Bevezetés: a multimodális Thinking kiadás
A Qwen3-VL-235B-A22B-Thinking a Qwen3-VL következtetésre összpontosító, szakértőkeverékes kiadása. Szöveget kapcsol össze képekkel és videóval, és szöveges válaszokat vagy kódot állít elő. A rögzített Thinking modellellenőrzőpont különbözik a Qwen3-VL-235B-A22B-Instruct modelltől és a külön megnevezett FP8-változatoktól. Olyan kérdéshez válassza, amelynél a vizuális bizonyítékokat hosszabb magyarázattal kell összekapcsolni, és ne feltételezze, hogy minden Qwen3-VL kiadásnak azonos a válaszstílusa.
Vizuális ügynökök és vizuális kódolás
A Qwen olyan vizuális ügynök-munkafolyamatot ír le, amely felismeri a számítógépes vagy mobilfelületek elemeit, értelmezi funkcióikat, és eszközökkel együttműködve feladatokat végez. A modell az észlelést és következtetést biztosítja; az alkalmazásnak kell összekapcsolnia és végrehajtania a műveleteket. Felületfelülvizsgálathoz adja meg az aktuális képernyőképet és egy konkrét célt, majd kérje a releváns vezérlők azonosítását és a következő művelet magyarázatát. A kép önmagában nem ad vezérlést az eszköz felett.
A vizuális kódolás magában foglalja diagramtartalom, valamint HTML, CSS vagy JavaScript generálását képekből és videókból. Adjon meg egy képernyőképet a szükséges elrendezéssel, működéssel és szerkeszthető kimeneti formátummal. Kérje az oldal szerkezetét és stílusait külön eredményként, ha ez könnyebbé teszi az ellenőrzést. A generált kód fejlesztési munkafolyamathoz szánt szöveg; nem bizonyítja, hogy egy webhelyet rendereltek, vagy a forrásképből működő alkalmazás lett.
Térbeli észlelés
A gyártó objektumhelyekről, nézőpontokról és takarásokról való következtetést dokumentál kétdimenziós térbeli megfeleltetéssel és háromdimenziós megfeleltetés támogatásával. Tegyen fel konkrét kapcsolati kérdést, és nevezze meg az érdekes objektumot: például melyik alkatrész van takarásban, mi található előtte, és milyen vizuális jelek támasztják alá ezt az értelmezést. A térbeli megfeleltetési képesség nem kezelhető tetszőleges képből származó, kalibrált fizikai mérésként.
Hosszú kontextus és videó
A natív kontextus 262,144 token. A Qwen YaRN-konfigurációval körülbelül egymillióra bővítést, valamint könyveket vagy többórás videót kezelő családszintű munkafolyamatokat ír le, másodperces felbontású eseményindexeléssel. Ezek a képességek a reprezentációtól, a képkocka-mintavételezéstől és a kontextus konfigurációjától függenek; az általános gyártói leírás nem garantálja minden képkocka tökéletes felidézését. Kódtárában a Qwen két- vagy háromszoros extrapolációs tényezőt ajánl ehhez a váltott pozicionálási sémához a 256K körülbelül 1M-re bővítésekor, ahelyett, hogy automatikusan átvennék egy másik modell négyszeres tényezőjét.
Multimodális következtetés és felismerés
A Thinking kiadás bizonyítékokra épülő STEM- és matematikai következtetést, oksági elemzést, valamint szöveget vizuális anyaggal összekapcsoló logikai válaszokat céloz. Adjon meg ábrát a definícióival együtt, vagy grafikont a pontos számszerű kérdéssel. A következtetés előtt kérje a felhasznált feliratokat és értékeket. A Qwen szélesebb körű vizuális felismerést is leír emberek, anime, termékek, nevezetességek, növények és állatok körében. Egy felismerési válasz továbbra is a megadott képből levont következtetés, nem garancia arra, hogy minden tárgy vagy személyazonosság megnevezhető.
Az OCR 32 nyelvet fed le, és a gyenge megvilágítás, elmosódás vagy ferdeség melletti olvasás javítására készült, beleértve a szaknyelvet és a hosszú dokumentumok szerkezetét. Őrizzen meg olvasható forrásképeket, és kérjen ellenőrizhető mezőket, idézeteket vagy strukturált táblázatot. A szöveges és vizuális megértés egy modellben egyesül, így egy kérdés közösen hivatkozhat dokumentumrészletre, ábrára és a felhasználó utasításaira.
Architekturális változások
Az Interleaved-MRoPE a videós következtetéshez idő, szélesség és magasság között osztja el a pozicionális reprezentációt. A DeepStack több kódolószint vizuális jellemzőit egyesíti a finomabb részletek megragadására és a kép–szöveg illeszkedés javítására. A szöveg–időbélyeg összehangolás időbeli hivatkozásokhoz köti az eseményeket. A közzétett szövegkonfiguráció 94 réteget, 128 szakértőt és tokenenként nyolc kiválasztott szakértőt tartalmaz. Ezek az architekturális részletek a modell multimodális reprezentációját magyarázzák; nem jelentenek válaszidő-garanciát.
A vizuális bemenet és kimenet előkészítése
A gyártó példái egy vagy több képet, videót és kizárólag szöveges kéréseket is lefednek. Jelöljön meg minden vizuális bemenetet, hogy a kérdés egyértelműen hivatkozhasson rá. A kép- és videófeldolgozók külön pixelkereteket használnak: a képkeret a kép képpontjait korlátozza, a videókeret pedig a mintavételezett képkockák összes képpontját veszi számításba. A kifejezetten megadott képméretek 32 többszöröseihez igazodnak. A videó mintavételezése gyakorisággal vagy képkockaszámmal szabályozható; a dokumentált alapérték másodpercenként két képkocka. Eseményidővonal kérésekor őrizze meg az időbélyegeket.
