtes avec une ou plusieurs images, la vidéo et le texte seul. Identifiez chaque entrée visuelle afin que la question puisse y renvoyer clairement. Les processeurs d’images et de vidéos utilisent des budgets de pixels séparés : un budget d’image limite ses pixels, tandis qu’un budget vidéo comptabilise les pixels des images échantillonnées. Les dimensions d’image explicites sont alignées sur des multiples de 32. L’échantillonnage vidéo peut être contrôlé par le débit ou le nombre d’images ; la valeur par défaut documentée est de deux images par seconde. Conservez les horodatages lorsque vous demandez une chronologie d’événements.
Pour un extrait long, demandez l’événement, son intervalle temporel et les indices visibles plutôt qu’un résumé indifférencié. Pour plusieurs pages, demandez un résultat organisé par identifiant de page. Ces exemples de préparation appliquent les capacités documentées et aident à rendre visibles les omissions ou les erreurs d’extraction.
Recommandations de génération et limites
Le fichier de génération du modèle utilise par défaut temperature 0.8, top_p 0.95 et top_k 20. La recette d’évaluation Thinking distincte de Qwen utilise temperature 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et une capacité de sortie de 40 960 tokens. Ce sont des préréglages distincts du producteur, et non un unique plafond strict de sortie. Laissez de la place pour le raisonnement et le texte final aux côtés des tokens visuels, et vérifiez le texte extrait, les réponses calculées et le code généré dans la source avant de les utiliser.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-vl-235b-a22b-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-235b-a22b-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-235b-a22b-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 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-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking est le modèle vision-langage à mélange d’experts de Qwen pour raisonner sur le texte, les images et la vidéo. Utilisez l’édition Thinking pour les questions STEM, les preuves documentaires, les relations spatiales, la programmation visuelle et l’analyse vidéo horodatée, avec 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.
Introduction : l’édition multimodale Thinking
Qwen3-VL-235B-A22B-Thinking est l’édition à mélange d’experts de Qwen3-VL orientée raisonnement. Elle associe le texte aux images et à la vidéo et produit des réponses textuelles ou du code. Le modèle fixe Thinking est distinct de Qwen3-VL-235B-A22B-Instruct et des versions FP8 nommées séparément. Choisissez-le pour une question exigeant de relier des éléments visuels à une explication plus longue, plutôt que de supposer que toutes les éditions Qwen3-VL ont le même style de réponse.
Agents visuels et programmation visuelle
Qwen décrit un processus d’agent visuel qui reconnaît les éléments d’interfaces d’ordinateur ou de mobile, interprète leurs fonctions et travaille avec des outils pour accomplir des tâches. Le modèle fournit la perception et le raisonnement ; une application doit connecter et exécuter les actions. Pour examiner une interface, fournissez la capture actuelle et un objectif précis, puis demandez d’identifier les contrôles pertinents et d’expliquer l’action suivante. L’image seule ne donne pas le contrôle de l’appareil.
La programmation visuelle comprend la génération de contenu de schéma et de HTML, CSS ou JavaScript à partir d’images et de vidéos. Fournissez une capture d’écran avec la disposition, le comportement et le format de sortie modifiable requis. Demandez la structure de page et les styles comme livrables séparés lorsque cela facilite l’examen. Le code généré est du texte pour un processus de développement ; il ne prouve ni qu’un site a été rendu ni que l’image source est devenue une application fonctionnelle.
Perception spatiale
Le fabricant documente le raisonnement sur les positions des objets, les points de vue et les occultations, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Posez une question concrète sur une relation et identifiez l’objet d’intérêt : par exemple, quel composant est masqué, ce qui se trouve devant lui et les indices visuels qui étayent cette interprétation. La capacité d’ancrage ne doit pas être considérée comme une mesure physique étalonnée à partir d’une image quelconque.
Contexte long et vidéo
Le contexte natif est de 262 144 tokens. Qwen décrit son extension à environ un million via la configuration YaRN et des processus de famille portant sur des livres ou des vidéos de plusieurs heures, avec une indexation des événements à la seconde. Ces capacités dépendent de la représentation, de l’échantillonnage des images et de la configuration du contexte ; la description générale du fabricant ne garantit pas le rappel parfait de chaque image. Dans son dépôt, Qwen conseille un facteur d’extrapolation de deux ou trois pour ce schéma positionnel entrelacé lors de l’extension de 256K à environ 1M, plutôt que de copier automatiquement un facteur de quatre d’un autre modèle.