Hosszú klipnél kérje az eseményt, annak időintervallumát és a látható bizonyítékokat egységes, megkülönböztetés nélküli összefoglaló helyett. Több oldal esetén oldalazonosítónként rendezett eredményt kérjen. Ezek az előkészítési példák a dokumentált képességeket alkalmazzák, és segítenek láthatóvá tenni a kihagyásokat vagy kinyerési hibákat.
Generálási útmutatás és korlátok
A modellellenőrzőpont generálási fájljának alapértékei: temperature 0.8, top_p 0.95 és top_k 20. A Qwen külön Thinking-kiértékelési receptje temperature 0.6 értéket, nulla jelenléti büntetést, 1.0 ismétlési büntetést és 40,960 tokenes kimeneti keretet használ. Ezek különálló gyártói beállítások, nem egyetlen merev kimeneti korlát. A vizuális tokenek mellett hagyjon helyet a következtetésnek és a végső szövegnek, és használat előtt ellenőrizze a kinyert szöveget, a kiszámított válaszokat és a generált kódot a forrás alapján.
", "aboutText": "Bevezetés: a multimodális Thinking kiadás\n\nA Qwen3-VL-235B-A22B-Thinking a Qwen3-VL következtetésre összpontosító, szakértőkeverékes kiadása. Szöveget kapcsol össze képekkel és videóval, és szöveges válaszokat vagy kódot állít elő. A rögzített Thinking modellellenőrzőpont különbözik a Qwen3-VL-235B-A22B-Instruct modelltől és a külön megnevezett FP8-változatoktól. Olyan kérdéshez válassza, amelynél a vizuális bizonyítékokat hosszabb magyarázattal kell összekapcsolni, és ne feltételezze, hogy minden Qwen3-VL kiadásnak azonos a válaszstílusa.\n\nVizuális ügynökök és vizuális kódolás\n\nA Qwen olyan vizuális ügynök-munkafolyamatot ír le, amely felismeri a számítógépes vagy mobilfelületek elemeit, értelmezi funkcióikat, és eszközökkel együttműködve feladatokat végez. A modell az észlelést és következtetést biztosítja; az alkalmazásnak kell összekapcsolnia és végrehajtania a műveleteket. Felületfelülvizsgálathoz adja meg az aktuális képernyőképet és egy konkrét célt, majd kérje a releváns vezérlők azonosítását és a következő művelet magyarázatát. A kép önmagában nem ad vezérlést az eszköz felett.\n\nA vizuális kódolás magában foglalja diagramtartalom, valamint HTML, CSS vagy JavaScript generálását képekből és videókból. Adjon meg egy képernyőképet a szükséges elrendezéssel, működéssel és szerkeszthető kimeneti formátummal. Kérje az oldal szerkezetét és stílusait külön eredményként, ha ez könnyebbé teszi az ellenőrzést. A generált kód fejlesztési munkafolyamathoz szánt szöveg; nem bizonyítja, hogy egy webhelyet rendereltek, vagy a forrásképből működő alkalmazás lett.\n\nTérbeli észlelés\n\nA gyártó objektumhelyekről, nézőpontokról és takarásokról való következtetést dokumentál kétdimenziós térbeli megfeleltetéssel és háromdimenziós megfeleltetés támogatásával. Tegyen fel konkrét kapcsolati kérdést, és nevezze meg az érdekes objektumot: például melyik alkatrész van takarásban, mi található előtte, és milyen vizuális jelek támasztják alá ezt az értelmezést. A térbeli megfeleltetési képesség nem kezelhető tetszőleges képből származó, kalibrált fizikai mérésként.\n\nHosszú kontextus és videó\n\nA natív kontextus 262,144 token. A Qwen YaRN-konfigurációval körülbelül egymillióra bővítést, valamint könyveket vagy többórás videót kezelő családszintű munkafolyamatokat ír le, másodperces felbontású eseményindexeléssel. Ezek a képességek a reprezentációtól, a képkocka-mintavételezéstől és a kontextus konfigurációjától függenek; az általános gyártói leírás nem garantálja minden képkocka tökéletes felidézését. Kódtárában a Qwen két- vagy háromszoros extrapolációs tényezőt ajánl ehhez a váltott pozicionálási sémához a 256K körülbelül 1M-re bővítésekor, ahelyett, hogy automatikusan átvennék egy másik modell négyszeres tényezőjét.\n\nMultimodális következtetés és felismerés\n\nA Thinking kiadás bizonyítékokra épülő STEM- és matematikai következtetést, oksági elemzést, valamint szöveget vizuális anyaggal összekapcsoló logikai válaszokat céloz. Adjon meg ábrát a definícióival együtt, vagy grafikont a pontos számszerű kérdéssel. A következtetés előtt kérje a felhasznált feliratokat és értékeket. A Qwen szélesebb körű vizuális felismerést is leír emberek, anime, termékek, nevezetességek, növények és állatok körében. Egy felismerési válasz továbbra is a megadott képből levont következtetés, nem garancia arra, hogy minden tárgy vagy személyazonosság megnevezhető.\n\nAz OCR 32 nyelvet fed le, és a gyenge megvilágítás, elmosódás vagy ferdeség melletti olvasás javítására készült, beleértve a szaknyelvet és a hosszú dokumentumok szerkezetét. Őrizzen meg olvasható forrásképeket, és kérjen ellenőrizhető mezőket, idézeteket vagy strukturált táblázatot. A szöveges és vizuális megértés egy modellben egyesül, így egy kérdés közösen hivatkozhat dokumentumrészletre, ábrára és a felhasználó utasításaira.\n\nArchitekturális változások\n\nAz Interleaved-MRoPE a videós következtetéshez idő, szélesség és magasság között osztja el a pozicionális reprezentációt. A DeepStack több kódolószint vizuális jellemzőit egyesíti a finomabb részletek megragadására és a kép–szöveg illeszkedés javítására. A szöveg–időbélyeg összehangolás időbeli hivatkozásokhoz köti az eseményeket. A közzétett szövegkonfiguráció 94 réteget, 128 szakértőt és tokenenként nyolc kiválasztott szakértőt tartalmaz. Ezek az architekturális részletek a modell multimodális reprezentációját magyarázzák; nem jelentenek válaszidő-garanciát.\n\nA vizuális bemenet és kimenet előkészítése\n\nA gyártó példái egy vagy több képet, videót és kizárólag szöveges kéréseket is lefednek. Jelöljön meg minden vizuális bemenetet, hogy a kérdés egyértelműen hivatkozhasson rá. A kép- és videófeldolgozók külön pixelkereteket használnak: a képkeret a kép képpontjait korlátozza, a videókeret pedig a mintavételezett képkockák összes képpontját veszi számításba. A kifejezetten megadott képméretek 32 többszöröseihez igazodnak. A videó mintavételezése gyakorisággal vagy képkockaszámmal szabályozható; a dokumentált alapérték másodpercenként két képkocka. Eseményidővonal kérésekor őrizze meg az időbélyegeket.\n\nHosszú klipnél kérje az eseményt, annak időintervallumát és a látható bizonyítékokat egységes, megkülönböztetés nélküli összefoglaló helyett. Több oldal esetén oldalazonosítónként rendezett eredményt kérjen. Ezek az előkészítési példák a dokumentált képességeket alkalmazzák, és segítenek láthatóvá tenni a kihagyásokat vagy kinyerési hibákat.\n\nGenerálási útmutatás és korlátok\n\nA modellellenőrzőpont generálási fájljának alapértékei: temperature 0.8, top_p 0.95 és top_k 20. A Qwen külön Thinking-kiértékelési receptje temperature 0.6 értéket, nulla jelenléti büntetést, 1.0 ismétlési büntetést és 40,960 tokenes kimeneti keretet használ. Ezek különálló gyártói beállítások, nem egyetlen merev kimeneti korlát. A vizuális tokenek mellett hagyjon helyet a következtetésnek és a végső szövegnek, és használat előtt ellenőrizze a kinyert szöveget, a kiszámított válaszokat és a generált kódot a forrás alapján.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-thinkingA Qwen3-VL-235B-A22B-Thinking a Qwen szakértőkeverékes vizuális nyelvi modellje szöveges, képi és videós következtetéshez. Használja a Thinking kiadást STEM-kérdésekhez, dokumentumbizonyítékokhoz, térbeli kapcsolatokhoz, vizuális kódoláshoz és időbélyeges videóelemzéshez, natív 262,144 tokenes kontextussal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: a multimodális Thinking kiadás
A Qwen3-VL-235B-A22B-Thinking a Qwen3-VL következtetésre összpontosító, szakértőkeverékes kiadása. Szöveget kapcsol össze képekkel és videóval, és szöveges válaszokat vagy kódot állít elő. A rögzített Thinking modellellenőrzőpont különbözik a Qwen3-VL-235B-A22B-Instruct modelltől és a külön megnevezett FP8-változatoktól. Olyan kérdéshez válassza, amelynél a vizuális bizonyítékokat hosszabb magyarázattal kell összekapcsolni, és ne feltételezze, hogy minden Qwen3-VL kiadásnak azonos a válaszstílusa.
Vizuális ügynökök és vizuális kódolás
A Qwen olyan vizuális ügynök-munkafolyamatot ír le, amely felismeri a számítógépes vagy mobilfelületek elemeit, értelmezi funkcióikat, és eszközökkel együttműködve feladatokat végez. A modell az észlelést és következtetést biztosítja; az alkalmazásnak kell összekapcsolnia és végrehajtania a műveleteket. Felületfelülvizsgálathoz adja meg az aktuális képernyőképet és egy konkrét célt, majd kérje a releváns vezérlők azonosítását és a következő művelet magyarázatát. A kép önmagában nem ad vezérlést az eszköz felett.
A vizuális kódolás magában foglalja diagramtartalom, valamint HTML, CSS vagy JavaScript generálását képekből és videókból. Adjon meg egy képernyőképet a szükséges elrendezéssel, működéssel és szerkeszthető kimeneti formátummal. Kérje az oldal szerkezetét és stílusait külön eredményként, ha ez könnyebbé teszi az ellenőrzést. A generált kód fejlesztési munkafolyamathoz szánt szöveg; nem bizonyítja, hogy egy webhelyet rendereltek, vagy a forrásképből működő alkalmazás lett.