Raisonnement et reconnaissance multimodaux
L’édition Thinking vise le raisonnement STEM et mathématique fondé sur des preuves, l’analyse causale et les réponses logiques reliant le texte aux éléments visuels. Donnez ensemble un schéma et ses définitions, ou un graphique et la question numérique précise. Demandez les libellés et les valeurs utilisés avant la conclusion. Qwen décrit aussi une reconnaissance visuelle plus large des personnes, des anime, des produits, des monuments, des plantes et des animaux. Une réponse de reconnaissance reste une inférence à partir de l’image fournie, et non une garantie que chaque objet ou identité peut être nommé.
L’OCR couvre 32 langues et vise à améliorer la lecture en cas de faible luminosité, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Conservez des images sources lisibles et demandez des champs, des citations ou un tableau structuré vérifiables. La compréhension textuelle et visuelle est réunie dans un modèle ; une question peut donc renvoyer conjointement à un passage de document, à une figure et aux instructions de l’utilisateur.
Évolutions de l’architecture
Interleaved-MRoPE répartit la représentation positionnelle entre le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine les caractéristiques visuelles de plusieurs niveaux d’encodeur pour saisir les détails plus fins et améliorer l’alignement image–texte. L’alignement texte–horodatage ancre les événements dans des références temporelles. La configuration textuelle publiée comporte 94 couches, 128 experts et huit experts sélectionnés par token. Ces détails architecturaux expliquent la représentation multimodale du modèle ; ils n’établissent pas une garantie de délai de réponse.
Préparer les entrées visuelles et la sortie
Les exemples du fabricant couvrent les requêtes avec une ou plusieurs images, la vidéo et le texte seul. Identifiez chaque entrée visuelle afin que la question puisse y renvoyer clairement. Les processeurs d’images et de vidéos utilisent des budgets de pixels séparés : un budget d’image limite ses pixels, tandis qu’un budget vidéo comptabilise les pixels des images échantillonnées. Les dimensions d’image explicites sont alignées sur des multiples de 32. L’échantillonnage vidéo peut être contrôlé par le débit ou le nombre d’images ; la valeur par défaut documentée est de deux images par seconde. Conservez les horodatages lorsque vous demandez une chronologie d’événements.
Pour un extrait long, demandez l’événement, son intervalle temporel et les indices visibles plutôt qu’un résumé indifférencié. Pour plusieurs pages, demandez un résultat organisé par identifiant de page. Ces exemples de préparation appliquent les capacités documentées et aident à rendre visibles les omissions ou les erreurs d’extraction.
Recommandations de génération et limites
Le fichier de génération du modèle utilise par défaut temperature 0.8, top_p 0.95 et top_k 20. La recette d’évaluation Thinking distincte de Qwen utilise temperature 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et une capacité de sortie de 40 960 tokens. Ce sont des préréglages distincts du producteur, et non un unique plafond strict de sortie. Laissez de la place pour le raisonnement et le texte final aux côtés des tokens visuels, et vérifiez le texte extrait, les réponses calculées et le code généré dans la source avant de les utiliser.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3-vl-235b-a22b-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’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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-vl-235b-a22b-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='qwen3-vl-235b-a22b-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='qwen3-vl-235b-a22b-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, 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-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking est le modèle vision-langage à mélange d’experts de Qwen pour raisonner sur le texte, les images et la vidéo. Utilisez l’édition Thinking pour les questions STEM, les preuves documentaires, les relations spatiales, la programmation visuelle et l’analyse vidéo horodatée, avec 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.
Introduction : l’édition multimodale Thinking
Qwen3-VL-235B-A22B-Thinking est l’édition à mélange d’experts de Qwen3-VL orientée raisonnement. Elle associe le texte aux images et à la vidéo et produit des réponses textuelles ou du code. Le modèle fixe Thinking est distinct de Qwen3-VL-235B-A22B-Instruct et des versions FP8 nommées séparément. Choisissez-le pour une question exigeant de relier des éléments visuels à une explication plus longue, plutôt que de supposer que toutes les éditions Qwen3-VL ont le même style de réponse.
Agents visuels et programmation visuelle
Qwen décrit un processus d’agent visuel qui reconnaît les éléments d’interfaces d’ordinateur ou de mobile, interprète leurs fonctions et travaille avec des outils pour accomplir des tâches. Le modèle fournit la perception et le raisonnement ; une application doit connecter et exécuter les actions. Pour examiner une interface, fournissez la capture actuelle et un objectif précis, puis demandez d’identifier les contrôles pertinents et d’expliquer l’action suivante. L’image seule ne donne pas le contrôle de l’appareil.
La programmation visuelle comprend la génération de contenu de schéma et de HTML, CSS ou JavaScript à partir d’images et de vidéos. Fournissez une capture d’écran avec la disposition, le comportement et le format de sortie modifiable requis. Demandez la structure de page et les styles comme livrables séparés lorsque cela facilite l’examen. Le code généré est du texte pour un processus de développement ; il ne prouve ni qu’un site a été rendu ni que l’image source est devenue une application fonctionnelle.