Térbeli észlelés
A gyártó objektumhelyekről, nézőpontokról és takarásokról való következtetést dokumentál kétdimenziós térbeli megfeleltetéssel és háromdimenziós megfeleltetés támogatásával. Tegyen fel konkrét kapcsolati kérdést, és nevezze meg az érdekes objektumot: például melyik alkatrész van takarásban, mi található előtte, és milyen vizuális jelek támasztják alá ezt az értelmezést. A térbeli megfeleltetési képesség nem kezelhető tetszőleges képből származó, kalibrált fizikai mérésként.
Hosszú kontextus és videó
A natív kontextus 262,144 token. A Qwen YaRN-konfigurációval körülbelül egymillióra bővítést, valamint könyveket vagy többórás videót kezelő családszintű munkafolyamatokat ír le, másodperces felbontású eseményindexeléssel. Ezek a képességek a reprezentációtól, a képkocka-mintavételezéstől és a kontextus konfigurációjától függenek; az általános gyártói leírás nem garantálja minden képkocka tökéletes felidézését. Kódtárában a Qwen két- vagy háromszoros extrapolációs tényezőt ajánl ehhez a váltott pozicionálási sémához a 256K körülbelül 1M-re bővítésekor, ahelyett, hogy automatikusan átvennék egy másik modell négyszeres tényezőjét.
Multimodális következtetés és felismerés
A Thinking kiadás bizonyítékokra épülő STEM- és matematikai következtetést, oksági elemzést, valamint szöveget vizuális anyaggal összekapcsoló logikai válaszokat céloz. Adjon meg ábrát a definícióival együtt, vagy grafikont a pontos számszerű kérdéssel. A következtetés előtt kérje a felhasznált feliratokat és értékeket. A Qwen szélesebb körű vizuális felismerést is leír emberek, anime, termékek, nevezetességek, növények és állatok körében. Egy felismerési válasz továbbra is a megadott képből levont következtetés, nem garancia arra, hogy minden tárgy vagy személyazonosság megnevezhető.
Az OCR 32 nyelvet fed le, és a gyenge megvilágítás, elmosódás vagy ferdeség melletti olvasás javítására készült, beleértve a szaknyelvet és a hosszú dokumentumok szerkezetét. Őrizzen meg olvasható forrásképeket, és kérjen ellenőrizhető mezőket, idézeteket vagy strukturált táblázatot. A szöveges és vizuális megértés egy modellben egyesül, így egy kérdés közösen hivatkozhat dokumentumrészletre, ábrára és a felhasználó utasításaira.
Architekturális változások
Az Interleaved-MRoPE a videós következtetéshez idő, szélesség és magasság között osztja el a pozicionális reprezentációt. A DeepStack több kódolószint vizuális jellemzőit egyesíti a finomabb részletek megragadására és a kép–szöveg illeszkedés javítására. A szöveg–időbélyeg összehangolás időbeli hivatkozásokhoz köti az eseményeket. A közzétett szövegkonfiguráció 94 réteget, 128 szakértőt és tokenenként nyolc kiválasztott szakértőt tartalmaz. Ezek az architekturális részletek a modell multimodális reprezentációját magyarázzák; nem jelentenek válaszidő-garanciát.
A vizuális bemenet és kimenet előkészítése
A gyártó példái egy vagy több képet, videót és kizárólag szöveges kéréseket is lefednek. Jelöljön meg minden vizuális bemenetet, hogy a kérdés egyértelműen hivatkozhasson rá. A kép- és videófeldolgozók külön pixelkereteket használnak: a képkeret a kép képpontjait korlátozza, a videókeret pedig a mintavételezett képkockák összes képpontját veszi számításba. A kifejezetten megadott képméretek 32 többszöröseihez igazodnak. A videó mintavételezése gyakorisággal vagy képkockaszámmal szabályozható; a dokumentált alapérték másodpercenként két képkocka. Eseményidővonal kérésekor őrizze meg az időbélyegeket.
Hosszú klipnél kérje az eseményt, annak időintervallumát és a látható bizonyítékokat egységes, megkülönböztetés nélküli összefoglaló helyett. Több oldal esetén oldalazonosítónként rendezett eredményt kérjen. Ezek az előkészítési példák a dokumentált képességeket alkalmazzák, és segítenek láthatóvá tenni a kihagyásokat vagy kinyerési hibákat.
Generálási útmutatás és korlátok
A modellellenőrzőpont generálási fájljának alapértékei: temperature 0.8, top_p 0.95 és top_k 20. A Qwen külön Thinking-kiértékelési receptje temperature 0.6 értéket, nulla jelenléti büntetést, 1.0 ismétlési büntetést és 40,960 tokenes kimeneti keretet használ. Ezek különálló gyártói beállítások, nem egyetlen merev kimeneti korlát. A vizuális tokenek mellett hagyjon helyet a következtetésnek és a végső szövegnek, és használat előtt ellenőrizze a kinyert szöveget, a kiszámított válaszokat és a generált kódot a forrás alapján.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3-vl-235b-a22b-thinking | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Szöveges beszélgetés | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream |
Paramétercontrol_scope | SzerződésSzöveges beszélgetés; a stream logikai érték, alapértéke false. |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Metódus álnevei: /chat/completions
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.000572 / 1K token Kimenet · Kimeneti tokenek $0.00572 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
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-thinkingA Qwen3-VL-235B-A22B-Thinking a Qwen szakértőkeverékes vizuális nyelvi modellje szöveges, képi és videós következtetéshez. Használja a Thinking kiadást STEM-kérdésekhez, dokumentumbizonyítékokhoz, térbeli kapcsolatokhoz, vizuális kódoláshoz és időbélyeges videóelemzéshez, natív 262,144 tokenes kontextussal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: a multimodális Thinking kiadás
A Qwen3-VL-235B-A22B-Thinking a Qwen3-VL következtetésre összpontosító, szakértőkeverékes kiadása. Szöveget kapcsol össze képekkel és videóval, és szöveges válaszokat vagy kódot állít elő. A rögzített Thinking modellellenőrzőpont különbözik a Qwen3-VL-235B-A22B-Instruct modelltől és a külön megnevezett FP8-változatoktól. Olyan kérdéshez válassza, amelynél a vizuális bizonyítékokat hosszabb magyarázattal kell összekapcsolni, és ne feltételezze, hogy minden Qwen3-VL kiadásnak azonos a válaszstílusa.
Vizuális ügynökök és vizuális kódolás
A Qwen olyan vizuális ügynök-munkafolyamatot ír le, amely felismeri a számítógépes vagy mobilfelületek elemeit, értelmezi funkcióikat, és eszközökkel együttműködve feladatokat végez. A modell az észlelést és következtetést biztosítja; az alkalmazásnak kell összekapcsolnia és végrehajtania a műveleteket. Felületfelülvizsgálathoz adja meg az aktuális képernyőképet és egy konkrét célt, majd kérje a releváns vezérlők azonosítását és a következő művelet magyarázatát. A kép önmagában nem ad vezérlést az eszköz felett.
A vizuális kódolás magában foglalja diagramtartalom, valamint HTML, CSS vagy JavaScript generálását képekből és videókból. Adjon meg egy képernyőképet a szükséges elrendezéssel, működéssel és szerkeszthető kimeneti formátummal. Kérje az oldal szerkezetét és stílusait külön eredményként, ha ez könnyebbé teszi az ellenőrzést. A generált kód fejlesztési munkafolyamathoz szánt szöveg; nem bizonyítja, hogy egy webhelyet rendereltek, vagy a forrásképből működő alkalmazás lett.
Térbeli észlelés
A gyártó objektumhelyekről, nézőpontokról és takarásokról való következtetést dokumentál kétdimenziós térbeli megfeleltetéssel és háromdimenziós megfeleltetés támogatásával. Tegyen fel konkrét kapcsolati kérdést, és nevezze meg az érdekes objektumot: például melyik alkatrész van takarásban, mi található előtte, és milyen vizuális jelek támasztják alá ezt az értelmezést. A térbeli megfeleltetési képesség nem kezelhető tetszőleges képből származó, kalibrált fizikai mérésként.
Hosszú kontextus és videó
A natív kontextus 262,144 token. A Qwen YaRN-konfigurációval körülbelül egymillióra bővítést, valamint könyveket vagy többórás videót kezelő családszintű munkafolyamatokat ír le, másodperces felbontású eseményindexeléssel. Ezek a képességek a reprezentációtól, a képkocka-mintavételezéstől és a kontextus konfigurációjától függenek; az általános gyártói leírás nem garantálja minden képkocka tökéletes felidézését. Kódtárában a Qwen két- vagy háromszoros extrapolációs tényezőt ajánl ehhez a váltott pozicionálási sémához a 256K körülbelül 1M-re bővítésekor, ahelyett, hogy automatikusan átvennék egy másik modell négyszeres tényezőjét.
Multimodális következtetés és felismerés
A Thinking kiadás bizonyítékokra épülő STEM- és matematikai következtetést, oksági elemzést, valamint szöveget vizuális anyaggal összekapcsoló logikai válaszokat céloz. Adjon meg ábrát a definícióival együtt, vagy grafikont a pontos számszerű kérdéssel. A következtetés előtt kérje a felhasznált feliratokat és értékeket. A Qwen szélesebb körű vizuális felismerést is leír emberek, anime, termékek, nevezetességek, növények és állatok körében. Egy felismerési válasz továbbra is a megadott képből levont következtetés, nem garancia arra, hogy minden tárgy vagy személyazonosság megnevezhető.
Az OCR 32 nyelvet fed le, és a gyenge megvilágítás, elmosódás vagy ferdeség melletti olvasás javítására készült, beleértve a szaknyelvet és a hosszú dokumentumok szerkezetét. Őrizzen meg olvasható forrásképeket, és kérjen ellenőrizhető mezőket, idézeteket vagy strukturált táblázatot. A szöveges és vizuális megértés egy modellben egyesül, így egy kérdés közösen hivatkozhat dokumentumrészletre, ábrára és a felhasználó utasításaira.
Architekturális változások
Az Interleaved-MRoPE a videós következtetéshez idő, szélesség és magasság között osztja el a pozicionális reprezentációt. A DeepStack több kódolószint vizuális jellemzőit egyesíti a finomabb részletek megragadására és a kép–szöveg illeszkedés javítására. A szöveg–időbélyeg összehangolás időbeli hivatkozásokhoz köti az eseményeket. A közzétett szövegkonfiguráció 94 réteget, 128 szakértőt és tokenenként nyolc kiválasztott szakértőt tartalmaz. Ezek az architekturális részletek a modell multimodális reprezentációját magyarázzák; nem jelentenek válaszidő-garanciát.
A vizuális bemenet és kimenet előkészítése
A gyártó példái egy vagy több képet, videót és kizárólag szöveges kéréseket is lefednek. Jelöljön meg minden vizuális bemenetet, hogy a kérdés egyértelműen hivatkozhasson rá. A kép- és videófeldolgozók külön pixelkereteket használnak: a képkeret a kép képpontjait korlátozza, a videókeret pedig a mintavételezett képkockák összes képpontját veszi számításba. A kifejezetten megadott képméretek 32 többszöröseihez igazodnak. A videó mintavételezése gyakorisággal vagy képkockaszámmal szabályozható; a dokumentált alapérték másodpercenként két képkocka. Eseményidővonal kérésekor őrizze meg az időbélyegeket.