Perception spatiale
Le fabricant documente le raisonnement sur les positions des objets, les points de vue et les occultations, avec un ancrage bidimensionnel et la prise en charge d’un ancrage tridimensionnel. Posez une question concrète sur une relation et identifiez l’objet d’intérêt : par exemple, quel composant est masqué, ce qui se trouve devant lui et les indices visuels qui étayent cette interprétation. La capacité d’ancrage ne doit pas être considérée comme une mesure physique étalonnée à partir d’une image quelconque.
Contexte long et vidéo
Le contexte natif est de 262 144 tokens. Qwen décrit son extension à environ un million via la configuration YaRN et des processus de famille portant sur des livres ou des vidéos de plusieurs heures, avec une indexation des événements à la seconde. Ces capacités dépendent de la représentation, de l’échantillonnage des images et de la configuration du contexte ; la description générale du fabricant ne garantit pas le rappel parfait de chaque image. Dans son dépôt, Qwen conseille un facteur d’extrapolation de deux ou trois pour ce schéma positionnel entrelacé lors de l’extension de 256K à environ 1M, plutôt que de copier automatiquement un facteur de quatre d’un autre modèle.
Raisonnement et reconnaissance multimodaux
L’édition Thinking vise le raisonnement STEM et mathématique fondé sur des preuves, l’analyse causale et les réponses logiques reliant le texte aux éléments visuels. Donnez ensemble un schéma et ses définitions, ou un graphique et la question numérique précise. Demandez les libellés et les valeurs utilisés avant la conclusion. Qwen décrit aussi une reconnaissance visuelle plus large des personnes, des anime, des produits, des monuments, des plantes et des animaux. Une réponse de reconnaissance reste une inférence à partir de l’image fournie, et non une garantie que chaque objet ou identité peut être nommé.
L’OCR couvre 32 langues et vise à améliorer la lecture en cas de faible luminosité, de flou ou d’inclinaison, y compris le vocabulaire spécialisé et la structure des documents longs. Conservez des images sources lisibles et demandez des champs, des citations ou un tableau structuré vérifiables. La compréhension textuelle et visuelle est réunie dans un modèle ; une question peut donc renvoyer conjointement à un passage de document, à une figure et aux instructions de l’utilisateur.
Évolutions de l’architecture
Interleaved-MRoPE répartit la représentation positionnelle entre le temps, la largeur et la hauteur pour le raisonnement vidéo. DeepStack combine les caractéristiques visuelles de plusieurs niveaux d’encodeur pour saisir les détails plus fins et améliorer l’alignement image–texte. L’alignement texte–horodatage ancre les événements dans des références temporelles. La configuration textuelle publiée comporte 94 couches, 128 experts et huit experts sélectionnés par token. Ces détails architecturaux expliquent la représentation multimodale du modèle ; ils n’établissent pas une garantie de délai de réponse.
Préparer les entrées visuelles et la sortie
Les exemples du fabricant couvrent les requêtes avec une ou plusieurs images, la vidéo et le texte seul. Identifiez chaque entrée visuelle afin que la question puisse y renvoyer clairement. Les processeurs d’images et de vidéos utilisent des budgets de pixels séparés : un budget d’image limite ses pixels, tandis qu’un budget vidéo comptabilise les pixels des images échantillonnées. Les dimensions d’image explicites sont alignées sur des multiples de 32. L’échantillonnage vidéo peut être contrôlé par le débit ou le nombre d’images ; la valeur par défaut documentée est de deux images par seconde. Conservez les horodatages lorsque vous demandez une chronologie d’événements.
Pour un extrait long, demandez l’événement, son intervalle temporel et les indices visibles plutôt qu’un résumé indifférencié. Pour plusieurs pages, demandez un résultat organisé par identifiant de page. Ces exemples de préparation appliquent les capacités documentées et aident à rendre visibles les omissions ou les erreurs d’extraction.
Recommandations de génération et limites
Le fichier de génération du modèle utilise par défaut temperature 0.8, top_p 0.95 et top_k 20. La recette d’évaluation Thinking distincte de Qwen utilise temperature 0.6, une pénalité de présence nulle, une pénalité de répétition de 1.0 et une capacité de sortie de 40 960 tokens. Ce sont des préréglages distincts du producteur, et non un unique plafond strict de sortie. Laissez de la place pour le raisonnement et le texte final aux côtés des tokens visuels, et vérifiez le texte extrait, les réponses calculées et le code généré dans la source avant de les utiliser.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3-vl-235b-a22b-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-vl-235b-a22b-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': 'qwen3-vl-235b-a22b-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 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-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Exemple technique en anglais
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.