Hosszú klipnél kérje az eseményt, annak időintervallumát és a látható bizonyítékokat egységes, megkülönböztetés nélküli összefoglaló helyett. Több oldal esetén oldalazonosítónként rendezett eredményt kérjen. Ezek az előkészítési példák a dokumentált képességeket alkalmazzák, és segítenek láthatóvá tenni a kihagyásokat vagy kinyerési hibákat.
Generálási útmutatás és korlátok
A modellellenőrzőpont generálási fájljának alapértékei: temperature 0.8, top_p 0.95 és top_k 20. A Qwen külön Thinking-kiértékelési receptje temperature 0.6 értéket, nulla jelenléti büntetést, 1.0 ismétlési büntetést és 40,960 tokenes kimeneti keretet használ. Ezek különálló gyártói beállítások, nem egyetlen merev kimeneti korlát. A vizuális tokenek mellett hagyjon helyet a következtetésnek és a végső szövegnek, és használat előtt ellenőrizze a kinyert szöveget, a kiszámított válaszokat és a generált kódot a forrás alapján.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3-vl-235b-a22b-thinking | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.000572 / 1K token Kimenet · Kimeneti tokenek $0.00572 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
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-thinkingA Qwen3-VL-235B-A22B-Thinking a Qwen szakértőkeverékes vizuális nyelvi modellje szöveges, képi és videós következtetéshez. Használja a Thinking kiadást STEM-kérdésekhez, dokumentumbizonyítékokhoz, térbeli kapcsolatokhoz, vizuális kódoláshoz és időbélyeges videóelemzéshez, natív 262,144 tokenes kontextussal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: a multimodális Thinking kiadás
A Qwen3-VL-235B-A22B-Thinking a Qwen3-VL következtetésre összpontosító, szakértőkeverékes kiadása. Szöveget kapcsol össze képekkel és videóval, és szöveges válaszokat vagy kódot állít elő. A rögzített Thinking modellellenőrzőpont különbözik a Qwen3-VL-235B-A22B-Instruct modelltől és a külön megnevezett FP8-változatoktól. Olyan kérdéshez válassza, amelynél a vizuális bizonyítékokat hosszabb magyarázattal kell összekapcsolni, és ne feltételezze, hogy minden Qwen3-VL kiadásnak azonos a válaszstílusa.
Vizuális ügynökök és vizuális kódolás
A Qwen olyan vizuális ügynök-munkafolyamatot ír le, amely felismeri a számítógépes vagy mobilfelületek elemeit, értelmezi funkcióikat, és eszközökkel együttműködve feladatokat végez. A modell az észlelést és következtetést biztosítja; az alkalmazásnak kell összekapcsolnia és végrehajtania a műveleteket. Felületfelülvizsgálathoz adja meg az aktuális képernyőképet és egy konkrét célt, majd kérje a releváns vezérlők azonosítását és a következő művelet magyarázatát. A kép önmagában nem ad vezérlést az eszköz felett.
A vizuális kódolás magában foglalja diagramtartalom, valamint HTML, CSS vagy JavaScript generálását képekből és videókból. Adjon meg egy képernyőképet a szükséges elrendezéssel, működéssel és szerkeszthető kimeneti formátummal. Kérje az oldal szerkezetét és stílusait külön eredményként, ha ez könnyebbé teszi az ellenőrzést. A generált kód fejlesztési munkafolyamathoz szánt szöveg; nem bizonyítja, hogy egy webhelyet rendereltek, vagy a forrásképből működő alkalmazás lett.
Térbeli észlelés
A gyártó objektumhelyekről, nézőpontokról és takarásokról való következtetést dokumentál kétdimenziós térbeli megfeleltetéssel és háromdimenziós megfeleltetés támogatásával. Tegyen fel konkrét kapcsolati kérdést, és nevezze meg az érdekes objektumot: például melyik alkatrész van takarásban, mi található előtte, és milyen vizuális jelek támasztják alá ezt az értelmezést. A térbeli megfeleltetési képesség nem kezelhető tetszőleges képből származó, kalibrált fizikai mérésként.
Hosszú kontextus és videó
A natív kontextus 262,144 token. A Qwen YaRN-konfigurációval körülbelül egymillióra bővítést, valamint könyveket vagy többórás videót kezelő családszintű munkafolyamatokat ír le, másodperces felbontású eseményindexeléssel. Ezek a képességek a reprezentációtól, a képkocka-mintavételezéstől és a kontextus konfigurációjától függenek; az általános gyártói leírás nem garantálja minden képkocka tökéletes felidézését. Kódtárában a Qwen két- vagy háromszoros extrapolációs tényezőt ajánl ehhez a váltott pozicionálási sémához a 256K körülbelül 1M-re bővítésekor, ahelyett, hogy automatikusan átvennék egy másik modell négyszeres tényezőjét.
Multimodális következtetés és felismerés
A Thinking kiadás bizonyítékokra épülő STEM- és matematikai következtetést, oksági elemzést, valamint szöveget vizuális anyaggal összekapcsoló logikai válaszokat céloz. Adjon meg ábrát a definícióival együtt, vagy grafikont a pontos számszerű kérdéssel. A következtetés előtt kérje a felhasznált feliratokat és értékeket. A Qwen szélesebb körű vizuális felismerést is leír emberek, anime, termékek, nevezetességek, növények és állatok körében. Egy felismerési válasz továbbra is a megadott képből levont következtetés, nem garancia arra, hogy minden tárgy vagy személyazonosság megnevezhető.
Az OCR 32 nyelvet fed le, és a gyenge megvilágítás, elmosódás vagy ferdeség melletti olvasás javítására készült, beleértve a szaknyelvet és a hosszú dokumentumok szerkezetét. Őrizzen meg olvasható forrásképeket, és kérjen ellenőrizhető mezőket, idézeteket vagy strukturált táblázatot. A szöveges és vizuális megértés egy modellben egyesül, így egy kérdés közösen hivatkozhat dokumentumrészletre, ábrára és a felhasználó utasításaira.
Architekturális változások
Az Interleaved-MRoPE a videós következtetéshez idő, szélesség és magasság között osztja el a pozicionális reprezentációt. A DeepStack több kódolószint vizuális jellemzőit egyesíti a finomabb részletek megragadására és a kép–szöveg illeszkedés javítására. A szöveg–időbélyeg összehangolás időbeli hivatkozásokhoz köti az eseményeket. A közzétett szövegkonfiguráció 94 réteget, 128 szakértőt és tokenenként nyolc kiválasztott szakértőt tartalmaz. Ezek az architekturális részletek a modell multimodális reprezentációját magyarázzák; nem jelentenek válaszidő-garanciát.
A vizuális bemenet és kimenet előkészítése
A gyártó példái egy vagy több képet, videót és kizárólag szöveges kéréseket is lefednek. Jelöljön meg minden vizuális bemenetet, hogy a kérdés egyértelműen hivatkozhasson rá. A kép- és videófeldolgozók külön pixelkereteket használnak: a képkeret a kép képpontjait korlátozza, a videókeret pedig a mintavételezett képkockák összes képpontját veszi számításba. A kifejezetten megadott képméretek 32 többszöröseihez igazodnak. A videó mintavételezése gyakorisággal vagy képkockaszámmal szabályozható; a dokumentált alapérték másodpercenként két képkocka. Eseményidővonal kérésekor őrizze meg az időbélyegeket.
Hosszú klipnél kérje az eseményt, annak időintervallumát és a látható bizonyítékokat egységes, megkülönböztetés nélküli összefoglaló helyett. Több oldal esetén oldalazonosítónként rendezett eredményt kérjen. Ezek az előkészítési példák a dokumentált képességeket alkalmazzák, és segítenek láthatóvá tenni a kihagyásokat vagy kinyerési hibákat.
Generálási útmutatás és korlátok
A modellellenőrzőpont generálási fájljának alapértékei: temperature 0.8, top_p 0.95 és top_k 20. A Qwen külön Thinking-kiértékelési receptje temperature 0.6 értéket, nulla jelenléti büntetést, 1.0 ismétlési büntetést és 40,960 tokenes kimeneti keretet használ. Ezek különálló gyártói beállítások, nem egyetlen merev kimeneti korlát. A vizuális tokenek mellett hagyjon helyet a következtetésnek és a végső szövegnek, és használat előtt ellenőrizze a kinyert szöveget, a kiszámított válaszokat és a generált kódot a forrás alapján.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen3-vl-235b-a22b-thinking | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.000572 / 1K token Kimenet · Kimeneti tokenek $0.00572 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
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-thinkingA Qwen3-VL-235B-A22B-Thinking a Qwen szakértőkeverékes vizuális nyelvi modellje szöveges, képi és videós következtetéshez. Használja a Thinking kiadást STEM-kérdésekhez, dokumentumbizonyítékokhoz, térbeli kapcsolatokhoz, vizuális kódoláshoz és időbélyeges videóelemzéshez, natív 262,144 tokenes kontextussal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Bevezetés: a multimodális Thinking kiadás
A Qwen3-VL-235B-A22B-Thinking a Qwen3-VL következtetésre összpontosító, szakértőkeverékes kiadása. Szöveget kapcsol össze képekkel és videóval, és szöveges válaszokat vagy kódot állít elő. A rögzített Thinking modellellenőrzőpont különbözik a Qwen3-VL-235B-A22B-Instruct modelltől és a külön megnevezett FP8-változatoktól. Olyan kérdéshez válassza, amelynél a vizuális bizonyítékokat hosszabb magyarázattal kell összekapcsolni, és ne feltételezze, hogy minden Qwen3-VL kiadásnak azonos a válaszstílusa.
Vizuális ügynökök és vizuális kódolás
A Qwen olyan vizuális ügynök-munkafolyamatot ír le, amely felismeri a számítógépes vagy mobilfelületek elemeit, értelmezi funkcióikat, és eszközökkel együttműködve feladatokat végez. A modell az észlelést és következtetést biztosítja; az alkalmazásnak kell összekapcsolnia és végrehajtania a műveleteket. Felületfelülvizsgálathoz adja meg az aktuális képernyőképet és egy konkrét célt, majd kérje a releváns vezérlők azonosítását és a következő művelet magyarázatát. A kép önmagában nem ad vezérlést az eszköz felett.
A vizuális kódolás magában foglalja diagramtartalom, valamint HTML, CSS vagy JavaScript generálását képekből és videókból. Adjon meg egy képernyőképet a szükséges elrendezéssel, működéssel és szerkeszthető kimeneti formátummal. Kérje az oldal szerkezetét és stílusait külön eredményként, ha ez könnyebbé teszi az ellenőrzést. A generált kód fejlesztési munkafolyamathoz szánt szöveg; nem bizonyítja, hogy egy webhelyet rendereltek, vagy a forrásképből működő alkalmazás lett.
Térbeli észlelés
A gyártó objektumhelyekről, nézőpontokról és takarásokról való következtetést dokumentál kétdimenziós térbeli megfeleltetéssel és háromdimenziós megfeleltetés támogatásával. Tegyen fel konkrét kapcsolati kérdést, és nevezze meg az érdekes objektumot: például melyik alkatrész van takarásban, mi található előtte, és milyen vizuális jelek támasztják alá ezt az értelmezést. A térbeli megfeleltetési képesség nem kezelhető tetszőleges képből származó, kalibrált fizikai mérésként.
Hosszú kontextus és videó
A natív kontextus 262,144 token. A Qwen YaRN-konfigurációval körülbelül egymillióra bővítést, valamint könyveket vagy többórás videót kezelő családszintű munkafolyamatokat ír le, másodperces felbontású eseményindexeléssel. Ezek a képességek a reprezentációtól, a képkocka-mintavételezéstől és a kontextus konfigurációjától függenek; az általános gyártói leírás nem garantálja minden képkocka tökéletes felidézését. Kódtárában a Qwen két- vagy háromszoros extrapolációs tényezőt ajánl ehhez a váltott pozicionálási sémához a 256K körülbelül 1M-re bővítésekor, ahelyett, hogy automatikusan átvennék egy másik modell négyszeres tényezőjét.
Multimodális következtetés és felismerés
A Thinking kiadás bizonyítékokra épülő STEM- és matematikai következtetést, oksági elemzést, valamint szöveget vizuális anyaggal összekapcsoló logikai válaszokat céloz. Adjon meg ábrát a definícióival együtt, vagy grafikont a pontos számszerű kérdéssel. A következtetés előtt kérje a felhasznált feliratokat és értékeket. A Qwen szélesebb körű vizuális felismerést is leír emberek, anime, termékek, nevezetességek, növények és állatok körében. Egy felismerési válasz továbbra is a megadott képből levont következtetés, nem garancia arra, hogy minden tárgy vagy személyazonosság megnevezhető.
Az OCR 32 nyelvet fed le, és a gyenge megvilágítás, elmosódás vagy ferdeség melletti olvasás javítására készült, beleértve a szaknyelvet és a hosszú dokumentumok szerkezetét. Őrizzen meg olvasható forrásképeket, és kérjen ellenőrizhető mezőket, idézeteket vagy strukturált táblázatot. A szöveges és vizuális megértés egy modellben egyesül, így egy kérdés közösen hivatkozhat dokumentumrészletre, ábrára és a felhasználó utasításaira.
Architekturális változások
Az Interleaved-MRoPE a videós következtetéshez idő, szélesség és magasság között osztja el a pozicionális reprezentációt. A DeepStack több kódolószint vizuális jellemzőit egyesíti a finomabb részletek megragadására és a kép–szöveg illeszkedés javítására. A szöveg–időbélyeg összehangolás időbeli hivatkozásokhoz köti az eseményeket. A közzétett szövegkonfiguráció 94 réteget, 128 szakértőt és tokenenként nyolc kiválasztott szakértőt tartalmaz. Ezek az architekturális részletek a modell multimodális reprezentációját magyarázzák; nem jelentenek válaszidő-garanciát.
A vizuális bemenet és kimenet előkészítése
A gyártó példái egy vagy több képet, videót és kizárólag szöveges kéréseket is lefednek. Jelöljön meg minden vizuális bemenetet, hogy a kérdés egyértelműen hivatkozhasson rá. A kép- és videófeldolgozók külön pixelkereteket használnak: a képkeret a kép képpontjait korlátozza, a videókeret pedig a mintavételezett képkockák összes képpontját veszi számításba. A kifejezetten megadott képméretek 32 többszöröseihez igazodnak. A videó mintavételezése gyakorisággal vagy képkockaszámmal szabályozható; a dokumentált alapérték másodpercenként két képkocka. Eseményidővonal kérésekor őrizze meg az időbélyegeket.
Hosszú klipnél kérje az eseményt, annak időintervallumát és a látható bizonyítékokat egységes, megkülönböztetés nélküli összefoglaló helyett. Több oldal esetén oldalazonosítónként rendezett eredményt kérjen. Ezek az előkészítési példák a dokumentált képességeket alkalmazzák, és segítenek láthatóvá tenni a kihagyásokat vagy kinyerési hibákat.
Generálási útmutatás és korlátok
A modellellenőrzőpont generálási fájljának alapértékei: temperature 0.8, top_p 0.95 és top_k 20. A Qwen külön Thinking-kiértékelési receptje temperature 0.6 értéket, nulla jelenléti büntetést, 1.0 ismétlési büntetést és 40,960 tokenes kimeneti keretet használ. Ezek különálló gyártói beállítások, nem egyetlen merev kimeneti korlát. A vizuális tokenek mellett hagyjon helyet a következtetésnek és a végső szövegnek, és használat előtt ellenőrizze a kinyert szöveget, a kiszámított válaszokat és a generált kódot a forrás alapján.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen3-vl-235b-a22b-thinking | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.000572 / 1K token Kimenet · Kimeneti tokenek $0.00572 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
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
Technikai példa angolul
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.